环境感知是无人驾驶技术的重要环节,计算机视觉是解决环境感知问题的一个重要方案。本文采用计算机视觉技术,利用可见光相机和红外热像仪实现对路面和障碍物检测。基于OPTOBOT-I实验平台下,本文利用可见光相机对四种常见路面采集数据,包括两种结构化道路:沥青路、混凝土路,两种非结构化道路:草地、砂石路。本文采用纹理的分析方式,提出使用灰度共生矩阵分析图像数据的灰度像素空间分布,再从中提取20种特征值,组成特征向量,采用主成分分析(PCA)降维的方式对数据进行预处理,结合线性支持向量机(SVM)识别分类。实验表明,该方法对除沥青路外的其他路面识别精度达到90%以上,并且采用PCA降维后的数据用SVM训练出来的模型比没用PCA降维的模型好,识别精度会提高1-5%。分析错误分类的数据发现,由于相机的光积分时间调整滞后,采集的部分沥青和砂石路面过度曝光,影响了分类效果。其次针对梯度方向直方图对目标变形适应性差的因素,本文采用可变形部件模型对实验平台前的人型目标进行识别检测。检测后采用卡尔曼(Kalman)滤波进行目标跟踪,并且提出一个方法能够判别是否出现目标漏检或误检的情况。当出现漏检情况,可以使用Kalman的预测值进行修正检测。利用实验平台上的可见光相机和红外热像仪,采集校园和公路数据并结合开源数据制作混合实验数据集,进行测试算法。实验结果表明,利用可变形部件的模型可以降低目标变形所产生的漏检,利用Kalman的预测值也能很好的修正检测结果,提高检测准确性。