随汽车保有量的不断增加,交通事故频有发生。这引起人们对汽车安全驾驶的重视,许多学者对智能交通系统进行了大量的研究,且得到快速发展。智能交通系统的功能主要是通过公路的监控系统以及交通信号灯等来控制车流量的密度,从而减少交通事故的发生率。但是交通事故的发生主要是车与车之间碰撞造成的,所以车辆对自身所在的环境进行感知就尤为重要,而车辆检测技术是汽车安全技术的关键技术之一,对汽车安全驾驶具有重要意义。目前市面也有很多汽车防碰撞的产品,比如Mobileye公司开发的ADAS系统,甚至有特斯拉公司研究开发的无人驾驶系统等,但都由于成本比较高而得不到广泛普及。在此背景下提出了基于机器视觉的前车状态识别与预警应用研究。通过使用相对于激光雷达等成本较低的摄像头传感器来采集车辆前方道路的图像信息,再用车辆状态识别模型对摄像机采集的视频图像进行实时检测,同时用语音报警来提醒驾驶员,以达到安全辅助驾驶的目的。本研究的主要工作内容及结果如下:1)基于机器学习方法中的Adaboost算法和深度学习方法中的YOLOv3算法,通过现场交通数据的采集,构建了训练数据集。在此基础上,对传统机器学习方法中的Adaboost算法结合特征来训练车辆尾部检测模型以及用深度学习方法中的YOLOv3算法来训练车辆尾部检测模型,并对模型的准确度进行评估与实验检测。2)在车辆尾部检测模型检测到前方车辆尾部的前提下,对车辆尾部的车灯区域进行定位,再通过对车尾灯所在的区域进行阈值分割来判断车灯的亮灭,从而提出了一种车辆行驶状态识别的方法,并设计开发了提醒驾驶员的语音报警系统。3)对深度学习方法中的YOLOv3算法和传统机器学习方法中的Adaboost算法分别搭建的车辆状态识别与预警模型进行对比实验,实验结果表明,YOLOv3算法搭建的模型准确度,稳定性及实时性都比Adaboost算法搭建的模型优胜,且模型对前车行驶状态识别的准确率为84.6%,基本满足工程应用。即本文所提出的前车行驶状态识别与预警的方法具有可行性。