车辆检测及碰撞预警技术是智能汽车辅助驾驶领域的关键技术之一,该技术不仅可以方便人们的出行,还能降低交通事故概率,因此具有重要的研究意义。非结构化道路行车环境复杂,基于视觉的传统车辆检测方法存在获取预警信息不足的问题,难以在非结构化道路场景下实现准确合理的碰撞预警判断。因此,针对非结构化道路行车特点,文章采用深度学习的方法对车辆检测及碰撞预警技术进行了进一步的研究。首先,基于车辆视角提出了FBS_yolo2车辆检测算法,并基于FBS_yolo2算法构建了车辆检测模型。通过分析主流的深度学习目标检测算法在车辆检测方面的应用,确定了YOLOv2算法最适用于车载摄像头条件下的车辆检测。根据非结构化道路的行驶工况特点,定义了一种基于车辆视角的车辆分类方法,并在YOLOv2框架基础上提出了FBS_yolo2车辆检测算法,构建了车辆检测模型。与传统的车辆检测模型相比,该模型同时具备车辆检测和车辆视角识别两项功能,模型难度更高,获取的预警信息更充分,更有利于后续碰撞预警方法的研究。其次,在非结构化道路场景下提出了基于信息融合的车辆碰撞预警方法。根据车辆自身车速建立危险行驶区域子模型,并将危险行驶区域子模型和车辆检测子模型获取的车辆信息进行融合,构建车辆碰撞预警模型。设计适用于非结构化道路的车辆碰撞预警策略,通过对被检测车辆的视角信息和位置区域信息进行综合分析,得出相应的预警等级,执行对应的预警操作,最终形成一种新的车辆碰撞预警方法。最后,设计实验验证了车辆碰撞预警方法的优越性,并开发了一款软件用于显示车辆检测及碰撞预警效果。实验结果表明,基于信息融合的车辆碰撞预警方法在电脑端每帧运算时间为25ms,在NVIDIA Jetson TX2开发板上每帧运算时间为30ms,满足实时性要求。碰撞预警准确率达到94%以上,能够较为准确地检测车辆、识别车辆的视角并完成预警判断。在电脑端开发的软件对研究成果的产品开发有重要的指导作用。基于深度学习提出的车辆检测及碰撞预警方法,解决了非结构化道路环境下获取预警信息不足的问题,能够在非结构化道路上较为准确地检测车辆,识别其视角并做出合理的预警判断,扩展了车辆检测及碰撞预警技术的应用范围,具有较好的理论意义和重要的实用价值。