1.1引言
随着世界经济的飞速发展，汽车对于越来越多的人已经成为了生活的必需品，车辆的使用，给我国老百姓带来了极大的便利，但同时也给道路交通安全提出了全新的挑战，在2019年，由我国媒体所报道出来的交通事故就超过了860万起，相较于2018年的是事故数量上升了接近50万起，交通事故的更多产生，为我们敲响了警钟，只有通过提出行之有效的解决方法，才有可能降低交通事故的发生率，从而更好地保障普通老百姓的人生生命安全。
互联网技术的快速发展给汽车工业带来了一场重大的革命[1]自动驾驶技术成为了一种切实可行的提高驾驶安全性的方法，随着高精度地图以及激光雷达[2]的发展和普及，自动驾驶逐渐成为了越来越多公司愿意投入研究的一项技术。互联网技术、高精度地图和智能驾驶技术所结合推动的自动驾驶技术，是当下汽车驾驶领域的研究重点。
自动驾驶的辅助系统包含很多方面的要求，目标检测是自动驾驶辅助系统[3]中最重要的一部分[4]。在如今的相关领域当中，完成车辆目标检测有很多种途径，其中应用最广泛的手段有两种，第一种是通过硬件来完成对行驶路面状况的感知，这种手段要依靠预装在车辆上的传感器[5]来进行探测，通过对外发出一个信号，然后再将回馈的信号进行处理，从而对周围状况进行感知，第二种是通过摄像头等采集图像的器件[6]来进行环境感知，中央计算机通过将摄像头所采集到的一系列图像进行处理、分析，就能够通过计算机的算力来规划最佳行驶路线[7]，如果将这两种方法进行比较，现在业界主要是采取第二种方法，即基于周围环境图像来进行检测，这个方法的优点是成本低且对于图像的处理算法能够快速地进行更新换代。
随着深度学习这一项技术的发展，各种各样的以深度学习为基础的目标检测和目标识别算法被提出，卷积神经网络可以利用包含目标的数据集对需要识别并且检测的目标进行自我训练和学习，并且以此完善自己的模型。YOLO模型作为一个基于深度学习技术的模型，相较于之前的Fast R-CNN、Faster R-CNN等算法，识别运算速度更快，准确率更高，具有更好的目标检测效果。因为，本文基于YOLOv4改进设计了一种自动驾驶目标检测算法，通过该算法，可以检测摄像头中各物体属性，从而达到识别目标检测的目的，同时，该算法还可以预测边界框中存在对象的概率，为自动驾驶提供前提条件。
1.2自动驾驶目标检测算法研究国内外研究现状
1.2.1国外研究现状
在目标检测方面，国外的研究时间较我国学者在这方面的研究要更早，并且研究内容也要更广泛，国外相关领域学者既目标检测理论方面开展了许多研究，同时，国外业界还开展了许多相关的比赛来比较不同算法在车辆目标检测方面的效果，如Google AI所举办的Open Images挑战赛。在国外业界中，一些企业已经将投入了大量人力物力研究所得到的研究成果转化为产品，投入了市场，例如IMB、Microsoft。同时，国外学界还通过校企联合，在许多著名大学中开展相关领域研究，如麻省理工学院、牛津大学都成立了专门的研究实验室来开展与目标检测的相关研究，在斯坦福大学[8],一个致力于车辆检测研究的深度学习人工智能实验室也已经成立。2019年，德克萨斯大学提出了一个one-stage类型的目标检测算法ExtremeNet，这个算法在当时与同类算法相比，具有更好的准确性。
相较于早期的车辆检测算法在精确性和实时性方面表现不好的缺点，近几十年针对目标检测方面的研究所提出的模型在上述两个方面都得到了巨大的提升，2001年，Viola提出了一个基于AdaBoost框架的目标检测算法，它可以通过数学积分的思想进行检测，相较于之前的算法框架，它在检测准确率和帧速率上都有较大提升。在2012年，Felzenszwalb第一次在一个算法中融合了HOG和SVM技术，这个算法模型依靠移动窗口的方法对目标进行检测，同时，这一年也是在车辆检测领域不同技术的一个分水岭之年，在2012年前，对车辆目标进行检测主要是依靠人工设置的训练浅层分类器来进行对车辆目标的检测，而在2012年之后，深度学习技术[9]开始大量应用于车辆目标检测领域，与之前的目标检测算法模型相比，基于深度学习技术所提出的一系列算法模型具有准确率更高及速度更快的特点，同时，同类算法的迭代速度也非常之快，基于卷积神经网络的目标检测算法YOLO算法在四年间就完成了由第一个版本到第四个版本的迭代，这样的迭代速度是先前的算法不能比拟的，并且相较于人工定义的分类器，算法模型训练所得到的分类器更加准确并且快速。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
