随着国民经济和交通运输业的发展,机动车的保有量迅速增加,道路交通运输给人们的生活和出行带来了极大的便利,但是由此引发的道路交通事故每年给人民的生命和财产带来了巨大的损失。道路交通事故调查显示,大型客车由于其载客量多,动能大的特点,成为造成群死群伤重大交通事故的主要原因。汽车安全辅助驾驶技术能有效地对车辆运行环境进行检测,当发现潜在危险时能够及时提醒驾驶员采取有效的应对措施,消除安全隐患。目前该技术已经不同程度地应用于各类中小型车辆,但是鲜见于大型客车中的应用。本文以国家基金为依托,针对于大型客车运行环境设计了一套环境感知系统,并利用毫米波雷达与机器视觉融合算法对前方障碍物进行检测。主要研究内容如下:针对于大型客车的环境感知系统,本文设计了一套毫米波雷达与机器视觉相结合的前方障碍物检测系统。首先分析各类型传感器的工作性能和成本效益,确定了传感器类型,然后结合大型客车环境感知需求,对毫米波雷达和摄像机进行型号选择和参数配置。该系统既保障了大客车的环境感知满足不同道路状况和天气环境的要求,同时又兼顾硬件的设计成本。针对毫米波雷达目标检测区分能力弱的问题,本文提出了一种基于深度置信网络的车辆有效目标提取方法。首先通过实车道路实验收集不同道路环境下的障碍物检测数据,采用人工标注的方式获得车辆目标与非车辆目标的分类标签,利用深度置信网络对雷达检测目标进行有监督的学习,通过网络训练获得车辆识别分类器。实验表明该方法能够有效地从雷达冗杂的检测信息中完成车辆目标的提取,在各种交通环境中车辆检测的平均准确率为92.3%。针对传统卷积神经网络目标实时检测效率低,交通环境适应性差的问题,本文基于Faster R-CNN深度学习框架,提出了一种多交通环境训练下的前方障碍物识别方法。用于网络训练的车辆和行人数据,充分考虑了不同交通环境下(晴天、阴天、雨雪天、轻雾霾天)样本姿态和种类的差异。实验结果表明通过多交通环境样本训练获得的Faster R-CNN深度学习网络,对不同道路环境和天气状况的车辆和行人检测具有良好的实时性和准确性,其中车辆检测平均准确率为88.2%,单帧图像的处理速度为36ms,行人检测的平均准确率为86.2%,单帧图像的处理速度为32ms。针对于传统单目视觉测距精度低的问题,本文对传统方法进行了改进,采用基于像素标定与拟合的方法对障碍物进行测距。首先通过标定试验获得障碍物像素坐标与实际距离的对应关系,采用不同的拟合函数对实验数据进行拟合分析,拟合结果显示有理函数能够较好地反应障碍物像素位置与实际距离的映射关系。在相机有效工作范围内,该测距方法标定测试平均误差为2.3%,实验测试平均误差为6.8%,相比传统单目测距算法,测量精度有了较大地提高。为了充分发挥毫米波雷达与机器视觉在前方障碍物检测中的优势,获得包括障碍物距离、角度、速度、外形尺寸在内的全面感知信息,本文对两传感器的检测信息进行了融合。首先通过标定实验和线程同步的方式实现了雷达和相机信号的空间和时间上的同步。采用三维空间多特征匹配算法对检测目标进行配对,最后利用权值分配矩阵生成目标检测列表及其检测信息。为了验证融合算法对前方障碍物的检测性能,基于多传感器融合开发平台搭建了毫米波雷达和机器视觉融合的前方障碍物检测系统,实验表明该系统对各种交通环境中前方车辆的平均识别准确率为93.6%,行人平均识别准确率为87.0%,单帧数据平均处理速度为52ms,基本满足大型客车前方障碍物检测对于实时性和准确性得要求。