激光雷达和视觉图像在环境感知任务中得到了越来越多的应用,尤其在无人车等智能装置中取得了突破性进展。利用激光雷达和视觉传感器所采集的激光点云、图像及其融合数据进行障碍物检测、测距和周围环境重建,是无人车进行环境感知和正确决策的重要依据。然而,现有激光点云与图像融合算法需要对传感器进行人为标定,基于双目视觉实现障碍物测距的速度较慢且精度不高,而使用激光点云测距时障碍物识别率较低。为此,本文开展了以下三方面研究:(1)针对现有激光点云与图像融合算法需要对传感器进行人为标定问题,本文提出了一种基于参考对象的激光点云与图像的后校准融合算法。算法先基于小孔成像模型以及激光雷达和相机之间的位置关系生成理想的投影矩阵。然后,根据激光点云容易检测到边缘的特性,利用具有较长垂直边缘的参考对象来校正投影矩阵。使用点云边缘的激光点和图像垂直边缘的像素计算水平坐标偏移,将偏移量添加到投影矩阵得到校正的矩阵,获得映射准确的彩色点云。算法降低了激光点云与图像融合的复杂度。根据惯性测量单元采集的无人车行驶信息,本文对多帧的彩色点云进行融合,得到三维彩色地图。基于KITTI公开数据集的实验结果验证了算法的有效性。(2)针对双目视觉实现障碍物测距的速度较慢且精度不高问题,本文以前方车辆为对象,提出了一种非对称测距框架,对左、右目图像进行区别处理。在右侧图像中,采用经典方法检测车辆感兴趣区域(Region of Interest,ROI),包括车道ROI设置,车道线检测和车辆识别。对左侧图像,提出利用先验的测量距离和立体成像特性来预测车辆ROI,进而节省运算时间。另外,为了提高距离测量精度,本文提出采用视差值来筛选车辆ROI中的特征点,并选择视差值接近中位数的特征点进行距离计算。基于KITTI公开数据集的实验测试结果表明,本算法比对称方法快1.57倍,而距离相对误差则减少11.87%。(3)针对激光点云测距时障碍物识别率较低,提出了一种基于激光点云与图像融合的距离测量算法。算法首先使用本文提出的后校准融合算法对激光点云与图像建立映射关系,然后,根据双目视觉所检测的障碍物位置和距离,对激光点云进行筛选,在点云中确定障碍物附近的激光点。接着,使用K-means算法对筛选后的激光点进行聚类,最后使用聚类出的障碍物激光点计算距离信息。基于KITTI公开数据集的实验结果表明,本算法的距离测量结果比双目立体视觉方法的测量结果误差更小,稳定性更高。