随着计算机科学和机器人技术的飞速发展,先进驾驶辅助系统(Advanced Driver Assistant System,ADAS)已经成为智能车辆的研究热点,并且广泛应用于军事、民用、科研等相关领域。要保证智能车辆在道路上安全行驶,就要识别道路的可通行区域,也就是避免与道路上的凸障碍物相撞或者陷于凹障碍物中。因此,基于立体视觉的可通行区域与车辆检测算法近年来引起了学术界的关注。本文首先对立体视觉相关领域的研究现状做了简单介绍,然后针对车载立体视觉的道路场景分割与车辆检测,做了以下几个方面的工作:(1)查阅大量文献资料,研究立体视觉的相关理论原理,深刻理解摄像机标定、图像矫正等前期工作,阐述了立体视觉系统的数学模型、成像原理以及U-V视差图的构造,为本文后期工作打下理论基础。(2)搭建移动机器人模拟车载立体视觉系统,编程实现无线手柄对机器人的移动控制,使其能够搭载立体相机在室外移动并采集图像;采用张氏标定法完成摄像机的标定工作,为后续的车辆检测算法提供相机的内外参数;使用SGBM算法对采集到立体图像数据进行立体匹配,并获得稠密准确的视差图;在视差图基础上建立U-V视差。(3)在使用标准霍夫变换对二值化V-视差进行道路建模时,我们经常会遇到的阈值选取困难以及噪声干扰的问题。对此本文引入灰度加权的概念,直接在灰度图像上提取道路特性曲线,从而避免了上述问题并且提高了算法鲁棒性。(4)使用改进动态规划算法检测可通行区域。针对传统动态规划算法检测中会产生的平滑性问题,本文提出改变算法中的平滑项定义,同时考量前后两列的匹配代价,提高了检测准确率;同时对算法提出优化以满足实时性的要求。(5)使用自适应阈值的方法检测障碍物。利用双目相机参数以及障碍物最小高度定义阈值;根据车辆在U-视差图中的投影特征添加阈值化约束条件来确定车辆水平位置,再通过逐列扫描过滤视差值的方法确定垂直位置。实验结果表明本文提出的方法在实际真实世界的各种常见道路环境中都能够区分障碍物区域和可通行区域,并能准确的进行车辆检测,为智能驾驶辅助系统认知外界环境奠定了基础。