随着交通系统的发展以及科技的进步,智能交通系统(Intelligent Transportation System,简称ITS)受到了广泛关注并快速发展。作为智能交通系统至关重要的一部分以及未来车辆的发展方向,智能车(Intelligent Vehicle,简称IV)这个集环境感知、路径规划和安全驾驶功能于一体的智能系统正在迅速发展。基于机器视觉的环境感知是智能车系统中一个很重要的部分。本文以北京工业大学智能电动车BJUT-IV为平台,基于单目视觉传感器,对智能车的环境感知进行了研究。重点研究内容包括如下四个方面:图像预处理、车道线检测、前方车辆识别、坐标变换及状态预警。首先,针对路面环境特点对智能车车载摄像头采集的原始图像进行图像预处理。针对道路环境,采用加权平均法对图像灰度化处理。对图像进行双边滤波降噪,在抑制噪声的同时尽可能保留物体边缘信息。对行车环境中的不同光照情况进行分类,根据不同光照采取不同灰度拉伸方法。其次,针对于多车道的行车环境提出了一种三车道检测方法。针对路面环境提出了基于变内核TopHat的车道线分割算法,有效减小了环境变换对车道线分割的影响。提出了一种利用三车道直线模型对车道线进行定位的方法,方法以基于θ轴方向的双抛物线密度函数的Hough变换对图像进行直线搜寻,以加权最小二乘法拟合道路消失点筛选直线,并对直线进行聚类,并根据匹配标准在极坐标下与三车道模型进行匹配。提出了一种曲线车道线搜索方法,区分近视景区与远视景区将车道线与感兴趣区迭代搜索,并在对比了两种车道线拟合方法后选择最小二乘法拟合三次曲线模型以确定车道线。在用于车道线保持的Kalman滤波过程中对车道线存在性进行滤波,解决了连续的视频中车道线闪现的问题。提出了基于随机投种法的边侧车道可行驶性判定方法,解决了三车道识别中两侧车道误检测的问题。实验证明算法检测率较高并具有较强的环境适应性。而后,提出了基于多特征的车辆识别方法。利用最大类间方差法求取先验熵阈值,并利用熵单元格在感兴趣区内搜索车辆。提出了熵单元格合并规则以排除路面高图像复杂度的小区域的干扰。基于车道线等路面标志与车辆阴影的灰度差异,利用车辆阴影对基于图像熵的车辆识别进行筛选,优化车辆识别效果。应用Kalman滤波对车辆位置进行预测,减小识别方法的感兴趣区,提升了算法效率。实验结果表明算法识别率较高,能够适应复杂路面以及光照变化且具有较好的实时性。最后,分析了车载摄像机的成像模型并推导了图像坐标系与智能车车辆坐标系间的转换关系。利用坐标变换以及道路检测结果对智能车进行定位,并根据位置信息与前方车辆位置计算智能车预警信息,保障行车安全。为验证文中算法的性能,设计并编写了智能车行车辅助软件并以BJUT-IV智能车为基础进行实验。结果表明,系统达到预期目标并且具有良好的环境适应性和实时性。