本文的研究内容主要针对交通参与者流量密度较低的低速行驶环境,同时考虑无人驾驶系统对环境目标感知的准确性、实时性等要求。针对系统传统的目标感知技术,本文从图像处理的角度研究单目视觉下的静态目标与动态目标的检测技术。首先对车道线检测技术进行学习与研究,通过采用相机标定、颜色空间转换等预处理方法,去除图像中与道路无关的干扰信息,以降低数据处理量,缩短数据处理时间。针对不同的滤波方法,采用含有椒盐噪声的图像进行测试并比较,其中,降噪效果理想的中值滤波耗时约为1.018s,而高斯滤波耗时约为0.325s,用时较短,并且能够在去除噪声与保留图形信息之间得到一个较好的平衡。其次,本文通过对常用的Sobel方法和Canny方法进行对比测试,观察实验结果,调整Canny边缘检测方法的阈值参数为3:1作为检测参数。接着,将车道边缘视为一个三角形区域,进行关键信息提取。最后,与计算量较大的霍夫变换相比,本文采用改进的霍夫变换方法检测图像中的直线型车道线。实验结果表明,本文所用方法能够较好地检测出路面车道线。针对动态场景下的目标检测技术,本文首先研究了静态目标检测技术,采用Hog算法,提取目标特征。为了降低漏检率,提高检测速度,采用Haar特征加以结合。接着利用分类器对提取的特征加以筛选,以达到较好的检测效果。最后,针对动态目标检测进行研究,在静态方法的基础上加以改进,首先对单通道的Hog特征进行研究,分析Hog参数并加以修改,实现无重叠的划分方法,达到降低算法维度的目的。同时,安装虚拟机,选择Ubuntu系统作为实验平台,利用其高度优化,兼容性强的特点,对动态目标检测的算法加以优化。