无人驾驶技术对减少交通事故,缓解交通压力,改变出行方式,促进汽车产业升级等有着重大意义。基于机器视觉的道路检测是无人驾驶落地的重要技术之一。本文对基于机器视觉的道路检测技术进行研究。道路检测分为两部分,结构化道路检测和非结构化道路检测。结构化道路检测使用基于图像特征的车道线特征提取检测方法,非结构化道路使用基于图像语义分割的区域分割检测方法。结构化道路通常具有清晰、固定样式的车道线,使用车道线检测代替道路区域检测。车道线检测首先根据车道线梯度大小、方向和分布特征,得出可能的车道线边缘。接着,通过HLS色彩模式L、S通道阈值过滤得出车道线候选区域。然后,对车道线边缘特征和区域特征进行融合。融合后结合车道线与车辆的位置关系和车道宽度关系得出车道线具体位置。最后,使用二次多项式拟合车道线。实验结果表明,设计的车道线检测算法实时性良好,单帧检测耗时73ms;在良好的天气状况下对车道中的文字、导流标志等具有较好的抗干扰能力。非结构化道路使用图像语义分割技术对道路区域进行分割。针对道路检测的特点设计了基于深度学习模型的图像语义分割网络。网络使用编码-解码的网络结构。编码部分使用轻量级特征提取网络MobileNet_V2,解码使用基于多级上采样的低、高层特征融合网络。本文设计的网络模型采用平均交叠率作为性能评估标准,在PASCAL VOC2012和Cityscapes数据集上分别达到了75.67%和71.63%的交叠率,轻量级设计网络达到了第一代DeepLab图像语义分割模型水平。道路分割完成后使用道路区域优化算法对道路区域进行优化。首先,使用区域生长法确定车辆当前行驶区域。接着对道路区域进行逆透视变换恢复道路空间信息。最后,使用行、列道路边缘毛刺优化算法优化道路边缘,提升道路区域交叠率。实验表明,使用本文设计的图像语义分割和道路优化算法处理后的道路交叠率达94.41%,达到了DeepLabV3+的道路区域分割水平;同时,算法单帧耗时52ms,相对DeepLabV3+运行耗时降低80%。本文设计的车道线检测算法和道路区域分割算法,具有较好的应用价值,能够为无人驾驶道路检测技术的发展提供了理论支撑和方法借鉴。