摘要
近年来，随着汽车智能化驾驶技术的不断深入研究，基于深度学习的复杂道路场景目标检测技术得到了迅猛发展。但因受到目标尺度变化大、遮挡、复杂背景、光照强度变化、复杂天气状况等诸多因素的影响，导致模型检测识别的漏检率和误检率较高，难以满足检测任务的需求，且现阶段算法模型存在对于复杂场景适应能力弱、鲁棒性较差，模型不够轻量化等问题。 针对上述问题，本文以深度学习目标检测算法为依托，提出了能适应复杂道路场景的遮挡中小目标检测算法，结果表明：所改进算法具有较好的检测识别性能，同时又平衡了模型的计算效率和硬件成本。主要进行了以下三部分的研究工作： （1）针对交通场景的目标检测数据集大多为国外开源的数据集，国内公开数据集较为缺乏的问题，以车载行车记录仪为依托，构建了一个新的复杂道路场景数据集CQTransport，包含18091张图像样本。数据集构建过程中进行了数据采样、严格的筛选与标注，保证了数据集的数量与质量的提升。对图像进行数据增强，解决了样本不均衡问题，并使得CQTransport场景多样化，在训练过程中提升模型的泛化性能。 （2）针对复杂道路场景下遮挡目标、中小尺度目标漏检率、误检率较高的问题，提出了基于自适应特征融合机制的改进算法。在YOLOv5s基准模型中融入改进的相邻尺度特征有效融合模块，缓解了模型特征融合过程产生的负面影响；提出了多尺度宽感受野自适应融合模块，增强模型对上下文信息的有效提取与利用；并通过融入注意力机制与改进损失函数、增加预测尺度等方法提升模型的检测性能，改善了道路场景中小目标、遮挡目标的漏检率和误检率高的问题。通过多个数据集实验结果表明，提出的改进方法有效提升了复杂道路场景下中小目标的检测精度，并具有较好的鲁棒性。其中改进算法算法在BDD100K、Udacity、Cqtransport三个数据集上分别提升了6.7%、4.9%、7.9%的mAP。 （3）针对目前环境感知算法在移动端设备和嵌入式设备的部署需求，提出了多尺度轻量级的道路场景目标检测算法。以YOLOv5s和YOLOX-s算法为基准模型进行了轻量化改进，首先在主干网络中融入GhostNet模块实现参数量和计算量的削减；针对融合GhostNet模块后主干网络特征提取不充分的问题，进一步提出改进策略，通过在网络模型加入VoVGSCSP、SimAM、ODConv、SPD-Conv等高效的方法提升了模型的性能。在BDD100K数据集上改进算法检测速度分别达到了126.6帧/s、117.6帧/s，更能满足在移动端设备的配置条件，同时提升了复杂道路场景下中小尺度目标、遮挡目标的检测效果，有效解决了智能驾驶环境感知算法部署难，性能低等问题。
NETL