魏博硕 马自强

摘要：车辆和行人检测技术是目标识别领域的研究热点。本论文研究了一种基于深度学习的交通目标检测算法，该算法基于 YOLO v3 框架，经过Darknet-53网络进行特征提取和分类，获得边界框，从而完成车辆和行人多类交通目标的检测。实验显示，本算法能有效检测不同交通场景下不同类别车辆和行人，性能较好。

关键词：深度学习;YOLO v3;车辆检测;行人检测;

1绪论

目标识别是自动驾驶最为重要的一个环节。经过对交通事故发生的原因进行分析，发现大多数是由于驾驶人员不清楚前方路况信息导致。因此，迫切需要一种可以对道路目标区分车辆和行人的算法，将检测到的分类信息传递给相关人员和部门，以确保交通安全。因此，车辆识别和行人识别技术已成为了各大互联网科技公司和汽车公司的研究热点[1]。

近年来计算机视觉领域发展迅猛，基于深度学习的目标检测技术层出不穷。主要分为两大类，一是以Fast R-CNN和Faster R-CNN为代表的基于区域生成的两阶段检测算法;二是以YOLO系列和SSD为代表的基于回归的单阶段检测算法。两阶段的检测算法通常具有较高的检测精度，但检测速度较慢，而单阶段检测算法则是提高了检测速度，同时检测的精确度也不断地提升[2]。本文选择YOLO v3模型作为交通智能识别的主要技术。

YOLO v3模型是由1*1卷积再进行3*3卷积组合而成的骨干特征提取网络[3]，由于总计有五十三个卷积层，又称为Darknet-53。YOLO v3中，只有卷积层，通过调整卷积核的步长stride来控制输出特征图的大小尺寸。……