车前物体检测和测距的两个重要指标就是实时性和准确率,因此高实时性和高准确率是实现车辆自动驾驶的前提。在道路交通场景中,车辆及行人检测是自动驾驶中环境感知的重要任务,由于现实道路环境复杂多变,传统车辆及行人的检测方法在检测准确率和实时性等方面已无法满足自动驾驶的要求,所以设计一种高性能的车辆及行人检测算法成为未来的主要任务。最近基于深度卷积神经网络的目标检测算法被提出,该算法已被证实是一种能够对图像数据中的目标有着很强的特征提取能力,为目标检测提供了新的研究途径。本论文研究近几年深度学习算法在图像目标检测方面的应用,建立了改进的YOLOv3目标检测模型。同时,本论文结合了传统的几何测距模型与数学回归建模的思想,搭建基于物体目标检测框的神经网络测距模型。本文主要研究了基于深度学习的车辆及行人检测与测距算法,具体研究内容与结论如下:(1)针对目标检测任务,本文借助了准确性和实时性都比较高的YOLOv3物体检测算法,并结合行车环境的特点,提出了以下3点改进策略:第一,使用K-means算法计算最优锚框参数;第二,模型在Darknet-53网络权重的基础上进行两阶段的训练;第三,对数据集进行类别数量统计后采取过采样与欠采样相结合的类别数量平衡方法,然后再对模型进行训练。模型的性能好坏在一定程度上是受训练数据集规模的影响,因此本文从KITTI上收集了大量的图片数据集,整理每张图片所对应的标签,由此构建出合理的训练数据集。然后训练改进后的YOLOv3算法得到目标检测模型,为后续目标测距模型的设计提供了基础。(2)对于车前目标距离测量问题,本文采取数学统计法分析了KITTI数据集中的目标距离分布特征,决定对不同类别单独地建立测距模型,最后再整合到一起。由于传统测距算法需要人为进行相机标定、俯仰角测量等实用性差的缺点,本文建立了两种测距方案:其一是通过结合数据回归思想和传统单目测距原理的测距模型,其二是基于深度神经网络的目标测距模型。最后结合两种方案的优缺点,完成车前目标的距离测量。(3)搭建实验所需的软硬件环境,验证所设计模型的可行性。经过大量的实验验证和结果分析,本文所建立的车辆及行人检测系统能够实时且准确地检测出道路场景下的车辆和行人,再经过测距模型计算本车与车前目标的距离。