近年来计算机视觉与AI得到快速的发展,无人车的使用也随之不断增多。以往的无人车主要应用在工厂等特定场景下,为了能够让无人车应用到更多室内场景中,需要研究更加通用和高效的导航定位算法。室内通道环境下特征点稀少,特征点之间的相似性较高,传统的定位算法较难获得理想的定位效果,而且无人小车在运动过程中受机械,电机误差的影响可能出现偏离,需要一种实时准确的偏离检测方法。无人车在室内环境下通常需要运动到门前,或者穿过某个门,需要一种实时高效的算法对门进行检测。本文针对这些问题,利用计算机视觉的方法进行了相关的研究,并提出了有效的算法。具体的研究内容与成果包括:1.本文研究了室内通道环境的成像特点,得到了通道平行线的消失点在图像中的位置与无人车运动偏离之间的关系,据此提出了利用消失点来检测无人车运动偏离的算法。为了提高算法的实时性,本文利用前帧的检测结果预测后帧的直线参数范围,降低后帧的搜索空间。经过实验证明,算法对室内通道中的无人车直线行驶偏离能够有较好的检测效果。对640×480的图像平均处理速度小于20ms,准确率大于98%。2.本文对无人车的运动量与俯视图像的关系进行了研究。通过把无人车摄像头拍摄的图像转换到俯视视角下,利用地板缝线的特点对其进行快速的检测。利用地板缝线垂直交点的匹配,计算图像帧之间的运动。利用光流跟踪交点,预测下一帧图像的直线参数范围。针对图像模糊,物体遮挡导致的匹配链断开问题。本文提出了一种利用轮式里程计数据来重连接匹配链的算法。3.本文对室内环境下门的线段特征进行了研究,在现有模型基础上,提出了门的5线段模型,通过图像中的线段特征来实现门的实时检测。检测方法具有较高的鲁棒性。经过实验证明,对640×480的图像检测速度为44.73ms。精确率为89.4%。能够有效地对室内环境下的门进行实时检测。4.为了对以上的算法进行实验测试,搭建了一套无人车实验平台。对以上算法的有效性进行了验证。