江枭宇，李忠兵，张军豪，彭 娇，文 婷

（西南石油大学电气信息学院，成都 610500）

0 概述

环境感知是无人驾驶汽车路径规划的基础，无人驾驶系统主要通过摄像头采集、实时检测和获取周边车辆信息，对周边环境形成认知模型，从而实现对环境的感知。在车辆检测方面，传统车辆检测方法主要通过梯度直方图（Histogram of Oriented Gradient，HOG）［1］与尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）［2］提取特征信息，并使用支持向量机（Support Vector Machine，SVM）［3］、Adaboost［4］或Gradient Boosting［5］等自适应分类器进行识别，但该方法无法获取高层语义信息。近年来，深度学习技术在车辆检测领域得到广泛应用。与传统车辆检测方法不同，基于深度学习的车辆检测方法不是人为设置特征，而是通过反向传播［6］自适应获取特征，具有较好的高层语义信息描述能力，该方法主要包括One Stage 方法和Two Stage 方法。Two Stage 方法是通过预选框［7-8］确定位置，针对该位置进行识别，例如R-CNN［9］方法、Fast R-CNN［10］方法和Faster R-CNN［7］方法等。One Stage方法是端到端一次性识别出位置与类别，例如YOLO［11-12］方法、SSD［13］方法等。基于深度学习的车辆检测方法具有较好的检测精度，但是由于网络模型复杂、参数量大以及计算周期长导致检测实时性较差，因此其无法应用于实际车辆检测。

为解决上述问题，文献［14］对YOLO 网络进行精简后提出Tiny-Yolo 网络，但是该网络部署在嵌入式设备上参数多，且计算时间较长。对此，文献［15］采用神经计算棒进行加速计算。本文受上述文献的启发，使用深度可分离卷积（Depthwise Separable Convolution，DSC）［16］替换传统车辆检测算法中Tiny-YOLO 网络的标准卷积，将改进的Tiny-YOLO网络部署到配备NCS2 神经计算棒的嵌入式设备上，并对目标检测准确率与实时性进行对比与分析。……