高级驾驶辅助系统(advanced driving assistance system,ADAS)是利用安装在车辆上的各种传感器,通过环境感知技术来感知道路上车辆周围的环境,经过车载计算机处理后得到驾驶员易于理解的信息,确保车辆安全行驶。随着深度学习的发展,特别是在天气恶劣条件下,对道路上车辆辅助驾驶的实时性和准确性提出了更高的要求。本文建立了一种基于单目视觉的前方车辆检测和测距测速模型。通过搭建轻量化的卷积神经网络(convolutional neural networks,CNN),实现行驶车辆对前方目标车辆的检测。可以在保持较高检测精度的同时,大幅提高检测速度。同时建立测距测速模型,融合检测出来的图像信息生成目标车辆的相对距离及速度,为驾驶决策提供依据。本文具体研究内容如下:首先,本文采用单阶段多回归框检测(single shot multibox detector,SSD)算法实现前方车辆的检测。为保证检测的高准确性与高实时性,选择轻量化卷积神经网络Mobile Net-V2作为SSD算法的基础网络。网络采用深度可分离卷积结构,减少网络计算的复杂度,提高检测速度。引入具有线性激活函数的倒置残差结构来减少特征提取过程中对目标特征的破坏,提取更多高维度的特征。同时以PASCAL VOC车辆数据集为基础,加入大量存在遮挡以及在恶劣天气条件下的车辆数据,提升本文车辆检测算法在恶劣环境下的鲁棒性。分别基于Tensorflow深度学习框架,搭建和训练SSD Mobile Net-V1和SSD Mobile Net-V2车辆检测网络,比较其训练损失与检测精度。其次,采用基于数据回归的单目测距方法,对单目相机进行标定。选取车辆特征点,建立世界坐标系、相机坐标系与图像坐标系映射模型,寻找车辆特征点在三个坐标系之间的对应关系,将检测到的目标车辆特征点像素坐标转换为两车相对距离。该方法在建模过程中不必再单独考虑相机的成像误差与畸变,降低模型的时间复杂度,提高测距的实时性。同时采用基于位置阈值的车辆跟踪算法,对相邻两帧车辆特征点像素距离进行阈值判别,实现对目标车辆的实时跟踪,并根据时间间隔获得目标车辆相对速度。最后,搭建实验环境,上路验证本文模型的有效性。实验结果表明,在前方车辆相对距离为0-30m、速度为0-80km/h范围内,本文模型对于车辆的检测精度达到83.74%,距离测量的误差基本保持在5%以内,速度测量的相对偏离程度保持在10%以内,检测速度达到48.30ms/帧。因此本文模型可以准确地检测视野范围内的车辆,并通过车载电脑实时显示对应车辆的相对距离和速度。同时本文的研究可以为驾驶员提供周围车辆行驶信息,保障驾驶员安全驾驶,有助于辅助驾驶系统技术实现。