1．目的及意义

随着计算机视觉领域的快速发展，目标检测在智能交通系统中的应用也变得更加广泛。当前的智能交通系统的研究对象主要是常规交通工具与行人。常见的车辆检测方法使用传统几何特征与分类器相组合，但在实际应用中会受到遮挡、色差、形变等复杂因素的影响，检测准确度较低。

相较于传统的车辆检测方法，卷积神经网络及其扩展模型在目标检测任务中可以有效降低复杂环境中各因素的影响，提高目标检测的性能。

目前，国内外对于智能车辆视觉系统的研究已经有了显著的成果。而行人检测和车辆检测作为重要组成部分，必然成为开发者们的研究重点与热点。在智能车辆行驶过程中，如果检测到前方有行人或者车辆的出现，需要根据不同情况采取相应的机器行为。对于不同的检测目标和不同的路况，智能车辆的反应行为将会决定交通的实时状况。因此，智能车辆视觉系统中精准的车辆与行人检测是智能车辆安全行驶的第一保障，任何的检测偏差都可能造成重大交通事故。

例如，新能源智能汽车公司特斯拉近年来成为媒体报道的热点。资料显示， 2016年1月20日，中国邯郸的高先生开启了Autopilot而放松警惕，撞上缓行的高速清扫车，不幸身亡。同年8月2日，中国北京的罗先生同样过于信任Autopilot而追尾一辆故障车，所幸无人员受伤。仅2018年前5个月，特斯拉较大事故10起，造成5人死亡。可见，目前复杂的行人检测以及车辆检测还未能得到理想的效果，较高安全系数的无人驾驶技术仍处于研发阶段，全工况无人驾驶长路漫漫。

在智能车辆视觉系统中的行人检测领域，较为热门的研究有欧盟PROTECTOR项目和SAVE-U项目、以色列MobileEye公司开发的行人检测系统，国内的清华大学、浙江大学以及上海交通大学等也在此领域有了一定的研究成果。在车辆检测领域，视频监控技术在高速公路的车辆检测应用较为广泛，但考虑到扩增的车流量带来的遮挡率增加以及各种不确定因素，传统监控技术远远不能满足智能车辆的需求。常见的改进算法有车辆的2-D模型以及立体视觉和3-D建模，但由于其复杂的计算过程和有限的应用范围，较大程度限制了车辆检测的实际效果。

利用基于卷积神经网络的机器学习，可以有效应对复杂的行驶环境，提高目标检测的准确性。近年来，在目标检测领域许多种类的特征描述子被提出，这些特征和相关分类器相结合已经成为了车辆检测方法的主流。{title}

2. 研究的基本内容与方案

{title}

2.1 研究内容和目标

研究的基本内容：本设计将学习基于卷积神经网络的检测行人与车辆的统一框架、Fast-Rcnn目标检测算法及其改进算法与应用。然后针对多种复杂的道路行驶环境，以检测目标识别率最大化和精度最大化为目标，采用改进的Fast-Rcnn优化算法，实现基于卷积神经网络的车辆目标检测的研究，进一步优化智能车辆视觉系统中的检测技术。

研究目标：计划完成Fast-Rcnn算法以及改进算法的理论设计，尝试软件仿真验证效果，完成资料整理和论文编写。

2.2 拟采用的技术方案

1）Fast-Rcnn算法