作为智能交通系统(Intelligent Transport System)的关键技术和重要组成部分,智能车辆(Intelligem Vellicle)被认为是解决路面交通问题的一个有效途径。它是集成了环境感知、规划决策、自动驾驶等功能于一体的综合系统。智能车辆的研究涉及到信号处理、数字图像处理、模式识别、人工智能、自动控制原理、传感器技术等多个学科的理论与技术,综合了信息科学与人工智能技术的最新成果,具有重要的实用价值和学术理论研究价值。　　 在智能车辆诸多相关研究内容中,对车辆周围环境的感知是关键技术,也是其他研究内容的基础。随着智能车辆研究的不断深入,复杂环境的道路识别已经成为智能车辆环境感知研究的一个亟待解决的重点课题。本文以北京工业大学电动汽车BJUT-SHEV为工程应用背景,针对目前基于视觉的环境感知研究中存在的对环境变化适应性差、抗干扰能力低等问题,在单目视觉的基础上引入激光雷达,融合图像和雷达的深度信息,利用多传感器融合技术弥补视觉无法获得精确的深度信息与易受外界环境影响等不足；建立了基于单目视觉和激光雷达的环境感知系统,并对车道线识别和前方车辆检测技术进行了深入的研究和探讨。主要研究内容和创新点概括如下:　　 (1)车道线识别要求具有良好的抗干扰能力,针对大片阴影等干扰降低了车道线边缘像素和柏油路像素之间的对比度,影响车道线边缘提取的问题,提出了一种车道线边缘增强算法。在分析多种边缘增强算法的基础上,对P￡ll算法进行改进实现边缘增强。改进的算法能够自适应地确定参数,以满足不同环境条件下的边缘增强的要求。实验结果表明该算法具有良好的抗干扰能力,提高了车道线边缘像素和柏油路像素间的对比度,增强了车道线边缘有用像素的比重。　　 (2)针对如何选取车道线模型以及准确地提取特征点的问题,从理论上研究B样条函数与动态规划原理,提出了一种基于动态规划的非均匀B样条函数控制点提取算法。分析图像中车道线边缘的分布特点,确定动态规划的代价函数,利用消失点估计法和区域分割技术确定其他参数。为了准确地描述不同路况的车道线,利用自切换组合车道线模型分别通过直线和B样条函数拟合直道和弯道；利用改进的霍夫变换和动态规划提取直道和弯道的特征点。结合车道线参数和摄像机标定参数,实现了本车在实际道路中的定位。实验结果表明该算法能够稳定准确地识别多种光照条件的直道、左转、右转的实车道线和虚车道线,有效准确地提取车道线的参数,实现本车的准确定位。　　 (3)针对车载激光雷达应用环境的复杂性,分析激光雷达的数据特点,提出了一种改进的基于密度空间的聚类算法(DBSCAN),实现激光雷达数据的聚类处理。根据雷达数据特点,对DBSCAN算法的搜索区间和邻域半径两方面进行改进,以适应不同环境不同距离的雷达数据聚类,缩短了聚类搜索时间,有效地提高了聚类速度,改进了DBSCAN算法对输入参数敏感的不足。通过实验验证改进的算法能够自适应地确定聚类邻域半径,对不同环境的数据均具有良好的聚类效果,能够满足障碍物分割的要求。　　 (4)针对基于视觉的车辆检测需要依靠车道线参数的局限性,提高系统的抗干扰能力,提出了一种基于多传感器信息融合的前方车辆检测算法。为了实现雷达数据与图像的空间同步,提出了一种激光雷达和摄像机的空间同步方法,建立了车载激光雷达和CCD信息融合模型。根据所建模型,将激光雷达数据由雷达坐标空间转换到图像空间,在图像中稳定地生成目标车辆假设,提高了搜索速度；为了降低静止物体、阴影等干扰对车辆检测的影响,提高算法的适应性和抗干扰能力,利用模糊推理系统实现车辆多特征的融合,验证车辆假设。实验结果表明该算法具有良好的抗干扰能力,降低了阴影等干扰对算法的影响；引入激光雷达辅助摄像机检测车辆,提高了检测速度,克服了视觉检测依靠车道线参数的局限性,实现了不同环境的前方车辆检测。