车辆检测系统作为智能交通系统不可缺少的一环,对于协助科学引导车流和维护公共交通安全具有重要意义。目前基于计算机视觉的道路车辆检测技术已得到广泛应用,道路上架设的视频监控系统已经实现道路全方位监控,监控设备采集的大量道路车辆视频为车辆检测技术的研究提供了数据基础。但在实际情况中,受天气、监控设备参数、车速等影响,采集的道路车辆图像质量参差不齐,低质量的图像会影响深度学习网络的学习能力,进而使得车辆无法被准确识别。除此之外,通用目标检测模型为取得较高的检测精度往往采用更深层的网络结构,使之能够在多目标、多场景检测中获得理想的效果,但运行检测模型时往往会消耗大量计算资源,增加计算时间,难以达到车辆检测应用中实时性的要求。针对以上车辆检测技术中的问题,本文提出基于图像评价与优化的车辆检测算法用于提升复杂环境下的道路车辆检测精度,通过模型压缩技术,并引入通道注意力机制,在保证检测精度的基础上,提升车辆检测速度。本文研究工作总结如下:首先,针对车辆图像存在运动模糊的问题,本文提出基于排序的运动模糊图像质量评价算法,用于筛选出运动模糊图像,以便为下一步车辆图像的优化与检测提供指导。一是利用已有的高质量图像制作运动模糊畸变图像数据集,用于模型训练;二是基于孪生网络结构设计图像质量排序模型和图像质量评价模型,采用基于滑动窗口法的评分机制,以准确评估图像的质量。其次,针对以车辆为目标的单一类别检测任务,设计基于特征重标定的车辆检测算法CA-Net。一方面,对YOLOv3进行轻量化设计,根据特征图可视化结果,引入通道注意力机制改进卷积结构;另一方面,使用多尺度预测机制检测识别不同尺寸的车辆。实验结果表明,CA-Net车辆检测模型的精度为93%,检测速度为57FPS。最后,针对运动模糊导致车辆漏检的情况,本文将图像质量评价、图像优化和车辆检测算法相结合,设计基于图像评价与优化的车辆检测算法。训练阶段,利用基于排序的运动模糊图像质量评价算法与图像优化算法对车辆检测数据集进行评价与优化,生成高质量的车辆数据集用于训练车辆检测模型;测试阶段,先评估待检测车辆图像的运动模糊程度,再按照评估结果判别图像是否需要优化,最后将无运动模糊的图像送入模型完成车辆检测。实验证明,本算法能够将运动模糊车辆的检测精度由87%提升至92%。