车辆检测与运动趋势分析是无人驾驶汽车应用研究中的关键环节,是进行道路环境感知与运动规划决策的基础和保证。然而检测过程中经常遇到的车辆遮挡等问题,一定程度上影响车辆检测的准确率和碰撞威胁态势分析的可靠性,从而威胁到无人车的安全行驶。鉴于此,本文重点围绕近处遮挡情况下的车辆检测问题,对基于车辆部件的车辆检测方法和车辆运动参数估计方法进行了深入研究,并针对性地提出解决问题的方法。论文完成的主要工作为:1、提出了一种基于YOLOv3网络的车辆部件检测方法。首先根据车辆的不同视角定义了8种朝向下的车辆大部件与小部件及其类别,在此基础上构建了基于车辆部件的车辆检测图像数据集;然后给出了一种基于k-means++的anchor box选择算法,并重新分配YOLOv3网络中的anchor box;最后通过多次多尺度训练YOLOv3网络模型,得到较为理想的车辆部件检测结果;同时通过对比实验分析了采用本文方法得到的anchor,相较于YOLOv3网络中的原始anchor,在小部件检测效果上提升较为明显,因此更适用于本文数据集进行车辆部件的检测。2、提出了一种基于车辆部件的车辆检测方法。首先根据车辆部件与车辆中心点的相对位置关系,构建了基于相对距离的二维联合高斯分布模型,并采用直方图统计方法进行模型参数估计;然后借鉴霍夫投票思想,提出了一种基于多部件信息的车辆中心点加权投票机制,在此基础上进一步提出了基于方差的NMS最佳中心点区域确定算法;最后给出了一种基于IOU阈值的车辆部件归类算法,并通过概率独立性假设和最大值滤波分别得到车辆检测置信度与车辆朝向信息;为了得到较为准确的车辆包围框,论文还给出了一种以贝叶斯滤波融合多部件信息的车辆包围框融合方法。实验结果表明本文方法兼具可解释性与深度学习方法的高识别能力,针对近处车辆遮挡问题,效果较为理想,具有减少虚警、补偿漏检的作用,AP值可达82.6%,优于YOLOv3算法。3、给出了一种基于部件的车辆运动参数估计方法。从无人车的安全性出发,利用本文的车辆检测及其车辆部件信息,分别给出了基于光流法的碰撞时间估算方法,以及无人车前方威胁车辆在相机坐标系下的航向角与方位角计算方法。然后基于碰撞时间、前方车辆方位角和航向角三个车辆运动参数构建前方车辆碰撞威胁态势。实验结果表明,利用本文方法构建的碰撞威胁态势,有助于无人车实现对周围场景的理解,为车辆碰撞风险评估提供了决策依据。