斑马线,又称生命线、文明线。《中华人民共和国道路交通安全法》明确规定,机动车行经人行横道时,应当减速行驶;遇行人正在通过人行横道,应当停车让行。这既是对生命的尊重,也是城市文明程度的最直观体现,更是驾驶员的法律义务。众所周知,社会经济发展有很大一部分依赖实体资源置换,这个过程离不开交通运输,从而会导致道路交通状况的下降,以及机动车、非机动车、行人之间的矛盾越来越突出,车辆“不礼让斑马线”现象也随之愈发普遍,进而给行人通行安全带来了极大威胁。车辆“不礼让斑马线”行为之所以屡禁不止的主要原因,一方面是由于还存在宣传教育不够,部分驾驶员安全意识还比较薄弱等问题。另一方面的重要原因则来自于“不礼让斑马线”行为实现全路网查处面临的现实困难。受到警力资源的制约和已投入的固定式抓拍系统投放成本高、视野盲区多、偏远路段覆盖少等问题,加之“不礼让斑马线”行为具有较大的机动性和隐蔽性,难以对该类行为进行全面的有效监控、管理和查处。针对这一问题,近年来基于机器视觉和人工智能的随车交通违章行为监控技术引起了智能交通领域的高度关注,并被认为是解决上述问题的现实途径。基于上述背景,本文围绕车载式“不礼让斑马线”行为智能识别技术这一课题开展了相关研究,主要研究内容和研究成果包括:（1）在斑马线检测方面,针对真实道路交通场景下,传统检测方法因斑马线区域受到阴影遮挡或不均匀光照等因素干扰,导致其检测精度下降等问题,提出了一种基于区域梯度计算的斑马线区域检测方法。该方法通过对原始图像进行去噪、二值化和逆透视变换处理后,利用斑马线的梯度一致性等特征,通过设置滑动窗口大小结合计算斑马线的梯度直方图方式并进行斑马线检测。实验结果表明,该方法相较于传统粗粒度特征检测方法,在检测精度上有较为显著的提升,可以较好的完成真实道路场景下的斑马线自动检测任务。（2）在车辆与行人多目标检测方面,针对深度学习目标检测网络存在的如通道量大、参数量多、推理困难以及对硬件设备要求较高,难以在常规计算设备和边缘设备内直接部署等问题,提出了一种基于YOLOv3网络改进的车辆与行人多目标检测算法,主要改进措施包括:将原YOLOv3主干网络Darknet-53的特征输出层替换为Shuffle Netv2轻量级网络模块,同时通过在模型中引入通道注意力机制,用于弥补由于网络层数减少而可能带来的检测精度下降问题。在此基础上,在模型稳定后对网络结构进行剪枝处理以进一步减少模型参数。实验结果表明,该改进算法相较于传统的YOLOv3网络速度提升明显,精度有所上升;相较于YOLOv3-tiny轻量级网络,在检测速度相当的情况下,检测精度提升明显。（3）在“不礼让斑马线”行为判定方面,提出了一种基于模板匹配的“不礼让斑马线”行为的检测判定方法。该方法首先根据“不礼让斑马线”行为提取出四个特征要素、构建该类行为模板矩阵库,然后利用斑马线检测模型、车辆和行人检测模型的输出结果,经计算构建规定时间段内视频的行为矩阵,最后根据矩阵搜索算法判定行为矩阵是否存在于模板矩阵库中,以判定是否发生“不礼让斑马线”行为。通过原型系统实现及验证表明,本文所提出的车辆“不礼让斑马线”行为判定方法具有较高的识别精度和识别速度,经过进一步完善后,可以应用于车载式“不礼让斑马线”行为智能检测系统并取得预期检测效果。