目的：近些年来随着科技的进步和国家实力的增强，我国道路交通安全问题变得越来越严峻。实现自动驾驶的目标检测除了可以解决逐年上升的交通事故率问题还可以让司机有一个轻松的驾驶体验。基于YOLO算法实现自动驾驶的车辆检测首先是通过深度学习YOLO算法及其框图，然后编程开发基于YOLO算法的车辆目标检测系统最终实现自动驾驶的车辆检测解决以上那些问题。

意义：自动驾驶汽车对社会、驾驶员和行人均有益处。自动驾驶汽车随其市场份额的高速增长会使整体交通事故发生率稳步下降。自动驾驶汽车的行驶模式可以更加节能高效，减弱交通事故成本，交通拥堵成本以及运输过程中以人力提高生产力的成本并且缓解因交通拥挤引起的空气污染。当今时代自动驾驶已经成为全球汽车与交通出行领域智能化与网联化发展的主要方向。 而YOLO的速度非常快，其将检测框架化为回归问题，不需要复杂的流水线，实现的平均精度是其他实时系统的两倍以上，在进行预测时从全球范围对图像进行推理，产生更少的背景错误，而且YOLO具有高度通用性，所以当应用到新域或意外输入时，它就不太可能崩溃。随着车辆的不断在增加，YOLO将会发挥越来越重要的作用。本论文的理论意义在于使用YOLO这种前沿性的方法来研究物体识别领域，一方面可以研究YOLO在物体识别上对比其它方法的优势和潜力，另一方面，可以观察将YOLO与那些技术或方法结合提升识别效果。

国内外研究现状：早期的HOG SVM或者DPM等传统算法都是采用手工设计特征、滑动窗口加上简单分类器的设计，在行人检测、人脸检测等单目标检测中效果较好，但是 对多目标检测则比较局限。卷积神经网络由于其强大的表达能力，在目标检测领域表现大大超越了传统算法。基于深度学习的目标检测算法可以分为基于可能区域和基于直接回归两大类。2013 年Girshick.R等提出基于可能区域的R-CNN算法，其先采用其他算法提取可能的目标区域，再用卷积网络对每个区域进行特征提取与边框回归，但由于可能区域数目较大，每个区域都需要进行一次前向传播，算法效率十分低下。于是2015 年Girshick.R等提出了Fast R-CNN。使用感兴趣区域池化层，在特征图上对每个区域进行特征选择，得到统一长度的特征后合并，统一送入后续网络。2015 年Ren. S等提出了 Faster R-CNN，进一步将可能区域的提取集成到网络中，设计了预定义框机制，使得检测任务变成端到端，不需要额外的可能区域的提取过程。2015年Long.J等提出基于全卷积网络的图像分割算法，证明了全卷积网络在图像分割中的有效性。基于可能区域的方法精度较高，但是网络复杂臃肿，速度慢。 2016年Redmon.J等提出了基于回归的YOLO算法，针对基于可能区域的方法速度慢这一问题，采用回归的方法，直接回归出目标位置与类别，虽牺牲了一部分精度，但是速度更快。由于使用了全连接层输出预测结果，YOLO模型的参数巨大。 基于可能区域的方法精度较高，但是网络复杂臃肿，速度慢。

2. 研究的基本内容与方案

1）研究（设计）的基本内容及目标

1. 研究深度学习中的YOLO算法及其框架

2. 开发基于YOLO算法的车辆目标检测系统

3. 实现自动驾驶的车辆检测

2）采用的技术方案及措施

1.查阅相关书籍。首先，阅读相关资料了解何为YOLO算法及其目标检测，并将YOLO算法与车辆目标检测系统的关系理解清楚，将文献中涉及到的或其他对自己有帮助的外文文献翻译成中文加强理解。

2.继续深度学习YOLO算法的原理及各方法对应的方框图，理解YOLO算法实现目标检测的原理、YOLO算法及一些其它算法的优缺点及其实现目标检测的流程，并从原理及实验操作方法等方面与其它的一些算法进行比较。