城市路口的检测与认知属于无人车场景理解问题,也是目前研究难点之一。路口的复杂性与多样性为无人驾驶技术提出了更高的要求。而普遍采用的基于定位系统与高精度地图相结合的路口检测方案面临着定位误差的问题,尤其是存在定位信号遮挡的情形。因此,基于车载传感器的路口检测与认知技术是提高无人车城市场景理解能力的重要研究。本文利用车载视觉传感器,提出一种基于视觉特征与概率模型的路口检测与认知方法,旨在辅助无人车进行路口在线检测与认知,减小路口定位偏差,提高路口感知能力。本文从整体方法架构、图像特征分析、路口概率推断等方面进行阐述。首先,本文建立路口模型,其中包括路口几何结构与组成要素。模型组成可以分为静态特征与动态特征,静态特征包括可通行方向(个数及分布)、地面导向箭头、交通信号灯等场景特征,动态特征为运动车辆的短轨迹。接着,本文以路口场景的单目彩色图像作为输入,分别对静态特征与动态特征进行提取与分析。在图像处理领域,深度学习技术发展迅速,特征提取比传统方法更快,检测精度更高。因此,本文采用深度学习神经网络分析路口场景的图像特征。在静态图像特征分析方面,首先进行像素级语义分割,并引入一种二维全连接条件随机场,结合像素的位置、颜色等信息优化语义分割结果;然后对道路像素点进行逆透视变换与骨架提取,分析路口的可通行方向。同时,对路口地面导向箭头与交通信号灯进行检测与分类,辅助认知路口。动态图像特征为运动车辆短轨迹,先对车辆目标进行包围框检测与朝向分类,接着采用匈牙利算法匹配相邻帧之间的车辆目标,实现多目标跟踪,并根据连续运动趋势分析潜在可通行方向。获得路口场景图像特征之后,本文采用隐马尔可夫概率模型将图像特征与路口模型相结合,其中图像特征作为可观测变量,路口类型作为隐含变量,推断路口概率,并判断路口类型。本文中神经网络的训练采用公开数据集KITTI,测试与实验采用IN~2Bot无人车采集的实际场景数据集。为了验证算法的有效性并评估算法精度,本文在KITTI数据集与实际数据集均进行了实验,实验结果证明了本文提出方法的有效性。