随着社会的发展,人民的生活水平日益提高,汽车的保有量也不断增长,车辆的智能化引起广泛的关注。智能车辆的提出不仅以减轻交通拥堵、减少交通事故为目标,还具有提高道路资源利用率的重要意义。其中,环境感知技术是车辆智能化过程中至关重要的一环,让车辆具有人类一样的观察和思考能力是研究者们不断努力的方向。本文以基于视觉技术的智能车辆环境感知为研究对象,对车辆检测和道路检测问题展开深入的研究。人类的视觉系统是一个多级的感知系统,当人类看到道路图像或视频时,首先感受到的是道路的空间布局,其次是道路场景中车辆、行人等目标的具体信息,进而判断出道路的可行驶区域。受到人类视觉系统的启发,本文设计了集道路检测、车辆检测及车辆测距于一体的道路可行驶区域检测系统。论文的主要研究内容如下:1、前方车辆、行人检测。本文分析对比了不同的目标检测算法,选用YOLOv3网络作为道路场景中车辆、行人等目标的检测算法,为了使算法更适用于车载平台,先通过网络剪枝得到轻量化网络,提高算法的检测速度;再引入密集连接改进轻量化网络,重用低层特征信息,提高算法的检测精度。通过聚类算法改进锚定框的比例,使其更加适合街景车辆、行人目标的检测,提高预测框的准确性,并在湖南大学自动驾驶平台采集的数据集上进行算法验证。2、目标测距。为了进一步获得前方障碍物的位置信息,本文使用一种新颖的相机标定方法,该方法通过引入三个参数,将难以求解的非线性方程组转换为线性方程组,从而更准确地获得模型参数。并基于此设计了一种简单实用的单目视觉测距方法。结合目标检测和目标测距信息,以便本方车辆更好地规划本车路径。3、道路区域检测。本文分析了多种道路检测方法,最后选用鲁棒性更好,且不限于结构化道路的卷积神经网络方法进行道路检测。基于FC-Dense Nets设计道路分割网络,在多个公开数据集和自采数据集上进行验证,实现了高精度的道路检测方法。4、可行驶区域检测。本文在道路检测、目标检测、目标测距功能实现的基础上,将三个功能模块进行集成,实现可感知前方道路并能获取前方障碍物信息的道路可行驶区域检测系统,该检测算法具有良好的可移植性。