随着国内车辆保有量的日益增加,道路交通事故的数量,尤其是车辆前向碰撞的事故量高速上升。并且交通事故常常是由于驾驶员因素如疲劳、分心等造成的。前向碰撞预警系统能够在风险出现时预警,从而有效避免前向碰撞事故的发生,而前车检测技术是该系统的关键。本文分析了现有车辆检测的相关技术,重点研究日间道路前向车辆检测与跟踪的方法。主要工作包括:(1)基于阴影与车宽约束的车辆假设生成首先采用灰度直方图峰谷分析法(HVAM)分割图像阴影区域;其次对阴影分割产生的二值图像进行形态学处理;接着又结合车辆属性约束条件(即车辆宽度以及车底阴影形状的矩形度和宽高比)排除图像中大量的非车辆阴影区域;最后,针对可能存在部分车辆假设重叠的现象,分析车辆假设框重叠的多种情况,根据重叠框融合原则,进行了消除重叠框的操作,最终生成了车辆的假设区域。(2)基于卷积神经网络的车辆假设验证首先,建立了自己的车辆样本库;其次,设计并训练多种结构CNN;最后,针对GTI数据库,对传统方法和CNN方法的车辆假设验证效果进行对比分析,本文设计CNN结构正确率高且用时短。(3)基于卷积神经网络的车辆跟踪提出了基于卷积神经网络的车辆卡尔曼滤波跟踪方法,先利用kalman滤波算法进行状态预测,然后用CNN网络对目标邻近区域进行观测,从而完成跟踪过程。但是由于kalman滤波算法的局限性,一次只能处理一个目标,因此比较耗时,针对该问题,本文又进一步提出基于CNN的区域跟踪方法。经实验验证,基于CNN的区域跟踪方法能在保证准确性与稳定性的基础上,还能大大提高实时性。