随着科学技术的不断发展,智能车辆辅助驾驶系统(Advanced Driver Assi stant System,ADAS)开始逐渐普及到人们的生活中。ADAS主要致力于改善驾驶员对路面信息的感知,及时提醒驾驶员道路中潜在的威胁,进而减少事故的发生率。因此,ADAS对道路障碍物检测的准确率和实时性有着很高的要求。本文在研究传统障碍物检测算法的基础上,以准确率和实时性为目标对传统算法进行了改进。本文的研究重点主要集中在以下几个方面:1、本文首先阐述了障碍物检测算法和增强现实技术(Augmented Reality,AR)的国内外研究现状,然后指明了本文的研究对象,并对本文所涉及到的相关基础理论做了详细介绍。同时,研究了图像预处理算法,包括感兴趣区域提取、图像灰度化、滤波等算法,并以鲁棒性和实时性为标准分析了各个算法的优缺点。2、为了提高系统的实时性和准确率,本文采用假设验证的方法对道路障碍物进行检测。在候选区域生成方面,为了解决传统阂值分割算法在分割道路与障碍物时造成的误分割,采用了改进的基于道路灰度直方图的自适应阈值分割算法,分割出障碍物与道路背景。对于分割后的二值图像,再根据不同宽度的障碍物生成大小不同的候选区域。最后,通过对比实验验证了本文算法的鲁棒性和可行性。3、在候选区域验证方面,本文提出了一种基于卷积神经网络的障碍物验证方法。首先,根据本文所研究的环境,对AlexNet网络模型参数进行优化。其次,将批归一化层(Batch Normalization,BN)引入到AlexNet网络模型中,提高模型的准确率。最后,介绍了网络模型的训练方法和样本数据处理。实验表明,引入批归一化层后,网络模型的识别率提高到99.1%,相比原模型提高了 0.9%,网络收敛误差值降低了 52.50%,每帧图片检测用时平均为100ms。4、为了显著地提醒驾驶员前方道路中的障碍物信息,本文研究了增强现实虚拟注册技术。提出一种基于道路场景的增强现实跟踪注册算法,该算法对BRISK算法进行改进,采用BRIEF算法进行特征点描述。在已检测出障碍物目标的基础上,对后续3帧图像中的障碍物进行跟踪并注册虚拟警示标志。实验表明,改进后的算法无论在特征点匹配鲁棒性上还是在算法的实时性上都有所提升,算法耗时约为49ms,相比原算法时间降低了23.43%。经过实验验证,本文设计的道路障碍物检测算法实现了对道路中车辆、行人等障碍物的检测,并且能够满足智能车辆辅助驾驶系统中准确率和实时性等要求,为智能车辆辅助驾驶技术的研究提供了一定的参考价值。