随着智能交通的兴起和人工智能的发展,如何将深度学习技术更好地应用到复杂的交通管理上,给研究者带来极大的挑战。车辆检测作为智能交通的重要组成部分,在车辆监管、智慧停车和无人驾驶中得到了广泛应用。但是,现实路况下的背景复杂、车辆之间位置重叠造成的车辆遮挡等问题,严重影响了车辆检测和车型区分的准确率。Faster R-CNN是车辆检测领域的一个主流模型,对Faster R-CNN进行研究改进,可以进一步提高复杂环境下的车辆检测准确性和鲁棒性。本文针对Faster R-CNN模型中的锚盒尺寸和回归损失函数进行研究,主要内容包括:(1)车辆图像的采集、标注和数据预处理。首先采集交通路口车辆图像1750张,学校、小区和商场等不同环境下的车辆图像950张,每张图像内包含多个车辆目标。然后对采集到的车辆图像进行数据预处理,图像锐化突出图像边缘信息和车辆轮廓,图像加噪、图像翻转和图像旋转扩充样本数目,图像灰度化减少计算量。最后对经过数据预处理的车辆图像逐车进行手工标注,得到车辆检测数据集。(2)提出一种Faster R-CNN锚盒尺寸聚类算法。针对原Faster R-CNN中固定的9种锚盒尺寸不完全符合车辆外形特征的问题,提出基于K-means的车辆锚盒尺寸聚类算法。首先提取所有车辆真实标注框的宽高值进行聚类,得到K=3,4,5三种聚类结果。然后按照三种聚类中心点坐标值重新设置锚盒尺寸和锚盒比例,最后使用同一车辆检测数据集对修改前后的Faster R-CNN模型进行训练检测。实验结果表明,K=5对应模型的平均检测精度达到86.54%,和原Faster R-CNN相比提高3.12%。检测结果表明了锚盒尺寸聚类算法的有效性。(3)提出一种Faster R-CNN回归损失函数的改进方法。针对原Faster R-CNN第一次回归时的Huber Loss回归损失函数计算量大、容易忽视遮挡车辆候选框的问题,将第一次回归时的损失函数为修改为L2损失函数,利用L2损失函数对离群点的偏向特性,保留回归阶段通常被视为离群点的遮挡车辆候选框,增加了检测遮挡车辆的可能。损失函数修改后的Faster R-CNN模型和原模型相比,检测精准率达到96.05%,检测召回率提高1.36%,有效改善了车辆漏检问题。同时对第二次回归时的Huber Loss函数分段点不同取值进行实验研究。实验结果表明,优化分段点取值后,模型检测精准率达到96.43%,检测召回率达到85.04%,进一步提升了车辆检测表现。(4)Faster R-CNN参数优化。调整网络模型超参数,可以达到提高模型训练效率的目的。设计车辆检测实验,对Faster R-CNN的两个主要超参数:学习率和批次规模进行优化。两个超参数经过实验调整后,缩短了模型训练时间,车辆检测精度也进一步得到提升。