黎 洲 黄妙华

1.武汉理工大学现代汽车零部件技术湖北省重点实验室，武汉，430070

2.汽车零部件技术湖北省协同创新中心，武汉，430070

3.武汉理工大学汽车工程学院，武汉，430070

0 引言

面对居高不下的交通事故率，良好的辅助驾驶系统成为一种日益迫切的需要。如果汽车本身能够检测到周围环境中的车辆，通过合理的控制策略，就能提前提醒驾驶员注意危险车辆甚至自行采取紧急措施。行车记录仪的普遍使用，使得在汽车上实现基于机器视觉的车辆目标检测成为了可能。本文基于车载视频进行车辆目标的检测。

传统的车辆目标检测方法一般是分区域选择、候选区域特征提取、分类器分类三步完成。KACHACH等［1］通过提取滑动窗口内方向梯度直方图（histogram of gradient，HOG）特征，并用线性支持向量机（support vector machine，SVM）来进行车辆的检测。FELZENSZWALB等［2-3］提出了一种多尺度可变形部件模型（deformable parts model，DPM）来进行包括汽车在内的目标检测。传统的车辆检测方法虽能较为准确地检测出车辆，但区域选择时经常发生窗口冗余，整个过程复杂度高，提取出合理的特征难度较大。

文献［4］的发表，拉开了基于深度学习目标检测算法的序幕。R-CNN［5］算法是深度学习目标检测领域的新秀，该算法在生成候选区域过程中采用选择性搜索（selective search）［6］方法，为后来出现 的 SPP-net［7］、Fast R-CNN［8］、Faster RCNN［9］、R-FCN［10］开创了一种基于候选区域的深度学习目标检测的思路。

REDMON等［11］提出了基于回归思想的深度学习目标检测算法YOLO，极大地提高了目标检测速度。但初始版本的YOLO算法由于在网格划分以及预测边框数量的选取方面不太成熟，出现了定位不精准等问题。……