改进YOLOv3的行人车辆目标检测算法

袁小平， 马绪起， 刘 赛

(中国矿业大学信息与控制工程学院， 徐州 221116)

据中国汽车工业协会统计，2019年中国汽车产销分别完成2 572.1万辆和2 576.9万辆，产销量继续蝉联全球第一。然而过多的汽车保有量与相对落后的城市规划、道路建设管理产生了冲突，导致城市道路拥挤不堪，交通安全隐患巨大，交通事故频发。在现有道路环境下，提高道路管理水平减少行人车辆聚集拥堵成为中国乃至全世界亟待解决的问题。行人和车辆作为交通系统的主要参与对象，对于行人车辆的目标检测成为解决现有交通问题的基础和重点[1-2]。

对行人车辆的检测可以分为基于人工特征的目标检测算法和基于深度学习[3]的目标检测算法。基于人工特征的检测算法首先从图像中提取出人工设计的特征，然后利用机器学习方法作为分类器，对提取出的图像特征进行分类。代表算法包括提取出图像的方向梯度直方图(histogram of gradient，HOG)[4]特征，然后将HOG特征送入支持向量机(support vector machine, SVM)[5]进行分类。

然而人工设计的特征存在计算复杂、鲁棒性差等缺点，使得基于人工特征的检测算法的应用受到很大的限制。随着计算机硬件的发展和卷积神经网络理论的成熟，基于深度学习的目标检测算法在实时性和准确性方面表现出独有的优势，成为了当前机器视觉领域的研究热点。根据是否预生成候选框，基于深度学习的目标检测算法又分为基于候选框生成的两阶段(two-stage)目标检测算法和基于回归的一阶段(one-stage)目标检测算法。……