随着科技的不断发展,自动驾驶技术不断得到完善,在不久的将来,自动驾驶车辆将出现在人们日常生活中。对于智能驾驶而言,道路检测技术是一个关键技术,这包括道路前方延伸方向检测、道路中标识检测和道路中障碍物检测。目前,主要利用车载摄像头、红外线检测仪等进行道路检测。但是,由于车辆行驶的复杂性,经常需要途径光照不充足、天气状况恶劣的路段,传统的道路检测技术将遇到很大的挑战。因此设计并实现一个对光照变换、天气状况具有强鲁棒性的道路检测系统显得十分重要。本论文考虑到日常行车过程具有很强的重复性,同时道路状况在一段时间内变化较小,因此提出将光照状况不佳、天气条件较差情况的道路图像匹配到同一道路点光照充足、天气状况好的图像,再在该图像基础上进行道路检测,从而使得系统对于光照、天气等环境条件具有强鲁棒性。本论文主要研究内容如下:(1)根据问题的独特性,建立道路场景图像数据集,数据集中人工标注了两种光照条件(白天和夜晚)、五种天气状况(晴天、雪天、雨天、雾天、阴天),数据集中图像数量接近一万。同时人工标注了不同环境条件下同一道路点图像对,共计12,387对。该数据集可以用于道路图像匹配算法研究,也可以用于其他道路相关算法研究。(2)本论文采用AlexNet深度神经网络模型作为基本模型,通过实验研究了对于该问题,网络不同层输出的特征矩阵性能,不同训练集下网络性能,最后确定采用第五个卷积层输出的特征矩阵,以及采用在ImageNet和Places数据集上预训练得到的AlexNet网络模型作为基本模型,采用CMC曲线作为性能比较标准函数。(3)设计并实现了跨天气道路场景再识别系统,对基本网络模型进行参数微调,提高系统性能,当源域分别为夜晚和下雨夜晚时,平均Rank1分别提高了 1.7%和8%。进一步,进行度量学习后,将图像深度特征进行特征变换,降维到一个更小的公共子空间中,再进行图形检索、匹配,经比较,夜晚和下雨夜晚,经过特征变换后,平均Rank1分别提高3%和10.67%。最后基于SCNN网络训练模型,与特征变换后性能进行比较,当源域分别为夜晚和下雨夜晚时,平均Rank1分别提高了 1.5%和2.5%。最后,检测得到,模型训练时,前向传播速度为517.3fps/s,总体训练速度为263.2fjps/s,实际应用中,图像处理速度为17.3fps/s,满足实用性要求。