基于机器视觉的工程车辆前方目标检测与测距是当前研究的热点问题,旨在通过识别工程车辆前方目标,测量其距离,使工程车辆可以进行安全、自主作业。目前,国内外基于机械设备智能化相关技术已经开展了大量的研究工作,并取得了很多的研究成果。但是,对于检测技术的实时性和测距技术的精确性还有待提高。本文主要研究内容总结如下:(1)本文研究了Yolov3网络目标检测算法。针对该网络检测时间长这一问题,本文将Yolov3网络的卷积层减小、减少一层预测输出,同时改变Yolov3网络的置信度值,减少了与识别对象相似程度高但不相关特征的识别,最终将检测时间缩短了85%。(2)针对Yolov3网络对密集型小目标的目标检测效果和定位效果不佳这一问题,本文研究了Faster-RCNN网络目标检测算法。Faster-RCNN使用了ROI Pooling层,在对原图进行特征提取时会提取到相应的feature map,那么相应的ROI就会有映射,从而得到较为准确的候选框,而不是像Yolov3一样直接将整个图像划分为多个grid。因此Faster-RCNN定位精度优于Yolov3,其检测精度比Yolov3网络提高了3.6%。(3)研究了双目相机测距算法。针对双目相机在采集图像时存在畸变这一问题,采用张氏标定法进行双目相机标定,得到双目相机的内外参数。针对图像全局匹配算法复杂度高、实时性差这一问题,采用局部图像块匹配算法,对左右图像进行立体匹配。通过实验对比,局部图像块匹配算法实时性好,且匹配精度高。利用得到的深度图可获取到世界坐标系z轴尺寸及该像素点在现实世界距摄像头的实际距离,即可以产生距离信息。(4)针对双目相机在夜晚、或者光线不足的情况下,所采集到的图像效果不佳,同时,双目相机采集的图像中存在纯色的区域时,不利于后续的图像匹配,进而影响其测距精度这一问题,本文将结构光的方法应用于双目相机测距过程中。在采集图像时,该相机通过发射结构光,在物体表面产生一些带有纹理区域的光斑,提高了图像匹配率,改善了在光线不足环境下的测距精度。最后,将Faster-RCNN网络目标检测算法与双目视觉测距算法相结合,通过实验验证了该方法在工程车辆目标检测与测距过程中的有效性和可行性。