随着我国交通路网逐渐完善,智慧高速公路建设的不断推进,自动驾驶技术发展迎来了新的机遇。视觉导航作为自动驾驶领域中的关键技术,成为重点研究对象,其与深度学习、5G通信技术相融合,在交通运输领域中形成了新的发展趋势。在高速公路移动养护作业中,快速行驶的车辆很容易对人员和设备造成威胁,利用视觉导航技术研发一种具备自动跟随功能的高速公路预警跟随车是亟需的。预警跟随车的关键技术在于视觉导航,可通过高速公路上的交通锥桶实现定位。本文以云边端架构的高速公路预警跟随车系统为平台,在道路养护工作背景下,对视觉导航关键技术中的交通锥桶检测算法进行了深入研究。主要工作内容如下:第一,依据云边端技术体系,搭建了云边端系统。首先,根据实验室现有环境搭建了由云服务器、边缘控制器和终端组成的网络平台;其次,设计了云边端架构通信方案,并根据云、边、端各自的特点对数据资源的分配进行了分析;最后,组装了高速公路预警跟随车的终端系统。第二,基于图像处理技术,实现了基于纹理特征的交通锥桶检测。首先,对锥桶图像进行特征分析,确定了锥桶的颜色和形状两种明显的纹理特征;其次,对锥桶图像进行预处理,分析了基于纹理特征的约束条件,最终提出了基于HSV颜色空间的V通道直方图均衡化图像增强算法;然后,针对夜晚环境锥桶检测率低的问题,采用改进的Retinex图像增强算法,改善了锥桶检测效果;最后,将V通道直方图均衡化与Retinex增强算法相结合,提出了基于亮度的阈值分类选取算法,提高了复杂环境下的锥桶检测性能。第三,基于深度学习理论,实现了复杂环境下交通锥桶检测。首先,针对高速公路环境复杂、锥桶种类多而导致识别率低的问题,自建复杂环境下的交通锥桶数据集;其次,为了提高锥桶检测速度,采用Mobile Net V3轻量化网络,保证了算法的实时性;再次,针对MobileNetV3＿YoloV4对小目标检测性能不足的问题,分别从网络浅层特征、先验框和注意力机制三个方面对原算法改进,并研究了改进方式融合的方法;最后,在搭建的云边端架构下进行实验验证,实验结果表明,改进后的算法整体性能大幅提高,符合预警跟随车对实时性和安全性的要求。