随着国家经济的快速发展,汽车数量大幅度增多,这给我们的日常生活带来了极大便利。但与此同时,发生交通事故的概率增大,如何提高汽车安全性成为汽车与自动化行业的重点研究内容,汽车辅助驾驶系统的研究随之发展起来。汽车辅助驾驶系统是在汽车上安装先进的传感器(雷达、摄像机)、控制器和执行器等装置,通过车载传感器和信息终端实现车与人、车和路等的智能信息交换。使汽车具备智能的环境感知能力,自动分析汽车的行驶状态并按照人的意志达到目的地,最终实现完全自动驾驶。白天环境下,光照充足,前方汽车的颜色、形状、纹理等特征显而易见,很容易判断出汽车位置。但是夜晚行驶时,光照不足,驾驶员不能快速准确地识别前方车辆的位置,实现智能夜间车辆检测已成为研究热点。相对于红外线、雷达等传统夜视技术,基于计算机视觉的汽车辅助驾驶系统具有硬件设备简单、处理速度快、成本低等优势,更适用于普通用车。重型卡车具有速度快、体积大和惯性大的特点,对道路上其他车辆和行人造成威胁。尤其夜晚在高速公路上行驶时,由于光照不足和司机疲劳驾驶,司机较难在短时间内估算出前方车辆位置,这使得重型卡车的危险性更大。在夜晚情况下重卡智能检测前方车辆对提高道路安全性尤为重要。本文研究重型卡车在汽车试验场和高速公路两种路况下,在夜间检测前方车辆问题。夜间前方车辆的一对明亮的尾灯是其最明显的特征,尾灯的对称性常被用于检测车辆。由于重型卡车前照灯强光影响,前方车辆尾灯往往不会呈现出完全对称的形状,并且前方车辆测距常用的双目相机有时会出现同步漂移问题,本文使用单目相机采集重卡行驶环境的灰度图像。重卡前照灯较亮,易在路面、道路护栏或其他建筑物上产生干扰。本文特别针对重卡夜间行驶环境,提出一种改进的阈值处理方法,能够开尽可能去除图片中除车灯之外的其他干扰。提出将阈值处理算法与训练分类器相结合的车辆检测方法：使用改进的阈值算法处理图片,从阈值处理后的图片中截取训练样本用于训练分类器,采用Haar-like和Adaboost算法训练分类器,检测过程中,使用改进的阈值处理算法处理当前帧图片,在处理后的图片中检测车辆并在原图上标记检测结果。为实现本文提出的改进的检测方法,本文首先详细讲述大津法、迭代法、直方图法、最大熵阈值法、Kumar阈值算法,通过分析比较选择适合本文研究图片的阈值算法进行改进,去除图片中的干扰信息。描述Haar-like特征含义、Haar-like模板及Haar-like特征值的快速求解方法。进一步介绍Adaboost算法,包括boosting算法背景、确定弱分类器方法、Adaboost训练过程及分类器级联方法。设计实验验证本文提出改进的阈值算法及车辆检测方法的有效性。拍摄汽车试验场和高速公路两种夜间行驶环境图片,对比分析改进阈值算法和其他阈值算法对这些图片的处理效果。使用汽车试验场图片制作训练样本,本别采用传统训练方法和改进的训练方法训练汽车试验场样本,分别制作汽车试验场测试集合高速公路测试集,对比两个分类器在两类测试集上的检测性能。在训练集中加入高速公路训练样本,再次采用两种方法训练,对两类测试样本进行检测,对比两种方法在添加高速样本后的性能。最后将改进的检测方法与基于对称性的检测方法进行对比。实验结果证明,改进的阈值处理算法更适用于本文研究环境,改进的训练和检测方法具有更高的准确性和鲁棒性,并且优于基于对称性的检测方法。这对于提高夜间道路安全性具有很大意义。