用于ADAS实时目标车辆检测的改进SSD算法

焦 鑫，杨伟东*，刘全周，李占旗，贾鹏飞

（1. 河北工业大学 机械学院，天津 300130，中国；2. 中国汽车技术研究中心有限公司，天津 300300，中国）

目标车辆检测作为汽车驾驶辅助系统（advanced driving assistant system，ADAS）的基础，能够实时采集车辆周围的环境信息，检测结果为决策层和控制层提供依据，具有提升汽车行驶安全性，减少生命财产损失的优点，是汽车工程领域的研究热点之一。

目前，ADAS中常以视觉感知的方式实现目标车辆检测。从早期的传统目标检测方法[1-3]，到近几年逐渐深入的深度学习网络的目标检测方法[4-6]，在目标车辆检测方面取得了较好的效果，尤其是基于深度学习网络的目标检测方法。为了更好的满足ADAS对目标车辆检测算法精确性、时效性和鲁棒性的要求，实现辅助驾驶系统的精确预警，国内外学者做了大量工作。

Hu Xun[7]针对单发多盒探测器 (single shot multibox detector, SSD)模型过大的问题,使用轻量级网络MobileNet，使算法能够满足在移动设备上的实时性目标检测。吴天舒[8]使用DenseNet代替了SSD算法中VGG16基础网络，极大的减少了模型体积，降低了模型的计算量和硬件消耗。Tang[9]等人在原SSD算法基础上引入了空间变换模块的注意机制，并在指定层中加入了上下文信息传递，提升了对目标车辆的检测精度。郭川磊[10]等人为了提升SSD算法中提取小目标特征信息的数量，在特征提取过程中增加了转置卷积，但是通过转置卷积得到的采样图像中像素点的值与原图像中像素点的值可能不相同，因此在实验发现通过转置卷积操作进行小目标检测的效果并不稳定。……