为提高机动车行驶安全性,有效避免交通事故的发生,车辆驾驶辅助系统已成为当前智能交通领域的一个研究热点。然而当前的车辆驾驶辅助系统在低光照、车道线模糊破损、道路形态不清晰、车辆环境障碍物复杂、多种因素干扰驾驶员操作的情况下,无法可靠提供行车安全保障。论文针对以上影响车辆驾驶辅助系统工作的因素,重点研究了基于视觉的复杂多干扰环境下的结构化与非结构化混合道路检测感知方法、基于深度相机的车辆复杂环境全向障碍物检测方法以及基于深度相机的驾驶员危险驾驶行为检测方法。主要工作包括以下四个方面:(1)针对路面阴影、雨水、污渍和反光等干扰影响结构化道路车道线识别,以及在无车道线、车道边界模糊、场景周围干扰因素较多的非结构化道路上车道保持功能无法靠工作的问题,提出基于逆投影变换(IPM)的和基于改进K-means的迭代聚类分割自适应车道线边缘提取方法,及一种车道线边缘区域搜索统计方法,最后使用Polynomial函数拟合车道线边缘主控点生成最终的车道线。同时给出一种RGB熵和最大二维熵混合的非结构化道路提取算法初步提取车道,随后应用改进模糊熵算法判断提出车道中的不确定区域。使用改进区域生长方法对混合熵图像进行区域搜索,同时应用改进的最小二乘拟合二次曲线模型生成车道边界。最后建立了一种基于改进CCP的混合车道偏离预警模型,对车辆偏离结构化非结构化混合道路中的车道进行判断预警。实验表明提出的方法有效提高了不同干扰存在环境下的混合道路车道线和车道边界的检测感知能力,同时可以保证各种速度下的实时混合道路检测感知速度,符合车辆驾驶辅助系统对实时性的要求。(2)针对传统车辆环境障碍物检测方法探测范围窄、成本高、计算较耗时、容易受环境光线影响的问题,提出使用深度相机进行车辆环境全向障碍物检测。当确定了ROI区域并应用深度相机变换矩阵生成全景深度图像后,给出了一种基于改进深度图像空间区域生长和改进自适应DBSCAN的混合障碍物提取方法,应用改进KNN的深度图像空洞快速深度估计与修复方法与改进迭代Normalized Cut分割完成深度图像空洞修复与零碎不规则障碍物聚类融合,最后通过深度相机逆变换矩阵得到车辆环境全向障碍物分布图。实验结果表明本文方法相比其他方法可以更加有效、完整地检测白天夜晚复杂环境中的障碍物,且检测准确率、精准率和召回率都更好。以上优点为车辆驾驶辅助系统的车辆环境全向障碍物检测提供了有力保障。(3)针对目前车辆驾驶辅助系统通过在车内安装大量传感器检测驾驶员精神、心理状态、车内外行驶状态等可能导致高造价、改造车辆结构、影响正常驾驶等问题,提出使用深度相机对驾驶员危险行为进行检测。研究了基于逆映射空间生长的改进一维Hough投票深度空间椭圆检测方法,并通过混合自适应DBSCAN的改进Zhang-Suen骨架线细化算法和基于多映射联通域聚类分析的FAST骨架线关节提取与定位算法,确定了深度图像空间中驾驶员的骨架和关节点。最后设计了基于决策树的危险驾驶行为检测方法和基于骨架熵的危险驾驶状态评估方法。实验表明本文方法实现了无接触的驾驶员危险行为检测,且实现了全天候的快速检测能力。骨架熵值的计算综合评估了驾驶行为的混乱程度,对阻止危险驾驶行为的进一步发展具有重要意义。(4)应用本文方法搭建了车辆驾驶辅助软硬件测试平台,阐述了车辆驾驶辅助系统的需求和测试平台软硬件流程。以长安大学校园与汽车试验场做为测试场地,对结构非结构混合道路车道检测感知、车辆环境全向障碍物识别和驾驶员危险行为检测进行了联合测试和试验。通过对本文方法的实车测试,结果表明使用本文方法搭建的基于视觉的车辆驾驶辅助系统具有较强的可行性、较高的可靠性、以及较强的有效性和较高的效率,有效提升了行车安全性,并为智能车辆未来的研究提供了理论基础。