随着时代的发展和人工智能技术的进步,自动驾驶技术逐渐成为了当前智能车研究领域的热点。其中,要实现完全的自动驾驶首先要实现智能驾驶辅助,而道路目标检测是智能驾驶辅助的重要组成部分,可以有效地提高智能车的安全性和可靠性。近年来以卷积神经网络为代表的深度学习算法在计算机视觉领域中的应用使得目标检测的视觉任务性能显著优于传统方法。因此,本文开展基于卷积神经网络的单目视觉道路目标检测算法研究及应用。本文的主要研究内容如下:(1)全局多尺度道路目标及距离检测算法研究。为了解决道路目标检测时准确率与实时性难以均衡及单一的2D检测维度无法获得足够信息的技术难题,以一阶深度学习目标检测算法YOLOv3(You Only Look Once v3,YOLOv3)为基础,本文设计了一个全局多尺度道路目标及距离检测模型,其主要创新之处在于:1.本文提出结合相机系统的透视投影关系和YOLOv3边框预测机制,重新定义网络的损失函数,提出透视投影变换损失,建立距离预测机制,使得模型在识别和定位道路目标的同时,估计道路目标的距离;2.本文对YOLOv3网络结构进行改进,在特征提取主干网络中加入全局上下文结构和在多尺度预测过程中加入空洞卷积池化金字塔结构两个特征组件,分别用于提高模型对图像全局上下文信息和多尺度特征的表征能力,以达到提高整体检测算法准确率的目的。本文设计的算法在KITTI数据集上道路目标检测的平均检测率均值(mean Average Precision,mAP)达到了89.28%,道路目标距离估计的相对误差(Abs rel)低至8.51%,从单一的2D检测结果拓展为2.5D检测结果,可实现在自然场景中高精度和较快速的道路目标检测及距离估计。(2)道路目标检测预警系统的设计与实现。首先,考虑到实际应用中复杂多变行车环境难免会导致检测系统在进行视频流检测时出现检测框漏检、抖动不稳定的问题,本文设计了一种基于卡尔曼滤波的道路目标跟踪后处理算法,提高道路目标检测系统的鲁棒性。其次,为了减少模型的参数量、加快前向推理速度,本文设计了轻量化后的实时全局多尺度道路目标及距离检测算法。最后,本文设计了基于上述算法的道路目标检测预警系统,可以快速较准确地检测出视频内的道路目标及距离,实现道路目标检测三级预警,提高行车的安全性,具有较好的市场应用前景和保障社会安全发展的意义。