目前我国机动车保有量逐年递增,道路交通事故常年居高不下,车辆安全得到越来越多人的重视。传统的安全气囊、安全带等车辆被动安全的发展已经处于瓶颈期,随着近些年视觉检测技术的日渐成熟,基于视觉的车辆主动安全检测逐渐引起人们的重视。基于视觉的车辆主动安全检测技术,结合计算机对车辆前方环境进行检测,并对检测结果进行识别处理,自动辨别出危险路况,帮助驾驶员进行安全辅助驾驶,尽可能避免道路交通事故的发生,降低交通事故带来的损失。但是目前基于视觉的车辆主动安全检测存在识别率低、鲁棒性差、跟踪易丢失等问题,严重阻碍了基于视觉的车辆主动安全检测的发展与应用。基于以上不足,本文建立了车辆的分级检测系统确定车辆位置,基于改进的TLD算法对车辆进行跟踪,最后建立了基于单目视觉的车距检测模型,进行车距检测。其主要研究内容如下:(1)建立基于单目视觉的车辆分级检测系统本文建立了由粗到精的车辆分级检测系统,通过Hog特征和支持向量机(SVM)训练正反例样本,训练车辆粗分类器,并通过该分类器确定待检测图片中的车辆感兴趣区域(ROI)。通过对Haar-like特征和Adaboost算法进行改进,结合级联分类器训练正反例样本,训练车辆精分类器,通过该分类器对ROI进行验证,最终确定车辆的位置。应用本文建立的车辆分级检测系统,对车辆主动安全进行检测,证明本文检测方法的有效性。(2)提出基于改进TLD算法的车辆跟踪方法分析对比常用车辆跟踪算法的优缺点,对TLD跟踪算法进行改进。通过Kalman滤波预测出车辆可能出现的区域,并将TLD扫描窗口设置在该预测区域,利用TLD的跟踪模块对该窗口进行跟踪,实现对车辆的跟踪。最后将TLD算法改进前后的跟踪效果进行对比,验证了改进TLD跟踪算法的有效性。(3)建立车距检测模型结合传统摄像机成像原理,建立基于单目视觉的前方车辆测距模型。开发Open CV函数对摄像机进行标定,并将标定的结果带入测距模型中,结合推导的坐标系转换公式,计算出车距。本项目的研究成果不仅可以用于对车辆的检测、跟踪和测距,将来也可拓展到前方行人或障碍物的检测。结合车辆辅助驾驶技术,为无人驾驶做准备,因此本课题具有较强的科学试验价值以及广阔的工程应用前景。