各大汽车企业为了最大限度地保障人们在道路环境中的安全,纷纷致力对高级驾驶辅助系统(ADAS)的探索与研究。本文以ADAS中车辆检测和测距两部分为研究目标,提出一种基于机器视觉的前方车辆检测和测距算法,整体算法可以分为四个阶段:图像预处理、假设生成、假设验证和车辆测距。在图像预处理阶段:为了减少算法的计算量,首先选取出图像的有效区域,对其进行图像灰度化。通过比较三种常用的去噪滤波,选定效果较好的中值滤波进行滤波处理,最后通过直方图均衡化对光照过亮或阴暗场景的图像进行增强处理。在假设产生阶段:针对固定阈值法和单次OTSU算法分割效果不佳的情况,提出引用两次OTSU算法对车辆阴影区域进行分割,根据车辆阴影的形状特征,采用面积阈值、形状特征过滤非阴影区域。通过采用提取与合并阴影线的方法,可以有效防止相邻车辆容易漏检的情况,并得到初步感兴趣区域。根据车辆的对称性对感兴趣区域内存在的虚假域车辆区域进行过滤,得到最终的感兴趣区域。在假设验证阶段:为了兼顾车辆的边缘特征和纹理特征,结合HOG和LBP两种特征的优势,提出了一种HOG与LBP特征融合的提取算法,同时采用PCA对融合后的特征降维,将特征采用SVM分类器进行训练和分类,以验证在感兴趣区域中车辆的存在。在测距阶段:通过分析各坐标系之间的转换和摄像机成像的原理,对摄像机的内部参数进行标定,结合标定的参数和坐标系转换得到关系,采用基于几何模型的单目测距方法,并完成了在静态和道路场景对前车的测距实验。经过检测和测距实验表明,本文提出的基于机器视觉的车辆检测算法能有效提高检测率和降低误检率,且基本能满足实际应用要求。