基于改进YOLO的道路场景目标检测技术研究.pdfVIP

摘要

随着汽车保有量的持续增加，交通安全问题逐渐成为社会关注的焦点。在此

背景下，自动驾驶技术作为解决交通安全难题的关键技术之一，已经获得了国家

及企业层面的广泛重视和深入研究。在自动驾驶任务的实现过程中，道路环境中

目标的准确检测是实现任务的基础。尽管目前基于视觉的目标检测算法得到了迅

猛的发展，但在复杂的道路场景下，这些算法面临着检测精度低和实时性差的挑

战，特别是对于密集小目标和被遮挡目标的检测准确性尚未达到自动驾驶所需的

水平。鉴于此，本文基于深度学习目标检测技术，对自动驾驶环境下的道路场景

目标检测算法进行了深入研究，主要工作内容如下：

（1）针对道路场景中目标检测精度较低，实时性较差的问题，本文提出一种

基于SDG-YOLO的道路场景检测算法。首先，引入损失函数SIoULoss对预测框

的角度进行预测，确保了预测框回归方向的正确性，提高了预测框的收敛速度与

算法的检测速率。其次，通过设计的轻量化解耦头（DecoupledHead-s，DHs）分

离分类任务和回归任务，避免了任务中的关注点冲突问题。最后，通过设计的轻

量化全局注意力机制（GlobalAttentionMechanismGroupedConvolution，GAMGC）

来获取网络中的额外上下文特征信息，以提高网络对每个类别的关注和检测精度。

上述方法能够捕捉到更多有用的上下文特征信息，在保持检测速率的同时，显著

提高了检测精度，有效减少了目标的漏检和误检。

（2）针对道路场景下被遮挡目标和密集小目标难以检测的问题，本文提出一

种基于CMS-YOLO的道路场景检测算法。首先，本文设计了一个全新的Backbone

结构（CD模块），以替代传统的Backbone。CD模块利用大规模深度可分离卷积

和残差结构进行特征提取，从而增强了感受野和特征信息的丰富性，极大地提高

了对密集小目标的检测精度。其次，本文设计了一种多尺度特征融合金字塔结构

（MFFPN），该结构加强了浅层与深层特征之间的信息融合，有效防止了在特征传

递过程中的信息丢失，极大地提高了对密集小目标的检测精度。最后，本文设计

了一种特殊解耦头（SpecialDecoupledHead，SDH），通过三层联合输出结构有效

地解决了分类和回归任务之间的冲突，极大地提高了对道路场景中被遮挡目标的

检测精度。

（3）针对自动驾驶领域中相机传感器目标检测的落地化应用问题，本文首先

将CMS-YOLO算法成功移植到JetsonOrinNano平台，并借助PyQT5工具设计了

一个基于CMS-YOLO算法的目标检测交互式系统。在系统需求分析的基础上，利

用摄像头、视频、图片等方式获取图像数据作为目标检测算法的输入。通过该算

法对图像中的目标进行特征提取及检测处理，最终实现了目标的准确识别，并能

够在系统界面中实时展示检测结果。最后，本文对该系统的功能进行了简单的测

试和展示，测试结果验证了系统达到了预期目标，展现了其在自动驾驶辅助系统

中的应用潜力。

关键词：目标检测，YOLO，解耦头，注意力机制，多尺度特征融合，Backbone

Abstract

Asthenumberofvehiclescontinuestorise,trafficsafetyissueshaveincreasingly

becomeafocusofsocialconcern.Againstthisbackdrop,autonomousdriving

technology,asoneofthekeysolutionstotrafficsafetychallenges,hasgarnered

extensiveattentionandin-depthresearchatbothnationalandcorporatelevels.Inthe

processofimplementingautonomousdrivingtasks,accuratedetectionofobjectsinroad

environmentsisfundamental.A