可靠的障碍物识别与定位技术可以辅助驾驶员提前了解前方路况信息,当驾驶员行驶在可见度较低的路况时,由于不能及时进行规避,极有可能导致交通事故。近年来,利用机器视觉对障碍物进行检测已成为一个热点,双目立体视觉技术由于其自身不可替代地优势已被大多数学者作为智能驾驶研究的重要辅助手段,例如使用其进行车辆前方障碍物检测。本文首先分析了国内外障碍物检测技术的国内外研究现状,选择了双目视觉技术进行障碍物检测;提出了一种基于多尺度代价模型框架(Cross-Scale Cost Aggregation,CSCA)的改进立体匹配算法,然后使用ASW算法、SGBM算法、GF+WM(导向滤波结合加权中值滤波算法)和本文立体匹配算法对Middlebury平台数据集提供的图片进行立体匹配,同时计算不同算法的误匹配率和运行时间并进行对比与分析,验证了本文算法的可靠性。本文主要是对双目视觉实现过程中的关键技术进行研究,针对如何实现车辆前方障碍物检测,主要做了如下工作:1、双目视觉平台搭建。通过对平行双目立体视觉模型和相交双目立体视觉模型进行分析,结合拍摄视野和搜索范围条件,选择了平行双目立体视觉模型作为本系统的视觉模型。集成各类硬件和软件设备,搭建了双目立体视觉障碍物检测平台。2、摄像机标定与校正。研究四种坐标系间的转换关系,计算得到世界坐标系到图像坐标系转换的数学模型。根据摄像机的使用条件,选择使用张正友标定法进行相机标定,获取相机的内外参数;并在此基础上研究了标定距离与标定精度的关系,选取最佳标定距离使标定误差最小化;选用Bouguet方法对相机进行立体校正。3、图像立体匹配。对立体匹配算法四个步骤进行研究,分析并比较多种代价聚合方法。引入多尺度代价聚合模型,结合该模型提出了基于该框架下的改进立体匹配算法。分别与ASW算法、SGBM算法以及GF+WM算法进行误匹配率和运行时间的对比,验证本文算法的可靠性。4、结合视差信息进行测距。本文使用VS2012和Opencv2.4.9为软件开发平台,利用本文匹配算法结合摄像机标定参数获取图像的深度信息。为了进一步验证本文匹配算法的可靠性,设计了摄像机前方不同距离车辆的测距试验,试验设定的距离范围为1-10米。在此基础上分别使用本文算法、SGBM算法和GF+WM算法对设定在不同距离的车辆进行了实际测距,并对试验结果进行了分析。试验结果表明,本文算法与其它两种算法相比测距误差率整体降低,而且随距离增加,测距所产生的误差也在变大,当测距在3-6米范围内时,误差率相对较低,选取这个范围内进行障碍物检测,可靠性较高。