基于机器视觉的目标检测是自动驾驶领域中炙手可热的研究方向之一,近些年不断涌现出许多优秀的基于深度学习的目标检测算法,其中YOLOv3目标检测算法是一个在检测精度和速度方面上表现优异的端到端网络。YOLOv3算法可以对任何分辨率的图片进行目标检测,但是在网络训练过程和预测阶段的边界框位置回归计算都存在精度偏差,还存在网络模型占用巨大的运行内存和存储空间的问题。为此在复杂的交通场景下设计轻量级的YOLOv3网络来准确地进行车辆目标检测是符合实际工程需求。以下是本文对原始的YOLOv3网络进行了研究和改进的具体方法:(1)针对YOLOv3网络在交通场景下长方形视野的图像进行伸缩拉伸以后,图像的变形会降低检测的准确率,本文通过K-Means算法聚类得到锚框尺寸,通过计算公式设置预测特征图上每层映射的预选框尺寸大小,有效地改进网络在检测长方形视野交通场景的精度问题,减少模型在候选框参数训练的过程中的冗余运算的时间消耗。(2)针对交通场景的图像生成的预选框类别标签数量不均衡,容易造成误检和漏检的问题,采用的方法是通过焦点损失函数解决样本标签失衡问题,在Pascal VOC数据集上证实了其有效地提升了模型的检测精度。改进后的YOLOv3网络模型的平均精确度均值相较于原始YOLOv3网络检测效果上提高了2%。(3)针对YOLOv3网络中的特征提取网络的传统卷积运算量最多的特征提取网络部分进行改进,采用了一种轻量级的特征提取网络设计方法。该方法在保持输入图片分辨率不变的情况下,结合轻量级特征提取网络进行改进。改进后训练得到的模型大小只有原始模型的九分之一,再借助改进候选框重叠筛选机制弥补了模型缩小后下降的精确度。本文称这种设计的网络模型为FM-YOLOv3。最后在交通场景的KITTI数据集进行检测实验对比,改进后的FM-YOLOv3网络模型的检测结果显示,本文提出的轻量级设计的网络模型研究方法在模型内存大小和检测精度上都达到了预想的效果水平。