近年来,人工智能技术、互联网技术以及汽车产业的发展使得汽车智能化程度越来越高。无人驾驶的各项技术成为国内外研究热点,而基于视觉的车辆检测作为其中的一项重要技术也备受关注。光照对车辆成像的影响、道路环境的复杂性以及车辆外观上的差异性都是车辆检测的难点。本文主要研究基于视觉的车辆检测方法,并应用于无人驾驶平台。本文提出了一种改进的几何约束算法来获取车辆检测的候选区域。该方法先建立大地坐标系与图像坐标系的对应关系;然后针对检测目标的大小设计不同尺度的滑动窗口;再根据滑动窗口与原图像中车辆大小的几何约束关系确定原图像可能存在车辆的候选区域;本文方法在图像坐标系中的y方向约束的基础上,根据左右车道线对车辆的候选区域在x方向上也进行约束;最后将该候选区域映射到不同分辨率的缩放图像中。相比于原算法,本文方法通过计算候选区域在不同分辨率图像上的映射关系,避免了矩阵的重复计算。车道线对候选区域的进一步约束能够缩小候选区域,从而提高了滑动窗口效率。基于滑动窗口的目标检测是一种简单而有效的检测框架。本文在改进的几何约束方法的基础上提出了基于置信度的多特征融合以及基于CNN验证的两种车辆检测方法。(1)基于置信度的多特征融合的车辆检测方法。首先计算图像的Haar-like特征,IIOG特征以及LBP特征;然后再分别将三个特征值输入Adaboost分类器分类,得到三个分类结果以及结果的置信度值;接着再将三个置信度值按照训练样本的置信度分布进行标准化并采用加权融合方法进行融合,得到一个综合的置信度值;最后根据综合置信度值进行车辆检测。实验结果表明,本方法能够有效的提高车辆检测的准确度。(2)基于CNN验证的车辆检测方法。CNN能够在样本量足够多的情况下,自学习图像固有的本质特征,具有较高的检测准确性,但是运算速度较慢。该方法首先计算图像的LBP特征;然后通过AdaBoost分类器进行分类,根据分类结果来快速拒绝大部分非车辆区域,获得疑似车辆的候选矩形框;最后设计了基于CNN模型的车辆分类器,用于对候选矩形框进行验证,判别是否为车辆。实验结果表明,本文的方法对于光照,姿态以及局部遮挡都具有一定的鲁棒性,基本能够满足实时性要求并且达到较高的检测率和较低的误检率。最后,本文介绍了无人车平台的系统组成,重点介绍了车辆检测的软硬件环境,并将本文提出的两种车辆检测方法应用到该无人车平台上进行实验。实验分析对比了在正常、傍晚、过曝三种不同光照条件下的检测结果,基于CNN验证的车辆检测方法的最终整体检测的准确率为97.72%,查全率为95.39%,平均处理速度257毫秒/帧,基本满足系统实时处理要求。