基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

黄文涵 殷国栋 耿可可 庄伟超 徐利伟

(东南大学机械工程学院, 南京 211189)

我国汽车产业正处于一个战略转型的时代，近年来在电动化、网联化、智能化、共享化等各方面都取得关键性进展.根据《智能汽车创新发展战略》[1]，智能驾驶汽车的复杂环境感知能力是需要重点突破的关键基础技术，以实现在2025年有条件智能驾驶汽车的规模化生产以及在特定环境下的市场化应用这一目标.道路目标检测是环境感知系统中不可或缺的功能之一，但是驾驶环境的复杂性、动态性以及道路目标的随机性、多样性使得其实现较通用的目标检测难度更大，对检测算法的实时性与准确性也提出了更高的要求.

随着基于深度学习的计算机视觉技术的发展，目标检测算法的性能得到了很大提升，其整体可以分为2类.其中一类以Ren等[2]提出的算法为代表，通过区域提案、区域分类回归2个步骤实现目标检测，在精度上有了较大的提高，但是因其网络结构复杂，而且计算对硬件要求较高，故难以满足智能驾驶汽车中环境感知系统对实时性的要求.另一类以Liu等[3]、Redmon等[4]提出的算法为代表，针对第一类算法在实时性上的不足，通过在图像中设置密集的采样锚框与先验框，只需进行一次网络计算，便可得到预测分类与回归结果.这种方法虽然精度略有下降，但是在实时性方面更具优势.

在复杂环境感知任务中，尺度变化是最具挑战性的问题，各类目标的外形……