城市化的高速进展及汽车产品的广泛普及，随之带来的负面影响使得交通事故频发，汽车的驾驶安全问题已然成为全球性必然存在的关注主题。在此背景下，发展和提高汽车的智能化技术显得尤为重要。汽车高级驾驶辅助系统ADAS（Advanced Driver Assistance Systems）作为智能化车辆系统 IVS（Intelligent Vehicle System）的关键组成，能够有效地提高汽车主动安全性能，提升智能化。而道路前方车辆的实时检测作为ADAS的主要实现功能之一，能够有效“预知”未来一段时间内前方道路的碰撞安全隐患，及时向驾驶操作人员发出有效的警告信号，是实现车辆间防碰撞的关键技术之一，能够实现道路交通事故中的人员伤亡比例的有效减少。

目前车辆检测的方法有很多，主要有基于超声波检测、基于毫米波雷达、基于红外线检测、以及基于视觉检测等等。然而，超声波检测准确度并不高，容易受到车辆遮蔽和行人的影响，且检测距离短；毫米波雷达对雨雾天气的适应能力好，探测距离大于１５０米，但容易受电磁干扰影响。红外线检测则受到车辆本身热源的影响，抗噪声的能力不强，且成本高。近年来，基于计算机视觉的方法随着计算机技术、图像处理技术以及人工智能等技术的不断发展，在车辆检测中得到了越来越广泛的应用。这种基于获得的影像信息进行处理的检测方法相对于其他车辆检测方法而言，具有以下三点的优势：（１）使用影像检测可以覆盖较大的交通场景面积。（２）相对于其他的检测方法，所投资的费用低，监视设备体积小且易于安装和调适，不会对路面设施产生破坏。（３）可以收集到更多的交通流量参数。

近年来，进行前方车辆检测时，常用的主要有基于机器学习和深度学习的方法。基

于机器学习的前方车辆检测方法，通过提取图像中的车辆目标及其周边背景的特征检测车辆，如支持向量机( Support Vector Machine，SVM) 、随机森林或Adaboost算法等，但这些算法都难以充分利用图像的信息，并且不易达到较高的准确率。而深度作为机器学习新的研究方向，具有较高的检测准确率和较低的误检率和漏检率，是当前前方车辆检测研究的重要方向。

2. 研究的基本内容与方案

本次毕业设计的主要任务内容有：

1.进行调研，了解目前用于目标检测的方法理论和研究成果；

2.了解现有的深度学习框架，选择一个深度学习框架并学习其基于Python的实现；

3.使用一个或多个现有目标检测数据集，并对其针对课题进行处理；

4.目标检测与识别的方法整理，重现3-5个经典的方法并整理、分析数据；

5.优化目标检测与识别算法以获得先进的性能。