第26卷第4期2023年8月扬州大学学报（自然科学版）JournalofYangzhouUniversity(NaturalScienceEdition)Vol.26No.4Aug.2023基于FasterRCNN和YOLOX模型融合的路况检测算法汪前进1*，汤栋"，汪弋琛²，仲兆满1（1.江苏海洋大学计算机工程学院，江苏连云港222005；2.清华大学深圳国际研究生院物流与交通学部，广东深圳518055）摘要：为防止驾驶员误判或忽视交通标志和车辆，提出一种通过线性加权方法融合FasterRCNN（fasterregionswithCNNfeatures）和YOLOX-Tiny(youonlylookonceX-Tiny)模型的路况检测算法，结合双目摄像头对检测目标物进行距离检测，以增强模型对道路远处目标的检测能力.实验结果表明，模型融合算法相较于FasterRCNN，每秒传输帧数提升了30.6顿，与YOLOX-Tiny相比，其目标检测结果的平均精度提升了21.9%.关键词：路况检测；深度学习；模型融合；双目测距中图分类号：TP391.41D0I:10.19411/j.1007-824x.2023.04.008文献标志码：A文章编号：1007-824X(2023)04-0043-05随着我国人均车辆拥有率不断提高，交通道路安全已成为备受关注的重要问题.路况检测是自动驾驶中的关键技术之一，可以帮助车辆识别路面标志牌、行人和其他车辆等目标，有效实现安全驾驶.针对目标检测问题，目前已有若干种结合深度学习算法的解决方案[1-41.在路况检测方面，Kumar等[5]提出了一种基于多层卷积神经网络的改进SSD(singleshotmultiboxdetector)算法，通过选取最佳长宽比值卷积核，有效提高了目标检测的精度，但由于算法依赖于默认框对场景的适应度，难以保证算法的实时性；杨薇等[6]提出基于FasterRCNN的车辆实时检测改进算法；Tabernik等[7]则改进了MaskRCNN算法，提出一种基于几何外观和视觉失真的分布式数据增强技术，使其适用于大规模路标检测和识别问题，但由于分类网络丢失数据使算法的精度有所下降；Li等[8}提出了一种基于改进的Faster-RCNN模型的多物体检测和识别的交叉层融合方法，适用于复杂交通环境，该方法利用VGG16的五层结构获取更多的特征信息，在小物体目标检测方面取得较高精度，但是未能解决Faster-RCNN对于全局信息提取与近物识别效果不佳的问题；Carrasco等[9]提出了从全息视角瞄准微小道路目标的识别方法，结合多尺度模块和空间注意机制调整了YOLOv5模型，从而提升了YOLO模型对小目标的识别精度，但该算法仅针对特定场景的检测有较大的精度提升，鲁棒性不强；王超等[10]提出采用深度学习YOLOv2模型的方法将目标检测视作回归问题，获得交...
