随着社会的快速发展,汽车产生的交通问题急剧增加。提高汽车自身的感知能力避免交通事故的研究,成为学术界的前沿领域。在车载摄像头的基础上,高质量的车辆检测算法可以增加汽车的视觉感知能力,减少车辆碰撞事故,在智能交通系统、自动驾驶等领域有着广泛的应用。近些年,虽然传统车辆检测算法已经在实际使用,但是由于车辆外型种类多、背景环境变化大、运动形变及检测范围局限等因素的影响,使得其在车载视频下性能表现一般。本课题在福建省重点科技项目(2017H6009)支持下,针对传统算法计算过程繁琐、检测准确率低、范围局限性等问题,提出了基于卷积神经网络的车辆检测算法,并在此基础上提出了车辆状态分析方法。本文完成的工作如下:一、设计了不同视角、多种车型、尺度归一化、目标标注的车载视频数据集,应用于车辆检测算法的训练和测试。为了研究车辆状态分析,将车载视频数据集中标注的车辆截取出来,并做颜色空间明度平移,设计了车辆状态数据集。二、设计了一种侧面评测方法,评测了激活函数对网络设计的影响。与传统算法不同,卷积神经网络算法可以做到端到端计算,其中各数据层之间特征传输必须通过非线性激活函数的映射。在其他结构不变的情况下,设计不同激活函数的网络训练车辆检测模型,同时对模型的收敛性和测试准确度做比较,比较结果作为指标侧面反应出激活函数对设计车辆检测网络的影响。实验表明,使用Relu激活函数的车辆检测网络性能最稳定,Leaky激活函数在参数调整适当时才会产生优于Relu的网络。三、利用上述结论,结合现有目标检测网络的优点,设计了编解码网格回归网络做车辆检测,并结合超快速的AlexNet网络训练出车辆状态分类模型。在车辆检测时,首先,特征提取网络结构作为编码区,编码区去结构化,融合最优的特征提取网络,本文使用VGG16特征提取网络;然后,候选框输出结构作为解码区,解码区结合Faster-RCNN网络的Anchor机制和YOLO网络的网格回归机制,使得候选框快速回归修正。在车辆状态分析时,首先将路上行驶的车辆分为两种:前向行驶车辆和对向行驶车辆;然后以AlexNet分类的形式将车辆状态分析出来。实验表明,在不同数据集中,编解码网格回归网络都比其它算法的平均准确率高出5%以上,且能实时检测;AlexNet车辆状态分析模型的平均准确率在80%。综上所述,本文对基于车载视频的车辆检测问题提出了新的卷积神经网络结构,提高了车辆检测算法的准确性,并分析了检测车辆的行驶状态,具有重要的研究意义和实用价值。