随着汽车保有量的急剧增加,越来越多的城市变得拥堵不堪,随之而来的交通事故也频频发生。近些年,各大汽车制造企业以及互联网公司都开始致力于高级驾驶员辅助系统与智能驾驶的研发,希望在最大程度上保障道路环境中人们的生命财产安全。其中道路前方车辆检测是车辆主动安全和智能驾驶的一项重要的研究课题,实时精确的车辆检测在车辆主动安全中起着至关重要的作用。本文提出一种基于机器视觉的前方车辆检测算法,算法按照先后顺序可以分为图像预处理、假设产生、假设验证和测距四个阶段。(1)图像预处理阶段:首先对图像的有效区域进行划分,然后将划分有效区域后的图像进行灰度化,为了减少图像中的噪声,比较了三种滤波算法,选定去噪效果较好的中值滤波算法,接着通过对图像灰度值进行统计,把图像按照光照情况进行分类,对于过亮和阴暗场景的图像采用直方图均衡化处理以增强灰度信息。(2)假设产生阶段:针对分割车辆阴影时常用的最大类间方差法和两次最大类间方差法的不足,提出一种改进的阈值分割算法,该算法综合使用基于路面的灰度统计法与两次最大类间方差法,首先设定路面采样区域,对采集到的路面样本进行灰度值的统计,当样本符合条件时,利用样本数据计算阈值,否则使用两次最大类间方差法计算路面阈值。二值化后存在很多伪车辆区域,采用面积、矩形度和四边形度量筛选部分伪车辆区域。然后对二值图像进行阴影线提取和合并,针对合并过程中邻近车辆容易漏检的问题,提出改进的阴影线合并算法。(3)假设验证阶段:通过分析HOG特征和LBP算子的优势,提出一种HOG特征与LBP特征融合并进行降维操作的特征提取方法,其融合了两种算子的优势,同时降低了特征的维数。将提取的特征采用SVM分类器进行训练和分类。(4)测距阶段:研究了前方车辆测距的相关方法,其中包括摄像头的成像原理,摄像头的标定。通过摄像头的标定得到的外参和内参,采用基于几何模型的单目测距方法完成了对静止情况下前方车辆的测距。本文提出的基于机器视觉的前方车辆检测算法鲁棒性好,不仅适用于结构化道路而且适用于非结构化道路,测试结果表明本文算法具有很高的检测率及较低误检率。