随着科技水平的不断提高,辅助驾驶系统获得了迅猛的发展。辅助驾驶系统不仅给驾驶员带来了更舒畅的驾驶体验,还极大地提升了道路交通的安全性,能够有效预防交通事故的发生,保障了交通参与者的生命安全。在辅助驾驶系统中,目标检测技术是一项非常重要的道路感知手段,备受学者和工程研究人员的关注。本文探讨图像处理、深度学习等技术在目标检测领域的应用,针对辅助驾驶场景中的精度需求、实时性需求以及轻量化需求,对现有检测模型提出一些有效的改进策略,实现有限算力条件下交通目标的准确检测。论文主要研究内容如下:1、针对辅助驾驶系统中车道线检测的需求,结合图像预处理、边缘检测和霍夫变换等方法,设计基于图像处理技术的实时车道线检测流程,对实际道路视频中的车道线进行即时检测,并将检测结果叠加在道路视频中。实验验证了检测流程的可行性,所提出的车道线检测方法具有良好的检测效果,符合实时性和准确度的要求,并具有一定的抗干扰能力。2、构建轻量化的深度学习目标检测模型。分析辅助驾驶场景中检测系统的需求,针对运算能力有限的车载平台,设计了两种改进路线。一种路线是将YOLOv4算法与轻量级神经网络Mobile Net相结合,将CSPDark Net-53特征提取网络替换成Mobile Net网络,并使用深度可分离卷积对原有的普通卷积进行更换,使得模型的参数量大大降低,并在实验中取得较快的检测速度。另一种改进路线是在YOLOv4-tiny算法的基础上,在残差结构中加入注意力机制模块,并使用跨小批量标准化方法代替原有CBL组件的批量归一化方法,提升模型的特征提取能力和精确度。3、搭建基于改进YOLOv5算法的交通灯目标检测模型。针对辅助驾驶中交通灯目标检测的需求,从YOLOv5模型的C3模块和特征提取网络两个方面入手进行改进,将C3模块的特征融合方式由concat操作替换成add操作,并剔除了特征提取网络中的Focus模块,优化参数配置,避免进行频繁的切片操作,模型的参数量大幅减少。改进后的YOLOv5-lite模型在保持检测精度的同时,提升了处理速度,更易于在车载平台上进行部署。