在智能车辆环境感知系统中,基于毫米波雷达和单目相机信息融合的目标跟踪方法是一种综合考虑传感器性能和成本的优选方案。准确的传感器量测和运算量小的数据关联方法是目标跟踪系统的关键和难点所在。由于单一的雷达传感器或单目相机等视觉传感器的检测性能易受到特定交通环境的影响,导致在多邻近目标场景下易发生错误关联。因此,研究智能车辆在一般道路场景下毫米波雷达和单目相机信息融合的目标跟踪方法具有重要的理论意义和工程应用价值。本文基于毫米波雷达和单目相机两类异构传感器的信息融合,提出了适用于一般道路场景的智能车辆目标检测以及目标跟踪方法,具体研究内容如下:1.系统分析了基于传感器信息融合的目标检测及目标跟踪问题的研究背景、现状、存在的问题,介绍了智能车目标检测和目标跟踪的原理和基本方法。2.研究了道路交通环境中,在特定车路条件下基于毫米波雷达与单目相机的目标检测方法。在基于毫米波雷达的道路目标检测方面,提出了利用道路宽度及车辆速度约束进行雷达数据处理及目标特征量分析的目标检测方法;在基于单目相机的道路目标检测方面,利用深度神经网络对单目相机图像序列进行像平面目标识别,通过设定车辆、行人目标与道路水平面之间的约束条件,实现单目相机对道路目标距离及空间位置的检测。实车实验验证了上述方法在智能车道路目标检测中的有效性。3.研究基于纯角度关联的多传感器融合目标跟踪方法。针对单目相机目标检测获得的目标距离信息不够准确,从而易导致数据关联错误的问题,本文提出了纯角度数据关联方法。将目标状态的一步预测信息从笛卡尔坐标系转换到极坐标系下,通过扇形跟踪门获取更为有效的量测信息。在此基础上,设计关联阈值,利用角度信息进行数据关联,并将关联成功的量测信息转换为笛卡尔坐标系表示,基于卡尔曼滤波的并行滤波框架进行融合滤波,从而实现多传感器信息融合的目标状态估计和目标跟踪。仿真实验验证了本文方法在估计精度和计算效率方面的有效性。4.完成了基于上述方法的目标跟踪系统功能需求分析、软硬件设计与实现,并进行了仿真分析与实车实验,验证了新的方法应用于实际车辆行驶环境的可行性和有效性。