货车承担着我国大部分的货物运输量,但由其引发的事故也频发不断。货车由于车身体积大、驾驶舱位置高、后视镜反射范围有限等原因,存在右转弯盲区以及倒车盲区,导致驾驶员不能充分获取车身四周的环境情况,因而易发生安全性事故。基于此,本文提出基于深度学习的货车盲区障碍目标检测方法,通过安装在货车右后视镜下方及车尾的两个摄像头对货车右转弯盲区及倒车盲区内出现的障碍目标进行实时检测并通过对目标距离的测量进行危险判断,从而有效辅助货车司机安全驾驶。本文首先通过对货车盲区进行分析,依据阿克曼转向原理及车辆制动模型对货车盲区危险距离进行了定义。并且提出障碍目标距离测量模型,先对相机进行标定获取内外参数,结合目标在相机输出图像的像素坐标位置以及相机安装高度和角度,计算出目标离车身的横向距离以及目标离车尾的纵向距离。使用基于深度学习的YOLOv3目标检测网络模型对行人、骑行者、车辆三类目标进行检测。训练数据集选自BDD100k数据集中不同时间、情景、天气下的图片,更加符合货车实际行驶情景,使训练后的模型具有更强的泛化能力。并通过迁移学习的方法对YOLOv3模型进行更加高效的训练。针对检测方法做出两方面改善。一方面,对所有输入图像进行基于V通道亮度均值的夜晚判断,并对筛选出的夜间图像通过图像增强算法进行处理,有效提升夜间检测准确度;另一方面,通过YOLOv3模型结合通道剪枝算法,提出YOLO＿CS模型,该模型在不损失m AP的情况下,体积小,检测速度快,更适合在嵌入式等小型设备上部署。论文最后通过实验对货车盲区障碍目标检测算法进行验证。结果表明,在白天障碍目标检测中,检测准确度达到96.77%,检测速度达到55FPS。在夜间障碍目标检测中,检测准确度达到91.23%,检测速度为46FPS。5m范围内,横向距离测量准确度不低于90.2%,30m范围内,纵向距离测量准确度不低于95.1%。