1．目的及意义

在新型工业化、信息化时代的当代社会，基于大数据、云计算、互联网等新一代信息技术的人工智能发展迅速。由于电子产品软硬件技术创新与发展，成本不断降低，包括无人车在内的智能产品的研究和开发已经成为热点。

无人车是一种能够通过传感器感应识别周围环境，自动进行环境、障碍识别并控制汽车行驶路径的智能化汽车，是智能交通系统的核心组成部分。其中，无人车对环境感知识别技术的研究显得尤为重要。现阶段无人驾驶汽车使用的车载传感器和感知技术也各自具有需要克服的问题，主要表现在高精度的GPS和雷达系统成本高的问题上，因此成本较低的基于机器视觉系统的无人车周围环境检测感知方面成为研究人员关注的关键研究方向。

基于机器视觉的环境感知技术是无人车对于行驶环境识别的重要组成部分，常见的视觉系统有两种：单个摄像机组成的单目视觉系统和由两个及以上摄像机以某种确定的方式组合在一起形成的双目或多目视觉系统。目前关于摄像机模型的研究中使用最多的是针孔模型。在摄像机标定方面，最有代表性的研究成果是张正友在1999年提出的通过摄像机在不同位置拍摄的标定物的图像回归计算摄像机参数的标定技术^[1]。

现阶段，双目立体视觉领域的研究主要集中在如何通过立体匹配的一对成像平面得到相应的视差图以及三维场景重建方面。国外于20世纪70年代开始立体匹配技术的研究，并在该领域取得了领先地位。1998年，C.Tomsai最早提出了基于双边滤波的代价聚合算法^[2]。2001年，Szeliski通过对不同算法的测试、比较和研究，提出了一套关于立体匹配的评价标准，并创立了Middlebury测评平台，以评价各种算法的优劣^[3，4]。2007年，H．Hirschmaller首次提出了当今业界最为流行、使用最为广泛的半全局立体匹配算法(SGM)，他通过定义一种与全局立体匹配相似的能量函数，使得一个能量函数最小化的问题可以采用与动态规划的类似思想求解，从而使得计算复杂度降低，很大程度上缩短计算时间^[5]。2014年，K.Zhang等人完成了局部立体匹配方法的程序框架搭建，并提出了基于交叉尺度匹配的代价聚合算法，用缩放的方式对不同尺度的图像对进行立体匹配，从而进一步提升准确性、鲁棒性^[6]。虽然国内对于立体匹配的研究起步较晚，但近年来众多国内高校和科研机构也取得了丰硕的成果。例如，香港城市大学的杨庆雄教授创新地将最小生成树应用到代价聚合步骤中，成功避免了基于局部信息的传统立体匹配方法所产生的缺点^[7]。位于中科院自动化所的雷成博士采用基于特征点的立体匹配算法，开发了CVSuite系统的计算机视觉库软件^[8]等。

通过双目立体视觉技术获得空间物体的深度信息从而便于三维重建以及无人车对周围环境的感知。将双目立体视觉系统用于无人车的周围环境感知除了要得到匹配视差图、空间物体深度信息外还需要与无人车自身车辆的位置姿态及相关车辆坐标系进行信息融合，从而便于无人车对空间物体在车辆坐标系中的信息进行控制与决策。因此以双目立体视觉技术获得的深度信息为依据，对于研究无人车周围环境、位置信息的获取具有重要的研究价值。

{title}

2. 研究的基本内容与方案

{title}

双目视觉主要有图像获取、相机标定、图像校正、立体匹配和三维重建以上五个步骤，在《车载双目视觉环境感知系统的研究》题目的背景下，了解双目视觉原理、相机标定的方法并着重研究立体匹配、三维环境重建两大关键步骤。

通过立体匹配、三维重建的研究，利用成功标定的双目相机对场景环境进行平面图的成像并且获取相应的视差图，从而以三角关系计算场景物体的深度信息，最终得到空间物体的三维坐标，完成环境感知全过程。

立体匹配算法的分类主要有两种：根据采用图像表示的基元不同，分为区域立体匹配算法（如BM和CV模型）、基于特征的立体匹配算法和基于相位的立体匹配算法；根据采用的最优化理论方法，分为局部立体匹配算法（SGM）和全局立体匹配算法（如图割法、置信传播和动态规划）。通过大量开源代码的学习，分析一种立体匹配算法，并在该算法的基础上提出可以改进的地方，根据立体匹配算法，在OpenCV和Matlab平台上完成相应的调试仿真，最后通过三维重建完成环境感知全过程的研究。3. 参考文献

[1] Zhang Z. Flexible CameraCalibration by Viewing a Plane from Unknown Orientations[C]／／Iccv.1999:666.

[2]Tomasi C,Manduchi R．Bilateral fiRefing for gray and colorimages[C]／／ComputerVision,1998．SixthInternational Conference on．IEEE，1998：839.846．