自动泊车系统(Automatic Parking System)作为高级驾驶辅助系统(Advanced Driver Assistance Systems)中重要的一环,在无人驾驶技术中发挥着举足轻重的作用。而感知部分作为自动泊车系统控制和规划的前端,需要解决“我在哪”的经典问题,利用同时定位与地图构建(Simultaneous Location and Mapping,SLAM)便可以很好地解决这个问题。SLAM按照传感器的不同可以划分为视觉SLAM(v SLAM)和雷达SLAM,v SLAM由于其成本较低、安装方式多样化、具有丰富的图像信息等多方面优点,受到了广泛研究与发展。本文提出了一种基于v SLAM的方法来解决自动泊车环境下的感知问题,并且在低光照或是明暗交替的复杂场景下也有较好的鲁棒性。本文的研究工作主要包括:首先,针对自动泊车环境下可能出现的低光照或明暗交替等复杂场景这一问题,本文在v SLAM系统中设计了处理复杂场景的功能。本文基于Retinex理论模型,从物体成像的原理上分析,利用LIME算法来解决这个问题,并且结合自动泊车场景来设计算法中的权重系数,对算法的时间复杂度进行加速优化。而后针对一些低光照的图片进行了优化处理来验证LIME算法的可行性。其次,针对v SLAM常见的问题,即在跟踪时容易丢失目标、出现尺度漂移等问题,进行了分析与研究。提出了使用预测模型的方式来减少跟踪失败概率的方法,提出了适合泊车环境的关键帧筛选策略,针对立体匹配模块,先根据多方面误差来选择质量较好的点,再用由粗到精最后计算图像的相关性的方法来进行匹配并更新地图上像素点的逆深度,并在地图优化模块中通过双向Sim3检测进行误差分析解决尺度漂移的问题。最后,基于大众速腾以及深圳锐尔威视科技有限公司所研发的型号为RER_USB1080P01-LS43的相机搭载了实验平台,傍晚时分在吉林大学南岭校区汽车工程学院周围采集多个停车场数据,验证了在低光照的自动泊车环境下基于LIME算法进行v SLAM的可行性,并且实验表明在泊车环境下本文算法要优于传统算法。