1. 研究目的与意义（文献综述）

随着计算机视觉领域的快速发展，目标检测在智能交通系统中的应用也变得更加广泛。当前的智能交通系统的研究对象主要是常规交通工具与行人。常见的车辆检测方法使用传统几何特征与分类器相组合，但在实际应用中会受到遮挡、色差、形变等复杂因素的影响，检测准确度较低。

相较于传统的车辆检测方法，卷积神经网络及其扩展模型在目标检测任务中可以有效降低复杂环境中各因素的影响，提高目标检测的性能。

目前，国内外对于智能车辆视觉系统的研究已经有了显著的成果。而行人检测和车辆检测作为重要组成部分，必然成为开发者们的研究重点与热点。在智能车辆行驶过程中，如果检测到前方有行人或者车辆的出现，需要根据不同情况采取相应的机器行为。对于不同的检测目标和不同的路况，智能车辆的反应行为将会决定交通的实时状况。因此，智能车辆视觉系统中精准的车辆与行人检测是智能车辆安全行驶的第一保障，任何的检测偏差都可能造成重大交通事故。

2. 研究的基本内容与方案

2.1 研究内容和目标

研究的基本内容：本设计将学习基于卷积神经网络的检测行人与车辆的统一框架、fast-rcnn目标检测算法及其改进算法与应用。然后针对多种复杂的道路行驶环境，以检测目标识别率最大化和精度最大化为目标，采用改进的fast-rcnn优化算法，实现基于卷积神经网络的车辆目标检测的研究，进一步优化智能车辆视觉系统中的检测技术。

研究目标：计划完成fast-rcnn算法以及改进算法的理论设计，尝试软件仿真验证效果，完成资料整理和论文编写。

3. 研究计划与安排

第1-3周 查阅相关文献资料，明确研究内容，了解基于卷积神经网络的目标检测的实现方案，弄清工作原理，完成开题报告。

第4-7周 进一步阅读相关文献，确定系统框架，明确设计要点，完成改进faster-rcnn算法的设计方案。

第8-10周 根据系统的工作流程进行分步骤仿真，测试设计算法的可行性，获得模拟目标检测的初步结果。

4. 参考文献（12篇以上）

[1] 赵锟. 基于深度卷积神经网络的智能车辆目标检测方法研究[d].国防科学技术大学,2015.

[2] selective search for object recognition[j] . j. r. r. uijlings,k.e. a. sande,t. gevers,a. w. m. smeulders. international journal of computer vision . 2013 (2)

[3] fingerprint matching based on extreme learning machine[j] . juchengyang,shanjuan xie,sook yoon,dongsun park,zhijun fang,shouyuan yang. neural computing and applications . 2013 (3)