多年来,随着交通事故在世界各地变得越来越严重,对智能车的研究已成为智能交通领域的一个重要研究课题。我们利用智能车的自主驾驶或半自主驾驶的功能来实现安全,舒适和节约能源的目的。在现有环境感知算法中,基于机器视觉的环境感知算法因能提供障碍物大小和位置的信息而具有无可比拟的优势。对车前障碍物进行自动地实时检测对于保持安全车距、防止碰撞事故的发生有十分重要的意义。本文主要研究内容为以下四方面:1.车辆道路区域检测。在智能车辆视觉导航系统中,对行驶的道路进行检测的目的主要为两方面,一是为了估计车辆在道路中的方向和位置从而来控制车辆按预定的路线行驶。二是为后续的障碍物检测缩小搜索范围以降低算法复杂度和误识率,提高后续算法的运算速率。为了提取出智能车在非结构化道路环境中可行驶的区域,本文提出了一种基于纹理特征的算法来分割出非结构化道路中可行的道路区域。首先,为了提取出车道中车辙印对应的纹理特征,通过选取2个频率8个方向的Gabor模板对图像进行变换分析,得到各个像素点的纹理强度以及方向特征,利用其方向特征值对候选消失点进行投票,得票最高点即道路消失点,然后提取出有效投票区域中的直线斜率,建立通过消失点的直线方程来划分出可行的道路区域。实验表明,该算法在强光照以及夜间场景下可有效地分割出可行的道路区域,并且不受阴影的影响。2.车前方障碍物检测。障碍物检测的准确性关系到智能车辆行驶的安全性,由于障碍物的出现具有不可预知性和不确定性,所以只能在车辆行驶过程中及时发现并及时处理。因此,本文提出一种对SIFT特征点聚类的障碍物检测方法,首先对图像进行ROI区域提取,通过对ROI区域进行水平与垂直边缘检测得到障碍物可能存在的图像区域,计算每个区域的图像熵值后筛除不存在障碍物的区域,对剩下存在障碍物的区域进行SIFT特征点提取,通过对特征点进行K均值聚类从而得到障碍物精确定位。3.基于视频图像的障碍物跟踪。为了基于视频图像实时地检测到障碍物的位置,本文提出了一种将SIFT特征点匹配与Kalman滤波跟踪相结合的跟踪算法来实现障碍物目标的跟踪,实验结果表明本文提出的检测方法无论视频对象中有一个目标或是多个目标都适用,并且在一个目标到多个目标和多个目标到一个目标变换的情况下同样适用。4.单目视觉测距。单目视觉测距因为运算速率很快,并且构造简单而具有广阔的应用远景。本文首先介绍了单目视觉标定的基本理论,经过实验对比最终选择了指数型函数来完成对图像中障碍物的拟合测距。