基于多尺度特征融合的无人车目标检测算法

2021-07-19李伟文

北京信息科技大学学报(自然科学版) 2021年3期

李伟文，李擎，高超

(北京信息科技大学高动态导航技术北京市重点实验室，北京 100192)

0 引言

目标检测已成为近年来计算机视觉领域最热门的研究任务之一，在无人驾驶车辆、人脸识别、智能交通、目标追踪等领域得到广泛应用。传统目标检测算法在特征提取阶段需要人工选取特征提取方式，例如方向梯度直方图HOG、局部二值模式算子LBP、尺度不变特征变换SIFT等。但该类方法受光照、目标颜色纹理及背景的影响较大，鲁棒性较差。

随着深度学习技术的不断发展，基于深度学习的目标检测算法成为主流。代表算法有基于候选区域的RCNN[1]、R-FCN[2]、Fast-RCNN[3]，基于回归的YOLO[4]、SSD[5]、Efficient-net[6]等。但基于候选区域的算法运行速度慢，难以满足实时性要求；基于回归的目标检测算法速度快，精度却有所降低。文献[7]提出一种基于改进Faster R-CNN的复杂环境车辆检测算法，提高了运行速度，降低了漏检率。文献[9]设计了基于轻量级Mobile-Net的车辆目标检测网络，减少了算法的计算量。其将通道域注意力及目标中心区域预测模块引入深度网络中，提高了对目标的检测精度。文献[10]提出一种基于特征融合的感受野模型Receptive Field Block，以增强对小目标的检测效果。文献[11]通过修改YOLOv3的特征提取网络来提高对车辆目标的检测精度。

本文在SSD算法中增加自注意力机制ULSAM(ultra-lightweight subspace attention module)[12]，并设计了特征融合模块来提高算法的精确度，对提高无人车的安全性、实用性有一定意义。