伴随我国经济的快速发展和人们生活水平的不断提高,汽车保有量与日俱增。交通事故的频繁发生,使人们急需提高与改善汽车行驶过程中的主动安全性及智能化性能。因此,智能汽车技术以及汽车智能安全辅助驾驶系统(ADAS)等备受关注,目前已经成为广大学者和科研人员研究的热点问题。而车辆环境感知系统是汽车智能辅助驾驶系统或无人驾驶技术的关键,车辆识别是环境感知系统最为重要的组成部分,准确快速地识别出目标车辆对于车辆的智能化控制具有重要研究意义。因此,论文基于视觉信息与图像处理技术,针对智能车辆辅助驾驶系统前方车辆目标识别进行研究,主要分为三个部分:(1)基于车尾灯特征的车辆候选区域确定。通过采用多种图像处理手段,如:中值滤波、锐化、HSV颜色模型转换及形态学处理等方法,实现了对尾灯可能存在区域的筛选。再利用车尾灯固有的位置分布及面积大小等表观特征,对尾灯对进行配对,从而实现车辆候选区域的最终检测。(2)基于HOG特征的SVM分类器对车辆候选区域的判别。通过构建车辆正、负样本训练集,并对其进行HOG特征提取后,将其特征送入到SVM进行训练,利用训练参数寻优后得到SVM检测子,对基于车尾灯特征检测到的车辆候选区域进行判别。最后,基于实验结果进一步验证所提方法的有效性。(3)基于CNN深度学习的车辆识别方法。主要围绕基于CNN深度学习的基本原理分析、Faster-RCNN的网络架构设计以及神经网络训练与测试等进行详述。首先搭建CNN网络模块,对卷积层、池化层等结构及参数调整后,得到车辆目标的深层卷积特征;然后再构建RPN网络模块,通过回归与分类损失的计算,并经过后处理,得到多个候选区域;最后构建Fast-RCNN网络,利用全连接层对多个候选区域进行位置精修,最终得到检测目标的候选框。最后,基于实验结果进一步验证所提方法的有效性。