无人驾驶汽车的出现,对于缓减交通拥堵、减少交通事故及解决尾气排放方面能够起到积极作用,是当前汽车行业及科研工作者研究的热点之一。无人驾驶汽车要求具有较强的环境感知能力,而环境感知结果将直接影响无人驾驶汽车决策系统做出何种驾驶行为反应,因此,对无人驾驶汽车道路车辆的检测与分类技术研究,是非常具有现实意义的。本文就以下几个方面展开研究:(1)车辆图像预处理算法研究及数据集建立。主要针对无人驾驶道路车辆图像特点、光照及遮挡问题,对数据集图像预处理,提出改进图像预处理算法,并对处理前后的图像进行质量评价。首先,利用改进图像预处理算法对图像去噪、增强;然后,利用mask掩模算法对训练数据集部分图像遮挡,使得模型在训练过程中提高对遮挡图像的敏感度,从而提高模型对图像中被遮挡车辆的检测能力。建立图像数据集,包括10类不同车型,不同车型大小及速度方面都会有差异,网络模型检测出图像中的车型,结合其在图片中的大小,可以判断车辆之间距离、车速等信息,从而传递给决策系统的信息更为精准,决策系统根据周围车辆不同类型做出不同的驾驶行为决策。同时,在训练数据集中对图片进行加噪、旋转、缩放以及加入不同路况、天气条件下的图片,这样训练出的网络模型对各类环境条件下采集到的图像数据检测精度能够适度提高。(2)基于改进Faster R-CNN的道路车辆检测与分类。鉴于无人驾驶对道路车辆检测精确率要求较高,因此选用Faster R-CNN作为检测模型并对其进行改进。首先,对模型训练超参数设置进行优化,以使模型训练过程收敛更平稳更快,避免过拟合。然后,对网络模型结构进行优化:原始Faster R-CNN模型对图像中较小物体检测效果较差,因此,利用金字塔特征网络FPN将不同层次的图像特征进行融合,实验结果表明改进网络对于图像中较小物体检测准确率提升至86.1%;原始网络模型参数较多,速度性能较差,采用组合剪枝算法对网络模型进行压缩,剪枝后模型测试准确率为85.0%,训练时间缩短一半,模型参数压缩了 45%。(3)模型检测与分类性能评估及实验结果分析。对改进的Faster R-CNN模型训练,通过实验测试网络检测与分类性能。实验结果表明,改进的Faster R-CNN在保持原网络模型在检测与分类任务上的较高精度外,在速度上也有明显提升。各项检测与分类评价指标均提高3%-4%,从而验证了改进网络模型的有效性。