建立智能交通系统有助于缓解交通拥挤问题,车辆检测技术是智能交通系统的基础。基于卷积神经网络(CNN)的车辆检测技术相对于传统的车辆检测方法具有准确性高、速度快、安装维修灵活、应用范围广、可拓展性强、便于管理和交通信息全面等优点,因此在智能交通领域具有广泛的应用前景。但是运行CNN检测模型往往伴随着大量的计算和内存消耗,想要维持高效的计算效率对硬件性能需求较大,在工程应用中受到很大程度上的限制。模型压缩是提高模型计算效率的有用技术,其通过减少模型参数和计算量提高模型运行速度,使得在资源有限的场景中部署解决方案成为可能。本文调研了目标检测领域的前沿算法,分别研究了使用较广泛的基于Anchor的方法和较新颖的基于关键点的方法,并通过迁移学习应用到了车辆检测任务中,根据两种目标检测方法的不同特性针对车辆检测任务分别制定了实现方案并进行了优化:方案一:基于Anchor的YOLOv3算法优化。针对其模型复杂度高导致较大参数冗余的问题,应用模型压缩算法对其进行优化,首先设计轻量化网络替换模型的特征提取网络,设计过程分为紧凑模型设计、知识蒸馏和模型剪枝三部分,然后通过Python编程,在Tensor Flow框架上实现车辆检测算法模型并通过公开车辆数据集进行训练。改进后的算法在精度基本保持不变的情况下实现了2倍多的速度提升和接近4倍的内存占用缩减。方案二:基于关键点的Corner Net-Squeeze算法优化。针对其在一张图片中同类(车辆)目标较多时会出现角点间匹配错误的问题,对算法从模型训练阶段和后处理阶段分别进行了优化,其中包括训练损失函数调整、非极大值抑制改进和后处理阈值设置三部分,然后使用与方案一同样的环境重新训练模型。改进后的算法在速度和内存占用基本保持不变的情况下检测精度AP值提高了0.12。其中方案一优化后的模型检测速度较快为34FPS,检测精度为0.95,适用于实时检测任务,方案二优化后的模型检测精度较高为0.98,检测速度为18FPS,适用于精度需求高的任务。最后结合实际应用需求,使用INT8量化技术对模型推理阶段进一步压缩,并通过C++编程实现了车辆检测模型的调用,完成了检测函数封装和快速车辆检测软件开发工具包(SDK)的制作。