在无人驾驶系统中,通常使用计算机视觉来完成道路的检测和道路上目标的检测。道路的检测包含对车道线的检测、可行驶区域的检测;道路上路标的检测包含对其他车辆的检测,行人检测,交通标志和信号的检测等所有交通参与者的检测和分类。同时,对检测到目标进行测距。然而,在井下的采矿运输过程中也同样需要对前方轨道和轨道上目标的检测,才能实现井下无人驾驶系统。本文研究则是针对井下巷道旁行人进行检测及测距,主要内容如下:(1)提出一种Dense-YOLO的井下巷道行人检测算法。首先,运用k-means聚类策略计算出锚点框的尺寸。其次,为了更好地利用上一层或者前几层特征,提出利用密集连接块提取网络特征,复用“集体知识”强化特征学习传播。然后,运用非极大值抑制算法对于检测过程中同一目标的位置上产生的多个候选框进行筛选,选取出得分最高的候选框最后。最后,在井下采集的数据上进行网络模型训练、验证及测试实验。在测试过程中发现对于图像中远方尺寸较小的行人,无法做到精确检测,为此提出一种融合多层次特征图的网络结构,使其能够应用到浅层的特征图,将深层与浅层特征相结合,对小目标进行精确定位。实验结果表明,所提算法网络的检测准确率达93%,速度达25帧/秒,实现了实时高效的巷道行人的检测。(3)针对井下机车前方行人的距离估算问题,提出单目视觉测距的方法。首先,通过摄像机标定,获得相机的内/外参数,同时进行畸变矫正。然后,搭建单目测距模型,通过坐标系转换推算人车距离关系式。最后,结合行人检测算法得到的坐标参数进行距离计算。实验结果表明,单目测距方法计算误差在5%以内,证明了测距方法的适用性。最后,对论文整体内容进行了总结,并对研究的下一步工作进行展望。