目标检测是计算机视觉领域的核心分支,主要任务是在给定的输入图像中找到感兴趣的目标,并确定它们的大小和位置。目标检测在实际应用中常常会受到目标的形状、姿态、大小、光照环境、遮挡等众多因素的干扰。传统目标检测算法需要繁复的特征提取步骤,而卷积神经网络却能实现特征的自主组合提取,并在图像分类、识别、检测等领域实现了巨大飞跃。本文的研究内容是研究基于卷积神经网络的道路目标检测算法,论文概要如下:(1)提出了基于特征融合的Faster-RCNN目标检测方法。本文在Faster-RCNN检测算法基础上,对提特征的基网络进行部分反卷积操作,实现目标区域全局与局部特征的融合,使得模型特征的表现、泛化能力得到进一步提高。并对实验使用的KITTI数据集按照目标遮挡、截断程度,划分成简单、较难、困难三个类别进行测试,最后通过实验证明:改进后的算法对机动车、行人和自行车等目标检测性能达到了1到4个百分点的提高,达到了更好的检测效果。(2)深度学习任务一般会选择Batch Normalization作为数据归一化方法,Batch Size的大小一般设置成32或64。而目标检测由于较大的运算量,常规的Batch Size会超出一般计算机的运算负荷,而选择较小的Batch Size却又会使性能降低。本文采用的Group Normalization归一化方法,能保证在较低的Batch Size情况下不会对检测性能产生较大影响,数据增强部分使用了图像混合方法,最后在KITTI数据集上进行效果测试。结果表明:本文采用的Group Normalization归一化和图像混合数据增强方法,对行人检测准确率的提高有一定的效果。本文提出的改进算法在KITTI公开数据集上进行了一系列的实验验证,证明本文算法对目标检测效果有一定的提高。