双目立体视觉不仅可以得到场景的图像信息,还可以获得场景的深度信息。相较于其他有源传感器,如激光雷达、毫米波雷达,视觉传感器具有更加宽阔的视场,以及更加准确的横向精度,且设备之间独立工作互不干扰。目前,立体视觉已广泛应用于工业勘测、航天探测、自适应巡航控制以及机器人自主避障导航等领域。本文以自动驾驶3D道路环境分析中的障碍物检测为应用背景,将双目立体视觉作为传感器设备,检测位于路面上方的潜在障碍物,并得到障碍物与车辆之间的距离信息。这一研究对自动驾驶汽车上传感器的研发具有重要的意义。本文的具体内容如下:首先,研究双目立体视觉的相机标定与图像校正部分。采用张正友的标定方法对相机进行标定,得到相机的内外参数与畸变系数。并运用Bouguet方法校正立体图像对,并去除图像的畸变。其次,本文在自适应权重立体匹配算法的基础上提出一种基于遮挡信息的立体匹配算法。在代价聚合阶段为遮挡区域像素点分配较小权重,降低其对中心像素点代价累积的影响;在视差优化阶段选择水平扫描线距离最近的较小视差值作为遮挡区域像素点的视差,提高了立体匹配算法在深度不连续区域的匹配精度。最后,设计了一种基于U-V视差图的障碍物检测方案。在路面提取阶段,采用随机采样一致性(RANSAC)算法结合主成分分析(PCA)算法预测道路在V视差图中的投影。采用直方图计数网格方式提取V视差图中障碍物的投影,并将因网格分离的同一个障碍物进行合并。在U视差图障碍物投影提取阶段采用基于密度的聚类方式(DBSCAN),方便清晰地确定障碍物在水平方向上的边界。障碍物检测应用在自动驾驶道路环境分析方面,对准确性以及安全性要求很高,相较于深度学习这种不太稳定的方式,该方案很容易地将路面与障碍物进行分离,检测位于路面上方的潜在障碍物,且算法计算复杂度低,具有良好的鲁棒性与实时性。本文针对自适应权重立体匹配算法进行研究,提出了基于遮挡问题的改进算法,并设计了一种基于U-V视差图障碍物检测方案,应用于3D道路驾驶环境分析中的障碍物检测,具有良好的检测效果且满足实时性需求。