无人驾驶车辆在复杂环境下的目标检测算法研究

本文以YOL0v4目标检测算法为基础， 对其提出改进和优化。 首先使用深度可分离卷积和倒残差结构进行对网络进行轻量化改进， 减少了YOLOv4算法的参数量和计算量， 在损失 小部分检测精度的情况下使检测速度得到大幅提升。 并将注意力机制融入到 YOLOv4网络中， 在三个不同检测层嵌入CBAM, 使算法能够在训练过程中更加关注目标本身， 最终在不影响检测速度的同时提高了检侧的精度。 然后对不同输入尺寸对千目标检测算法性能的影响进行了实验探究和分析， 综合考虑检测速度和精度两方面后选取出了对 千算法性能最为均衡的输入尺寸。 接着用K-means++算法对KITTI数据集进行聚类分析，得到了尺寸更加适合的描框以替代原算法中的描框。 最后针对训练时出现的正负样本不平 衡问题， 在YOLOv4损失函数的基础上引入了焦点损失函数， 有效提高了小目标以及难分类目标的检测精度。 最终本文改进的YOLOv4算法在KITTI测试集上进行了测试，结果表明准确度达到了82.98%, 并且检测速度为38.4FPS, 满足实时检测的要求。 最后使用国内交通目标数据集SODAlOM进行了实验， 验证了本文改进算