基于光流算法的汽车识别和理解方法先通过连续两帧或多帧灰度图像来计算光流场,再进一步估算目标的三维运动状态。这种基于视觉的识别方法依靠检测和跟踪目标来获取行车前方的实时环境信息,在汽车驾驶辅助系统中有重要的应用价值。由行驶中的汽车采集的前方图像属于复杂场景,因为摄像机和目标同时在运动,且存在车体震动、环境光照变化、目标尺度变化等因素。本文针对在复杂场景下如何生成可靠的光流场,并融合行车环境和车辆局部特征做出行车状态分析的问题进行重点研究。本文主要工作如下:1.比较由Horn-Schunck算法、Lucas-Kanade算法生成光流场的准确度和计算速度,得出对使用场景的适应性分析。2.根据SIFT算法原理,将特征点定位精度提升到亚像素级,基于特征点匹配生成适应复杂场景的可靠光流场,并将光流场投射到颜色空间实现可视化呈现。3.本文提出一种在复杂场景下识别汽车的算法策略。聚焦在所设置的特征区域生成SIFT光流场,同时融合车底阴影、车道线、FOE、车道分区等车辆和环境特征,增强识别的鲁棒性并节省计算耗时,形成对目标车辆状态(主要包括占道情况、相对行驶速度和方向、车辆间距)的量化判断。基于matlab平台的实验结果说明所提出方法的有效性。最后对本文的工作进行总结,并对研究方向进行展望。