目标检测是计算机视觉领域的重要研究课题之一,其核心任务是在静态图像或动态视频中检测出感兴趣的目标对象。在大数据、智能芯片、物联网等技术的推动下,基于深度学习的目标检测模型逐渐取代传统检测模型,并被广泛应用于无人驾驶、视频监控等智能交通领域中。为了实时感知道路环境,及时反馈交通目标信息,为下一步决策提供参考依据,系统需要速度快且精度高的检测模型以完成分类和定位任务。本文将从道路上采集的视频流处理成图像后,输入到Faster R-CNN和YOLOv3两个经典模型中进行检测,并对检测精度和速度进行对比分析,最终选取性能更优的YOLOv3作为智能交通领域的检测算法,并在其基础上展开相关研究工作。本文的主要成果如下:(1)根据本文构建的交通目标数据集特点,应用改进距离度量方式的K-means聚类算法重新生成更符合本文样本尺寸的Anchors(先验框),并将其分配给对应尺度的预测层,为模型的边框回归提供更精准的位置信息。(2)结合YOLOv3与DenseNet模型的思想,提出基于深度特征融合的检测模型(YOLOv3-Dense),该模型通过改变YOLOv3前置基础网络Darknet-53中的部分残差结构,以密集连接代替跳层连接的方式融合粗细粒度特征,实现深浅层特征信息的交互复用,有效提升模型对交通目标的检测性能。经实验分析表明YOLOv3-Dense 的 mAP(mean average precision)达到 78.47%,相较于 YOLOv3提升4.1%,其中单类目标的检测率最高可提升14.5%。(3)采用Focal Loss改进模型的分类交叉熵损失,通过在训练过程中为正负样本、难易样本自适应分配权重,使模型更加专注于对数量较少的难分样本的学习,有效削弱类别分布不均带来的影响,优化训练过程,进一步提升模型的整体检测性能。实验表明,本文方法的mAP值达到77.86%,较原模型提高3.48%,其中bus的AP(average precision)值高达97.34%,提升比率超过20%。