随着经济的发高速展,物流业需求的旺盛,导致卡车数量持续增加。由于卡车体积较大驾驶员视野受限,经常发生特大交通事故。卡车视野盲区是驾驶员对周围环境感知的最大障碍、最大难题。近年来,利用机器机器视觉技术获取卡车四周视野,不仅解决了卡车盲区问题而且增大了驾驶员视野;同时基于机器视觉的行人和道路交通标志检测已经成为当前智能车辆领域最为火热的研究课题,因此本文针对卡车辅助驾驶系统中的行人、交通标志检测关键算法和视野覆盖进行研究。主要研究内容如下:(1)卡车盲区分析与视野覆盖设计。针对卡车在道路环境下存在视野盲区的问题,提出通过将摄像探头合理地安装在卡车四周采集视频图像传输至图像处理单元,最后传输至显示屏进行实时车辆四周情况,解决了卡车盲区问题同时增大了驾驶员视野,提高卡车安全驾驶性能。(2)基于混合高斯模型算法和背景差分的行人检测算法研究。针对行人检测算法在实际交通环境中准确率低的问题。提出用混合高斯模型进行图像像素点比较,然后利用背景差分将运算后的图像与事先设定阈值进行比较,假如结果大于阈值,则视为检测到行人。对比发现基于混合高斯模型算法和背景差分结合检测方法,识别准确率更高耗时更短。(3)基于深度学习的交通标志识别算法。针对交通标志在实际环境中呈多尺度分布,造成识别精度低的问题。提出一种多尺度区域卷积神经网络(MR-CNN)检测算法,在检测阶段,采用多尺度反卷积运算对较深卷积层的特征进行上采样,并将其与浅层的特征连接起来,构建融合后的特征图。在分类阶段,利用多尺度的上下文区域给目标对象提供周围建议信息构造融合特征。通过在数据集上测试发现,针对综合评价指标(F-Measure),MR-CNN相比于传统的R-CNN模型在小、中、大交通标志识别中,分别提高了53.5%,19.9%和4.4%。(4)系统软硬件环境搭建以及测试实验。针对卡车辅助驾驶系统需求分析,本文选用瑞芯微的一款芯片作为图像处理单元的CPU,并设计了摄像头接口、USB、网口、SD卡、串口等主要硬件电路;最后在图像单元上移植了Bootloader、Linux操作系统、构建根文件系统及交叉编译环境,完成整个辅助驾驶系统资源平台搭建,最后在该平台上完成了算法验证测试。