随着国民物质生活的日益丰富,人均汽车保有量的提高,交通事故频发、道路拥堵成为常态。为了解决这些问题,自动驾驶辅助系统、车辆导航等智能系统的开发变得越来越重要。而道路检测作为其中的核心技术之一,备受重视。在众多实现技术之中,机器视觉技术因其具有设备成本相对较低、设备设置简单等优点而备受重视,因此,基于深度学习的道路检测方法成为了近几年的研究热点。本课题针对于道路检测的迫切需求,深入研究了基于深度学习的道路检测方法和道路图像生成。具体研究内容如下:1、道路数据库的创建和收集。通过车载摄像头、遥感卫星拍摄等收集到大量的城市道路图像和遥感道路图像,使用标定软件,和同组同学一起对其进行标定,最终构成两个数据集:行车记录仪数据集、遥感图像数据集。2、提出基于卷积核的条件随机场。研究了条件随机场理论及目前流行的全连接条件随机场,并深入地学习条件随机场的优化算法,针对道路检测中因极端光照环境条件而出现孔洞和边缘不平滑等错误检测问题,提出了将条件随机场的能量函数与全卷积回归神经网络结合的卷积核条件随机场。在遥感道路图像和行车记录仪数据集两个数据集上进行实验,实验结果证明卷积核条件随机场搭配全卷积回归神经网络在不大幅度增加网络模型规模的前提下,不仅能够大幅度提高道路的检测精度,而且还提供了超过全连接条件随机场的优化性能。3、基于生成对抗网络的道路图像生成。深入学习了生成对抗网络理论,针对行车记录仪数据集中道路图像不足的问题,基于生成对抗网络,加入带衰减参数的回归损失函数,及道路检测损失函数,实验表明改进后的生成对抗网络能够生成质量更高的道路图像。4、基于全卷积回归神经网络的道路检测研究。对目前存在的一些结构进行分析,例如:卷积层、膨胀卷积层、最大池化层、平均池化层、金字塔池化结构,跳级连接等,来研究这些结构对于道路检测精度的影响。实验证明,对于道路检测来说,使用跳级连接能有效提高网络的检测性能;不使用池化层的网络有可能获得最佳的检测性能;膨胀卷积对比标准卷积,性能有所提升;金字塔池化结构具有优秀的检测性能,能在网络可训练参数相近的情况,提供远超一般网络的检测性能。