近些年来,智能驾驶技术受到越来越多的关注,它能帮助车辆以半自动或者全自动的方式完成行进、路径规划、障碍躲避等任务。它可以有效缓解交通拥堵,降低交通事故发生概率,提高社会生产力。目前许多公司和科研机构都在智能驾驶领域有所涉猎,并取得了一些瞩目的成就,驾驶的精确度和鲁棒性都达到了较高的水准。但是大多数相关研究都是在硬件平台较为完善的车辆上进行,其巨大硬件和软件成本使得该项技术尚不能大规模落地应用。为了解决这些问题,本文参考相关文献对智能驾驶中的感知算法进行改进,搭建了一个基于视觉传感器的可行驶区域检测网络。该网络由车道线检测分支和障碍物检测分支构成,分别用来探测行驶环境下的车道线信息和障碍物信息,两个分支网络放到同一个数据集上单独训练。在可行驶区域检测网络外,本文还提出了面积相交算法,用障碍物在车道区域的占比判断车道的拥堵程度,进而向车辆发送合适的行驶建议。本文的主要研究内容如下:本文基于预设行锚框分类方法对车道线检测网络进行了探究。传统的图像分割算法消耗的计算量较大,原因在于这类算法需要为输入图像的每个像素点做分类操作,为了获得更好的实时效果,本文的车道线检测网络选择对图像的关键点做预测,再由关键点还原车道线全貌,这种方法不仅准确,还可以有效节省计算成本。除此之外,本文还对针对一些车道线不可见的情况做了技术改进,分别将空间卷积模块和注意力机制模块插入到搭建好的车道线检测网络中,帮助网络更好地融合图像的全局信息,获得更高的检测准确度,最后本文在CULane数据集上进行了实验。本文基于单阶段目标检测方法对障碍物检测网络进行了探究。大多数目标检测算法都是基于常见生活场景搭建的,不能充分考虑车辆行驶环境下障碍物的特性,为此,本文设计了专门用于检测道路环境下的障碍物检测分支网络,通过改进网络的特征提取层,让网络更加适合道路环境下障碍物目标的检测。实验结果证明,本文对于特征提取层的改动可以帮助网络提高将近4%的检测精度。除此之外,为了保证与车道线检测网络用到的数据集一致,本文基于CULane数据集提出了一个新的数据集。原数据集仅包含车道线相关信息,本文在此基础上添加了障碍物信息的标注以供障碍物检测网络训练。本文将车道线检测网络和障碍物检测网络进行了融合,搭建了可行驶区域检测网络。车道线检测网络和障碍物检测网络共享一个特征提取层,分别用于输出道路区域和障碍物区域。进一步,为了完善搭建好的可行驶区域检测网络,本文还提出了面积相交算法作为后续的拓展研究,面积相交算法首先计算每一条车道与障碍物的相交区域面积,再根据相交区域在车道中的占比判断每条车道的拥堵情况,进而向车辆提供智能驾驶建议。