车辆检测是传统目标检测的一个实际应用领域,在监控、无人驾驶和智能交通等领域拥有广泛的应用前景。传统的车辆检测算法受限于提取特征的类型少,易受环境外部因素影响,对人工依赖性大,使得算法的泛化能力差、检测效率低。基于深度学习的车辆检测算法,由于具备自学习的能力,能够通过大量数据集学习到更多的特征信息,具备有更好的检测性能,采用深度学习算法来进行车辆检测的研究具有重要意义。由于YOLOv2算法相较于其它深度车辆检测模型具有较好的实时性,所以,本文以YOLOv2作为研究切入点。本文主要研究内容如下:(1)针对复杂恶劣的环境,本文使用Retinex算法对图像进行增强,然后使用中值滤波对增强后的图像进行去噪,提高模型在恶劣环境下的检测效果。为了提高模型的检测效率,本文增加了对模糊图像的判别模块,如果图像是模糊的,就对输入图像进行增强操作,否则直接输入到模型中检测。(2)虽然YOLOv2具有良好的实时性,但是YOLOv2在车辆检测的场景下依然存在的两个问题:(1)YOLOv2模型有些重复的卷积层,对类别相似性较高的车辆检测并不是很有效,还会增加计算量;(2)随着卷积层数的增加和池化操作,会导致模型提取的一些小目标特征在网络模型中丢失,降低了检测精度。本文提出了对YOLOv2改进的模型YOLO-DV,该模型减少了YOLOv2的计算参数,通过将网络浅层的特征与深层的特征进行拼接,实现多层特征之间的融合,提高对小目标难检测样本的检测效果。在Pascal VOC2007/2012的车辆数据集中,YOLODV模型将mAP相比YOLOv2提高了1.3%,召回率和精确率提高了0.6%。(3)YOLOv2网络在训练的过程中,大部分训练的样本都是易分类的负样本,小部分是难分类的样本,导致易分类的负样本对YOLOv2的损失贡献太大。FocalLoss损失函数能够弱化易分类的样本对损失的贡献,从而提高难分样本对损失的影响。本文使用FocalLoss损失函数对YOLOv2的类别损失函数进行改进。使用这种改进的损失函数可以提高模型在密集难检测场景的检测精度。使用改进损失函数的YOLOv2和YOLO-DV都在召回率和mAP都有所提升。(4)为了进一步验证YOLO-DV在车辆检测的有效性,本文分别在通畅、一般通畅和阻塞三种路况场景下对YOLOv2与YOLO-DV的检测效果进行了测试和对比。其中在一般通畅场景下,YOLO-DV模型将精确率提高了2%,mAP提高了1.7%。