目标检测技术发展到今天,已经十分成熟。依赖于强大的深度学习技术,如今的目标检测算法已经脱离数学描述,转变成机器自动学习的特征描述方法,效果十分惊人。在2D目标检测技术已经应用于实际工程后,人们开始关注三维目标检测。然而深度学习的问题在于需要依赖于大量有标注数据集。二维图像的数据集容易获得,但是三维点云数据集成本获取成本就要高很多。二维目标检测可以使用摄像头作为图像获取设备,三维目标检测则需要深度感知设备区获取点云。常见的深度感知设备例如激光雷达、深度相机等。激光雷达有效距离在150m左右,但是价格昂贵,通常在几万到几十万不等。深度相机(如双目相机)一般价格便宜,在几千元左右,但有效作用距离不超过10m。激光雷达高昂的价格限制了三维目标检测的实际落地应用,价格低廉的深度相机有效作用距离根本不足以满足稍远距离的目标检测任务。因此就产生了三维目标检测的关键性问题:成本与有效距离。对于三维目标检测来说,不但硬件成本高,软件成本也高,三维点云数据获取困难,标注困难,尤其是远距离目标的三维点云,根本无法获取。然而,我们日常使用的相机就可以获取丰富的信息,也可以看到很远距离的目标,价格也很低廉,但是由于相机成像模型本身的原因,深度会在成像过程中丢失,目标深度不可恢复,无法使用图像直接恢复深度。因此,本文以一种独特的、非主流的视角,研究了如何以低成本的摄像头为主要感知设备,深度感知设备为辅助,或者不使用任何深度感知设备来进行三维目标检测,成本低,有效距离远,具体很高的工程意义。本文主要的创新性研究工作及研究成果如下:1)提出了一种适应多种场景的快速图像增强方法,提高图像质量,作为后续目标检测的预处理工作,提升检测的准确率。针对图像增强各种算法专一性高,通用性差,计算速度慢,并且色彩恢复后往往出现颜色偏差等问题,本文提出了一种快速自适应快速图像增强方法,该方法包含光照均衡和直方图矫正。针对过亮或过暗图像提出一种自适应偏移方法。采用均值与方差去提取图像主要部分进行色阶调整,最后使用高斯滤波提取光照亮度进行光照均衡化。整个算法只存在一次卷积操作,速度快、效果好、通用性强。通过实验验证,该算法对于水下、去雾、夜视、过度曝光、色差偏差过大都有很好的效果,并且无需更改参数,自适应强。可以应用在汽车驾驶、水下设备、航空航天影像设备当中。2)提出了一种基于实例分割的目标三维位置估计方法。在这项工作中提出的方法,无需三维数据训练集,可以快速准确的进行三维物体点云的提取,仅使用二维检测器就可以达到三维物体检测的目的。本文提出的方法可以用在多种传感器中,如RGBD相机、相机-雷达,双目相机等。首先在二维图像下对目标进行实例分割,根据目标的分割掩码提取出目标的深度图像与RGB图像并转化为粗略点云,最终进行异常噪声点去除,得到精细的目标点云。在室外数据集KITTI与室内数据集TUM上进行了测试,结果表明该方法可以准确的估计到目标位置信息,相比于其他点云分割算法,实现简单成本低,无需任何的点云数据作为训练样本。3)提出了一种基准面先验理论,用于单目相机中的目标深度估计。在这项工作中,我们提出了一种简单快速且有效的目标深度估计方法,叫做基准面先验,该先验建立在相机成像模型中,通过寻找感兴趣目标与基准面的交点,为2D图像中的深度恢复提供一个约束,估计目标在相机坐标系中的位置。假定一些常见目标(如车、人)都站在地面上,并且地面的法向量是不变的。相机高度已知,通过寻找目标与基准面的接触点,估计目标在相机坐标系中的位置。结果:我们在KITTI上进行了误差实验。KITTI中有10k以上的目标,环境复杂,大部分目标深度在7m-90m之间,通过大量统计数据,我们的方法在KITTI上的平均误差在7%-25%之间,误差与距离正相关。同时我们在室外采集了少量远距离样本,目标在100m-200m之间,我们的方法误差在10%-30%。实验证明了我们的提出的方法可以不使用任何深度感知设备就可以估计目标的距离,速度快、成本低,有效作用距离取决于相机,使用长焦相机达到很远的距离。