随着社会的快速发展和科技的日益进步,智能车辆因其在各个领域均有着重要的使用价值成为了目前研究的热门话题。智能车辆的导航系统从功能结构来看主要包括环境感知、自主定位、路径规划以及决策控制等模块。其中,环境感知技术作为智能车辆的“眼睛”,是目前智能车辆量产和商用化的最大障碍之一,也是其它模块实现的基础和前提。目前,高等级的无人驾驶汽车系统仍然非常依赖于激光雷达等传感器的测量,然而,激光雷达在价格成本,处理算法复杂度等方面限制了智能车辆的发展,所以基于智能车辆视觉导航的环境感知技术近几年发展迅猛。环境感知也被称为环境理解或场景理解,主要包括道路可行驶区域检测、车道线检测、道路场景语义分割、车辆等障碍物检测等内容。本论文深入分析了智能车辆视觉导航环境感知领域中的几项关键技术及其在国内外的研究现状,总结了现阶段环境感知技术研究中存在的不足,在此基础上分别对道路检测算法、车道线检测算法、图像语义分割算法、联合分割与检测算法等关键技术进行了深入研究,提出了多种改善环境感知性能的算法。本文的研究成果对智能车辆的发展及应用具有重要的理论意义和参考价值。本论文主要完成了以下四个方面的工作:(1)深入研究了智能车辆环境感知中的道路检测算法,提出了一种融合道路表观特征和先验知识的道路检测算法。通过图像形态学运算去除了车道线信息,引入图像光照不变性转换,提出将输入道路图像分割成超像素图像并选取道路种子超像素进而运用混合高斯模型对道路表观特征进行建模,利用构建好的道路模型区分道路区域和非道路区域并融合了离线构建的道路先验知识模型。本文算法解决了现有算法在存在阴影及光照不均匀、车道线干扰、障碍物遮挡等情况下道路检测准确率低鲁棒性差的问题。在KITTI道路检测数据集的实验结果表明,本文算法在城市道路场景下的道路检测MaxF值达到了92.51%,相比较其它道路检测算法在准确性和鲁棒性上有了显著的提高,可以满足实际应用需求。(2)针对目前的车道线检测算法鲁棒性不足且通常只能检测出固定数量的车道线因而导致无法应对车道变换的问题,深入研究了智能车辆环境感知中的车道线检测技术,提出了一种基于FCN与H-Net的多车道线检测算法。本算法将车道线检测问题视作一个图像语义分割的二分类问题,并通过设计基于FCN的车道线分割网络将输入图像分割为背景区域和车道线区域两个语义类别;继而通过引入H-Net网络结构,生成透视变换矩阵并进行透视变换;在此基础上对分割得到的车道线像素进行曲线拟合,并逆变换回原图像,得到车道线的数学表示模型;此外,将距离图像中心线最近的两条车道线中间的区域定义为智能车辆目前行驶的车道,最终实现了对车道线及行车车道的检测。在TuSimple数据集的实验结果表明,本文算法的车道线检测准确率达到了96.89%,性能得到显著提升。(3)对智能车辆环境感知中的图像语义分割技术进行了深入研究。提出了一种基于改进的DeepLabV3+与超像素优化的语义分割算法。针对DeepLabV3+连续使用两次因子为4的双线性上采样不足以充分恢复图像细节信息的问题,通过使用转置卷积代替双线性上采样对其进行了优化,并使用经过优化的DeepLabV3+网络模型提取图像语义特征并得到粗糙的语义分割结果。此外,使用SLIC超像素分割算法将输入图像分割成超像素图像,并通过融合高层抽象的语义特征和超像素细节信息,得到边缘优化的语义分割结果。解决了现有的基于深度学习的图像语义分割算法在特征提取阶段由于连续的池化及下采样导致大量图像细节信息被丢失,使其在物体边缘部分分割效果不佳的问题。在PASCAL VOC 2012和Cityscapes数据集的实验结果表明,相比较DeepLabV3+语义分割算法,本文算法在物体边缘等细节部分有着更好的语义分割性能,其在Cityscapes数据集的mIoU值达到了82.8%,性能得到了显著的提升。(4)深入研究并分析了多任务学习技术及智能车辆环境感知所需要解决的问题。提出了一种基于多任务学习的联合分割与检测的网络架构,通过设置编码解码结构并使分割和检测网络共享同一编码结构,由解码结构分割部分输出图像道路区域分割结果,由解码结构检测部分输出车辆等障碍物的检测结果。本文算法在KITTI数据集上的实验结果表明,本文所提出的算法可以利用单一的网络结构同时实现对道路区域的分割以及对车辆的检测,且各项任务均有着出色的性能表现。解决了图像语义分割技术无法区分属于同一类别的不同实例个体和图像目标检测技术无法通过使用边界框实现道路区域检测的问题,提高了环境感知算法的工作效率,使仅使用一个网络结构完成复杂的环境感知任务成为可能。