基于改进tiny-YOLOv3的车辆检测方法*

王 硕 王孝兰 王岩松 马明辉 窦雪婷

（上海工程技术大学机械与汽车工程学院 上海 201620）

1 引言

随着人工智能的发展，自动驾驶引起了研究者的广泛关注［1］，智能车辆是汽车行业未来发展的必然趋势。前方道路环境的感知作为自动驾驶车辆路径规划、决策控制的基础，成为智能车领域的研究重点。其中，车辆作为主要交通参与者，对其准确、实时的检测在环境感知中至关重要［2］。

车辆检测的方法主要分为基于传统算法和深度学习两种。传统的前方车辆检测算法可以分选取感兴趣区域［3］、从候选区域提取特征和建立分类器三个步骤。常用的特征有HOG［4］、haar-like［5］和LBP［6］等手工特征，并根据SVM［7］、Adaboost［8］等方法进行分类，完成车辆检测。但由于目标遮挡、光照变化以及背景干扰等因素影响，人为设计的图像特征鲁棒性差，难以表达所有情况下的目标特征，影响分类器的性能，传统算法无法满足日益复杂的交通环境。

随着深度学习技术的发展，基于深度卷积神经网络的车辆检测方法成为一个新的研究方向。该检测方法主要可分为两类，一类是基于区域推荐的两步方法，文献［9］提出的R-CNN方法首先使用区域推荐产生候选区域，针对每一个候选区域通过CNN提取特征，将特征送入SVM分类器来判断目标类别，最后利用线性脊回归器对候选区域的位置进行调整。随后，在此基础上何凯明等不断做出改进，提出SPP-net［10］、Fast R-CNN［11］、Faster R-CNN［12］与Mask R-CNN［13］等目标检测方法，在目标检测方面取得很好的检测效果。但由于两步法网络结构复杂，实时性难以保证而较难实现应用。……