张陶宁，陈恩庆，肖文福

(郑州大学 信息工程学院，郑州 450001)

1 引 言

目标检测技术是计算机视觉领域中的重要组成部分，具有较高的研究价值[1].它通常是许多实际应用实现的起点，比如智能机器人和自动驾驶汽车，卫星和航空图像分析，以及医疗诊断和产品缺陷检测等.目前主流的目标检测方法包括基于图像特征匹配的传统机器学习算法[2]以及深度学习算法[3].传统的特征匹配算法需要手动提取感兴趣(ROI)区域，利用滑动窗口定位目标物体，再通过纹理特征匹配和颜色直方图识别目标[4].但是传统的机器学习算法检测精度往往较低，无法达到实际应用要求；深度学习类算法主要包括基于区域建议的R-CNN[5]系列以及基于回归的算法YOLO[6]、SSD[7]等，其在目标检测的精度上相较传统方法有了质的提升，但是也存在明显的缺点，如候选框数量众多导致运算量庞大、占用硬盘空间大等.深度学习类算法实施过程需要高性能GPU支持，很难满足实时性要求[8]，尤其是在运算能力较弱的嵌入式设备上很难实现实时应用[9].针对此问题，Adamdad等人提出一种轻量化深度学习模型MobileNet_YOLOv3[10]，将YOLOv3与深度可分离卷积结合，解决了深度学习模型参数量大、无法部署于嵌入式端的问题，但其在小目标与遮挡物的场景中精度较差，无法实现广泛应用.

针对传统深度学习方法运算效率不高难以在嵌入式目标检测中应用的问题与难点，本文提出一种将MobileNet_YOLOv3目标检测模型与多尺度特征融合思……