陈琼红，冀 杰，种一帆，宫铭钱

（西南大学 工程技术学院，重庆 400715）

车辆和行人检测是实现智能交通以及自动驾驶的必经之路。在雾霾天气下，通过相机拍摄的图片对比度下降、可辨识度较低［1］，严重影响城市道路上车辆和行人的检测。因此，利用雾天环境下的车辆和行人检测，精确感知道路前方的交通信息，对降低交通事故的发生率和保障驾乘人员的人身安全有重要意义。

雾天环境下的车辆与行人检测分为2个阶段，去雾阶段和车辆与行人检测阶段［2］。目前，雾天图片的去雾处理主要分为图像增强［3］和图像复原［4-8］两大类。He等［4］提出基于暗通道先验知识统计的去雾算法，该方法往往高估雾气浓度，导致去雾过度；Tang等［9］利用随机森林法对雾天图片中的特征进行学习，从而得到最优传播图；Cai等［10］提出DehazeNet，利用卷积网络［11-12］提取图片特征并得到图片传输图。该方法在某些特殊场景，会造成该环境下的传播图估计不准确，导致去雾效果不理想。综上所述，目前的去雾算法主要是根据大气散射模型原理，分别对传输图和全局大气光值进行估计，最终得到恢复的真实图片。本文选用AOD-Net（All-in-One Dehazing Network）算法［13］，利用卷积网络对全局大气光值和传输图进行联合估计，从而得到恢复的真实场景图片，使得重建误差更小［14］。

在图像目标检测领域，利用深度学习进行目标检测的算法主要分为双阶段［15-17］和单阶段［18-19］两大类。“双阶段”是指先对图片生成建议候选区域，再进行预测识别，以Girshick R等提出的R-CNN系列为代表，其中Faster R-CNN对目标检测的影响较为深远；……