本文建立了一种基于双目3D显示观察的主观实验流程，利用主观实验数据来分析汽车车载增强现实抬头显示（AR-HUD）设备中的动态畸变对驾驶员主观感受的影响，同时评估观看来自不同眼盒位置的图像时双目融合过程中驾驶员可以接受的畸变大小临界值。实验研究结果显示，随着两眼之间的动态畸变差异的增大，驾驶员融合图像变得越来越困难，观看的不适程度也出现较快增长。同时本文也揭示了驾驶员在使用AR-HUD设备的过程中，同一眼盒两个不同位置处驾驶员可以接受的动态畸变临界条件为垂直畸变小于2%，水平畸变小于1%。此研究证实了动态畸变对驾驶员的主观感受具有较为显著的影响，并且为汽车抬头显示系统中光学设计的优化畸变过程提供了相关的数值约束参考。

位姿估计是现阶段智能和自动化控制领域最热门的研究方向之一，在无人驾驶汽车、智能工业机械臂、民用家政机器人等领域有着诸多应用。但传统方法大多具有计算复杂，实时性困难等问题。提出了一种利用卷积神经网络来做双目相机图像输入端的尺寸压缩和信息提取，并将特征向量通过双向长短时神经网络与激光雷达计算的标准结果进行回归学习的位姿解算方案。训练得到的深度学习方案在精度和速度方面相对于传统方案都有一定的提升。

为提高双目相机标定的精度和效率，本文提出了一种基于新型编码立体靶标并结合高精度参数优化的双目相机标定方法。新型编码立体靶标通过整合4个空间姿态不同的编码平面靶标，只需拍摄一次即可完成双目相机标定，有效提高了标定效率；每个编码平面靶标内设置多个编码单元，在采集到局部靶标图像时仍能获得高精度标定结果；采用高精度参数优化方法，建立包含重投影约束、标准长度约束和共面约束的目标函数，有效提高了双目相机的标定精度。实验结果表明：相比于张氏标定方法，本文所提标定方法获得的左右相机平均绝对重投影误差分别降低了55.42%和57.22%，平均绝对标准长度误差降低了41.28%，平均绝对共面误差降低了63.04%。通过多次测量不同规格的标准量块，进一步验证了本文所提标定方法的可行性和有效性。

提出了一种基于方向性靶标和多约束优化的双目相机标定方法。新型方向性平面靶标能够判断靶标的旋转方向,并对每个标定角点进行编码,以保证双目相机在拍摄到局部靶标的情况下依然能够完成同名点匹配,进而完成双目相机标定。根据方向性靶标建立双目相机标定模型,引入用于描述平面靶标姿态的天顶角和方位角,通过天顶角和方位角筛选出在不同位置上的靶标姿态均具有明显差异的图像作为标定图像,这提高了双目标定结果的稳定性;结合靶标的三维几何信息,建立了多维度约束的双目参数优化模型,提高了双目标定结果的精度。实验结果表明,与传统的张氏标定方法相比,所提出的标定方法能够有效提高所获得的标定结果的稳定性和精度;通过对标准量块进行多次测量,进一步验证了所提方法的有效性。

激光雷达和双目相机作为无人驾驶领域中重要的环境感知设备,两者之间的外参配准是其联合应用的重要基础,然而两种信息的融合意味着繁琐的校准过程。基于此,提出一种基于特征点对匹配求解的方法,采用两块矩形木板,分别提取双目相机与激光雷达坐标系下的木板边缘3D点云,拟合空间直线求取角点坐标,最后利用Kabsch算法求解配对的特征点之间的坐标转换,利用聚类法去除多次测量结果中的异常值,并求取平均值。通过搭建实验,所提算法可在Nvidia Jetson Tx2嵌入式开发板上实现,获得了准确的配准参数,验证了理论方法的可行性。此配准方法简单易行,可自动完成多次测量,相比于同类方法精度也有所提高。

针对大视场双目相机标定中的精度低和非线性畸变问题, 提出了一种结合BP神经网络的大尺寸虚拟靶标标定技术。鉴于单角点棋盘格具有易制作、高精度的特性, 构建大尺寸虚拟靶标; 利用神经网络的非线性映射能力直接建立角点的像素坐标和世界坐标映射关系; 用建立的映射网络对测试样本进行三维重建, 并与传统的线性标定方法进行对比实验。结果表明, 该方法操作简单, 且重建距离相对误差为0.92%, 优于传统的线性标定方法, 可用于大视场双目相机标定。