随着人工智能的发展,智能汽车得以成为现实,辅助驾驶技术正在成为智能汽车不可或缺的一部分。AI技术的发展使得自动驾驶汽车得以落地,随之而来的不只是科技带给人们生活的便利,背后的安全隐患更值得我们重视和深思。本文通过阅读和调研国内外的大量文献,分析自动驾驶涉及的各方面技术及现状,围绕具有重要研究意义的交通目标检测技术展开研究,针对交通目标检测亟需一类检测精度高和误检率低的实时目标检测算法的问题,提出了一种低漏检率、高检测精度并且具有实时检测性能的交通目标检测算法。主要研究内容如下。第一,交通目标检测任务对检测精度和召回率有很高的要求,本文针对YOLOv5网络在交通目标检测数据集BDD100K上的表现短板进行了具体问题具体分析,发现小目标检测能力较弱的问题在交通目标检测领域依然存在,并且出现目标重叠度过大导致漏检和分类置信度大打折扣的现象。对此,提出采用FCIo U＿loss替代CIo U＿loss使得损失计算更倾向于拟合小目标检测框,从而提高检测召回率,同时将坐标注意力机制融合到YOLO网络的颈部结构中以提高整体目标检测精度。通过融入候选框去冗余算法Matrix NMS,提高模型的整体性能。实验表明,本文提出的结合坐标注意力机制和多维度优化的YOLOv5s网络在BDD100K上检测交通目标,达到了78.3%的m AP50,89.1%的召回率和78fps的检测速度,相比YOLOv5原模型提高了2.3%的召回率,较好地解决了自动驾驶感知任务中小目标与重叠目标漏检的问题。第二,针对交通目标检测领域亟需一种轻量化的目标检测模型的问题,本文在基线模型YOLOv5s上进行了算法改进。首先将具有结合各维度轻量化的Mobile Net V3网络融入到YOLOv5s的Backbone结构中,然后融合双向跨尺度的加权特征的Bi-FPN网络优化Neck结构中的特征金字塔结构。在BDD100K交通目标检测数据集上进行训练和分析,通过消融实验和相关评价指标对本文提出的轻量化交通目标检测模型的有效性进行验证。实验表明,本文改进的轻量化YOLOv5s模型在BDD100K上达到了102FPS的检测速度和较高的检测精度,在速度、内存消耗和每秒浮点运算量达到了优秀水平,相比原模型的检测速度提高了20fps。