随着车辆的大众化普及,不仅造成交通拥堵,交通事故也一直在逐年增加,由此导致的人员伤亡数量及经济损失数目也一直在增加。为了减少甚至避免此类事故,各大汽车厂商及互联网公司都开始致力于开发高级驾驶辅助系统,其中车辆检测作为其最重要组成部分,也成为了研究热点与重点,而且能够实时且精确地对车辆进行检测也是保证驾驶安全的重要因素。相比于传统车辆检测存在训练过程复杂且检测效果不好的不足,深度学习中的卷积深网络作为其基础模型,具有训练方便且在目标检测中具有平移不变性等优势,因此本文主旨是对基于深度学习的车辆检测算法作研究与应用实验,主要研究内容如下所示:(1)对车辆数据集的收集。主要包括Stanford Cars公开数据库中的部分车辆图片,以及网络车辆图片,为了提高车辆检测的鲁棒性,对车辆图片进行数据增强处理,并对实际行驶交通视频场景中的车辆进行采集,最后利用label Image进行图片标注且分为6类常见车型,为实现后续的车辆检测分类奠定数据基础。(2)车辆图片的预处理。为了应对多变的室外天气环境,基于雾霾天气以及昏暗天气,本文设计了图像预处理模块,通过对比不同去雾及暗光增强算法,最终在去雾部分确定了可以实时去雾的快速去雾算法,而在暗光增强部分,选择了处理结果更优的限制对比度的自适应直方图均衡化方法。(3)深度学习车辆检测算法及应用研究。对比Faster R-CNN检测算法与YOLOv3检测算法的检测仿真结果,选择了能够实时性检测车辆的YOLOv3算法。并基于该检测算法作测距的应用研究,根据能否有效获取特征区域选择不同的特征区域作为测距ROI区域,车牌虽然在近距离测距中表现优秀,但是由于距离较远时车牌特征并不明显,而车底间隙区域却在远距离测距中较为明显,因此最终确定利用车牌测距算法进行近距离测距,采用车底间隙测距算法作远距离测距,其中车牌测距算法平均误差为0.043米,而车底间隙测距算法平均误差为2.24米,针对车底间隙测距算法误差较大的不足进行线性优化,优化后的测距算法平均误差为0.25米。(4)深度学习车辆检测算法测距应用的GUI设计与实现。基于YOLOv3车辆检测算法以及测距应用算法的基础上,设计GUI界面以实现系统中各个组成模块的功能。