随着车辆的不断增多,在车辆行驶的过程中,一些驾驶人员的不良驾驶习惯致使交通事故频发,从而安全驾驶得到了越来越多的关注。作为一种潜在的解决方案,智能驾驶技术将成为一个研究热点。同时作为智能驾驶的一个关键技术,驾驶关注区域检测方法对智能驾驶或者智能预警系统的性能具有重要影响。驾驶关注区域指的是车辆行进过程中前方道路区域。它可以为智能驾驶车提供道路环境信息以便于决策。目前常用的道路检测方法大致可以分为两大类。一类主要是利用特定的道路标志线特征来进行道路检测,事先建立道路模型,并且确立模型约束,然后利用标志物特征检测结果估计模型参数。另一类则主要是关注道路区域的分割,通过提取道路图像的颜色、纹理、梯度等特征信息来训练分类器。然而,由于车道的形态多样、光照变化、阴影等多种因素的影响,大多数已有的道路检测方法所提取的特征鲁棒性通常不够强。针对现有方法存在的不足,本文基于深度学习,提出一种有效的驾驶关注区域检测方法。我们首先利用SSD模型训练得到深度特征,并将所提取的深度特征用于随机森林训练,采用随机森林回归得到精确的地平线估计;其次,基于摄像机模型,采用摄像机自标定的方法得到摄像机的内外参数;再次,利用Canny边缘检测及k-means聚类实现消失点的估计;最后,基于所得到的各种估计,建立道路检测模型,并进一步实现路面区域的分割。为了验证本文实验方法的可行性和有效性,我们在数据集KITTI以及Guangzhou_ADAS上进行了地平线检测实验。检测结果表明:与现有方法相比,本文所提方法不仅在计算速度以及精度上有一定的提高,而且更重要的是,本文方法所提取的特征通常具有更强的鲁棒性。同时,我们主要在KITTI数据集上进行了道路检测。实验结果表明:与现有方法相比,本文所提的方法不但具有较好的道路检测效果,同时能够比较准确的检测出阴影部分的道路区域。