智能车辆视觉导航技术作为智能交通系统的重要研究领域之一,能够在很大程度上改善城市交通效率,提高驾驶安全性,减少不必要的人员伤亡。与基于多传感器信息融合的自主导航方法相比,视觉导航技术提供了更为廉价的解决方案,具有更大的应用潜力。论文针对非结构化道路视觉导航问题,重点复杂道路环境中庞大的图像数据处理带来的实时性与鲁棒性的矛盾问题。基于道路区域的灰度一致性假设以及道路与背景的灰度差异假设,本文对非结构道路的道路区域分割和道路边界检测以及障碍物的检测等问题进行了系统性的研究,论文主要研究工作如下:首先利用直方图峰值搜索方法对经典的最大类间方差算法即Otsu阈值法进行了改进,使之能够应用于非结构化道路的双阈值分割。通过关联当前图像与历史图像的道路区域分割结果、当前图像与参考区域的特征相似度改善图像分割的性能。其次对基于边缘的道路边界检测方法进行研究,采用一种基于加权Canny边缘的启发式概率霍夫变换方法,提高非结构化道路边界检测的准确性和鲁棒性,然后采用双折线道路边界建模方法,使之适用于智能车辆在直线道路和弯曲道路环境下的行为规划的实时性要求。为了将道路区域分割与道路边界检测有效结合,提出了一种基于边缘配准的道路边界检测方法:利用Otsu双阈值法生成的道路区域与非道路区域的分界线与加权Canny边缘的配准优化分割阈值的选取,并利用分割后的道路区域和非道路区域对Canny边缘的权值进行重新评估;基于评估后的加权Canny边缘,通过建立道路边界的双折线模型,利用自适应蒙特卡罗方法实现对非结构化道路边界的跟踪。借助于粒子规模的自适应选取和观测模型采样机制克服传统蒙特卡罗方法的粒子退化问题,提高道路边界跟踪与识别的精度。针对实际道路存在的局部区域灰度不一致问题,提出了基于变尺度特征光流检测的单目视觉三维重建方法,对道路区域中的“感兴趣区域”进行光流检测和三维重建,建立了比例不变特征与角点特征的层次化结构,以便于道路区域中的障碍能够被及时检测出来。通过上述问题的研究,为智能车辆的视觉导航和汽车安全辅助驾驶提供了重要的理论与技术支撑,在智能交通、智能车辆的自动驾驶、工业产品运输以及军事领域有着广泛的应用前景。上述关键技术可直接应用于智能车辆的安全辅助驾驶系统,减少由于驾驶员疏忽引发的交通事故,具有可观的社会效益与经济效益。