随着社会经济的飞速发展,城市化、汽车化的迅速普及,交通拥堵、交通事故频发、城市交通压力增大等问题已成为世界各国面临的共同难题。道路车辆检测技术是车流量统计、道路拥塞分析等任务获得车辆数量、位置、车型等基本信息的基础,为车辆行为解释、交通拥堵分析提供数据支撑,因此车辆检测是智能交通信息获取的一个基础又关键的工作,具有重要的现实意义和实际应用价值。传统的道路车辆检测技术主要采用基于滑动窗口的候选区域选择策略和手工设计提取特征的方式,易造成鲁棒性低等问题,影响检测性能与效率。伴随着深度学习技术的发展,基于深度神经网络的目标检测技术通过设计不同的网络模型,自动地学习更加有效的车辆特征,检测性能与效率都取得了重大突破。然而,在真实的监控场景中,道路车辆在不同的光照条件、拍摄角度下呈现出较大的外观差异和尺度变化,这些因素导致道路车辆检测仍然面临着极大的挑战。因此,本文从真实道路场景车辆所呈现的特点出发,探索基于深度学习的道路车辆检测方法,并提出了改进的道路车辆检测方法。其主要的研究工作如下:(1)通过对国内外资料文献的查阅调研,着重分析了深度学习中最具有代表性的卷积神经网络结构和训练方式,并对目前主要的道路车辆检测方法分别进行了理论和模型总结,将这些道路车辆检测方法进行检测实验和检测效果分析,为后续的研究奠定了相关基础。(2)针对道路车辆在不同拍摄视角情况下表现出较大的尺度差异和外观变化,导致现有的车辆检测方法在目标区域表达上仍面临挑战,本文设计了一种更加鲁棒的基于多级特征融合网络的道路车辆检测方法。该方法基于区域卷积神经网络,通过采用多尺度车辆生成器模块模拟真实情况下的车辆外观形态尺度的变化,丰富了网络学习的深度特征,结合先验锚点生成方法和多尺度网络结构,改善车辆所呈现外观形态多尺度差异时的检测效果。(3)在真实交通环境下,光照变化引起车辆与背景的可区分度降低及车辆外观轮廓变得模糊,导致现有车辆检测方法在特征提取上存在困难。对此,本文设计了基于视觉感知网络的道路车辆检测方法。利用视觉感知机制让网络具备学习不同视觉环境下车辆特征的能力,结合单阶段式检测网络,丰富了网络的语义信息表达,提升了在不同光照情况下车辆检测的效果。(4)针对道路场景下车辆所呈现的各种尺度变化,大多数目标检测方法是经验式地设定锚点窗口,忽略了真实场景中车辆多样性的尺度变化,影响检测效果。因此,本文利用目标的语义信息和空间位置信息,提出了基于自适应锚点生成网络的道路车辆检测方法,通过自适应锚点生成网络学习更深层次的特征,在无需人工干预的情况下产生符合不同车辆位置和形状的锚点窗口,为检测提供更准确的建议区域,改善车辆在多尺度变化下的检测效果。(5)利用公开的数据集对所提出的方法和网络模型进行训练与测试,实验结果表明本文提出的道路车辆检测方法是切实可行的,与文中代表性检测方法相比检测效果有了一定改善。综上所述,本文提出的基于多级特征融合网络、基于视觉感知网络和基于自适应锚点生成网络的改进的车辆检测方法,具有对车辆外观尺度形态的鲁棒性、对环境的适应性以及在多尺度情况下的自适应性。