随着经济的发展,车辆智能化发展越来越受到各界研究人员的关注,而安全辅助驾驶技术更是其中重中之重,其通过及时的警告或提醒驾驶人进行相应的操作,从而规避交通事故的发生达到提高车辆行驶安全性的目的。车道变换作为最为常见的驾驶操作之一,如果驾驶人在变换车道时判断错误,极易引起交通事故。若在驾驶人进行换道操作前,可以对周围目标车辆的风险进行等级评估,用以警示驾驶人谨慎驾驶,即可有效的减轻或避免交通事故的发生。本文在完成车辆检测识别及对自车与周围目标车辆的车间位置关系准确定位的基础上,建立基于BP神经网络的车辆换道目标风险等级模型。主要研究内容如下:(1)基于毫米波雷达与机器视觉的车辆检测。首先根据毫米波雷达数据剔除无用信息筛选出有效目标,然后将有效目标从毫米波雷达坐标系中转换到图片像素坐标系中,从而得到有效目标在摄像机图像上的投影点,并建立一个以该点为中心的矩形感兴趣区域,最后使用基于机器视觉的方法对感兴趣区域进行检索,并对有效目标的具体位置进行标识,从而完成对有效目标的识别。(2)基于毫米波雷达与机器视觉的车间位置关系辨识。将道路工况分为一般工况和特殊工况,利用基于机器视觉的方法对车道线进行检测识别,根据车道线的拟合结果判断自车与周围目标车辆处于哪种工况。针对一般工况,通过毫米波雷达等仪器采集的相关数据确定自车与目标车辆的横向位置关系,进而完成一般工况下的车间位置关系辨识。对于特殊工况,通过实现拟合的车道线在雷达坐标系的显示,进而根据目标车辆到左右车道线的距离完成特殊工况下的车间位置关系辨识。最后对不同工况下的车间位置关系算法进行验证,且验证结果表明本文提出的两种算法均能对周围目标车辆相对于自车的位置进行有效的定位。(3)基于BP神经网络的车辆换道目标风险等级评估。构建了基于BP神经网络的车辆换道目标风险等级评估模型,并对t0时刻当前车道前车、目标车道前车和目标车道后车的待预测样本进行了识别,识别准确率分别为:97.92%、97.25%和95.60%。分析了当前车道前车、目标车道前车和目标车道后车在不同场景下t0时刻、t0前0.5秒、t0前1秒、t0前1.5秒、t0前2秒、t0前2.5秒、t0前3秒对自车的换道风险等级的变化规律,实现了对目标车辆在时间序列上的连续风险识别,从而提升了驾驶人换道的安全性。