近几年,自动驾驶取得了巨大的进展。环境感知作为自动驾驶系统中的关键组成部分,直接决定了车辆的智能化水平。基于视觉的目标检测算法主要利用相机对行人、车辆及其他交通参与者进行识别定位,有效检测行人、车辆能够显著提高自动驾驶汽车的安全性。然而,地下停车场中图像的能见度降低、车辆密集严重限制了现有目标检测算法的性能,在检测过程中可能出现目标漏检等情况。因此,本课题在现有算法的基础上进行改进,提出适用于地下停车场的目标检测算法。研究内容如下:首先,为了对提出的算法进行训练测试,采集并制作地下停车场数据集。采集的图像包含行人和车辆两类目标。通过标注软件对采集的图像进行标注,同时由于采集的图像数量有限,采用Mixup、区域随机失活、翻转、随机裁剪等方法进行数据增强。并且提出了随机亮度拼接和模拟遮挡两种数据增强方法以增加数据集中亮度的多样性、小目标及遮挡目标的数量。然后,提出了基于改进残差及注意力机制的目标检测算法YOLO-UGP。首先为了增加骨干网络的特特征提取能力,提出一种新的残差结构,该结构将原有残差单元的两层卷积增加至四层卷积,并在四层卷积之间进行两次特征融合,激活函数采用FRe LU。接着在骨干网络与检测端之间增加通道和空间注意力机制以提升模型对重要特征的关注度。在损失函数中引入Focal loss,降低样本不均衡带来的误差,同时采用GIOU作为定位部分的损失以提高算法对目标的定位准确性。为了避免密集区域处目标被漏检,在后处理过程中,将soft NMS和DIOU相结合作为改进后的非极大值抑制算法。实验结果显示:YOLO-UGP的检测精度指标AP相较于YOLOv3提升了3.73%,当IOU阈值为0.5时,AP提升了8.1%,通过对比二者对测试集中图像的检测结果发现YOLO-UGP能有效减少对小目标、遮挡目标的漏检情况。最后,提出了一种轻量化目标检测算法Mobile-YOLO。骨干网络中主要由1×1卷积、深度可分离卷积、轻量级注意力模块和特征融合组成的块结构组成。为了适用于移动端,将原有的Re LU替换为Re LU6激活函数。在骨干网络的后半段,由于激活层的计算成本降低,采用h-swish激活函数。实验结果显示:Mobile-YOLO相较于YOLOv3,AP提升了0.55%,检测速度提升了41.7%,在NVIDIA Jetson TX2开发板上能够达到每秒31帧。