基于视觉的道路检测的关键是如何将道路图像像素点准确确定为道路和非道路,针对车流量较大且路面情况复杂的情况存在很大挑战,而单目视觉具有成本低廉、处理难度较大的特点,因此基于单目视觉的道路检测成为研究的热点。为此,本文结合智能驾驶汽车的具体应用,研究如何利用单目视觉对复杂路面情况实现道路检测,提出具有准确率和鲁棒性的道路检测算法。本文的主要工作及研究成果如下:为了提高道路检测的处理速度,减少无关信息的干扰,提出一种结合行车参数和相邻多帧视频图像之间显著性特征确定视觉处理感兴区域的方法;根据智能驾驶汽车的行车参数,从标定好的车载摄像头拍摄的图像中确定感兴趣区域。为了提高道路检测的准确性,降低成像质量的影响,改进一种基于定向滤波的降噪去模糊算法,使其满足智能驾驶汽车的视觉道路检测的准确性要求。该算法针对输入图像使用定向低通滤波大大地降低噪声水平,同时保留滤波正交方向的模糊信息。该算法降低了噪声,却不会降低模糊信息,从而产生更好内核。针对给定的估计内核,通过两步迭代优化会生成一个高品质的结果,达到降噪去模糊的效果。另外,结合多帧视频道路图像,在上一帧降噪去模糊图像的基础上,结合相邻帧之间差异特征的降噪去模糊,即可得出当前帧的降噪去模糊图像,降低时间复杂度,满足实时性。提出一种基于超像素及各向异性热扩散的道路检测算法。该算法首先通过超像素分割算法将感兴趣区域过分割成小的同质区域,然后借鉴物理学中的热扩散原理将超像素聚类为区域块,最后结合先验知识和协同分割中最大最相干原理获得最终的道路区域。基于多帧视频图像,当前帧道路区域的检测,可结合前面相邻帧,结合协同分割原理,快速地获取当前帧的道路区域。最后,编程实现感兴趣区域内的降噪去模糊算法和基于超像素及各向异性热扩散的道路检测算法,实验结果表明,针对光照的变化、拥挤的交通这样复杂环境都有很好的鲁棒性。此外,该方法与当前几种最新的道路检测算法进行比较,在实现较好检测精度的同时,极大地缩短运行时间,满足道路检测的实时性。