針對(duì) TINY YOLO車(chē)輛檢測(cè)算法計(jì)算量過(guò)大，且在小型嵌入式系統(tǒng)中難以達(dá)到實(shí)時(shí)檢測(cè)要求的問(wèn)題。利用小型Zynq SoC系統(tǒng)的架構(gòu)優(yōu)勢(shì)以及TINY Y0LO的網(wǎng)絡(luò)權(quán)值中存在大量接近零的權(quán)值參數(shù)這一特點(diǎn)，提出硬件并行加速的改進(jìn)算法，稱(chēng)為濃縮小型深度網(wǎng)絡(luò)（ Xerantic-TINY YOLO， X-TINY YOLO）車(chē)輛檢測(cè)算法。首先對(duì)TINYY0LO中網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行壓縮;其次采用高效多級(jí)流水線(xiàn)、流水線(xiàn)內(nèi)全并行的方式對(duì)卷積計(jì)算部分進(jìn)行算法加速;最后提出與網(wǎng)絡(luò)結(jié)構(gòu)相配合的數(shù)據(jù)切割和傳輸方案。實(shí)驗(yàn)結(jié)果表明，X-TINYYOLO僅消耗50%的片內(nèi)硬件資源，可在相。對(duì)于GPU和CPU性?xún)r(jià)比更高更適合嵌入式場(chǎng)景的Zynq SoC系統(tǒng)上實(shí)現(xiàn)，且其檢測(cè)速度達(dá)到24幀/s，滿(mǎn)足車(chē)輛檢測(cè)的實(shí)時(shí)性要求。

　　實(shí)時(shí)車(chē)輛檢測(cè)算法主要分為三類(lèi)：基于先驗(yàn)知識(shí)的車(chē)輛檢測(cè)算法、基于淺層機(jī)器的學(xué)習(xí)車(chē)輛檢測(cè)算法以及基于深度學(xué)習(xí)的車(chē)輛檢測(cè)算法o

　　基于先驗(yàn)知識(shí)的檢測(cè)算法是根據(jù)車(chē)身所帶有的線(xiàn)條、陰影或邊緣特征對(duì)前方車(chē)輛進(jìn)行識(shí)別。通過(guò)對(duì)車(chē)輛尾部特定水平直線(xiàn)（如保險(xiǎn)杠后車(chē)窗下邊沿等）的檢測(cè)達(dá)到車(chē)輛檢測(cè)目的。該算法易將車(chē)身周邊環(huán)境中存在的類(lèi)似直線(xiàn)誤判為車(chē)輛，且對(duì)處于轉(zhuǎn)彎狀態(tài)的車(chē)輛會(huì)出現(xiàn)檢測(cè)丟失現(xiàn)象。中提出對(duì)剎車(chē)燈進(jìn)行檢測(cè)的方法實(shí)現(xiàn)車(chē)輛夜間檢測(cè)，效果較好但無(wú)法應(yīng)用于外部光強(qiáng)較好的白天或地下停車(chē)場(chǎng)等環(huán)境。行駛中車(chē)輛周邊環(huán)境的多樣性常常會(huì)以噪聲形式干擾此類(lèi)檢測(cè)方法準(zhǔn)確率，故此類(lèi)方法難以在環(huán)境變化劇烈的使用場(chǎng)景中適用。

　　基于淺層機(jī)器學(xué)習(xí)的車(chē)輛檢測(cè)算法以先驗(yàn)知識(shí)類(lèi)算法中提取的車(chē)輛特征為基礎(chǔ)，結(jié)合機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)車(chē)輛的檢測(cè)。中提出Haar-like與Online Boosting 相結(jié)合的方式，使用大量特征集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練使其能檢測(cè)車(chē)輛，與單純的先驗(yàn)知識(shí)檢測(cè)相比該算法在各種環(huán)境中的魯棒性有了顯著提高。對(duì)Har-like特征進(jìn)行了優(yōu)化，提升了該特征對(duì)環(huán)境中光強(qiáng)變化的適應(yīng)性。該類(lèi)算法特點(diǎn)是檢測(cè)效率高、復(fù)雜度低，但依然嚴(yán)重依賴(lài)特征選取，使得其在復(fù)雜且變化的路況場(chǎng)景下重建模工程量大。