行车安全是道路交通中的重要问题,在拥挤而且路况复杂的城市环境中该问题尤为明显。为了有效地降低交通事故发生几率,对道路上其它行驶车辆的检测与跟踪就成了车辆辅助驾驶系统中不可缺少的一个部分。针对城市环境道路中存在大量行人和车辆的情况,以及道路结构中急转弯易丢失车辆的情况,本文提出了一种基于多传感器融合的车辆检测与跟踪系统。该系统采用摄像头和激光雷达作为主要传感器设备,利用激光雷达的距离信息以及摄像头的图像信息来提取车辆特征,并以此为依据评判车辆的存在;同时针对急转弯情况下车辆跟踪容易丢失的问题,在经典卡尔曼滤波和粒子滤波相结合的跟踪框架下,提出一种多维空间马氏距离的数据相关算法。实验表明,该系统不仅能够有效地检测出视野中的车辆,而且能够准确可靠地实现车辆跟踪。本文首先介绍了系统所采用的平台架构。针对多传感器数据不同类以及不同步等问题,完成基于传感器模型的联合标定工作,实现了激光雷达和摄像头数据的空间标定与时间同步工作。这是多传感器数据融合的基础。车辆检测是跟踪的基础。针对单一传感器可靠性较低的问题,本文采用基于多传感器融合的车辆检测方法。首先通过激光雷达数据处理得到图像上的兴趣区域;然后依次利用YUV图像提取车底阴影、利用Sobel边缘图提取车辆轮廓对称性,再使用灰度图验证纹理复杂性。最后将可能包含车辆的区域标识出来。在现实场景下的实验表明,该算法能够提高车辆检测的正确性,降低误检率和漏检率。车辆跟踪的目的是稳定获取前车信息,便于进行相应规划决策。在城市环境中由于存在大量的行人、行车等障碍物干扰,还有大曲率急转弯存在,都会降低车辆跟踪的准确性,增加丢失几率。针对这种情况,本文在车辆检测的基础上,采用经典卡尔曼滤波与粒子滤波相结合的跟踪框架,提出了一种基于多维特征空间马氏距离的数据相关算法,能够利用帧间信息实现有效的车辆状态估计和更新。在多种场景下的实验表明,该算法能够在存在大量干扰情况下更加稳定准确地跟踪前车,并且在急转弯情况下不丢失车辆。