道路安全问题日益严重,我国每年都有成千上万的司机和乘客在道路交通事故中死亡。在过去十年中,国内外研究者已经进行了大量的研究工作,希望通过监控道路环境来提高安全性、挽救生命以及减少道路上的死亡人数。本文针对智能车辆辅助系统中的主要组成部分车辆检测、车道线检测、车道偏离、车辆测距工作开展深入的研究。首先对Mask R-CNN实例分割检测算法进行优化实现车辆检测,其次对双分支实例分割检测算法进行优化实现车道线检测,最终依据车辆和车道线的检测结果预测车道偏离和进行车距测量。具体研究内容如下:(1)在Mask R-CNN模型的基础上,对算法进行改进,首先在特征提取时使用ResNeXt-101-FPN网络代替Resnet残差特征金字塔网络,提高小目标车辆检测准确率的同时减少计算量。其次使用自适配归一化代替批量归一化解决准确率受批量影响的问题,改进的算法在小目标的检测中准确率比原始的算法提高了5%。(2)在双分支实例分割模型的基础上,对网络结构进行优化,在LaneNet车道线检测中采用Focal Loss损失函数训练神经网络解决正负样本不均衡造成的损失不稳定问题,使用传统的SGD优化器对整个模型进行优化解决实验过程中的效率问题。改进的算法损失由原始的0.0244降低到0.0158。(3)基于车辆与车道线检测的研究,对智能车辆辅助系统中的行车安全预警模型进行探索,包括车道线偏离模型和车距测量模型。使用考虑运动车辆变化因素的基于车辆跨越车道边界的模型,该模型对偏航角和像素距离进行信息融合进行车道偏离的研究;使用坐标转换与两点距离公式,实现车辆的有效测距。