基于SSD的目标车辆检测算法研究

杨 帆，吴韶波

（北京信息科技大学 信息与通信工程学院，北京 100101）

0 引 言

近年来，智能驾驶越来越受到广大消费者的青睐，该技术控制车辆在无人类干预的情况下安全地完成驾驶任务。车辆目标检测就是其中的重要一环：利用传感器采集的信息检测周围车辆和智能驾驶车辆的相对位置。随着深度学习算法的发展，通用目标检测技术也逐渐发展成熟。但对于智能驾驶场景而言，通用目标检测技术存在实时性差、易受天气和光照等变化的影响等缺点，需要做进一步的改善才能满足需求。深度学习中的SSD（Single Shot MutiBox Detectior, SSD）算法[1]采用卷积层替代全连接层，实现了特征提取和定位，克服了由于车辆数据集问题带来的各种困难，具有一定的泛化能力。该算法较传统目标检测算法计算效率更高，在性能上有了极大提升，然而仍存在下列缺陷：

（1）在现实交通环境中，车辆较为集中，普遍存在遮挡问题，检测结果仍有所欠缺；

（2）由于交通场景视野较远，存在许多尺寸较小的目标，且交通场景环境多变，容易出现误检、漏检等现象[2]。

针对以上问题，还需要在SSD算法的基础上做进一步优化，才能使模型在更加复杂的场景下提高判断和检测能力，减少误判和漏检等现象。

1 相关理论基础

1.1 SSD算法原理

SSD网络架构是由VGG16[3]和大小不同的卷积层组成，由于一张图片中可能会有多个目标需要检测，所以之前的全连接层（FC6和FC7）便体现出很大的局限性。考虑到卷积层提取特征的作用，产生了用卷积层替代全连接层的想法，相应的最后做预测时也需要使用卷积层。……