无人驾驶技术作为当今前沿科技的重点研究对象,对经济增长、道路安全、国防建设等有巨大的推动作用。环境感知技术作为无人驾驶关键技术之一,决定了无人驾驶车辆能否获知全面的道路信息并规划出安全合理的行驶路线,因此具有重要的研究意义。本文依托中国大学生无人驾驶方程式大赛（Formula Student Autonomous China,FSAC）对FSAC赛车环境感知技术进行研究,拟解决当前FSAC赛车因环境感知模块受光照变化影响导致对赛场中桩桶颜色识别不准确,进而出现冲撞桩桶、跑离赛道等安全类问题,为此提出一种基于单目视觉的桩桶检测及颜色识别技术方案,使得FSAC赛车能够在不同的光照强度下准确识别不同排布方式的桩桶颜色。本文具体工作如下:首先,深入分析了FSAC动态赛的规则和环境属性,以此完成摄像头的选型和安装工作,并在摄像头标定算法研究中对角点进行可视化分析和亚像素级的精确化,使得平均投影误差为0.0417,确保了摄像头工作时产生可靠性结果。其次,研究了目标检测算法并提出使用YOLOv5算法对桩桶进行单一类别的检测,在本文所构建的桩桶样本数据集上得到了帧率为125fps、查准率为98.31%和查全率为100%的训练结果,为颜色识别算法提供了一个高置信度的桩桶候选区域。在此基础上,研究了图像预处理方法,提出将色调、饱和度和明暗度通道分离处理的目标物分割方法,并对不同颜色桩桶采用不同次数的闭运算,叠加中值滤波器降噪方式,有效剔除了桩桶候选区域内的冗余信息。最后,研究了颜色识别算法,在仅保留有效桩桶信息的候选区域内对桩桶颜色进行判别,提出一种基于HSV色彩空间的桩桶颜色识别算法,将颜色固有属性的判别问题转化为基于色调范围分割所得轮廓面积大小的比较问题。本文创新性地将深度学习目标检测算法和传统颜色识别算法进行融合,规避了深度学习直接对桩桶进行多分类检测时存在的样本不平衡问题,同时保留了传统颜色识别算法的可解释性,所提出的桩桶颜色识别算法每秒传输帧率达到27fps,在强烈、普通和昏暗光照下颜色识别准确率分别达到了98.87%、99.06%和98.56%。结果表明,本文有效解决了FSAC赛车环境感知模块受光照变化影响而导致的安全类问题。