基于SSD算法的室外小目标检测方法研究

于 洋，王 晴，宋建辉

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

随着计算机和传感器技术的迅速发展，室外移动机器人在军事、科研等领域都得到了成功的应用，既可以代替士兵完成战场侦查、巡逻等危险任务，也可以帮助人类完成外星和某些考古遗迹的勘探、样本采集和分析工作[1]，室外障碍物检测技术成为研究者日益关心的研究方向。

针对室外环境的障碍物检测，Gao等提出了以可行性区域检测为任务的检测方法[2]；Kong等提出了以消失点检测为任务的检测方法[3]；这些方法以检测任务为导向，识别目标明确，不需要人为标记的训练数据，但环境理解的内容有局限[4-5]；Bischof等提出条件规则产生(Conditional rule generation,CRG)方法[6]。但这些方法不能满足复杂环境下的障碍物检测，检测效率较低。

在目前常见的深度学习目标检测方法[7]中，基于区域候选的神经网络模型准确率相对较高，但速度较慢，不能满足实时性的需求；基于回归的目标检测算法可以满足实时的复杂环境障碍物检测，然而在小物体目标检测方面效果较差。

本文针对基于回归的网络模型算法中小目标障碍物漏检严重的问题进行改进，通过在基础网络层中增加扩张卷积[2]、使用K均值聚类[8]等方式，在保证障碍物检测实时性的同时，降低小目标障碍物的漏检率，对于深度学习技术进一步应用于室外障碍物检测具有重要意义。

1 SSD算法

SSD(Single Shot Multi-Box Detector)算法[9]的原理是在基础网络后添加多个卷积特征层，用卷积滤波器产生固定的预测集合，预测不同尺度预测框对于默认边界框的置信度。……