【Abstract】With the introductionofdeep learning technology inrecent years，target detection algorithms forautonomous vehiclehave madesignificantprogress.This paperanalyzesandorganizes thetraditionalobjectdetectionalgorithmsanddep learningobjectdetectionalgorithmscurrntlyapliedinautonomousdrivingfromtheperspectiveof thedevelopmentofobject detectiontechnology，analyzes milestone detectors，network structuresand the latestdetection methods，and exploresthe development direction of target detection technology.

Key words： Autonomous driving， Environmental perception，Deep learning，Target detection， Detector

【引用格式】方文俊，楊燕紅，王昊.自動(dòng)駕駛汽車目標(biāo)檢測(cè)算法研究進(jìn)展[J].汽車工程師，2025（8）：1-14.FANGWJ，YANGYH，WANGH.ResearchProgressof Target DetectionAlgorithmforAutonomousVehicle[J].Automotive Engineer，2025（8）：1-14.

1前言

中具有重要作用。

以往， 90% 的車輛事故是人為失誤造成的，而自動(dòng)駕駛汽車能夠有效避免人工駕駛的很多安全問題。自動(dòng)駕駛過程需要利用精確的定位系統(tǒng)、智能化環(huán)境感知技術(shù)，以及全面的控制算法來應(yīng)對(duì)各種駕駛場景，因此，目標(biāo)檢測(cè)技術(shù)在自動(dòng)駕駛過程

準(zhǔn)確檢測(cè)周圍車輛的位置、速度、行駛方向等關(guān)鍵信息，可使自動(dòng)駕駛車輛預(yù)判潛在的碰撞風(fēng)險(xiǎn)，并及時(shí)作出合理決策。早期，一般通過大量人工提取特征再識(shí)別的方法進(jìn)行目標(biāo)檢測(cè)，而隨著算法的深人與深度學(xué)習(xí)技術(shù)的出現(xiàn)，自動(dòng)駕駛汽車使用攝像頭和基于深度學(xué)習(xí)的方法進(jìn)行目標(biāo)檢測(cè)和分類4，極大地提高了車輛的實(shí)時(shí)檢測(cè)水平。

本文針對(duì)自動(dòng)駕駛汽車環(huán)境感知領(lǐng)域常見的目標(biāo)檢測(cè)算法和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法進(jìn)行梳理，分析了車輛目標(biāo)檢測(cè)中小尺度漏檢、遮擋等問題的解決方案，最后總結(jié)目標(biāo)檢測(cè)算法面臨的挑戰(zhàn)及未來可能的發(fā)展方向。

2車輛的目標(biāo)檢測(cè)算法

人類視覺系統(tǒng)在面對(duì)復(fù)雜場景時(shí)具有搜索和定位感興趣自標(biāo)的能力，可以很容易地注意到圖像中的目標(biāo)物體而忽略背景。這種視覺注意能力受認(rèn)知生理和心理的控制，是人類處理視覺信息的重要機(jī)制。為在車載場景中實(shí)現(xiàn)類似的感知能力，計(jì)算機(jī)視覺系統(tǒng)通過模擬人類注意機(jī)制，使自動(dòng)駕駛車輛能精準(zhǔn)識(shí)別道路中的自標(biāo)并過濾冗余信息。計(jì)算機(jī)視覺識(shí)別的任務(wù)主要包括：圖像分類，即將圖像分配到某個(gè)特定類別；目標(biāo)檢測(cè)，對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別目標(biāo)類別，并通過邊界框預(yù)測(cè)每個(gè)目標(biāo)的位置；實(shí)例分割，識(shí)別不同的對(duì)象，并為每個(gè)對(duì)象分配一個(gè)單獨(dú)的分類像素級(jí)掩碼，即識(shí)別并分割出圖像中的每一個(gè)特定實(shí)例對(duì)象；語義分割，將圖像分割為多個(gè)具有語義的區(qū)域，為每個(gè)像素分配特定的類別標(biāo)簽，從而提供對(duì)圖像更豐富的理解。

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺任務(wù)的核心難點(diǎn)，且在自動(dòng)駕駛系統(tǒng)中扮演著關(guān)鍵角色，其技術(shù)的發(fā)展大致經(jīng)歷了傳統(tǒng)目標(biāo)檢測(cè)和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)兩個(gè)階段[8]。

2.1傳統(tǒng)目標(biāo)檢測(cè)算法

傳統(tǒng)目標(biāo)檢測(cè)方法通常分為3個(gè)步驟，即區(qū)域提議、特征提取、分類器訓(xùn)練，如圖1所示。其中，特征提取可以強(qiáng)調(diào)主要信息并降低次要信息的影響，分類器的優(yōu)劣將極大影響目標(biāo)檢測(cè)的準(zhǔn)確率。大量研究提出了多種特征提取方法，如方向梯度直方圖（HistogramofOrientedGradient，HOG）、光流法[、可變形部件模型（DeformablePartModel，DPM）[-2]、哈爾（Haar）特征[3]、尺度不變特征變換（Scale-InvariantFeatureTransform，SIFT）[4等，并提出了多種分類器，如支持向量機(jī)（SupportVectorMachine，SVM）[5]、引導(dǎo)聚集算法（Bootstrapaggregating，Bagging）[、非線性SVM、AdaBoost[17]等。

2.1.1 特征提取方法

HOG是Dalal等提出的一種用于行人檢測(cè)的特征描述子。由于梯度或者邊緣方向的分布可有效表達(dá)局部物體的外觀或形狀，所以在HOG中，梯度方向的直方圖被視為特征。該方法將圖像分為若干個(gè)單元（CeI1），分別計(jì)算每個(gè)單元中每個(gè)像素的梯度和方向并構(gòu)建直方圖，得到多維特征向量，再將若干個(gè)單元組合成塊，對(duì)塊進(jìn)行歸一化，對(duì)塊內(nèi)單元的特征向量進(jìn)行拼接得到最終的特征向量。因其在圖像的局部區(qū)域操作，所以能夠很好地避免圖像的幾何和光學(xué)形變。在此基礎(chǔ)上，Tian8利用HOG特征和SVM開展夜間車輛檢測(cè)，在夜間弱光條件下有效增強(qiáng)了移動(dòng)車輛的檢測(cè)能力。文獻(xiàn)[19]使用直方圖擴(kuò)展和灰度微分值方法（Gray-levelDifferentialValueMethod，GDVM）進(jìn)行車輛檢測(cè)，結(jié)果表明，傳統(tǒng)方法在復(fù)雜環(huán)境下有效，但在雨天和弱光條件下效果不佳，故傳統(tǒng)方法在處理顯著環(huán)境變化時(shí)存在局限性。

HOG在處理遮擋重疊問題時(shí)存在一定困難，促使Felzenszwalb等提出了DPM。DPM是一種基于多尺度可變形零件模型混合的物體檢測(cè)系統(tǒng)，DPM算法采用改進(jìn)的HOG特征及SVM和滑動(dòng)窗口（SlidingWindows）聯(lián)合的檢測(cè)思想對(duì)輸入的圖像進(jìn)行特征提取，針對(duì)特定目標(biāo)制作相應(yīng)的激勵(lì)模板，并在原始圖像中計(jì)算得到該激勵(lì)的效果圖，再由激勵(lì)的分布確定目標(biāo)位置。雖然DPM具有直觀簡單、運(yùn)算速度快、能適應(yīng)變形等特點(diǎn)，但其性能略有不足、激勵(lì)特征需要人為設(shè)計(jì)的特點(diǎn)大幅增加了工作量，所以DPM不具有普適性。后續(xù)研究2針對(duì)DPM性能不足的問題，基于顏色融合DPM，通過HSI色彩空間轉(zhuǎn)換進(jìn)行圖像傳輸，提取色彩空間各通道的信息并訓(xùn)練DPM，再通過自適應(yīng)融合方法將DPM融合，取得了良好的檢測(cè)效果，實(shí)現(xiàn)了對(duì)傳統(tǒng)DPM的優(yōu)化。

特征提取技術(shù)發(fā)展過程中，研究人員發(fā)現(xiàn)傳統(tǒng)的目標(biāo)檢測(cè)側(cè)重于目標(biāo)的靜態(tài)特征提取，而目標(biāo)的運(yùn)動(dòng)信息難以獲取，因此光流法（OpticalFlow）應(yīng)運(yùn)而生。光流法基于圖像序列在時(shí)間域上的變化獲取上一幀與當(dāng)前幀的關(guān)系，計(jì)算相鄰幀之間對(duì)象的運(yùn)動(dòng)趨勢(shì)[2。結(jié)合光流法和顏色直方圖的方法可以同時(shí)對(duì)車輛和天氣進(jìn)行檢測(cè)，并處理復(fù)雜天氣條件下所需要的細(xì)微識(shí)別任務(wù)。由于光流法受光照噪聲影響嚴(yán)重，且車輛檢測(cè)通常在復(fù)雜的光照環(huán)境下進(jìn)行，所以此方法在車輛檢測(cè)中局限性較大。

受Papageorgiou等[22使用的Haar基函數(shù)啟發(fā)，Viola和Jones提出使用積分圖計(jì)算類哈爾（Haar-Like）特征，Haar-Like特征是一種用于目標(biāo)檢測(cè)或識(shí)別的圖像特征描述子，通過對(duì)圖像中每個(gè)像素以及由像素組成的相鄰矩形區(qū)域進(jìn)行特定操作，來獲取能夠代表整體圖像某些特征的描述信息。整體圖像計(jì)算完成后，任意一個(gè)Haar-Like特征都可以在恒定時(shí)間內(nèi)以任意尺度或位置進(jìn)行計(jì)算。Haar-Like特征分為三類：邊緣特征、線性特征，以及中心特征和對(duì)角線特征。用兩種矩形框聯(lián)合生成特征模板，利用特征模板內(nèi)兩種矩形像素的差值表示該模版的特征值，特征模板可用于圖像中的任一位置，且大小可任意變化，所以Haar-Like特征的取值對(duì)特征模板中的類別、位置、大小特別敏感，因此在固定大小的圖像窗口內(nèi)可以提取出大量的Haar-Like特征，從而大幅提高特征提取效率。

此后，研究人員發(fā)現(xiàn)，如果目標(biāo)存在于不同尺度的圖像中會(huì)導(dǎo)致之前的特征提取方法失效，SIFT能夠找到對(duì)尺度和旋轉(zhuǎn)不變的特征，并進(jìn)行提取以創(chuàng)建對(duì)部分遮擋、雜亂、噪聲和照明變化具有魯棒性的對(duì)象識(shí)別系統(tǒng)。雖然SIFT具有魯棒性、局部性、可重復(fù)性等，但其計(jì)算成本高，且在極端情況下性能可能受到影響。

各類特征提取方法的特點(diǎn)如表1所示。從HOG到SIFT的發(fā)展過程明確地體現(xiàn)出特征提取方法從簡單的基礎(chǔ)功能實(shí)現(xiàn)逐步向復(fù)雜條件下高性能、普適性方向發(fā)展的趨勢(shì)。但是，上述傳統(tǒng)算法普遍存在的主要缺點(diǎn)是需要人為制作特征提取器來學(xué)習(xí)對(duì)象的不同描述子，導(dǎo)致工作量增加、時(shí)間延長。目標(biāo)檢測(cè)任務(wù)在從圖像序列中生成局部特征后，提取的特征必須由機(jī)器學(xué)習(xí)分類器識(shí)別[23]。

2.1.2 分類器

分類器主要用于解決分類問題。最經(jīng)典的分類器是SVM，主要解決二分類問題，其核心思想是通過在特征空間中找到一個(gè)最優(yōu)的超平面進(jìn)行分類，且間隔最大。因需要的存儲(chǔ)空間小、訓(xùn)練和分類速度快，SVM的應(yīng)用最廣泛。針對(duì)非線性分類問題，非線性SVM將數(shù)據(jù)映射到高維特征空間，以便找到一個(gè)線性可分的超平面來分隔不同類別的數(shù)據(jù)點(diǎn)。非線性SVM對(duì)非線性數(shù)據(jù)的適應(yīng)能力強(qiáng)，但其對(duì)大規(guī)模數(shù)據(jù)集的訓(xùn)練時(shí)間較長，且核函數(shù)的選擇較為困難。為解決非線性SVM訓(xùn)練時(shí)間較長的問題，Bagging基于自助采樣（BootstrapSampling）和偏差-方差分解定理，并引入隨機(jī)性與個(gè)體學(xué)習(xí)器相互獨(dú)立的方法，減輕了過擬合問題并可實(shí)現(xiàn)并行訓(xùn)練，因此能夠大幅度縮短訓(xùn)練時(shí)間。該方法首先將一個(gè)隨機(jī)樣本放入采集的集合中，再將其放回原本的數(shù)據(jù)集，重復(fù) N 次采樣后可獲得一個(gè)大小為 N 的樣本集合，重復(fù) P 次，得到 P 個(gè)含有 N 個(gè)樣本的采樣集合，然后使用該采樣集合訓(xùn)練出個(gè)體學(xué)習(xí)器并將其組合起來，最后根據(jù)不同的問題采用不同的方法進(jìn)行預(yù)測(cè)，如針對(duì)回歸問題預(yù)測(cè)平均值、針對(duì)分類問題預(yù)測(cè)多數(shù)投票或者平均概率。但是，Bagging方法存在對(duì)異常值十分敏感、參數(shù)選擇對(duì)結(jié)果影響較大的問題。

表1各類特征提取方法及其特點(diǎn)

隨著技術(shù)發(fā)展和實(shí)際需求的變化，AdaBoost基于Boosting集成學(xué)習(xí)，能夠在每一輪迭代后更新樣本和弱學(xué)習(xí)器的權(quán)重，并且在每一輪迭代的基礎(chǔ)上以同樣的方法再訓(xùn)練一個(gè)弱分類器，直至到達(dá)最大迭代次數(shù)或者獲得足夠小的誤差后將所有弱學(xué)習(xí)器的輸出整合為一個(gè)整體。AdaBoost具有準(zhǔn)確率高、能自動(dòng)選擇有效特征、靈活性強(qiáng)的優(yōu)勢(shì)，但其計(jì)算量較大，對(duì)異常值和噪聲敏感。不同分類器的特點(diǎn)如表2所示。

表2各類分類器及其特點(diǎn)

2.2基于深度學(xué)習(xí)技術(shù)的目標(biāo)檢測(cè)算法

傳統(tǒng)目標(biāo)檢測(cè)方法大多具有明顯的缺點(diǎn)，如依賴手動(dòng)特征工程，此外，此類模型因無法在不需要大量重新訓(xùn)練的情況下快速納入新數(shù)據(jù)，適應(yīng)惡劣天氣或動(dòng)態(tài)環(huán)境的能力有限。深度學(xué)習(xí)在20世紀(jì)90年代作為機(jī)器學(xué)習(xí)和人工智能的一個(gè)子領(lǐng)域出現(xiàn)[24。目標(biāo)檢測(cè)領(lǐng)域中傳統(tǒng)算法對(duì)規(guī)?；幚硖卣髂芰Σ蛔?，深度學(xué)習(xí)算法可以較好地彌補(bǔ)這些缺點(diǎn)[25]?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)方法與傳統(tǒng)目標(biāo)檢測(cè)方法在理論和應(yīng)用方面存在顯著區(qū)別，如深度學(xué)習(xí)可實(shí)現(xiàn)更高抽象級(jí)別、更高精度和更快執(zhí)行的能力。近年來，在計(jì)算機(jī)視覺領(lǐng)域，由于數(shù)據(jù)量的不斷增加和硬件的快速發(fā)展，基于深度學(xué)習(xí)的車輛檢測(cè)算法的實(shí)時(shí)性已經(jīng)可與傳統(tǒng)的基于手動(dòng)特征的車輛檢測(cè)算法相媲美，而深度學(xué)習(xí)方法在檢測(cè)精度方面遠(yuǎn)超傳統(tǒng)算法。這一時(shí)期的里程碑檢測(cè)器如圖2所示。

2.2.1 深度學(xué)習(xí)網(wǎng)絡(luò)算法的演進(jìn)

2012年，世界見證了卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）的重生，AlexNet2在ImageNet舉辦的大規(guī)模視覺識(shí)別挑戰(zhàn)賽（ImageNetLarge ScaleVisual RecognitionChallenge，ILSVRC）上首次使用了深度學(xué)習(xí)方法。該比賽使用ImageNet數(shù)據(jù)庫，包含 120×10⁴ 張、1000個(gè)類別的圖像。AlexNet在 top-1 和 top-5 中分別實(shí)現(xiàn)了 37.5% 和 17.0% 的錯(cuò)誤率，分類效果有了質(zhì)的提升。隨后，OverFeat針對(duì)當(dāng)時(shí)檢測(cè)和分類的瓶頸，首次明確解釋了CNN的定位與檢測(cè)原理。該檢測(cè)算法使用全卷積網(wǎng)絡(luò)和滑動(dòng)窗口技術(shù)，將大量的滑動(dòng)窗口放入圖像中，滑動(dòng)窗口給出對(duì)象類別的置信度得分和邊界框，與對(duì)象有 50% 重疊的邊界框?qū)⒈缓喜ⅰ⒗鄯e，并利用回歸算法預(yù)測(cè)最終邊界框。然而，該方法所需算力較大，因此效率較低。

在2014年的ILSVRC中，視覺幾何組網(wǎng)絡(luò)（Visual GeometryGroup Network，VGGNet）[28]在分類任務(wù)中錯(cuò)誤率達(dá)到 7.32% ，在定位任務(wù)中的錯(cuò)誤率為 25.32% 。為減少所需參數(shù)量，該模型通過堆積疊加，使用多個(gè) 3×3 卷積核代替大尺度卷積核，并多次使用 2×2 的池化，使結(jié)構(gòu)簡潔明了，同時(shí)利用多個(gè)卷積層增加了非線性，提高了模型的性能，如圖3所示。VGGNet至今仍在圖像特征提取中廣泛應(yīng)用。

圖3VGGNet模型

2014年，IanGoodfellow等首次提出生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）[29]，該網(wǎng)絡(luò)包括一個(gè)名為生成器的神經(jīng)網(wǎng)絡(luò)和一個(gè)名為判別器的神經(jīng)網(wǎng)絡(luò)，開創(chuàng)了許多新的研究方向。但是基于GAN的模型訓(xùn)練和優(yōu)化仍然較為繁瑣，模型易崩潰，結(jié)果不易收斂且不穩(wěn)定，故基于GAN的變體陸續(xù)出現(xiàn)，如深度卷積生成對(duì)抗網(wǎng)絡(luò)（DeepConvolutionalGenerativeAdversarialNetworks，DCGAN）[3、信息生成對(duì)抗網(wǎng)絡(luò)（InformationMaximizingGenerativeAdversarialNetworks，infoGAN）[3等。

通常，深度學(xué)習(xí)模型層數(shù)越多，能捕獲的信息就越多，但是層數(shù)過多會(huì)導(dǎo)致梯度爆炸或退化問題。為減輕網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)、解決深層網(wǎng)絡(luò)的退化問題，2015年，He等提出了ResNet32，此后，模型層數(shù)提高到了百層以上。ResNet通過殘差學(xué)習(xí)的方法提出殘差結(jié)構(gòu)，并使用批歸一化（BatchNormalization，BN）加速訓(xùn)練。在2015年的ILSVRC比賽中，152層ResNet的top-5任務(wù)錯(cuò)誤率僅為3.57% ，準(zhǔn)確率較此前的模型大幅提升。盡管ResNet通過快捷連接降低了訓(xùn)練難度，但它并未充分利用先前層的功能。在逐元素運(yùn)算中，淺層中的原始特征丟失，因此不能在以后直接使用。不同于ResNet，密集連接卷積網(wǎng)絡(luò)（DenselyConnectedConvolutionalNetwork，DenseNet）[33]相互連接了所有層，保留了淺層特征，并通過將輸人與殘差輸出連接實(shí)現(xiàn)特征重用，提升了效率，在參數(shù)大小相同的條件下，DenseNet的性能優(yōu)于ResNet。在DenseNet中，來自淺層的大多數(shù)新開發(fā)的特征是重復(fù)的，并產(chǎn)生了很高的計(jì)算成本。結(jié)合ResNet與DenseNet的優(yōu)點(diǎn)，研究人員提出了一種雙路徑網(wǎng)絡(luò)（Dual-PathNetwork，DPN）[34，該網(wǎng)絡(luò)能共享公共特征，且其雙路徑架構(gòu)可保留靈活性以獲取新的特征。它與DenseNet、ResNet以及次代殘差網(wǎng)絡(luò)（ResidualNetworkwithNext，ResNeXt）這類網(wǎng)絡(luò)在模式分析、統(tǒng)計(jì)建模和計(jì)算學(xué)習(xí)視覺對(duì)象分類（PatternAnalysis，Statistical Modelling and ComputationalLearningVisual Object Classes，PASCAL VOC）挑戰(zhàn)賽的檢測(cè)與分割數(shù)據(jù)集中，相比DPN具有更優(yōu)良的性能。2016年，沙漏網(wǎng)絡(luò)（HourglassNetwork，HourglassNet）[35被提出，其最早用于人類姿勢(shì)識(shí)別，是具有沙漏模塊序列的完全卷積結(jié)構(gòu)。沙漏模塊能夠同時(shí)捕獲局部和全局信息，非常適合目標(biāo)檢測(cè)任務(wù)。

受各網(wǎng)絡(luò)的復(fù)雜程度和設(shè)備算力的影響，深度學(xué)習(xí)的目標(biāo)檢測(cè)很難搭載在移動(dòng)端。2017年，移動(dòng)網(wǎng)絡(luò)（MobileNetwork，MobileNet）[誕生，該網(wǎng)絡(luò)利用深度可分離卷積構(gòu)建輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)，為移動(dòng)設(shè)備和嵌入式設(shè)備的性能提升提供了可能，且其顯著降低了計(jì)算成本和參數(shù)數(shù)量，而分類精度沒有明顯損失。小尺度物體自身的像素信息較少，在下采樣過程中極易被遺棄，而許多網(wǎng)絡(luò)利用單個(gè)高層特征，從而忽略了這一問題，文獻(xiàn)[37]構(gòu)造了不同尺度的特征信息并進(jìn)行融合，旨在提升檢測(cè)算法對(duì)不同尺寸檢測(cè)目標(biāo)的魯棒性?？勺冃尉矸e網(wǎng)絡(luò)（DeformableConvolutionalNetwork，DCN）[38]解決了卷積核權(quán)重的固定導(dǎo)致的同一CNN在處理一幅圖像的不同位置時(shí)感受野大小相同的問題。而DetNet（DetectionNetwork，DetNet）通過在多尺度特征圖上采用擴(kuò)張卷積、保持高分辨率特征圖等措施改進(jìn)感受野，解決了多尺度物體識(shí)別問題。2017年，檢測(cè)驅(qū)動(dòng)增強(qiáng)網(wǎng)絡(luò)（Detection-drivenEnhancementNetwork，DeNet）4描述了一個(gè)用CNN進(jìn)行稀疏估計(jì)的框架，并提出了一種感興趣區(qū)域（RegionofInterest，ROI）檢測(cè)器和分類模型，提高了檢測(cè)性能，使用在語義分割背景下描述的反卷積和跳過層，中小型物體的檢測(cè)率得到了提升。2024年， Xu 等[41提出一種高階特征關(guān)聯(lián)網(wǎng)絡(luò)（High-OrderFeatureAssociationNetwork，HOFA-NET），該網(wǎng)絡(luò)可有效捕捉信道和空間維度特征之間的相互依賴關(guān)系，產(chǎn)生更可分的特征，有效提升對(duì)密集物體、小尺寸物體的檢測(cè)性能。為解決小尺度物體缺乏特征信息的問題，Dai等設(shè)計(jì)了自適應(yīng)樣本分配策略（AdaptiveSampleAssignmentStrategy，ASAS）和微小目標(biāo)聚焦增強(qiáng)模塊，有效增強(qiáng)了高層次語義信息對(duì)微小物體的傳播能力。這些網(wǎng)絡(luò)奠定了現(xiàn)代深度學(xué)習(xí)的發(fā)展基礎(chǔ)。

2.2.2 目標(biāo)檢測(cè)器

目標(biāo)檢測(cè)器分為兩階段檢測(cè)器和單階段檢測(cè)器，前者在檢測(cè)中表現(xiàn)出更高的精度，而后者具有更快的速度。兩種檢測(cè)器都生成建議，主要區(qū)別在于兩階段檢測(cè)器生成僅具有前景或背景信息的稀疏建議集，而單階段檢測(cè)器將圖像中的每個(gè)區(qū)域均視為潛在建議，并相應(yīng)地估計(jì)每個(gè)位置的潛在對(duì)象的類和邊界框坐標(biāo)。常見的兩階段檢測(cè)器有區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-ConvolutionalNeuralNetwork，R-CNN）及其變體快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（FastR-CNN）更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（FasterR-CNN）空間金字塔池化網(wǎng)絡(luò)（SpatialPyramidPoolingNetwork，SPP-Net）、基于區(qū)域的全卷積網(wǎng)絡(luò)（Region-basedFullyConvolutionalNetwork，R-FCN）等。從深度學(xué)習(xí)技術(shù)提出開始到目前最為有效的單階段檢測(cè)器有YOLO（YouOnlyLookOnce）、單步多框檢測(cè)器（SingleShotMultiBoxDetector，SSD）、視網(wǎng)膜網(wǎng)絡(luò)（RetinaNet）、DETR（DEtectionTRansformer）等。

2.2.2.1 兩階段檢測(cè)器

兩階段檢測(cè)器包括兩個(gè)任務(wù)階段：提案生成，識(shí)別輸入中可能是目標(biāo)對(duì)象的區(qū)域；對(duì)生成的提案進(jìn)行預(yù)測(cè)，采用基于深度學(xué)習(xí)的模型為提案設(shè)置正確的分類標(biāo)簽。典型的兩階段檢測(cè)器及其特點(diǎn)如表3所示。

R-CNN43是一種簡單且可擴(kuò)展的檢測(cè)算法，是CNN之后目標(biāo)檢測(cè)領(lǐng)域極具特點(diǎn)的里程碑之一。R-CNN具有優(yōu)良的特征提取和分類性能，其流程如圖4所示：首先采用區(qū)域建議生成2000個(gè)候選框，再將每個(gè)候選框處理成227像素 ×227 像素大小后放入網(wǎng)絡(luò)中提取特征，獲得4096維特征后將其送人SVM分類器，通過非極大值抑制（Non-MaximumSuppression，NMS）篩選出最可能的框，即對(duì)目標(biāo)進(jìn)行定位，最后修正候選框位置并使用最小二乘法解決回歸問題完成檢測(cè)。該算法簡單且可拓展，在PASCALVOC2012數(shù)據(jù)集中的平均精度均值（mean AveragePrecision， mAP ）達(dá)到53.3% 。但是R-CNN簡單的操作帶來了檢測(cè)速度慢、占用存儲(chǔ)空間大、特征提取容易重復(fù)計(jì)算的問題。

表3典型的兩階段檢測(cè)器

圖4R-CNN流程

SPP-Net44是一種改進(jìn)的R-CNN算法。通常，CNN模型需要將輸入數(shù)據(jù)的尺寸固定，如AlexNet需輸人224像素 ×224 像素的圖像，而候選區(qū)域尺度各異，難以直接輸入CNN中實(shí)現(xiàn)區(qū)域的特征提取。SPP-Net在R-CNN的基礎(chǔ)上提出了兩項(xiàng)重大改進(jìn)：一是去除裁剪/扭曲圖像歸一化過程，解決了圖像畸形導(dǎo)致的信息消失和存儲(chǔ)問題45；二是在R-CNN的基礎(chǔ)上提出了以3種池化方式對(duì)特征進(jìn)行池化并對(duì)結(jié)果進(jìn)行拼接的空間金字塔池化層。通過上述兩項(xiàng)改進(jìn)措施，SPP-Net極大提高了R-CNN的訓(xùn)練速度和推理速度，在PASCALVOC2007數(shù)據(jù)集中的mAP達(dá)到 59.2% 。但是，SPP-Net依舊存在多級(jí)檢測(cè)和忽略所有先前的層、只微調(diào)其他全連接層的問題。候選框的選擇非常耗時(shí)，且候選框的提取、CNN特征的計(jì)算、SVM分類、邊界框回歸均需要獨(dú)立訓(xùn)練，并保存大量中間結(jié)果，無法實(shí)現(xiàn)訓(xùn)練參數(shù)的全局優(yōu)化，而FastR-CNN可以解決上述問題，提高速度和精度。

FastR-CNN4作為R-CNN的變體，融人了SPP-Net的特點(diǎn)，并解決了SPP-Net的局限性問題。FastR-CNN將要輸入的圖像歸一化后再進(jìn)行特征提取，并在最后一層特征圖上映射候選框，提高了算力的利用率。與R-CNN不同，F(xiàn)astR-CNN在分類前不需要將特征存儲(chǔ)在硬盤中。在PASCALVOC2007數(shù)據(jù)集上，F(xiàn)astR-CNN的mAP達(dá)到了 70.0% 0

SPP-Net和FastR-CNN等為縮短檢測(cè)網(wǎng)絡(luò)運(yùn)行所需時(shí)間而采用區(qū)域提案方法，但區(qū)域提案需要大量計(jì)算資源，成為其發(fā)展的瓶頸。FasterR-CNN在使用FastR-CNN框架的基礎(chǔ)上，提出了區(qū)域提案網(wǎng)絡(luò)（RegionProposalNetwork，RPN），RPN可通過端對(duì)端訓(xùn)練生成高質(zhì)量候選框，并在訓(xùn)練時(shí)采用與目標(biāo)檢測(cè)網(wǎng)絡(luò)共享的卷積層，大幅提高了檢測(cè)速度，但其在生成候選框時(shí)仍需花費(fèi)大量時(shí)間。FasterR-CNN在PASCALVOC2007數(shù)據(jù)集上的mAP達(dá)到 73.2%

R-FCN48是一個(gè)兩階段檢測(cè)器，為解決目標(biāo)檢測(cè)的位置敏感性和分類位置不敏感性的矛盾問題，提出位置敏感得分映射（Position-SensitiveScoreMap）。該檢測(cè)器進(jìn)行圖像預(yù)處理后，將其送入分類網(wǎng)絡(luò)，在分類網(wǎng)絡(luò)的最后一個(gè)卷積層有3個(gè)分支，第一種是在特征圖上通過RPN生成候選框，第二種是在特征圖上進(jìn)行位置敏感得分映射，映射維度是 K×K×（C+1） ，第三種是在特征圖上計(jì)算4×K×K 維的位置敏感度得分映射，其中， K，C 分別為位置敏感得分映射的網(wǎng)格大?。▽⒑蜻x區(qū)域劃分為 K×K 子區(qū)域）、目標(biāo)類別數(shù)。最后，在計(jì)算得到的映射上實(shí)現(xiàn)了ROI池的功能，可識(shí)別并獲取所需要的地址和類別信息。該檢測(cè)器與FasterR-CNN相比，具有較高的速率，精確度略有提升。

兩階段方法存在對(duì)錨點(diǎn)的多次細(xì)化，故與單階段方法相比，檢測(cè)結(jié)果更為精準(zhǔn)。

2.2.2.2 單階段檢測(cè)器

單階段檢測(cè)器通過一個(gè)階段完成目標(biāo)的類別預(yù)測(cè)和邊界框回歸，側(cè)重于檢測(cè)速度，精度尚可。相對(duì)于兩階段檢測(cè)器，單階段檢測(cè)器不需要生成候選區(qū)域后再進(jìn)行預(yù)測(cè)，因此有效提升了檢測(cè)速度。部分典型的單階段檢測(cè)器及其特點(diǎn)如表4所示。

表4典型的單階段檢測(cè)器

YOLO[49]是JosephRedmon等于2015年提出的一種深度學(xué)習(xí)時(shí)代最具代表性的單階段檢測(cè)器，經(jīng)多次版本迭代，目前已能實(shí)現(xiàn)優(yōu)秀的檢測(cè)效果。與兩階段檢測(cè)不同，這種算法不采用滑動(dòng)窗口技術(shù)和區(qū)域建議技術(shù)，而是將神經(jīng)網(wǎng)絡(luò)應(yīng)用到整個(gè)圖像中，將輸入的圖像分割為幾個(gè)格子區(qū)，每個(gè)格子區(qū)預(yù)測(cè)邊界框和對(duì)象在其中的置信度，再通過對(duì)比置信度來判斷相對(duì)特定類的置信度得分，但每個(gè)網(wǎng)格只能分類和定位一個(gè)對(duì)象，使其很難檢測(cè)到小尺度的物體和被遮擋的物體，且僅應(yīng)用最后一個(gè)特征圖進(jìn)行預(yù)測(cè)，也難以用于預(yù)測(cè)多尺度和多縱橫比的對(duì)象。YOLO已經(jīng)陸續(xù)發(fā)展出多個(gè)版本，如：YOLOv5著力于減小模型的復(fù)雜度和提高實(shí)時(shí)性；YOLOv75通過引入優(yōu)化的結(jié)構(gòu)（如動(dòng)態(tài)標(biāo)簽分配和模型結(jié)構(gòu)重新參數(shù)化），在速度和準(zhǔn)確性方面優(yōu)于大多數(shù)檢測(cè)器；YOLOv8[51拋棄基于錨的方法，引入了無錨分裂Ultralytics頭，它有助于提高檢測(cè)過程的準(zhǔn)確性和效率，并且也采用了先進(jìn)的骨干網(wǎng)絡(luò)（Backbone）架構(gòu)提高特征提取和檢測(cè)的性能。 YOLOv10^[52] 為解決之前版本因計(jì)算冗余導(dǎo)致參數(shù)利用率低、效率次優(yōu)的問題和改進(jìn)模型性能，首先提出了一種雙標(biāo)簽分配和無NMS的一致雙分配策略，用于解決后處理中的冗余預(yù)測(cè)問題，隨后改進(jìn)模型的體系結(jié)構(gòu)，設(shè)計(jì)出了新的輕量化分類頭、空間信道解耦下采樣和秩引導(dǎo)塊，以減輕顯式的計(jì)算冗余，實(shí)現(xiàn)更為高效的模型架構(gòu)，最后，通過研究大卷積核提出部分自關(guān)注模塊來提升模型性能，參數(shù)、計(jì)算量大幅度減少，并且在COCO數(shù)據(jù)集上取得了 54.4% 的平均精度（AveragePrecision，AP）。2024年，或許受實(shí)時(shí)檢測(cè)轉(zhuǎn)換器（Real-TimeDEtectionTRansformer，RT-DETR）[53能夠在實(shí)時(shí)檢測(cè)中擊敗當(dāng)時(shí)的YOLO算法的影響，YOLOv11橫空出世，相比于之前的版本，其更新了更適用于特征提取的主干網(wǎng)絡(luò)和頸部（Neck）結(jié)構(gòu)，并優(yōu)化了訓(xùn)練流程，使訓(xùn)練更為迅速，可在速度與精度間很好地保持平衡，更滿足實(shí)際需求。YOLO算法在自動(dòng)駕駛場景中也存在一定的局限性，首先是存在小目標(biāo)難以檢測(cè)的情況，其次是版本較早的YOLO算法對(duì)硬件資源的要求較高，難以在自動(dòng)駕駛車輛上部署，最后是在復(fù)雜交通環(huán)境中以及惡劣天氣條件下實(shí)時(shí)檢測(cè)精度急劇下降，影響實(shí)時(shí)檢測(cè)的可靠性。為解決上述問題，YOLO系列后期的優(yōu)化重心可以放在針對(duì)提升圖像遠(yuǎn)端小目標(biāo)的檢測(cè)精度以及通過提升模型抗干擾能力提高惡劣環(huán)境下的召回率，保證其在自動(dòng)駕駛領(lǐng)域中的適用性。

SSD^[54] 是Liu提出的一種強(qiáng)大且應(yīng)用廣泛的單階段目標(biāo)檢測(cè)算法。在PASCALVOC2007測(cè)試集上，SSD在300像素 ×300 像素圖像的檢測(cè)任務(wù)中，mAP達(dá)到 74.3% ，且實(shí)現(xiàn)了59幀/s的幀速率。SSD是一種多尺度的檢測(cè)方法，且以VGG16網(wǎng)絡(luò)為基礎(chǔ)，通過增加卷積層來獲得更多的特征圖。SSD使用的特征圖包括38像素 ?×38 像素、19像素 ×19 像素、10像素 ×10 像素、5像素 ?×5 像素、3像素 ?×3 像素、1像素 ?×1 像素共6種。大尺度特征圖用于檢測(cè)小尺度的目標(biāo)，包括遠(yuǎn)處的車輛、交通燈等，小尺度特征圖用于檢測(cè)大尺度的目標(biāo)，如近處車輛等，模型如圖5所示。與之前的檢測(cè)器只在頂層進(jìn)行檢測(cè)不同，SSD具有多種檢測(cè)層來檢測(cè)不用尺度的對(duì)象。

圖5SSD模型

RetinaNet5通過修正正負(fù)樣本不平衡實(shí)現(xiàn)與兩階段方法同等的檢測(cè)準(zhǔn)確度。在RetinaNet提出之前，相對(duì)于兩階段目標(biāo)檢測(cè)，單階段目標(biāo)檢測(cè)的精確度相差甚遠(yuǎn)。焦點(diǎn)損失的提出使單階段方法具有與兩階段方法相差無幾的準(zhǔn)確性以及更快的檢測(cè)速度。

2018年后，目標(biāo)檢測(cè)出現(xiàn)了新的方向，即無錨框（AnchorBox）檢測(cè)。CornerNet、中心點(diǎn)網(wǎng)絡(luò)（CenterNet）、極值點(diǎn)網(wǎng)絡(luò)（ExtremeNet）、代表性點(diǎn)（RepresentativePoints，RepPoints）、網(wǎng)格區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Grid Region Convolutional Neural Network，GridR-CNN）等是基于關(guān)鍵點(diǎn)的無錨框檢測(cè)。無特征選擇錨（FeatureSelectiveAnchor-Free，F(xiàn)SAF）模型、導(dǎo)向錨定區(qū)域提案（RegionProposalbyGuidedAnchoring，GARPN）、自適應(yīng)樣本選擇（AdaptiveTrainingSampleSelection，ATSS）、Foveabox等是基于中心點(diǎn)的無錨框檢測(cè)。CornerNet5開創(chuàng)性地拋棄錨框，采用關(guān)鍵點(diǎn)來檢測(cè)目標(biāo)，用一對(duì)角點(diǎn)表示目標(biāo)的位置，在特征圖的每個(gè)位置預(yù)測(cè)熱圖（Heatmaps）、嵌入向量（Embeddings）和角偏移（Offsets），熱圖用于計(jì)算角點(diǎn)的概率，嵌入向量用于匹配成對(duì)的角點(diǎn)，角偏移用于回歸角點(diǎn)的位置。該檢測(cè)器采用HourglassNet作為骨干網(wǎng)絡(luò)，搭配新提出的角點(diǎn)池化（CornerPooling）來預(yù)測(cè)熱圖。CornerNet在COCO數(shù)據(jù)集上的AP達(dá)到了 42.1% ，超過了當(dāng)時(shí)所有的單階段模型。2019年，CenterNet[57]將基于中心的方法和基于角點(diǎn)的方法相結(jié)合，通過關(guān)鍵點(diǎn)（中心點(diǎn)）檢測(cè)物體，回歸到物體的尺寸、維度、三維范圍、姿態(tài)等屬性，將物體檢測(cè)問題有效轉(zhuǎn)化為關(guān)鍵點(diǎn)估計(jì)問題。CenterNet通過預(yù)測(cè)中心點(diǎn)熱圖來定位目標(biāo)中心，生成邊界框，同時(shí)利用中心點(diǎn)熱圖過濾掉低置信度的檢測(cè)結(jié)果，且在推斷時(shí)只需一次前向傳播，無需NMS后處理。2019年，ExtremeNet5被提出，其通過檢測(cè)目標(biāo)的4個(gè)極點(diǎn)進(jìn)行目標(biāo)定位，然后通過幾何關(guān)系將其組合起來生成最終的邊界框，性能與其他主流檢測(cè)算法相當(dāng)。ExtremeNet的檢測(cè)方法十分獨(dú)特，但是也借鑒了CornerNet的設(shè)計(jì)思路，但其依賴于較多的后處理方法，故仍有許多優(yōu)化空間。與此同時(shí)，文獻(xiàn)[59]提出了GridR-CNN，它用基于角點(diǎn)的定位機(jī)制取代了線性邊界框回歸器。綜上，CornerNet、CenterNet等基于關(guān)鍵點(diǎn)的算法本質(zhì)上與基于錨框的算法相似，通過預(yù)測(cè)目標(biāo)中心點(diǎn)及邊框距中心點(diǎn)的距離來檢測(cè)目標(biāo)。文獻(xiàn)[60]提出了一種FSAF框架，是一種可以在結(jié)構(gòu)中加入特征金字塔網(wǎng)絡(luò)（FeaturePyramidNetwork，F(xiàn)PN）的單階段檢測(cè)器。FSAF將在線特征選擇應(yīng)用于多級(jí)無錨框分支的訓(xùn)練，訓(xùn)練過程中，F(xiàn)SAF將每個(gè)對(duì)象動(dòng)態(tài)分配到最合適的特征級(jí)別，以訓(xùn)練基于中心的分支，取得了較好的檢測(cè)效果。RepPoints提出使用點(diǎn)集的方式來表示目標(biāo)，該方法基于全卷積網(wǎng)絡(luò)，在分類和最后一次回歸時(shí)使用DCN，在準(zhǔn)確度與計(jì)算量之間實(shí)現(xiàn)了非常好的平衡。

2.3深度學(xué)習(xí)在車輛目標(biāo)檢測(cè)中的應(yīng)用

自動(dòng)駕駛車輛的目標(biāo)檢測(cè)算法需滿足2個(gè)條件：實(shí)現(xiàn)道路上目標(biāo)的高精確度檢測(cè)；檢測(cè)速度能夠滿足車載控制器實(shí)時(shí)控制車輛的要求?；谏疃葘W(xué)習(xí)的算法可以在使用較少計(jì)算資源的前提下實(shí)現(xiàn)較高的檢測(cè)精度，成為自動(dòng)駕駛系統(tǒng)必不可少的目標(biāo)檢測(cè)方法。如圖6所示，目標(biāo)檢測(cè)存在一些普遍的困難：當(dāng)車輛在弱光照條件下或夜間行駛時(shí)，因光線不充足，感知系統(tǒng)難以獲取足夠的信息；車輛高速行駛時(shí)，車載相機(jī)拍攝到的照片會(huì)變得模糊；在雨、雪、霧天氣條件下，因受到遮擋，拍攝的照片也會(huì)不清晰；車輛行駛時(shí)，常出現(xiàn)小自標(biāo)隱藏在復(fù)雜環(huán)境中導(dǎo)致漏檢的情況，從而影響行駛安全性。

圖0十假口你應(yīng)側(cè)的般難點(diǎn)

針對(duì)車輛夜間行駛條件下的檢測(cè)困難問題，一些研究62-63通過改進(jìn)和設(shè)計(jì)新的網(wǎng)絡(luò)結(jié)構(gòu)提升弱光環(huán)境下的檢測(cè)準(zhǔn)確率，如文獻(xiàn)[64]通過對(duì)圖像增強(qiáng)算法進(jìn)行改進(jìn)并與YOLO算法融合，使夜間條件下的檢測(cè)精度大幅提升，平均檢測(cè)精度達(dá) 95.92% ，比YOLOv5s精度提升了1.19百分點(diǎn)，這表明圖像增強(qiáng)技術(shù)可以很好地優(yōu)化車載目標(biāo)檢測(cè)任務(wù)中獲取的信息，解決夜間環(huán)境等車輛邊界難以區(qū)分的情況。然而，在實(shí)際應(yīng)用中也發(fā)現(xiàn)了一些問題，如當(dāng)遇到一些車輛輪廓微弱并且車燈等泛光嚴(yán)重的情況時(shí)，增強(qiáng)處理后的圖像仍然難以準(zhǔn)確區(qū)分車輛邊界和特征，導(dǎo)致檢測(cè)準(zhǔn)確率有所下降。這表明在復(fù)雜多變的現(xiàn)實(shí)環(huán)境中，單一的圖像增強(qiáng)技術(shù)無法完全應(yīng)對(duì)所有不利因素，當(dāng)前的技術(shù)瓶頸之一就是缺乏對(duì)多種惡劣天氣和復(fù)雜路況的適應(yīng)性。文獻(xiàn)[65]、文獻(xiàn)[66]提出的方法也能夠很好地改善夜間弱光環(huán)境下車輛檢測(cè)的準(zhǔn)確率。針對(duì)雨、雪、霧天氣下照片不清晰以及目標(biāo)遮擋的問題，HasanAbbasi等提出了一種霧感知自適應(yīng)YOLO算法，通過使用霧化評(píng)估器算法配合YOLO算法提高了霧化條件下的目標(biāo)檢測(cè)性能。文獻(xiàn)[68]通過將去霧模塊與多尺度視網(wǎng)膜皮層理論（Multi-ScaleRetinex，MSR）相結(jié)合，增強(qiáng)了雨霧天氣等復(fù)雜環(huán)境條件下的檢測(cè)性能。另一項(xiàng)研究通過將卷積注意力模塊（ConvolutionalBlockAttentionModule，CBAM）加人YOLOv5的跨階段部分連接（CrossStagePartial，CSP）層來改善霧條件下的檢測(cè)準(zhǔn)確率。文獻(xiàn)[70]利用多層次特征融合的去雨霧模塊對(duì)圖像進(jìn)行優(yōu)化，通過對(duì)6000張含雨水圖片與6000張含霧氣圖片進(jìn)行實(shí)際測(cè)試，其搭載的算法對(duì)真實(shí)測(cè)試集雨霧條件下車輛檢測(cè)的準(zhǔn)確率接近 89% 。這些方法均通過對(duì)圖像進(jìn)行去雨霧操作提升檢測(cè)效果，但是在實(shí)際的自動(dòng)駕駛?cè)蝿?wù)中，大雨會(huì)導(dǎo)致信息的嚴(yán)重冗余，多種類型的霧氣

會(huì)造成不同程度的圖像模糊，類似于團(tuán)霧天氣使場景中對(duì)比度顯著下降，導(dǎo)致檢測(cè)算法難以準(zhǔn)確獲取實(shí)際信息，影響其對(duì)檢測(cè)目標(biāo)的判斷。這反映出當(dāng)前車輛檢測(cè)算法在應(yīng)對(duì)不同類型惡劣天氣時(shí)的適應(yīng)性有待提高，無法準(zhǔn)確區(qū)分被雨滴或霧氣遮擋的車輛目標(biāo)輪廓，這是需要進(jìn)一步攻克的技術(shù)難題。

車輛目標(biāo)檢測(cè)對(duì)實(shí)時(shí)性要求嚴(yán)苛，所以搭載精度高的單階段檢測(cè)器十分必要，迄今為止，單階段檢測(cè)器中性能最為突出的毫無疑問是YOLO，因此車輛目標(biāo)檢測(cè)領(lǐng)域中基于YOLO的算法層出不窮，研究人員為解決小物體難以檢測(cè)、漏檢率高等問題，提出了更為有效的小目標(biāo)檢測(cè)方法[71-73]。Zhang等4針對(duì)漏檢率高、遠(yuǎn)景小物體特征提取能力和感知能力差、對(duì)目標(biāo)定位能力較弱等問題，通過將YOLOv7的骨干網(wǎng)絡(luò)替換為Res3Unit以及在空間金字塔池化跨階段部分連接（Spatial Pyramid PoolingCross Stage Partial Connection，SPPCSPC）層后增加即插即用的混合注意力機(jī)制模塊ACmix，并在特征融合和檢測(cè)頭連接處使用感受野局部注意力（ReceptiveFieldLocal Attention，RFLA）中的高斯感受野方案（GaussianReceptiveField Scheme），相較于YOLOv7，成功將平均準(zhǔn)確檢測(cè)率提升2.4百分點(diǎn)，幀速率達(dá)到了96幀/s。這意味著在實(shí)時(shí)性上能夠更好地滿足交通流量較大時(shí)對(duì)車輛目標(biāo)快速準(zhǔn)確檢測(cè)的需求。Qiu等為在檢測(cè)精度和計(jì)算代價(jià)之間取得平衡，從無人機(jī)的角度提出了一種新的特殊車輛檢測(cè)算法YOLO-GNS。該算法基于單級(jí)無頭上下文結(jié)構(gòu)的特征提取算法針對(duì)幻影網(wǎng)絡(luò)（GhostNetwork，GhostNet）的缺點(diǎn)進(jìn)行改進(jìn)，與YOLOv7相比， mAP 提高了4.4百分點(diǎn)，幀速率提高 1.6% Cai等基于YOLOv4將 CSPDarknet（Cross Stage PartialDarknet）最后的輸出層替換為DCN，然后設(shè)計(jì)了特征融合模塊路徑聚合網(wǎng)絡(luò) ⁺⁺ （Path AggregationNetwork ⁺⁺ PAN++ ），并提出一種網(wǎng)絡(luò)剪枝算法，相較于原算法，在各類數(shù)據(jù)集上成功提升了 mAP ，并能以高于66幀/s的速度進(jìn)行檢測(cè)。為了處理移動(dòng)車輛的遮蔽問題，文獻(xiàn)[77]使用U型網(wǎng)絡(luò)（U-Net）和深度卷積網(wǎng)絡(luò)，通過將卷積網(wǎng)絡(luò)在不同尺度上的信息整合到不同分辨率的圖像中，使檢測(cè)準(zhǔn)確率顯著提高，Li等通過將深度信息與YOLOv5相結(jié)合，降低了漏檢和誤檢率，并獲得了距離信息。雖然上述方法能夠在漏檢、誤檢方面取得良好的效果，但是在車輛密集與遮擋程度嚴(yán)重的情況下，其漏檢和誤檢問題依然頗為突出，因?yàn)檎趽醯某潭炔煌瑫?huì)導(dǎo)致車輛不同程度的特征丟失，使算法難以準(zhǔn)確識(shí)別，需要在實(shí)際交通情況下克服這一難點(diǎn)。

2023年，Wang等提出了CenterNet-Auto算法，將特征提取網(wǎng)絡(luò)RepVGG與CenterNet相結(jié)合，在不增加參數(shù)的情況下，對(duì)FPN進(jìn)行優(yōu)化以提高其特征提取能力，并提出了一種新的ABMin檢測(cè)頭，充分利用邊界特征輔助中心點(diǎn)回歸到其他物體屬性，在不損失檢測(cè)精度的前提下提高了檢測(cè)速度。BDD數(shù)據(jù)集上的驗(yàn)證結(jié)果表明，其準(zhǔn)確性和速度有較大優(yōu)勢(shì)，推進(jìn)了實(shí)時(shí)車輛檢測(cè)技術(shù)。

3總結(jié)與展望

傳統(tǒng)的目標(biāo)檢測(cè)方法中特征提取算法工作量大、易受弱光和惡劣圖像質(zhì)量的影響，深度學(xué)習(xí)算法在網(wǎng)絡(luò)結(jié)構(gòu)及后處理方法等方面已被證明具有比傳統(tǒng)檢測(cè)算法更佳的性能，且更易研究，但仍受復(fù)雜環(huán)境和算力的巨大影響。深度學(xué)習(xí)算法被認(rèn)為是一種黑箱子，其工作過程難以解釋，而且在早期發(fā)展過程中因中央處理器（CentralProcessingUnit，CPU）、圖形處理器（GraphicsProcessingUnit，GPU）和內(nèi)存的性能不足而受到制約，其在車輛自標(biāo)檢測(cè)領(lǐng)域極易出現(xiàn)小目標(biāo)、遮擋導(dǎo)致的漏檢和誤檢，在復(fù)雜環(huán)境下容易出現(xiàn)檢測(cè)率下降的問題，目前諸多研究正在努力克服這些局限性并已取得了一些成果，還有更多的研究旨在提升整體檢測(cè)準(zhǔn)確度。未來，針對(duì)車輛目標(biāo)檢測(cè)，需要在以下幾個(gè)方面開展更為深入的研究：

a.小目標(biāo)檢測(cè)。小目標(biāo)檢測(cè)一直存在背景復(fù)雜情況下特征信息少的問題，可以深人研究注意力機(jī)制如何聚焦小目標(biāo)特征區(qū)域，以更好地捕捉其關(guān)鍵信息，也可以通過研究更適合小目標(biāo)檢測(cè)的檢測(cè)頭或高分辨率輕量級(jí)網(wǎng)絡(luò)的架構(gòu)搭建和參數(shù)優(yōu)化等，保證較高分辨率以精準(zhǔn)檢測(cè)小目標(biāo)。

b.多模態(tài)融合。在自動(dòng)駕駛領(lǐng)域中，激光雷達(dá)點(diǎn)云數(shù)據(jù)與視覺數(shù)據(jù)融合、聲波雷達(dá)數(shù)據(jù)與視覺數(shù)據(jù)融合等是當(dāng)前的研究熱點(diǎn)，模態(tài)融合在一定程度上提升了車輛對(duì)周圍環(huán)境的感知能力，但是也面臨一些挑戰(zhàn)：不同硬件導(dǎo)致所采集數(shù)據(jù)的形式和頻率不同，需要進(jìn)行校準(zhǔn)；模態(tài)的增多意味著數(shù)據(jù)量增大，會(huì)導(dǎo)致計(jì)算資源需求量急劇增大。未來，可通過新型傳感器研發(fā)提供更為優(yōu)質(zhì)的數(shù)據(jù)或者針對(duì)計(jì)算資源不足的環(huán)境進(jìn)行輕量化模型設(shè)計(jì)，在保證

性能的前提下降低計(jì)算需求量。同時(shí)也需加強(qiáng)推進(jìn)文本特征、語音特征、圖像特征的融合，以及類似Transform的模型從自然語言處理（NaturalLanguageProcessing，NLP）到計(jì)算機(jī)視覺（ComputerVision，CV）領(lǐng)域的應(yīng)用，以滿足更為復(fù)雜環(huán)境條件下的車輛目標(biāo)檢測(cè)。

c.精度與召回率之間的平衡。部分檢測(cè)算法檢測(cè)準(zhǔn)確度較高，但召回率略有欠缺，嚴(yán)重制約了算法在復(fù)雜檢測(cè)任務(wù)中的效能，需要新的方法在精度與召回率之間取得平衡，如通過有效融合多種數(shù)據(jù)源、優(yōu)化特征提取架構(gòu)、優(yōu)化后處理方式提升算法在復(fù)雜環(huán)境下對(duì)各類目標(biāo)的檢測(cè)能力。

d.高品質(zhì)數(shù)據(jù)資源庫?；诒O(jiān)督的深度學(xué)習(xí)模型需要通過數(shù)據(jù)驅(qū)動(dòng)，所以需要足夠大量的準(zhǔn)確數(shù)據(jù)支持其訓(xùn)練以保證模型的準(zhǔn)確性，未來可著力于制作各領(lǐng)域的高質(zhì)量數(shù)據(jù)集。

參考文獻(xiàn)

[1]茅智慧，朱佳利，吳鑫，等.基于YOLO的自動(dòng)駕駛目標(biāo) 檢測(cè)研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（15）：68- 77. MAOZH，ZHUJL，WUX，etal.Review ofYOLOBased Target Detection for Autonomous Driving[J].Computer Engineering and Applications，2022，58（15）： 68-77.

[2]LIU J.Application of Object Detection in Autonomous Driving[C]// Proceedings of the 2023 2nd International Conference on 3D Immersion，Interaction and MultiSensory Experiences （ICDIIME）. Madrid，Spain：IEEE， 2023.

[3]段偉.汽車自動(dòng)駕駛技術(shù)簡述[J].中國自動(dòng)識(shí)別技術(shù)， 2024（2）： 66-68. DUAN W.A BriefOverview ofAutonomous Vehicle Technology[J]. China Auto-ID，2024（2）： 66-68.

[4]HNEWA M，RADHA H. Object Detection under Rainy Conditions for AutonomousVehicles：AReview of State-ofthe-Art and Emerging Techniques[J].IEEE Sigal Processing Magazine，2021，38（1）： 53-67.

[5]ITTI L，KOCHC，NIEBUR E.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998，20（11）： 1254-1259.

[6]HUANG T S.Computer Vision：Evolution and Promise[C]// 1996 CERN School of Computing. Geneva， Switzerland： CERN，1996.

[7]WU X W， SAHOO D，HOI S CH. Recent Advances in Deep Learning for Object Detection[J]. Neurocomputing， 2020，396：39-64.

[8]ZUU Z X， SHI Z W，GUU Y H， et al. Ubject Detection in 20 Years： A Survey[J]. Proceedings of the IEEE，2019：111 （3）： 257-276.

[9]DALAL N，TRIGGS B.Histograms of Oriented Gradients for Human Detection[C]// 2025 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego， CA， USA： IEEE，2005.

[10] BEAUCHEMIN S S，BARRON JL. The Computation of Optical Flow[J]：ACM Computing Surveys，1995，27（3）： 433-466.

[11] FELZENSZWALB P F， GIRSHICK R B， MCALLESTER D， et al.Object Detection with Discriminatively Trained PartBased Models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）：1627-1645.

[12]FELZENSZWALB P F，GIRSHICKR B， MCALLESTER D A. Cascade Object Detection with Deformable Part Models [C]// 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Francisco，CA，USA： IEEE，2010.

[13] VIOLA P A， JONES M J. Rapid Object Detection Using a Boosted Cascade of Simple Features[Cl// 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Kauai，HI， USA： IEEE，2001.

[14]LOWEDG.Object Recognition from Local Scale-Invariant Features[J]. Proceedings of the Seventh IEEE International Conference on Computer Vision （ICCV）.Kerkyra， Grece： IEEE，1999.

[15]HEARST M A，DUMAIS ST，OSUNA E，et al. Support Vector Machines[J]. IEEE Intelligent Systemsand Their Applications， 1998， 13（4）： 18-28.

[16] BREIMANL. Bagging Predictors[J]. Machine Learning， 1996，24：123-140.

[17]FREUND Y，SCHAPIRE R.A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting[J]. Journal of Computerand System Sciences， 1997，55（1）： 119-139.

[18] TIAN Q， ZHANG L， WEI Y X，et al. Vehicle Detection and Tracking at Night in Video Surveillance[J].International Journal of Online Engineering，2013，9（S6）： 60-64.

[19]WUBF，JUANGJH.Adaptive Vehicle Detector Approach forComplex Environments[J]. IEEE Transactionson Intelligent Transportation Systems，2012，13（2）： 817-827.

[20] ZHANG D B.Vehicle Target Detection Methods Based on Color Fusion Deformable Part Model[J]. Eurasip Journal on Wireless CommunicationsandNetworking，2018，2018（1）：94.

[21] PADILLA D A， VILLAVERDE JF， MAGDARAOG JJT， et al.Vehicle and Weather Detection Using Real Time Image Processng Using Uptical Flow and Uolor Histogram [C]//20195th International Conference onControl， Automation and Robotics （ICCAR）. Beijing， China： IEEE， 2019.

[22] PAPAGEORGIOU C P， OREN M， POGGIO T. A General Framework for Object Detection[J].Sixth International Conference on Computer Vision.Bombay，India： IEEE，1998.

[23]KARANGWA J，LIU J， ZENG Z. Vehicle Detection for Autonomous Driving：A Review of Algorithms and Datasets [J].IEEE Transactionson Intelligent Transportation Systems，2023，24（11）： 11568-11594.

[24] ASIM M，WANG Y，WANG K Z，et al.A Reviewon Computational Intelligence Techniques in Cloud and Edge Computing[J]. IEEE Transactions on Emerging Topics in Computational Intelligence， 2020，4（6）： 742-763.

[25]陳曉，楊琪，姚海洋，等.基于細(xì)?；卣鞲兄乃履繕?biāo) 檢測(cè)算法[J].陜西科技大學(xué)學(xué)報(bào)，2024，42（4）：177-183. CHENX，YANGQ，YAO HY，etal.Underwater Target Detection Algorithm Based on Fine-Grained Feature Perception[J]. Journal of Shaanxi University of Science and Technology，2024，42（4）： 177-183.

[26] KRIZHEVSKY A， SUTSKEVER I， HINTON GE. ImageNet Classification with Deep Convolutional Neural Networks[C]//Proceedingsof the25th International Conference on Neural Information Processing Systems. Lake Tahoe，NV，USA： Curran Associates Inc.，2012.

[27] SERMANET P，EIGEN D， ZHANG X，et al. OverFeat： Integrated Recognition，Localization and Detection Using Convolutional Networks[EB/OL]. （2014-02-24）[2025-02- 21]. https：//arxiv.org/abs/1312.6229.

[28] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition[EB/OL]. （2015-04-10）[2025-02-21]. https：//arxiv.org/abs/ 1409.1556.

[29]WANGH，YUYJ，CAIYF，et al.AComparative Studyof State-of-the-Art Deep Learning Algorithms for Vehicle Detection[J].IEEEIntellgent Transportation Systems Magazine，2019，11（2）： 82-95.

[30]MEHRALIAN M， KARASFI B. RDCGAN： Unsupervised RepresentationLearningwithRegularizedDeep Convolutional Generative Adversarial Networks[C]// 2018 9th Conference on Artificial Intellgence and Robotics and 2nd Asia-Pacific International Symposium. Kish Island， Iran： IEEE，2018.

[31]CHEN X，DUAN Y，HOUTHOOFT R，et al.InfoGAN： Interpretable Representation Learning by Information Maximizing GenerativeAdversarialNets[C]//30th Juuiai riutsssgssitin （NIPS）. Barcelona，Spain： Curran Assciates Inc.， 2016.

[32] HE K， ZHANG X，REN S， et al. Deep Residual Learning for Image Recognition[J]. 2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV， USA： IEEE，2016.

[33]HUANGG，LIU Z，VAN DER MAATENL，et al.Densely ConnectedConvolutionalNetworks[J].2O17IEEE Conference on Computer Vision and Pattern Recognition. Honolulu，HI， USA： IEEE，2016.

[34] SHI H M，ZHOUQ，NIY H，et al.DPNET：Dual-Path Network for Efficient Object Detectioj with Lightweight Self-Attention[J].2022 IEEE International Conference on Image Processing.Bordeaux，F(xiàn)rance： IEEE，2021.

[35] NEWELL A，YANG K Y，DENG J. Stacked Hourglass Networks for Human Pose Estimation[M]//LEIBEB， MATAS J， SEBE N， et al. Computer Vision - ECCV 2016. Cham，Switzerland：Springer International Publishing， 2016：483-499.

[36] HOWARD A G， ZHU M L， CHEN B， et al. MobileNets： Efficient Convolutional Neural Networks for Mobile Vision Applications[EB/OL]. （2017-04-17）[2025-02-21]. https：// arxiv.org/abs/1704.04861.

[37]LIN TY，DOLLARP，GIRSHICKR，etal.FeaturePyramid Networks for Object Detection[J].2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu， HI， USA： IEEE，2017.

[38] DAI J F，QI H Z，XIONG Y W，et al. Deformable Convolutional Networks[C]//2O17 IEEE International Conference on Computer Vision.Venice，Italy： IEEE，2017.

[39] LI Z M，PENG C， Yu G，et al. DetNet： A Backbone network for Object Detection[EB/OL]. （2018-04-19）[2025-02-21]. https：//arxiv.org/abs/1804.06215.

[40] TYCHSEN-SMITH L， PETERSSON L. DeNet： Scalable Real-Time Object Detection with Directed Sparse Sampling [C]// 2017 IEEE International Conference on Computer Vision.Venice，Italy：IEEE，2017.

[41] XU Y P， WU X，WANG L， et al.HOFA-Net： A HighOrder Feature Association Network for Dense Object Detection in Remote Sensing[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2024，17： 1513-1522.

[42] DAI HH， GAO S S， HUANG H， et al. An Adaptive Sample Assignment Network for Tiny Object Detection[J].IEEE Transactions on Multimedia，2024，26： 2918-2931.

[43] GIRSHICK R，DONAHUE J， DARRELL T， et al.Rich Featiire Hierarehies for Accurate Ohieet Deteetion and Semantic Segmentation[J]. 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus， OH， USA： IEEE，2014.

[44]HEKM， ZHANGXY，REN SQ，et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，37（9）： 1904-1916.

[45] WANG J， ZHANG T J， CHENG Y，et al. Deep Learning for Object Detection： A Survey[J]. Computer Systems Science amp; Engineering，2021，38（2）： 165-182.

[46] GIRSHICK R.Fast R-CNN[C]// 2015 IEEE International Conference on Computer Vision （ICCV）. Santiago， Chile： IEEE，2015.

[47]REN SQ，HE K M，GIRSHICKR，et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017， 39（6）： 1137-1149.

[48] DAI JF，LI Y，HE K M，et al.R-FCN： Object Detection via Region-Based Fully Convolutional Networks[M]// 30th Conference on Neural Information Processing Systems. Barcelona， Spain： Curran Associates Inc.，2016.

[49] REDMON J， DIVVALA S， GIRSHICK R， et al. You Only Look Once：Unified，Real-Time Object Detection[C]// 2016 IEEEConference onComputer Visionand Pattern Recognition.LasVegas，NV，USA： IEEE，2016.

[50]WANGCY，BOCHKOVSKIYA，LIAO HY M.YOLOv7： Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-TimeObjectDetectors[C]//2023IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver，BC， Canada： IEEE，2023.

[51]VARGHESE R，SAMBATH M.YOLOv8：A Novel Object Detection Algorithm with Enhanced Performance and Robustness[C]//2024International Conference on Advances in Data Engineering and Intellgent Computing Systems （ADICS）. Chennai， India： IEEE，2024.

[52] WANGA， CHEN H， LIU L H， et al. YOLOv1O： Real-Time End-to-End Object Detection[C]// Annual Conference on NeuralInformationProcessingSystems.Vancouver， Canada： MIT Press，2024.

[53] ZHAO Y A，LV W Y， XU S L，et al. DETRs Beat YOLOs on Real-Time Object Detection[C]// Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. Seattle，WA，USA： IEEE，2024.

[54] WEI L， DRAGOMIR A，DUMITRU E，et al. SSD： Single Shot MultiBoxDetector[M]//LEIBEB，MATASJ，SEBE N， et al.Computer Vision-ECCV 2O16.Cham，Switzerland： Snvin .0016 Dense Object Detection[J]. 2O17 IEEE International Conference on Computer Vision.Venice， Italy：IEEE，2017.

[56] LAW H， DENG J. CornerNet： Detecting Objects as Paired Keypoints[J]. International Journal of Computer Vision， 2020，128（3）： 642-656.

[57]DUANKW，BAI S，XIELX，et al.CenterNet：Keypoint Tripletsfor ObjectDetection[C]//2019IEEE/CVF International Conference on Computer Vision. Seoul， Korea： IEEE，2019.

[58] ZHOU X Y，ZHUO J C，KRHENBUHl P.Bottom-up Object Detection by Grouping Extreme and Center Points [C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach，CA，USA： IEEE，2019.

[59]LUX，LI BY，YUE Y X，et al.Grid R-CNN[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Long Beach，CA，USA： IEEE，2018.

[60] ZHU C C，HE Y H， SAVVIDES M.Feature Selective Anchor-Free Module for Single-Shot Object Detection[C]/ 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Long Beach，CA，USA： IEEE，2019.

[61] YANG Z，LIU S H，HU H，et al. RepPoints： Point Set Representation for Object Detection[C]// 2019 IEEE/CVF International Conference on Computer Vision． Seoul， Korea： IEEE，2019.

[62] XUYQ，CHUKB，ZHANGJ.NighttimeVehicle Detection Algorithm Based on Improved Faster-RCNN[J]. IEEE Access，2024，12： 19299-19306.

[63]YUY，CHENWX，CHENFX，et al.Night-TimeVehicle Model Recognition Based on Domain Adaptation[J]. Multimedia Tools and Applications，2024，83： 9577-9596.

[64]袁子強(qiáng).圖像增強(qiáng)與夜間車輛識(shí)別算法研究[D].成都： 電子科技大學(xué)，2023. YUAN Z Q. Research on Image Enhancement and Night Vehicle Recognition Algorithm[D].Chengdu：University of Electronic Science and Technology of China，2023.

[65] ZHANG H， YANG KF，LI Y J， et al. Night-Time Vehicle Detection Based on Hierarchical Contextual Information[J]. IEEE Transactions on Intelligent Transportation Systems， 2024，25（10）： 14628-14641.

[66] XUE T， ZHANG ZQ，MA WN，et al.Nightime Pedestrian and Vehicle Detection Based on a Fast Saliency and Multifeature Fusion Algorithmfor Infrared Images[J]. IEEE Transactions on Intelligent Transportation Systems，2022， 23：16741-16751.

[67] ABBASI H， AMINI M， YU F R. Fog-Aware Adaptive VOIn nL： L__c1/ Proceedings of the 2O23 IEEE Sensors Applications Symposium （SAS）.Ottawa， ON，Canada： IEEE，2023.

[68]LI W.Vehicle Detection in Foggy Weather Based on an EnhancedYOLO Method[C]//2022International Conference on Machine Vision，Automatic Identification and Detection. Nanjing， China： IOP Publishing Ltd.，2022.

[69]WANGXJ，WANGC.VehicleMulti-TargetDetectionin Foggy Scene Based on Foggy env-YOLO Algorithm[C]/ Proceedingsof the2O22 IEEE 7th International Conference on Intelligent Transportation Engineering （ICITE）.Beijing， China：IEEE，2022.

[70]孫再鳴.雨霧天氣下的車輛目標(biāo)檢測(cè)關(guān)鍵技術(shù)研究[D]. 北京：華北電力大學(xué)，2023. SUNZ M.Research on Key Technologies of Vehicle Detection in Haze and Rain[D].Beijing：North China Electric Power University，2023.

[71] CARRASCO D P， RASHWAN H A，GARCIA M A， et al. T-YOLO：Tiny Vehicle DetectionBased on YOLOand Multi-Scale Convolutional NeuralNetworks[J].IEEE Access，2023，11： 22430-22440.

[72]HU S，ZHAO B X，DING TJ，et al.Prior-YOLO： EnhancingIntelligent Vehicle Small ObjectDetectionwith DrivingStatus-InformedYOLOv8[C]//20233rd International Conference on Computer Science，Electronic Information Engineering and Intellgent Control Technology （CEI）.Wuhan，China： IEEE，2023.

[73]YANX，SHENBB，LIH.SmallObjectsDetectionMethod forUAVsAerialImageBasedonYOLOv5s[C]/ Proceedingsof the2O23 IEEE 6th International Conference on Electronic Information and Communication Technology （ICEICT）.Qingdao，China： IEEE，2023.

[74]ZHANGYH，SUNYP，WANGZ，etal.YOLOv7-RARfor UrbanVehicleDetection[J].Sensors，2023，23（4）.

[75]QIUZ，BAIH，CHENT.SpecialVehicleDetectionfrom UAV Perspective via YOLO-GNS Based Deep Learning Network[J].Drones，2023，7（2）.

[76]CAIYF，LUAN TY，GAOHB，et al.YOLOv4-5D：An Effective and Efficient Object Detector for Autonomous Driving[J]. IEEE Transactions on Instrumentationand Measurement，2021，70.

[77]NATTEV S，KADICHERLA J， KATUKOJWALA SD，et al.Semantic Segmentation Using U-Net for Autonomous Driving[C]// 2O24 Third International Conferenceon Distributed Computingand Electrical Circuitsand Electronics （ICDCECE）.Ballari， India： IEEE，2024.

[78]LILH，F(xiàn)ANGMH，YINYH，etal.A Traffic SceneObject Detection Method Combining Deep Learning and Stereo VisionAlgorithm[C]//2O21 IEEEInternational Conference on Real-Time Computing and Robotics （RCAR）. Xining， China：IEEE，2021.

[79]WANGH，XUYS，WANGZN，etal.CenterNet-Auto：A Multi-Object Visual Detection Algorithm for Autonomous Driving Scenes Based on Improved CenterNet[J].IEEE TransactionsonEmergingTopics in Computational Intelligence，2023，7（3）： 742-752.

（責(zé)任編輯斛畔）

修改稿收到日期為2025年1月6日。

《汽車工程師》征稿啟事

《汽車工程師》于1974年創(chuàng)刊，是由中國第一汽車集團(tuán)有限公司主管、中國第一汽車股份有限公司主辦的國內(nèi)外公開發(fā)行的汽車應(yīng)用技術(shù)類學(xué)術(shù)期刊，為RCCSE中國準(zhǔn)核心學(xué)術(shù)期刊、CACJ中國應(yīng)用型擴(kuò)展期刊，被哥白尼精選數(shù)據(jù)庫、EBSCO學(xué)術(shù)數(shù)據(jù)庫、歐洲學(xué)術(shù)出版中心（EuroPub）數(shù)據(jù)庫、J-Gate數(shù)據(jù)庫收錄。

《汽車工程師》以報(bào)道汽車產(chǎn)品設(shè)計(jì)領(lǐng)域的技術(shù)研究成果為主，專注于技術(shù)開發(fā)與應(yīng)用層面的創(chuàng)新成果，提供汽車設(shè)計(jì)創(chuàng)新解決方案?！镀嚬こ處煛穼盐针妱?dòng)化、智能化、網(wǎng)聯(lián)化、共享化的汽車技術(shù)主流發(fā)展趨勢(shì)，努力吸收優(yōu)質(zhì)稿源，為我國汽車工程技術(shù)創(chuàng)新能力提升貢獻(xiàn)力量。重點(diǎn)征稿方向包括：鋰離子電池與新體系電池、動(dòng)力電池?zé)峁芾砼c熱失控、燃料電池及其關(guān)鍵零部件、車用電機(jī)及其控制器、自動(dòng)駕駛汽車環(huán)境感知與感知融合、自動(dòng)駕駛汽車定位與建圖、自動(dòng)駕駛汽車測(cè)試、人工駕駛-無人駕駛車輛混行條件下的自動(dòng)駕駛控制、智能線控底盤、一體化底盤、功能安全和預(yù)期功能安全。

熱忱歡迎汽車行業(yè)的專家學(xué)者不吝賜稿，反映國家重點(diǎn)扶持項(xiàng)目、自然科學(xué)基金項(xiàng)目和其他重點(diǎn)項(xiàng)目等研究成果的稿件將優(yōu)先發(fā)表，我們期待與您共同踐行“把論文寫在祖國大地上\"的指示精神，為強(qiáng)大中國汽車工業(yè)作貢獻(xiàn)！

本刊使用協(xié)同采編系統(tǒng)處理稿件，請(qǐng)登陸期刊網(wǎng)站注冊(cè)后投稿，投稿要求見本刊網(wǎng)站中“下載中心\"欄目的作者指南，網(wǎng)址：http：/tjqc.cbpt.cnki.net。