随着科技的发展,汽车已成为人们出行的重要交通工具。然而,汽车在给人们带来很大便利、快捷与舒适的同时,却因驾驶员不专心等问题导致交通意外事故愈发频繁,汽车安全问题逐渐成为人们关心的重点。高性能的前方车辆防碰撞预警系统可有效预测并提醒驾驶员前方视野内的车辆是否会与本车发生碰撞,对于减少车祸发生的可能性具有重要的实际意义。车辆检测算法作为前方车辆防碰撞系统的核心部分,因卷积神经网络技术的迅速发展,其准确性取得了很大的提高。但因卷积神经网络模型存在参数过多的问题,使其在嵌入式平台应用难以实现,且其速度不能满足车辆辅助驾驶产品的实时性要求。因此,基于卷积神经网络开展车辆检测算法研究,本文提出一种可以在嵌入式平台实时检测的网络模型,为面向车辆辅助驾驶的车辆检测应用奠定基础,主要工作如下:1.本文提出了基于SSD改进的车辆检测算法。首先在网络结构中引入Inception模块以获取更多的图像信息。其次,本文重新设计了默认边界框的尺度,使得浅层特征图中的默认边界框尺度具有较小的间隔,而深层特征图中的默认边界框尺度则具有较大的间隔。再者,本文采用K-Means算法获取车辆样本宽高比的聚类值,将其作为默认边界框的宽高比初始值,减少了默认边界框的数量。本文在KITTI数据集和联合车辆检测(Union Vehicle Detection,以下简称UVD)数据集上开展了实验,相比于SSD车辆检测网络,本文所提出的方法不仅可以提高车辆平均检测准确率,而且默认边界框的设计更适用于车辆位置回归。2.进一步压缩改进的车辆检测网络,主要是采用过滤器剪枝与参数量化并行的方法。过滤器剪枝采用ThiNet自后推前的思想,根据第i+1层的信息指导来剔除第i层的过滤器,用第i+1层的输入的一个子集来近似计算第i+1层的输出,修剪掉其他不相关的过滤器。参数量化是指先用K-Means算法求解每一层的有效权值,然后使多个连接共同使用有效权值来减少需要存储的权值的个数。实验结果表明,这种过滤器剪枝和参数量化并行的方法,能够在对平均检测率影响不大的情况下达到15.9%的压缩率,并且将网络检测的速度提升了近3倍。3.为进一步研究压缩后的网络在嵌入式平台应用的情况,将其移植到NVIDIA Jetson TX2平台测试网络各方面性能。改进并压缩后的网络以17MB的体积移植到嵌入式平台,在各种实际行车环境下,本文测试了网络的检测准确率和检测速度。最终测试结果表明,在网络的平均检测准确率较高的情况下,在嵌入式平台可以达到19FPS的检测速度,能够满足车辆辅助驾驶产品的功能和性能要求。