卜德飞，孙韶媛，黄 荣，王宇岚，刘致驿

(东华大学 a.信息科学与技术学院；b.数字化纺织服装技术教育部工程研究中心，上海201620)

目前大部分无人驾驶的环境感知相关研究集中于白天场景，而夜间场景下的研究相对较少，这使得无人驾驶在夜间的应用十分有限。夜间无人驾驶可以利用红外相机感知周边环境物体的温感成像，但形成的图像较普通，图像存在纹理信息少、噪声多、图像模糊等缺点[1]，故夜间目标检测难度较大。有效的夜间目标检测能够减少交通事故的发生，应用价值较高。

目前，基于深度学习的目标检测算法已经超越传统检测方法，成为当前目标检测算法的主流，主要包括单阶式(One-stage)目标检测和两阶式(Two-stage)目标检测算法两类。Two-stage算法以Faster RCNN(faster region convolution neural network)网络[2]系列目标检测方法为主，需要进行候选区域的提取，速度相对较慢，无法满足实时性的要求。One-stage算法以SSD(single shot multibox detector)网络[3]和YOLO(you only look once)网络[4]为主，这类网络直接进行端到端的学习。SSD网络与YOLO网络的思想均是将目标检测任务由分类问题转化为回归问题，一次完成目标定位与分类。SSD网络基于Faster RCNN网络中的锚点机制，提出了相似的Prior box方法。SSD网络加入基于特征金字塔的检测方式，即在不同感受野的特征图上预测目标。

针对红外图像特征纹理低、噪声多和图像模糊等问题，本文提出改进SSD网络的算法：(1)采用特征提取能力更强的Densenet网络[5]替换SSD网络原有的特征提取网络，提升表征能力；(2)重新利用特征图，增强浅层特征的利用程度；(3)引入反卷积网络，丰富特征的语义信息；……