随着汽车保有量的爆发式增长,交通安全问题越来越严重。通过驾驶辅助系统与智能交通技术解决交通安全问题,正在被消费者和学者重点关注。其中,前方车辆目标检测以及测距测速技术,是驾驶辅助系统的重要组成部分。目前业内普遍利用激光雷达以及多传感器融合的方式来识别周围车辆的状态,包括距离、速度和位姿等。但是若将上述传感方式应用于量产车,技术复杂且成本过高。因此,使用单目相机对前方车辆的距离和速度信息进行估计受到广泛的关注。此外,传统测距测速算法容易受道路几何条件以及相机位姿等因素影响,导致估计结果精确度不高,稳定性较差。因此,本文提出一种基于卷积神经网络且能够实现端到端训练的单目测距测速模型,对前方车辆的距离和速度信息进行估计。首先,本文选择YOLOv3作为目标检测网络对当前帧图像中的车辆进行检测,得到前方车辆的目标框参数,并使用以车辆为中心的采样策略对前一帧图像进行采样,得到输入图像对。本文网络使用了包含车辆距离和速度信息的两种数据集:Tu Simple数据集和KITTI数据集进行训练,并通过对数据集中标注数据进行提取和转换,得到了目标车辆的距离和速度标签。然后,基于相机的透视模型推导出目标框参数和目标距离、速度的关系,推导发现这种关系中所需要的信息可以通过神经网络来进行学习。因此,本文提出基于神经网络的多特征融合距离速度回归模型,并引入车辆的深度特征、光流特征、深层特征以及通过目标框参数和相机参数得到的几何特征,实现多特征的融合,对前方车辆的距离和速度进行估计。其次,本文通过多特征融合的距离速度回归模型,分别进行深度网络、光流网络以及特征提取网络的设计,并增加注意力机制对不同的特征信息进行融合,加强信息之间关联性。此外,本文构建了距离速度估计的整体网络,通过距离速度回归损失函数以及深度损失作为辅助损失函数联合对网络进行训练。最后,本文分别在TuSimple数据集和KITTI数据集上进行实验验证,给出网络的性能指标。TuSimple数据集实验结果表明:本文方法得到的速度的平均均方误差为0.496m~2/s~2,距离的平均均方误差为5.695m~2,相比现有方法,本文网络的误差均降低了23%以上。KITTI数据集实验结果表明:本文方法得到的速度的平均均方误差为0.40m~2/s~2,同时在大多数距离指标上都优于现有方法,并且离群值更少。本文对网络的不同模块进行消融实验分析,并给出深度和光流网络中间层的可视化结果,验证了不同模块对网络性能的有效性。此外,为了更直观展示网络的效果,输出了网络预测结果的效果图,并针对不同场景下的连续视频片段绘制了预测值和真实值的对比曲线进行定性分析,证明了网络能够适用于多种场景,并得到准确且稳定的距离和速度信息。至此,本文以单目相机作为输入,通过提出的测距测速网络实现了对前方车辆距离和速度的估计,为自动驾驶汽车提供前方车辆的距离和速度信息,应用于自适应巡航、自动紧急制动等驾驶辅助功能以及后续路径规划,决策控制等功能模块中,以保障汽车的行驶安全性,并为实现高级别智能驾驶提供基础。