智能车又被称为无人车或自动驾驶车辆,是计算机、通信、自动化等多学科交叉的重要科研领域,相关技术已极大促进了全世界汽车行业的革命性发展。相比于传统汽车,智能车可以有效提升道路通行效率、降低交通事故率、减少能源消耗,并帮助人们节约宝贵的时间。在智能车的环境感知技术中,基于视觉的方法占据主流位置,这是因为相机相比于其他常见的车载传感器拥有更加低廉的价格以及成熟的底层算法支持,且可以提供丰富的色彩、纹理等信息。本文主要关注基于视觉的智能车视觉估计,以经典的视觉伺服理论为基础,基于多视图几何构建系统的几何约束关系并提取位姿信息,结合机器人运动学构建视觉动态方程,并使用非线性系统理论设计非线性观测器,利用可测量的图像信息对不可直接测量的自车/目标运动信息以及传感器参数进行间接测量。本文的主要工作和贡献概述如下:·由智能车的背景引出视觉估计问题,基于机器人视觉伺服介绍了视觉估计的理论基础,并对视觉估计问题与方法的国内外研究现状进行了综述。·研究基于车载单目相机的相对位姿估计与真实尺度恢复。提出了一种二阶段的相对位姿估计算法,首先使用基于单应性的两视图几何模型对车辆、相机以及环境特征点的几何关系进行建模,将车辆运动近似为平面运动,设计只使用两对相邻帧中匹配特征点的算法对相邻两帧间的旋转与平移进行解耦式的求解;然后使用对极几何约束构造代价函数,以前述的三自由度解作为初值并使用非线性优化获得精确六自由度位姿。此方法克服了批处理方法中精度与速度的矛盾,综合性能优于多数现有方法。·研究基于未标定车载双相机的运动物体位置与速度估计。选取交通场景中常见的平面物体作为静态参照物,使用单应性建立视觉动态方程以关联车辆速度、图像坐标与相机外参,设计Concurrent Learning观测器对相机外参进行在线估计,并基于估计值对运动目标进行位置与速度估计。在观测器的设计中引入了时变增益,可极大提升收敛速度。此方法的综合性能优于卡尔曼滤波器及滑模观测器等现有方法。·研究自然场景下基于三焦张量的车载相机外参在线估计。使用三焦张量构建系统模型,辅助张量元素的引入实现了对旋转及平移外参的解耦,提高求解效率。设计关键帧策略来处理相机视野约束问题。此算法采用批处理的框架,每个周期内采用非线性观测器求解,同时保证了收敛性、收敛速度及最优性。此方法可取得与依赖人造视觉特征的方法同等水平的估计结果。最后总结了全部工作的创新点,并指出了后续潜在的研究方向。