智能车辆可以满足人们日益增长的对汽车安全性、舒适性和便捷性的需求,并能在提高道路交通安全、降低事故损失方面起到重要作用,因此具有广阔的应用前景。在智能车辆的关键技术中,基于视觉的环境感知技术被公认为是最具发展潜力的技术之一,也是认知计算领域里一个极具挑战的课题。由于视觉信息的多义性、数据量大和易受环境干扰等特点,当前计算机的视觉认知能力还远没有人类视觉系统那么智能和高效,而与传统的计算机视觉问题相比,智能车上的视觉感知计算需要面对更加复杂多变的外部环境,同时还有汽车领域强实时、高可靠的应用需求,其面临着准确性、稳定性和实时性的三重挑战。因此,开展智能车上视觉感知计算的关键技术研究具有重要的现实理论意义和应用价值。针对视觉感知计算面临的主流挑战,本文以湖南大学无人驾驶汽车验证平台为依托,选取了智能车上几个基础而又关键的视觉感知计算问题展开研究,重点对算法在实时性、准确性和鲁棒性上的性能权衡进行综合考虑。本文主要研究内容和贡献包括如下几个方面:1.提出一种基于改进码本模型的目标检测算法。针对现有码本模型(Codebook Model)在RGB颜色空间下不能很好地契合其计算特性,且无法兼顾抗扰动能力和分割质量的问题,提出在YUV颜色空间下建立码本模型,然后利用高斯混合模型(Gaussian Mixture Model,GMM)的思想,为码本中每个码字的Y分量建立高斯模型,使得整个码字具有GMM的特性。实验结果表明,本文提出的目标检测算法在实时性、抗干扰性和检测效果方面有较明显的优势。2.提出一种模拟人类视觉注意机制的目标跟踪算法。本文在粒子滤波跟踪框架的基础上,针对单一特征目标跟踪对复杂场景下目标跟踪准确性不足以及多.特征目标跟踪实时性难以满足的特点,采用多特征融合机制提高目标跟踪的准确性和鲁棒性,并模拟人类视觉对目标的显著性感应的机制对散布粒子进行过滤,并提出一种显著性的在线更新机制,以降低对特征显著性的重复计算。实验结果表明,本文提出的目标跟踪算法比单一特征的粒子滤波跟踪算法有更好的准确度,且比多特征的粒子滤波跟踪算法的实时性更好。3.提出一种基于自适应窗口视差优化的实时立体匹配算法。针对当前局部立体匹配算法在计算精度和执行时间之间的权衡问题,提出在不同的阶段采用不同的“时间-精度”置换策略,使算法在保证实时性的同时,具有较好的计算精度。然后,本文利用 CUDA(compute unified device architecture)技术将算法在英伟达(NVidia Corp.)图形处理器GTS450上进行了优化和验证。实验结果表明,与Middlebury测试平台中经典的实时立体匹配算法相比,本文算法具有较好的实时性和计算精度。4.提出一种基于消失点和主方向估计的道路识别算法。针对基于消失点估计的道路识别算法计算复杂度过高,难以排除局部纹理特征较强的干扰点,且要求消失点位于图像内部的问题,本文引入道路主方向的定义来对有效投票点进行筛选,在降低计算复杂度的同时有效排除了局部纹理特征较强的干扰点。此外,本文提出一种多维投票策略来检查消失点是否在图像内部,使算法可以有效处理消失点在图像外部的情况。实验结果表明,本文算法相比经典算法具有更好的准确性和实时性,且当消失点不在图像内部时依然能取得较好的分割效果。5.展开道路识别算法在智能车辆上的应用研究。针对所提出的道路识别算法,本文以实验室自主研发的无人驾驶汽车实验平台为依托,设计并实现了一个自主驾驶系统原型。该系统集成了本文提出的基于消失点和主方向估计的道路识别算法,能够实时检测出汽车前方的道路区域,并根据实际道路情况实现转向的自主控制。实际道路环境下的测试实验表明,本文设计的基于道路识别的自主驾驶系统是有效的。