如今,道路检测仍然是智能驾驶中一项具有挑战的任务。对于一张包含道路区域、障碍物以及行人的图像,道路检测任务的首要目标是准确的检测出道路区域,同时避开障碍物和行人。这决定了自动驾驶技术能否给人们带来足够的安全性。随着计算机视觉的持续发展,越来越多的深度学习方法应用在道路检测任务中,因为它们可以获取更深层次的图片特征并且从原始的RGB图片中发现道路。但是,由于光照和背景环境的影响,这些方法提取的道路区域仍然不够准确。因此,道路检测算法的准确性还有待提高。目前比较流行的道路检测方法,包含以传感器为主的传统方法,还有以神经网络为主的深度学习方法。通常情况下,使用深度学习的检测方法准确性和鲁棒性比传统方法更好。本文对这些方法进行了分析并且提出一种基于深度学习的道路检测方法。本文主要的研究内容和创新点如下:(1)引入循环一致性对抗网络完成道路检测任务。该网络能够找出一个图像集和另一图像集之间的两种映射关系,这两个映射可以完成图像的特征转换。它已经被广泛使用在了去雾,去雪等领域。本文使用这个网络找出未检测道路的图像和已检测道路图像之间的映射关系,进行特征转换后完成道路检测的任务。(2)针对道路检测中常见的误检和漏检问题,本文提出了一个新的模型。漏检的主要原因是光照,太亮或者太暗的环境会使得漏检区域与道路区域的特征差别过大。误检主要是因为部分墙面或者障碍物的特征与道路的特征非常相似。因此,该模型加入了连通域检测和漫水填充,弥补了漏检区域的同时排除了误检区域,从而解决大部分的误检和漏检问题,提高了方法的准确度。本文在训练和测试阶段选择了KITTI数据集,并且上传测试结果到KITTI官网做进一步评估,然后分析返回的评估数据可以得出结论:本文的方法不仅有高精度,而且有好的鲁棒性。