道路目标检测技术广泛应用于无人驾驶,智慧交通等领域,受到学术界和工业界普遍关注。但由于道路交通具有目标种类繁多、多个目标存在重叠以及气候多变等特点,如何高效的对道路目标进行分类和定位是智慧交通中的一个挑战。传统的目标检测算法大多是基于人工设计的特征,尽管可以实现对物体的检测,但是有着诸多缺陷。近些年,基于深度学习的目标检测方法利用卷积神经网络自动地提取目标的特征,然后对图像中的物体进行检测,极大地提高了检测精度和速度。本文针对道路目标的特点,在系统总结现有目标检测算法的基础上,以提高检测精度和提升算法速度为目标,展开复杂场景下道路目标检测算法研究,其主要工作如下:为了降低模型的计算复杂度和加快模型的检测速度,本文对轻量级神经网络MobileNet进行改进,然后与YOLO V3目标检测算法相结合,提出了一种轻量级道路目标检测模型——MobileNet–YOLO。该网络将SENet作为一个模块嵌入到MobileNet中,来学习各个特征通道之间的相互依赖性。在此基础上,引入空间金字塔池化算法解决网络输入图像大小不同的问题。最后使用改进后的MobileNet作为特征提取网络替换掉YOLO V3中的Darknet53,VOC数据集的实验结果表明了所提的MobileNet–YOLO检测模型在不损失过多精度的情况下大大提升了目标检测速度。虽然MobileNet–YOLO的检测速度比原始YOLO V3算法更快,但为了进一步提高道路目标检测算法检测精度,提出了一种基于改进的YOLO V3算法的道路目标检测模型。该算法对YOLO V3算法进行改进,通过选取并融合多种尺度的输出特征图进行预测,提高了模型对小目标和遮挡物体的检测能力;通过Kmeans聚类算法筛选出较优的预选框尺寸和数量,同时随机向网络中输入不同分辨率的图片,提高了网络对不同大小的目标检测的稳定性,改善了网络模型检测效果。最后通过实验,验证了本文设计的网络模型在精度上相对于原始的YOLO V3提高了7%(mAP),具有良好的工程应用价值。