随着自动驾驶技术及视觉传感器的快速发展,基于视觉的外参优化及应用已逐渐发展成为这个领域的核心技术之一,同时也受到学术界和产业界的关注及重视。自动驾驶车辆需要具有独立自主执行任务的能力,这将改善城市道路交通系统的安全性、可靠性,并且减小城市环境污染,缓解拥堵。在自动驾驶技术实现过程中,如何有效的提高视觉传感器的感知能力以及提供自身参考定位这个问题,仍然存在很大的挑战。本文将深入研究相机外参优化及其相关的应用。针对真实场景应用的自动驾驶车辆,本文在考虑平面约束下,对相机的外参进行自标定。在两视图几何的基础上,通过图像帧之间的关系导出新的模型,将旋转矩阵分解为两个部分;之后,在满足车辆的非完整性约束情况下,让车辆进行两次确定的运动,分别求解这两部分参数。此外,通过引入虚拟相机矫正旋转,能够以更高的精度和更快的速度求解相机外参中的平移向量。特别是当相机光轴平行于运动平面时,我们不需要求解相机之间的位姿关系,这样可以在不知道相机内参的情况获得相机的外参。设计了仿真实验,对几种相关算法进行了比较,结果显示算法的求解精度表现很好,真实场景中的实验结果也验证了该算法的有效性和简便性。在真实场景中,特别是针对道路上的运动车辆,旁边随风摆动的树枝等动态障碍物,利用自身车辆的运动特性对随机抽样一致性算法进行改进,基于提出的模型,利用一对匹配点对结果进行优化迭代,与基于对极几何模型的平移估计相比,极大提高算法的估计速度,以及真实应用的鲁棒性。在获得相机外部参数后,将其应用于车道线检测,从而辅助自动驾驶车辆对自身进行定位。通过逆透视变换对车道线进行提取,设计了一种基于逆透视变换的车道线检测框架,涵盖了图像预处理、动态感兴趣区域选取、图像增强、逆透视变换、边缘检测、车道线拟合等部分。实验表明,车道线检测的精度和效率在车辆自动驾驶运行过程中能够满足性能要求。