周腾，兰时勇

（1.四川大学视觉合成图形图像技术国防重点学科实验室，成都610065；2.四川川大智胜软件股份有限公司，成都610045）

0 引言

随着城市的发展和汽车数量的快速增长，交通场景越来越多样，行车环境也越来越复杂，这带来了一系列交通拥堵以及道路行车安全问题，智能辅助驾驶和深度学习发展为解决这些问题提供了新的思路，通过摄像头检测周围行人和车辆的位置，智能辅助驾驶系统可以根据这些信息控制行车速度并且提前做出预判，能有效减少事故发生的几率。因此能在复杂多变的交通场景中提前且准确检测到行人与车辆尤为重要。

SVM[1]结合HOG 特征[2]、AdaBoost[3]结合Haar 特征[4]都是基于纹理特征的目标检测算法。前者先从训练图像中提取梯度方向直方图（HOG）特征，送入SVM 分类器进行训练，使用SVM 分类器滑窗式检测图像中的行人车辆。后者使用Haar-like 特征构建弱分类器，通过AdaBoost 算法把弱分类器提升成强分类器，然后将多个强分类器串联得到级联分类器。这些传统算法共同的缺点是不能很好处理物体间遮挡的问题，还存在因人体姿势幅度过大和行人车辆朝向改变难以检测的问题，再加上现实环境复杂多样，这些算法容易出现误检，漏检，精度不高，定位不准，鲁棒性较差，也不能满足实时性要求。以上传统检测算法都依赖于人工设计的特征，物体外观、形状、姿态各有不同，光照影响、遮挡问题都会影响特征提取质量。深度学习和卷积神经网络（Convolutional Neural Network，CNN）的发展为目标检测提供了新的思路，CNN 直接将图像数据作为输入，无需人工对图像进行额外的特征抽取，因此在基于图像的识别，检测等方面具有独特的优势。……