吴新淼，赵一洲，程廷豪

(四川大学电子信息学院，成都610065)

0 引言

目标检测是计算机视觉研究领域中的一个重要的研究分支[1]，它是目标跟踪和行为识别的基础实现环节。随着无人驾驶这一概念火爆的提出，车辆的目标检测就成为了当前的热点研究话题，其目标是通过车载摄像头将录取到的实时路况的视频信息进行分帧拆分成一幅幅图片，然后通过目标检测算法，对图片进行分析，从不同复杂程度的背景中返回车辆交通分析中所需要的目标的空间位置和物体类别，从而针对不同的交通情况进行自动紧急刹车或者转弯。

近几年，深度学习逐渐走入我们的视野中，当前的目标检测模型大多是基于two-stage和one-stage分类的。其中基于two-stage的算法模型有R-CNN[2]、SPP-Net[3]、Fast R-CNN[4]和Faster R-CNN[5]，这些算法都是需要先生成候选区域，然后在候选区域里面进行特征的提取，然后将特征图送入分类器中进行类别的判定和边框回归。而基于one-stage的算法模型有YOLOv3[6]和SSD[7]，这些算法通过回归，解决了目标框定位问题，输入图片进网络中直接输出图片中物体的类别跟位置。相对于two-stage的目标检测方法，one-stage的方法具有检测速度更快的优势，但是其检测精度却没有two-stage好，但是YOLOv3算法很好地平衡了检测速度跟精度的问题，可以满足交通路况的实时检测。故本文选择YOLOv3作为目标检测算法对交通路况进行研究。

1 YOLOv3介绍

1.1 网络训练流程

YOLOv3算法是将输入的图片经过一定比例的宽高缩放之后，将其输入到特征提取网络DarkNet53进行卷积，经过卷积后将得到的特征图尺度划分为大小一致的网格，每个网格设置3个瞄点框，每个瞄点框用来预测一个边界框。……