針對 TINY YOLO車輛檢測算法計算量過大，且在小型嵌入式系統中難以達到實時檢測要求的問題。利用小型Zynq SoC系統的架構優勢以及TINY Y0LO的網絡權值中存在大量接近零的權值參數這一特點，提出硬件并行加速的改進算法，稱為濃縮小型深度網絡（ Xerantic-TINY YOLO， X-TINY YOLO）車輛檢測算法。首先對TINYY0LO中網絡結構進行壓縮;其次采用高效多級流水線、流水線內全并行的方式對卷積計算部分進行算法加速;最后提出與網絡結構相配合的數據切割和傳輸方案。實驗結果表明，X-TINYYOLO僅消耗50%的片內硬件資源，可在相。對于GPU和CPU性價比更高更適合嵌入式場景的Zynq SoC系統上實現，且其檢測速度達到24幀/s，滿足車輛檢測的實時性要求。

　　實時車輛檢測算法主要分為三類：基于先驗知識的車輛檢測算法、基于淺層機器的學習車輛檢測算法以及基于深度學習的車輛檢測算法o

　　基于先驗知識的檢測算法是根據車身所帶有的線條、陰影或邊緣特征對前方車輛進行識別。通過對車輛尾部特定水平直線（如保險杠后車窗下邊沿等）的檢測達到車輛檢測目的。該算法易將車身周邊環境中存在的類似直線誤判為車輛，且對處于轉彎狀態的車輛會出現檢測丟失現象。中提出對剎車燈進行檢測的方法實現車輛夜間檢測，效果較好但無法應用于外部光強較好的白天或地下停車場等環境。行駛中車輛周邊環境的多樣性常常會以噪聲形式干擾此類檢測方法準確率，故此類方法難以在環境變化劇烈的使用場景中適用。

　　基于淺層機器學習的車輛檢測算法以先驗知識類算法中提取的車輛特征為基礎，結合機器學習算法實現車輛的檢測。中提出Haar-like與Online Boosting 相結合的方式，使用大量特征集對網絡進行訓練使其能檢測車輛，與單純的先驗知識檢測相比該算法在各種環境中的魯棒性有了顯著提高。對Har-like特征進行了優化，提升了該特征對環境中光強變化的適應性。該類算法特點是檢測效率高、復雜度低，但依然嚴重依賴特征選取，使得其在復雜且變化的路況場景下重建模工程量大。