自动驾驶系统可以根据对环境的监测信息,自动或者辅助驾驶员进行车辆的控制决策来提高驾驶的安全性。因此,自动驾驶技术在最近几年,随着传感器技术、检测和控制算法的发展得到了广泛的关注和研究。环境感知、行为估计和控制决策的重要基础之一就是目标检测算法。目前许多基于视觉的2D目标检测算法虽然检测速度较快,但其无法较为准确地提供车辆的姿态和尺寸信息。而大部分3D车辆目标检测方法又都是基于LiDAR提供的深度信息,成本较高。基于视觉的3D目标检测可以提供比LiDAR更为低成本的3D目标检测方案。然而目前许多基于视觉的3D车辆目标检测方法需要复杂的神经网络和先验模型,很难在小型平台部署或者实现较快的检测速度。本文给出了一种利用车辆2D边界框、车辆类型和观察角度来获得其3D边界框的单目3D目标检测方法。本文所提出的方法可以使用现有的2D目标检测方法,且观察角估计部分独立于2D目标检测网络,减轻了数据集的标注难度、卷积网络设计和训练的难度。本文提出的算法不需要复杂的网络去估计出表示车辆3D边界框的7个或9个自由度参数,仅仅根据2D边界框、车辆类型和观察角度信息,即可得出车辆的3D边界框,计算量较小,可以在低性能平台或者移动端部署。除此之外,相机内参的变化不需要对整个网络重新训练,算法的修改和移植比较方便。为了使目标检测系统与本文所用硬件平台匹配,本文首先对YOLOv3-tiny的主干进行了优化,充分利用了GPU资源,提升了2D目标检测的准确度。为了得出车辆的观察角度,本文设计了残差网络并在制作的观察角度数据集上进行训练,使得网络可以根据车辆图片直接输出车辆的观察角度值。得到2D边界框和观察角度后,本文又通过传统计算机视觉的方法,联合相机内参等先验信息解方程组,获得车辆3D姿态信息及3D边界框。在KITTI数据集上的测试结果表明,Easy模式的AP50,AP70、AOS和AP3D达到了95.1%,77.8%,76.9%和1.8%,虽然与最先进的目标检测准确度还有一定距离,但是对硬件的要求大大降低,显存占用1GB以内。为了对车辆目标检测的结果进行应用和直观显示,本文在得出2D、3D信息基础上,在鸟瞰图中直观给出了车辆位置、车道线等信息。