近几年来,人工智能已经是当今社会人人皆知的热门词汇,人工智能概念渗透着各行各业,而机器视觉又是实现人工智能不可或缺的一个技术方面,图像应用的重要性不言而喻。计算机通过目标检测技术解读图像内容,而遮挡问题是现实生活中常见且不可避免的现象,所以对遮挡目标的检测既是目标检测的一个重要分支,也是一个亟待解决且具有深厚研究意义的课题。本论文主要以SSD目标检测算法为基础,针对密集同种目标互相遮挡和复杂环境背景下被其它干扰项遮挡的目标检测问题,以行人目标和车辆目标为例,进行深入的研究。具体成果如下:1、提出了基于改进NMS(非极大抑制)的遮挡目标检测算法。NMS作为目标检测中去除重叠度较大的冗余预测框,确定最后剩余预测框就是真实目标位置的的关键一步,传统NMS对于处理两个非常相近的目标时,分数较低的框会因为与当前得分最高框的交并比大于预设阈值而被直接抑制,出现漏检问题。提出的算法在soft-NMS中新增一个阈值进行权值惩罚思想的基础上,进一步地预设第二个阈值来删除部分交并比过大的待检测框,这样可以减小同一目标被重复检测的概率。再通过设定第三个阈值,直接从各处分离的密集目标并行NMS算法以减少检测时间。实验结果表明,该算法对于解决同类密集遮挡目标的漏检,错检和重复检测问题有了效果提升。2、提出了基于增强Repulsion Loss和Inception-ResNet-v2的遮挡目标检测。将Repulsion Loss损失函数思想融入SSD算法中原始损失函数,Repulsion Loss通过组合一个缩小吸引项距离和加大两个排斥项距离的优势功能,来增强SSD算法的预测能力来防止遮挡目标的漏检和误检。由于Repulsion Loss本身是应用于密集行人检测上的,通过分析Repulsion Loss的思路并实验探究其应用于其它密集目标检测的通用性,以车辆目标为对象验证想法,延伸Repulsion Loss在一般遮挡目标的检测应用。对Repulsion Loss的不足进行分析,灵活科学地调节排斥项的比重以增强Repulsion Loss的作用。另一方面,从SSD网络的特征提取特点入手,着眼于SSD网络中生成六张特征图的六个普通的卷积层,使用Inception-ResNet-v2网络内改变其特征生成方式,使得特征图包含更丰富的信息,这其中包括更多关于遮挡目标的特征信息,更好地检测出遮挡目标和区分其它干扰项目标。还有,利用经典数据集训练新建的算法模型,之后再加入自建数据集形成混合数据集再次进行实验。实验结果表明,该算法对密集情况产生遮挡目标检测和复杂环境背景产生的遮挡目标检测具有很好的准确性,模型的泛化能力也得到进一步的提高。3、进行了目标检测软件的设计及实现。本软件基于Python语言编写,使用Pyqt5类设计界面,使用Opencv视觉库设计次要功能,将训练好的模型嵌入软件中,实现对道路交通图像中行人和车辆的目标检测功能。