随着计算机视觉技术的发展,出现了越来越多室外场景的移动智能化机器设备,从较早期的室外智能移动机器人到最近被推向研究风口的智能驾驶车等。对于这类设备的视觉导航而言,道路部分的准确检测显得尤为重要,但在实际场景中,道路行驶千差万别,所处环境也各不相同,所以在这方面的研究其实存在巨大的挑战。基于以上背景,本文提出了一种道路边缘检测的新算法,主要是针对不同天气状态下采集到的道路图像,包括阳光下有阴影、白天无阴影,夜晚路灯下有阴影和夜晚无阴影四种情况,主要包含三个部分模块。在图像采集和特征提取模块,本文提出了一种基于RGB、HLS和HSV三个色彩空间融合的提取特征方法。系统首先通过支持向量机分类出白天夜晚的图像,结合三个空间下有阴影和无阴影道路图像的分量特征,做出阴影图像检测判断。针对无阴影和有阴影的情况,自适应选取对应的特征空间分量,从而使得图像中无阴影区域和有阴影区域的像素统一或者减少两者的像素差距,让所选取的色彩空间灰度值特征稳定,为后续的分割算法提供了基础。图像分割和去噪模块是在色彩空间提取后,本文提出一种基于Otsu分割算法的改进,通过用中值代替均值,在类间和类内方差比值最大的时候得到阈值,从而实现对图像的分割。减少算法复杂度的同时,与传统算法分割效果做出比较,改进分割算法更加适用本文所采集的图片。为了去除噪声,除了运用形态学方法外,还运用基于空间滤波思想的自适应滤波器去噪算法,实现对于道路部分的噪声的去除。在道路边缘拟合模块,先通过按列提取点集,再结合最小二乘法、霍夫变化和随机抽样一致(RANSAC)三者相融合的算法进行野值剔除和直线拟合,从而提高道路边缘检测的准确度。最后,将拟合的直线图和原图,按通道根据权值合并,从而可以直观比较出本文算法所拟合道路边缘的直线和实际道路边缘的直线情况。本文对于不同光度下道路检测所开展的研究取得了一定的效果,根据实验结果,道路检测的平均准确率可达85%,实时性可达到平均42ms/帧。在一定程度上解决了白天以及夜晚的无阴影道路、阳光下有阴影道路和夜晚路灯下有阴影道路四种情况下的道路检测问题。