本文以高级驾驶辅助系统中的环境感知为研究对象,对前行车辆信息识别进行研究。针对单一传感器进行前行车辆信息识别存在的诸如硬件稳定性差、数据实时性低、成本高、软件处理速率低、结果精确性差等缺点,提出了一种基于毫米波雷达和摄像头融合的前行车辆信息识别方法,该方法具有识别精度高、识别效率高等优点。主要研究内容如下:(1)基于毫米波雷达的前方有效车辆目标筛选。首先分析了毫米波雷达的性能和特点,选择了大陆ARS-404作为本文的试验雷达。其次通过雷达的解析协议解析雷达的CAN报文,得到前方道路的行车信息。采用支持向量机训练车辆预测模型,对车辆目标进行初选,根据横向距离信息和纵向距离信息筛选出有效目标,并设置阈值对有效目标进行判断。最后对提出的有效车辆目标筛选算法进行验证,试验表明本文提出的算法能够对有效车辆目标进行筛选。(2)基于机器视觉的前行车辆检测。首先分析了算法Yolov3和Yolov3-tiny的基本原理,在Yolov3-tiny的网络结构原型基础上,增加一个尺度,提出了三尺度Yolov3-tiny,实现了对前行车辆的精准定位和分类。其次从不同场景采集数据,利用Label Img小工具制作了训练和测试数据集,采用K-Means++算法重新计算车辆检测的区域候选框。利用数据集对三尺度Yolov3-tiny进行了训练和测试,并与标准Faster-RCNN、Yolov3、标准Yolov3-tiny算法进行了对比,结果表明,本文提出的三尺度Yolov3-tiny平均精确率高于标准Yolo3-tiny,并能够满足实时性的要求。最后对训练得到的三尺度Yolov3-tiny模型进行了静态验证和动态验证。(3)基于毫米波雷达和机器视觉融合的前行车辆信息识别。利用相机的线性成像模型,采用张氏标定法计算出相机的内参和畸变参数,实现了毫米波雷达和摄像头在空间上的融合。利用多线程对道路数据进行采集,实现了毫米波雷达和摄像头在时间上的融合。在摄像头和毫米波雷达检测到的目标确认为同一目标的基础上,利用卡尔曼滤波对下一帧毫米波雷达丢失的前行车辆的相对速度和相对距离进行了预测。最后对本文的融合算法进行了道路验证,试验结果表明在良好天气和夜晚有路灯状况下,采用本文的融合算法对前行车辆信息的识别率分别为94.7%、90.8%,高于采用单一毫米波雷达的83.2%、84.3%。