中文摘要：

智能交通和智能车是当前国民经济发展的重要方向，车载多传感器系统在智能导航、移动测量等方面正在发挥越来越重要的作用。本课题研究基于智能车的三维认知地图的生成和应用技术，力图将传统视觉计算模型与新型认知模型相结合，综合使用图像识别、视觉重构、虚拟现实、GPS以及GIS技术，在一个"学习/测试"两步走的框架下构造面向行驶环境和交通规划等应用的三维认知地图。课题的特色在于采用基于多传感器数据融合的场景无缝融合技术和基于图像分析和模式识别的认知信息融合技术，将三维场景和认知信息融为一体，为行驶路线周边的静态和动态环境生成兼具形象和抽象特征的的立体认知模型，既能提供车辆辅助安全驾驶与复杂行驶环境中路径规划的有效手段，又能提供用于车辆行驶测试环境的设计与评估的虚拟平台。从而协助交通管理系统或驾驶者来更有效地认识、规划、建设和管理交通环境和设施。为安全、高效的交通规划和智能驾驶提供决策依据。

结论摘要：

自然科学基金项目“基于智能车的三维认知地图构建及应用”的研究目标为以基于智能车的环境感知为切入点，将传统视觉计算模型与新型认知模型相结合，综合使用图像识别、视觉重构、多传感器跨模态跨尺度信息融合等技术，生成面向行驶环境和交通规划等应用的，高质量的三维场景认知地图。该项目的主要技术路线为采用结构与运动恢复技术来恢复局部场景中重要特征的深度信息，采用多传感器融合技术来进行全局定位以及全局和局部模型的配准，采用基于图像的模式识别和建模技术来构造三维认知地图和利用认知信息。本项目完成了以下几个研究内容和研究目标第一，复杂环境下基于立体视觉的深度信息重构和局部模型构建；第二，基于多处理器数据融合和关联技术的全局定位以及全局和局部的场景配准；第三，基于模式识别技术和建模技术的认知信息融合和三维地图生成。本项目取得的主要研究成果为设计和实现了一个一般性移动测量条件下的场景建模和分析框架。按照框架实现顺序又可以分解为以下几个算法成果 1．实现了一个面向精确测量的光学摄像机畸变校正算法。该算法采用联合优化的思想减小了相机标定误差或漂移带来的立体视觉系统恢复深度信息的精度损失实现了校正图像中的准确欧氏度量和三维结构信息提取，使得一般畸变图像的欧式度量和场景恢复成为可能。 2. 实现了一个稳定可靠的立体视觉匹配和场景深度恢复算法，该方法采用对初始分块平面拟合进行多层迭代优化的机制进行稠密场景深度估计，算法的优势在于能够较好地处理那些非遮蔽区域和无纹理区域的情况。同时能够有效抑制背景的噪点。 3. 实现了一个稳定的基于有序或无序图像集合的结构与运动恢复算法。该方法可以灵活处理一般的室内和室外场景。在不使用特殊辅助标定结构的情况下，有效的进行复杂场景的场景深度及结构和运动恢复。 4．实现了一个多视图三维重建中的高效几何建模和纹理映射算法。该算法结合使用shape from stereo和shape from silhouette的思想生成高精度点云及网格模型，并采用基于MRF的纹理分块选择算法和多频带纹理过度纹理映射算法来确保了高真实感的场景重构。