鲍润嘉，侯庆山，邢进生

(山西师范大学 数学与计算科学学院，山西 临汾 041000)

0 引 言

计算机视觉中图像识别技术的发展为无人驾驶领域中的检测识别提供了便捷的通道。当前目标检测技术结合卷积神经网络(convolutional neural networks，CNN)在对车载图像识别等方面的研究也越来越深入。目标检测应用于智能交通是未来进一步的研究热点。

众多国内外学者为了解决目标检测中存在的问题，相继做了大量研究工作。2014年，Ross Girshick等人提出了R-CNN[1]算法，该算法首次将CNN引入目标检测领域。R-CNN通过利用在输入图像上提取的候选框，将候选区域缩放成固定的特征传入CNN中进行特征提取，最后将提取的特征输入到分类检测器中实现图像上目标的检测分类。该算法的检测效果相较于传统的目标检测算法[2]有了明显提高，但是该算法的检测过程较复杂，检测效率和检测速度依旧不够理想。于是，Ross Girshick继R-CNN算法之后，在2015年提出了Fast R-CNN[3]算法，针对R-CNN的缺陷进行了相关优化。在此之后Faster R-CNN被Shaoqing Ren等人提出，该方法通过自适应尺度的池化方法对网络进行了优化，使用了softmax[4]进行分类和回归，使得该算法在检测的精确度和速度上都有了一定程度的提升，但是该算法在检测实时性方面仍有不足。针对Faster R-CNN目标检测模型检测实时性的优化问题，在2016年，Joseph Redmon等人提出了YOLO[5]算法，该算法实现了端到端的检测效果，并在检测速率上有所提升。YOLO算法利用CNN全局特征预测可能的目标，规范图像的输入和输出，将最后的目标检测划分成了一个回归的问题。……