甘耀东，郑 玲，张志达，李以农

（重庆大学，机械传动国家重点实验室，重庆 400044）

前言

随着汽车保有量的增加和交通环境的日益复杂，汽车带来的交通安全事故日益增多，亟待通过驾驶辅助系统和高级自动驾驶技术等手段，降低交通事故的发生率，提高汽车行驶的安全性和效率。环境感知技术是自动驾驶汽车的关键技术，它通过车载传感器获取车辆周边的环境信息，为自动驾驶汽车的决策和控制提供依据［1-2］。

视觉传感器采集数据信息量丰富、易于目标识别分类且成本较低，广泛应用于前方车辆检测［3］。传统的车辆检测大多利用车辆特征进行识别，如文献［4］中利用车辆底部阴影特征生成车辆假设，并使用Adaboost验证车辆假设；文献［5］中利用HOG方向梯度直方图特征，结合LSVM训练车辆识别分类器，对多视角的车辆有较高的识别率。传统的视觉检测本质上利用人工选择的特征进行识别分类，该方法适合于某一类特定场景下的目标识别，其数据规模不大，泛化能力较差，较难在复杂应用场景中达到快速准确检测的效果。近年来，深度学习技术因其可以自动学习目标的有效特征，无须人工提取特征即能保证良好的检测效果，受到研究人员的广泛关注［6］。基于深度学习的目标检测算法主要分为两类：（1）以R⁃CNN系列［7-9］为代表的基于分类的目标检测框架；（2）以SSD［10-11］和YOLO系列［12-14］为代表的基于回归的目标检测框架。其中，基于分类的检测算法须生成待检测目标的候选区域，并对这些候选区域进行分类与位置校准。……