保证行车安全永远是汽车辅助驾驶系统的根本目的。近年来,汽车保有量迅速增加,交通事故也日益增多,提高行车安全刻不容缓;大数据、机器学习、计算机硬件等领域取得较大进展,在软硬件方面提供了良好平台;计算机视觉技术相比依靠雷达等硬件的技术,凭借着低成本、信息交互方式与人类相似等特性,在各个行业有着广泛的应用。在此背景下基于计算机视觉的汽车安全辅助驾驶技术受到了全面的关注,并被广泛的应用在汽车的辅助驾驶系统中。本文以国内的交通安全现状出发,利用计算机视觉技术,在交通标志检测、车道线检测和行人人体姿态估计方面展开研究,主要研究内容及成果包括:(1)研究了交通标志识别技术和深度学习训练优化方法。利用SSD模型准确度较高、速度较快的特点,针对交通标志的特定比例、目标小的特点对SSD模型进行优化,给出了基于SSD模型的交通标志检测模型。实验结果证明,本文模型不但对小目标识别度较好,同时实时性也有一定程度提升;根据SGD方法和Adam方法各自的特点,给出了基于SGD方法和Adam方法的混合优化方法。实验结果证明,混合优化方法可以减少迭代次数,并且使得损失函数更好的收敛。(2)研究了车道线检测技术。利用了Sobel算子对横向边缘敏感、Hsv模型对黄色和白色更加敏感的特点,给出了基于Sobel算子和Hsv模型的双模型对车道线进行检测;同时根据实际的需求对滑动窗搜索算法进行优化。实验结果证明,Sobel和Hsv双模型对车道线的检测结果较好,滑动窗搜索算法经过优化后,车道线检测算法的实时性大大提高。(3)研究了行人人体姿态估计技术。利用Open Pose模型实时性高的特点,对Open Pose模型进行优化,训练了针对中国人体型的人体姿态估计模型。实验结果证明,经过优化后的模型,对中国人的人体姿态估计准确度和实时性都有所提升。(4)人体关节点标注脚本的编写。使用Python语言编写了修改人体姿态关节点的脚本,在保证准确度的前提下,大大提高人体姿态数据集建立的速度。(5)相关数据集的建立。标注了包含60000张国内3类关键交通标志的数据集,作为本文研究交通标志检测和车道线检测的数据集;标注了包含100000张20-45岁中国人的人体关节点的数据集,作为本文研究行人姿态估计的数据集。