改进的YOLOv4模型在自动驾驶多目标检测的应用

成都锦城学院自动驾驶实验室 高 扬 陈旭淼 张皞宇

目标检测是自动驾驶汽车与外界环境实现信息交互的重要环节，为了能有效地对多个目标进行实时检测，本文针对在道路目标检测中小目标和被物体遮挡的目标易被漏检或检测框定位不准确等问题，提出一种基于YOLOv4的目标检测模型。增加152x152的特征融合结构，减少每个YOLO层前的两个卷积层，以优化目标特征提取，模型训练前用kmeans++聚类算法优化锚框，以提升模型对自动驾驶多目标的检测性能。实验结果表明，本文改进YOLOv4算法比原始算法提升1.5个百分点，在检测精度和检测速度上均有一定提升，改进算法具有一定的实用价值。

自动驾驶汽车是未来汽车产业发展的必然趋势，也是具有革命性影响的交通工具。自动驾驶技术涉及计算机科学、车辆工程、传感器技术等交叉学科内容，它对于社会经济发展、科学技术研究等方面都有重大影响。在自动驾驶技术的组成单元中，环境感知是至关重要的环节。其中多目标检测是环境感知的重要分支，通过对行人、车辆、交通信号灯、交通标志等物体的检测，结合激光雷达的探测、道路交通规则以及汽车行驶状态等信息对自动驾驶汽车进行规划与控制。

本文基于YOLOv4网络，增加152x152的特征融合结构，用于提升小目标检测性能，优化特征检测层的卷积层数，平衡网络参数，提高模型检测速度，用kmeans++聚类算法优化适用于本实验所用数据集的锚框，减少非必要误差。……