随着城镇发展的不断加速,交通也变得日渐拥堵,所以“小、快、灵、省”的电动自行车逐渐被越来越多的人选择作为出行工具,但由于电动自行车的逐渐增多,随之而来也产生了一些问题,如骑电动自行车出行不佩戴安全头盔、不安装车牌、超员载人等等,这些违章行为极易导致交通事故的发生。交警执法耗费大量人力,虽然交警到不同地点抽查后违章现象会有所改善,但当监管松懈后,又会立即反弹。为了解决上述问题,对于电动自行车违章自动检测的研究十分必要,“电子警察”可大大提升对电动自行车违章的监管效率,实现任何时间地点都可进行有效监管。本文目标检测功能的实现使用YOLOv3算法,并对YOLOv3进行了优化。对于本文的数据样本,使用K-means++算法对其标注框聚类,用获得的锚框替换掉原本的锚框,用DIo U替换Io U来计算损失,把卷积层与BN层合并,使用Soft-NMS替换NMS。对上述这些优化的方法进行实验结果对比分析得出:替换锚框后m AP和average Io U有所提升;把卷积层与BN层合并后速度提升了6%;使用DIo U后定位更准确,average Io U提升2.6%;当把NMS替换成Soft-NMS后,虽然总体的性能下降了,但对车上的人这一类别的AP和平均Io U值有所提升。通过对电动自行车违章自动检测系统进行需求分析后,本系统主要实现对不佩戴安全头盔、不上牌和超载的违章现象进行自动检测。如果没有检测到车牌则此车没有安装车牌,属于无牌驾驶;如果安全头盔被佩戴在头部的数量比车上人的数量少,则车上有人没有佩戴安全头盔;如果车上人数超过两人则判断为超载;最后对违章行为的车辆进行车牌文字识别。使用基于YOLOv3的目标检测方法实现骑电动自行检测、车牌检测、安全头盔检测、人的检测功能模块。对于车牌文字识别,先对车牌图片用霍夫变换进行校正后,再结合基于深度学习的文字识别算法CTPN和CRNN实现无约束场景下的车牌文字识别。最后将电动自行车违章自动检测系统以网页的形式展示。