对于自动驾驶系统而言,准确、实时的道路检测算法是其核心技术。道路检测算法的基本原理为:通过固定在车辆上的摄像头拍摄车辆周围的环境,然后利用传感器对这些环境信息进行处理,从而检测出车辆前方可行驶的道路区域,同时也为之后的车辆路径规划和道路标志检测提供帮助。然而由于环境复杂易变,算法结果很容易受到各种噪声的影响,例如:光照不均、行人、车辆和阴影等。因此当环境比较复杂时,如何提高算法的准确性和鲁棒性成为人们的研究热点。本文主要研究了复杂场景下道路区域的检测,尤其是当环境中存在阴影、光照不均、行人和车辆等干扰因素时。本文的主要研究内容如下:(1)针对图像中存在阴影的情况,本文提出了一种基于颜色特征与熵理论相结合的图像预处理算法。首先提取图像的颜色特征对;然后以不同的角度对这些颜色特征对进行投影,使其从二维空间转换到一维空间,并且能够减少计算量;最后基于熵理论完成图像的重建。实验证明本文提出的算法不仅能够去除图像中的大部分阴影,而且能够清晰地显示出道路和天空的轮廓。(2)本文提出了一种基于图像连通域标记的分界线检测算法,旨在去除天空对道路检测带来的影响。该算法充分利用了预处理后的图像的特点—能够清晰地显示出道路和天空的轮廓。首先将预处理后的图像转化为二值图,简化道路场景;然后利用形态学运算去除图像中的噪声;最后通过标记图像的最大连通域,进而检测出天空和道路之间的分界线。通过在After-Rain、Sunny-Shadows和百度图片三个不同的数据库上进行实验,定性和定量地证明了本文提出的算法具有较高的精度,能够比较准确地检测出图像中的分界线,从而去除天空对道路检测算法带来的干扰。(3)本文提出了一种基于密度峰值聚类的道路检测算法。首先将原始图像和标记了连通域的图像进行融合,并提取图像的灰度值特征和亮度值特征;然后按照一定的间隔将位于分界线下方的图像切割成多个子图,并利用密度峰值聚类算法对每个子图进行聚类;最后通过特征提取,依次识别出子图中的道路类,并将所有的子图进行拼接,从而实现图像中道路区域的检测。实验结果表明,本文提出的算法不易受到阴影、车辆和行人等因素的影响,具有较高的准确率。(4)本文提出了一种基于全卷积网络的道路检测算法。首先构建全卷积网络结构模型;然后利用KITTI数据库中的训练集进行训练并调整网络参数,从而得到模型的训练结果;最后利用训练好的网络模型检测图像中的道路区域。整个算法在KITTI测试集上取得了良好的检测效果,并且不易受到图像中阴影、车辆和多车道标记线的影响。