鲍先富，强赞霞，李丹阳，杨 瑞

(中原工学院，河南 郑州 450007)

0 引 言

随着社会车辆的快速增多，道路交通变得愈加复杂。为了提高道路安全，避免人为驾驶失误造成不必要的交通事故，越来越多的研究学者开始对无人驾驶领域进行研究，其中包括目标识别在内的计算机视觉任务。在车辆行驶过程中，针对汽车、行人等关键目标的识别与检测任务对车辆安全行驶和避障有着举足轻重的作用，得益于近些年来深度学习的快速发展和硬件算力的巨大飞跃，基于深度学习的目标检测算法取得的检测效果受到各方学者的青睐。该文针对无人驾驶领域已有的关于车辆和行人的检测和识别任务进行优化，针对车辆密集场所提高模型检测精度，检测算法以基于YOLOv3[1]目标检测模型对目标检测框架进行优化，其中的改进主要为：(1)对Darknet-53[2]主干网络中的残差模块和基于步长为2的卷积下采样方法进行改进；(2)为提升原YOLOv3目标检测网络对于不同尺度目标的检测能力，该模型在原模型的基础上加入自适应空间特征融合模块(ASFF)，在提升对不同目标尺度包容能力的同时提升网络的检测能力，降低对关键目标的漏检率；(3)实验在PASCAL VOC2007和PASCAL VOC2012数据集[3]上进行对比测试，取得了比原始YOLOv3检测框架精度高12%的检测效果，且对改进后主干网络的推理速度没有显著影响。

1 相关工作

传统的目标检测算法多是基于设计手工特征，通过观察待检目标进行人为设计特征学习方式，其算法检测过程主要分为区域选择、特征提取和分类器分类三个步骤。……