在人工智能快速发展的当今社会,人们越发聚焦于自动驾驶技术,注重于降低事故发生和经济效益。其中,无人驾驶车辆周围的交通参与者,即车辆、行人和骑自行车的人的精确检测、追踪与轨迹预测成为重要的研究方向,但是由于道路状况复杂、环境不确定以及环境目标多样性,导致以上交通参与者的目标检测追踪与预测和实际之间具有很大的偏差。因此,如何克服上述问题的影响,并实现高精度、高鲁棒性交通参与者的检测追踪与预测是自动驾驶中急需解决的问题。本文将研究雾霾天气下无人驾驶中的目标检测、追踪与预测。在雾霾天气下,采集到的图片清晰度不佳,降低目标检测准确率,进而影响追踪与预测。因此,在雾霾环境下仍然可以进行准确的目标检测是后续追踪与预测的基础,对预防交通事故和保障人员安全有重要意义。而且,准确预测周围参与者的轨迹是安全自动驾驶的必要前提,可以给无人驾驶车辆提供决策判断。首先对图像进行去雾和检测,现有针对图片去雾的方法可分为基于增强以及基于复原的算法,基于增强的方法忽略导致有雾图像质量不佳的原因,只注重强化图像的直接效果。而基于复原的方法,其中基于景深的复原方法对设备要求高;基于暗通道的方法容易将天空区域过度处理,且图像色调偏暗,因此本文提出一个自适应分割天空区域的暗通道先验去雾增强算法,结合了图像增强的优点对去雾后的图像自适应的增强亮度和对比度。经过主观观察和客观分析检验,可以改善过度处理天空区域,以及图像偏暗和对比度下降的问题。然后将YOLOv3微调为针对交通领域并将处理过的图像进行验证,发现可以明显提升有雾环境下目标检测的准确率。由于在视频中进行检测时,检测到的目标难以相互匹配,因此设计了基于卡尔曼滤波和匈牙利算法的雾天多目标跟踪匹配模型,通过匈牙利算法结合级联匹配将检测结果与卡尔曼滤波的预测结果匹配,实现多目标跟踪。在进行多目标跟踪过程中,每隔一段时间进行雾场景判断,检测到该帧有雾的情况下,将后续的帧先进行去雾处理再输入到目标检测网络中,否则直接进行目标检测以防止对正常图片去雾。该算法可以有效检测出有雾场景,且抑制了跟踪丢失和漏检问题。最后设计一个同时适用于车辆、行人和骑自行车的人的通用轨迹预测模型,根据跟踪记录的每个目标的历史位置来预测其在一定时间内的未来轨迹。由于卷积神经网络对于提取图像的局部特征最终得到高阶特征比较擅长,因此常用于图像识别,此处将无人驾驶车辆以及周围交通参与者的轨迹结合周围道路环境信息的光栅化图像送入卷积神经网络提取特征,重新设计其全连接层及损失函数进行训练。最终得到一个可以同时预测多个目标类别的轨迹预测模型。