计算机与图像技术Computer&MultimediaTechnology电子技术与软件工程ElectronicTechnology&SoftwareEngineering149近几年来电动汽车的逐渐普及，电动汽车与传统汽车相比，除了绿色环保外，其更多应用了大数据、机器学习等技术，智能驾驶即通过机器学习或深度模型，分析大数据样本来实现的，其与一般的机器学习场景相比，其时效性、运算性能要求更高，5G技术的出现，为汽车智能驾驶提供了数据感知与数据通信基础。当前目标检测成为计算机视觉领域的重要研究方向，研究目标就是在图像中的位置确定目标所属类型。道路目标即车辆在行驶过程中具有较大意义的目标，如车辆、行人、障碍物等，对目标进行定位、识别是智能驾驶的重要环节。随着城市化进程的发展，城市道路交通流量越来越多，需要识别的道路目标越来越多。目标检测已成为智能驾驶的重要技术，通过目标检测能够自动、高效地识别出道路前方的目标，为智能汽车的变速、变道等操作提供支持。卷积神经网对图像进行卷积、池化、输出等多层组合操作，完成提取图像语义，处理过程具有特征提取高效、泛化能力强特点。目标检测算法中，传统的算法分为一阶段目标检测和两阶段目标检测两种，其中一阶段目标检测是预测图片中圈定范围内的类型、偏移量等，如YOLO[1]、SSD算法[2]；两阶段目标检测算法是首先做初步检测，然后生成候选区域并对其进行详细分类和微调，如FastR-CNN。本文在FastR-CNN模型基础上，提出了基于FasterR-CNN模型的城市道路目标检测方法。FasterR-CNN是在FastR-CNN基础上提出了基于RPN（RegionProposalNetwork）候选区域选择，同时把候选区域、选取特征图、检测目标和位置放在同一个网络模型中，提高了检测效率和检测的准确性，提高了检测模型的性能。1FasterR-CNN的基本原理FasterR-CNN网络模型包括4部分，分别为卷积层部分、RPN层、池化层和全连接FC层，FasterR-CNN检测流程图如图1所示。首先输入图像，经过VGG16的特征提取，来获取区域建议网络（RPN）需要的全部特征。RPN利用特征图生成若干个候选区域以及每个区域的概率值，按照非极大值抑制方法对候选区域的概率值进行计算，经过RPN网络产生的候选区域进行映射处理，投影到特征图上，通过投影获得特征矩阵，把得分最高的区域放入感兴趣区域的池化层ROIpooling（Regionofinterest）。候选框的特征图经ROIpooling处理后，缩放到7×7大小，分别送入目标分类和回归两个分支，计算出分类结果，同时通过回归预测，获取边界框区域，即通过...
