移动机器人视觉导航技术是移动机器人智能化研究的重要基础和关键技术,正受到国内外研究学者越来越多的重视,已经成为人工智能与机器人研究的前沿课题和研究热点。视觉导航道路理解技术是对移动机器人视觉导航技术研究的基础模块,其理解能力直接影响到移动机器人自主导航系统的性能。视觉导航道路理解技术对提高移动机器人视觉导航能力和智能化水平具有重要的研究意义和使用价值。本文以移动机器人视觉导航道路理解技术为研究对象,以移动机器人视觉导航边界提取为主线,对道路图像区域颜色特征提取、纹理特征提取、特征融合及道路图像分割方法等具体问题进行了相关的研究工作。在对道路图像颜色特征提取的研究中,针对直方图分类量化方法单纯基于颜色分割得到的区域可能不完整,以及分类阈值选取的自适应性差等问题,本文提出一种基于HSI色彩空间的颜色特征提取方法。该方法采用符合人类视觉特点且各个分量相互独立的HSI颜色模型来表示彩色图像,从而充分利用了HSI颜色模型对颜色描述的稳定性,抑制分类时颜色信息的发散,结合基于直方图多阈值分类量化的自适应性,提取图像的颜色特征。通过实验对本文提出的颜色特征提取方法的有效性进行了验证。在对道路图像纹理特征提取的研究中,针对传统小波变换破坏了纹理特征的平移不变性的问题,本文提出了一种基于DWF离散小波框架变换的纹理特征提取方法。在对图像纹理结构的描述中,本文提出的方法与常用的金字塔式小波变换方法相比,能够在分解过程中很好地保留图像纹理特征的平移不变性,并为最终的图像聚类分割提供了与原图像像素一一对应的纹理特征值;在小波框架变换的分解过程中,采用灰度层共现矩阵来实现分解层数的选择,根据低频近似子图像纹理成分被滤除的程度判断,为分解层次的选择提供一个直观可行的途径;在DWF对图像多层滤波的基础上,提出Laws纹理能量测量的改进方法,计算分解后子图像的小波系数,并将每一层分解的水平、垂直以及对角高频系数组合,在降低特征维数的同时,也使得特征参数在旋转90°、180°和270°时均具有旋转不变的性质,从而得到图像像素的纹理特征向量。纹理特征提取及分割实验结果验证了本文提出方法的有效性。在颜色特征提取与纹理特征提取研究的基础上,提出了一种基于融合道路颜色与纹理特征的道路理解算法。该算法利用视觉图像处理技术,将获取的道路颜色特征值与纹理特征值按照一定的权值组合,最终获得能够表征道路图像各区域的特征,基于特征值,采用聚类技术完成道路图像中道路区域与非道路区域的划分,并用边缘检测方法给出移动机器人运动路径边界的信息。彩色纹理图像分割实验及移动机器人实时道路图像分割实验结果验证了本文提出的道路理解算法在引导移动机器人实现对环境的自主探索方面显示出较好的效果。按照本文的道路场景理解算法处理流程,在具体实现过程中,编写了一些重要的图像处理函数,借助MATLAB及Visual C++等工具,实现了道路图像的分割及道路区域的有效检测。在Pioneer31机器人导航及控制平台下进行了移动机器人视觉导航控制实验,实验验证了本文算法在移动机器人自主导航运动中的可行性。