在真实的交通场景中，车辆和行人检测器容易受到复杂背景的干扰，导致严重的误检和漏检。此外，由于交通场景图像中存在各种不同尺度的目标，大多数检测方法对小物体的检测性能较差，且难以适应交通物体的多样性。为了解决这些问题，提出了一种基于注意力和前景注意模块的无锚方法VHA-CenterNet。在主干网络中加入一个卷积块注意模块(CBAM),以提高对小目标的关注能力。在前景注意模块(FAM)中引入前景信息，以减少复杂背景的干扰。结果表明：在中等难度下，所提出的VHA-CenterNet方法在KITTI数据集上的mAP达71.92%,在RTX 2080 Ti上的推理速度为10.68 FPS,可以显著提高人车识别的准确率和速度。在所有情况下，交通场景的人车检测准确率都高于传统模型。