基于Yolo算法的车辆目标检测平台搭建文献综述

文献综述

文 献 综 述随着我国人民生活水平的日渐提高，越来越多的家庭拥有机动车，城市内的交通环境越来越复杂。

车辆目标检测作为一项新兴技术，可用于协助构建智慧交通，提高相关部门管理和执法效率，也是自动驾驶技术发展的重要关卡。

车辆目标检测要求从静态图片或动态视频中检测出车辆目标及其在图片中的位置等特征信息，并对车辆类型进行分类。

随着自动驾驶在智慧交通研究领域有着越来越重要的地位，对目标检测技术也提出了更高的要求。

环境感知、行为决策和运动控制是自动驾驶的三大任务，而车辆目标检测作为环境数据输入的第一道关卡，是环境感知的重要组成部分，对后续的决策规划等任务具有重要意义。

传统的目标检测办法存在较多的缺陷，如滑动窗口在候选框的选择上采取枚举法，耗费大量的时间，候选框重复率高；人手工标记的特征鲁棒性较差，难以适应复杂的检测环境等。

因此，随着深度学习的逐渐发展，卷积神经网络逐渐应用在目标检测领域，以卷积神经网络为基础的模型逐渐替换传统目标检测模型，进入大众的视野。

Yolo算法作为基于深度学习的目标检测算法，对于复杂场景的稳定性更强，是当前研究的热点方向。

得益于深度学习本身强大的深度学习特征检测能力，当车辆数据集更大时，其层次特征检测的效果更好。