车辆驾驶辅助系统的使用可以显著改善行车安全,降低交通事故发生率。环境感知作为车辆驾驶辅助系统的关键技术,近年来得到了极大关注和快速发展。然而,驾驶环境中车道结构复杂、车辆类型众多、光照变化剧烈、背景干扰复杂,驾驶员操控水平及注意力集中程度千差万别,对追求快速、准确、全面等特性的车辆驾驶辅助系统的设计造成极大的挑战。针对以上问题,本文将探讨如何采用摄像头来感知车道线、前向车辆以及驾驶员面部等信息,为车道偏离预警系统、前向碰撞预警系统以及驾驶员面部疲劳监测系统等车辆驾驶辅助系统的设计提供典型视频目标的检测与跟踪方法,并搭建了Windows和嵌入式Linux等多平台下的功能验证实验平台。本文的主要研究内容和创新点包含以下几个方面:(1)提出了基于多尺度匹配滤波的车道线恒虚警率检测方法。从车道线检测与跟踪任务的生产者/消费者模型考虑,提出了匹配增强的必要性;根据车道线的不同宽度特征,提出了多尺度匹配滤波方法;根据改进的恒虚警率检测数学模型设定自适应的车道线特征点提取阀值;采用随机抽样一致性方法进行车道线拟合,并根据车道线参数数据库对其参数进行跟踪滤波。通过道路试验对比分析,检验了该方法在多种光照和天气条件下的适应能力,验证了其在光照阴影干扰强烈以及车道标志线磨损严重等低对比度场景下不同宽度车道线识别的鲁棒性。(2)提出了基于贝叶斯概率决策的车辆提升学习检测方法(Bayes Boost),以及基于PCA/ICA的多局部特征压缩感知的前方多车隔帧跟踪方法。在前车检测阶段,基于较大规模的车尾图像数据库,采用贝叶斯概率决策方法改善了级联Ada Boost算法的分类检测效率。在前车跟踪阶段,为提高跟踪算法对遮挡、振动、尺度变化等的适应性,仅在车辆尾部的四个局部区域提取较为完备的PCA/ICA特征,其中PCA特征对应尾部图像的低频特征,ICA特征对应提取PCA特征后残差图像的高频特征。将PCA/ICA特征进行压缩感知,提高了特征的稀疏性且将特征高斯化,为后续采用贝叶斯后验概率法则判断子窗口图像的类属可能性奠定了基础。定制了逐级精细化的快速搜索方法,使用单目标隔帧跟踪方法,实现了前方的多车跟踪。通过与同类多种跟踪方法的对比分析,检验了该跟踪方法在复杂真实道路场景中的前车检测与跟踪性能。(3)采用基于深度卷积表达的驾驶员面部检测方法,并研究了基于DCT感知哈希的面部跟踪方法。由于驾驶员面部特征具有较大的个体差异,采用深度卷积网络对驾驶员的面部特征进行无监督地学习表达,经过大规模人脸图像库的深度训练,获得了性能较为优良的驾驶员面部检测器。在面部跟踪阶段,采用基于离散余弦变换(DCT)的方法提取面部区域的主要低频信息,并借鉴图像相似性检索中的感知哈希方法对DCT低频信息进行哈希指纹编码,形成了可以适应多种光照下的驾驶员面部跟踪方法。通过典型人脸测试视频以及行车视频的验证证明,该方法可以对剧烈光照和位置变化下的人脸进行稳定检测与跟踪,跟踪速率与视频帧速率一致。(4)设计了基于Windows和嵌入式Linux等多操作系统的验证开发实验平台。通过采用宽动态范围的摄像头采集显示屏上的真实道路录像,搭建了基于ARM体系架构的车道线检测的验证平台,展示了其硬件方案与关键外设的软件驱动程序。实验证明,车道线检测与跟踪方法在该嵌入式验证平台上具有良好的检测跟踪性能和实时的处理速度。同时,采用Windows多线程技术对驾驶员面部录像进行视频流采集和处理,实现了驾驶员面部的快速检测与实时跟踪。