科技的进步,智能产品的逐渐升级,都带动着社会不断发展,机器视觉技术的出现与成熟,极大推动了智能车视觉导航技术的研究。本文主要针对校园巡检智能车导航技术进行研发,摆脱传统远程控制器,使其具有自主导航的能力。视觉导航技术的关键就是通过相机提取车道信息,运用算法正确识别车道线,并根据车道线计算导航参数实现智能车的自主导航,本文主要研究内容如下。首先,概述了Ubuntu下的机器人操作系统(Robot Operating System),对两轮差动智能车的运动学模型做出了正向解与逆向解的分析。给出了智能车平台的传感器配置,分析了相机成像原理并通过张正友标定法完成了相机的标定,获取了相机的内参,最后推出了智能车自主导航的整体方案。其次,对基于概率霍夫变换的车道线检测算法做出了改进。根据相机实际安装角度,进行了感兴趣区域的提取,减少了冗余信息的处理;由于车道线颜色的特殊性,采用加权平均法对图像进行灰度变换;运用双边滤波法,去除了图像采集中产生的噪声点;对光照不均匀的区域,采取基于灰度拉伸的图像增强方法,突出车道线的边缘信息;边缘检测的处理选取了具有较强抑制噪声能力、边缘信息效果保留较好的Canny算子。由于概率霍夫变换法用于检测车道线的实时性与准确率不理想,根据车道模型,分别从车道线角度、长度、宽度三方面提出了四点约束条件加以改进,运用最小二乘法对检测的线段进行拟合,提取出正确车道线。实验表明,基于本文改进算法的检测具有更高的准确率和更好的实时性。然后,讨论了人工势场法的原理和存在的常见问题,基于问题做出如下改进措施。在动态环境中,根据障碍物与智能车的相对速度,引入了速度斥力势场,增加了避障的可靠性,解决了动态避障不理想的问题;由于传统距离因子存在导致智能车避障转弯半径过大的缺陷,本文给出改进的距离因子和斥力系数,解决了目标不可达和传统距离因子存在的不足;针对局部最优,分析了局部最优存在的原因,首先引入斥力偏转模型,若未解决问题,再设立虚拟目标点,直至智能车摆脱局部最优状态为止。实验表明,本文算法能有效应对动态避障避以及避免目标不可达和局部最优问题的发生。最后,根据地图信息,将各路口设为节点,根据各路口间的行径代价和给定的起始节点,采用Floyd算法完成了最短路径的求取;根据消失点、车道线位姿等信息,获取基于车道中线的偏航角和横向偏移量,再根据智能车自身运动学模型,实现了智能车速度的控制,最终完成了基于机器视觉的智能车自主导航实验。