随着计算机视觉技术的快速发展,基于视觉的智能汽车导航系统得到了越来越多的关注和投入。在实际工作中,非结构化道路检测会遇到各种复杂的道路背景,如路面覆盖物多种多样、周围环境不同、光照条件变化等,这增加了基于视觉检测道路的难度。道路检测是实现智能车辆导航的基础,特别是对于非结构化道路的检测,只有快速准确地检测出道路的可行驶区域才能够真正实现自动驾驶。因此,研究复杂背景下的非结构化道路检测有着重要的意义。本文针对复杂背景下的非结构化道路检测展开研究,以提高道路检测方法的通用性、准确性、实时性和鲁棒性为目的,在检测道路消失点的基础上,实现多种道路类型的可行驶区域检测。本文的主要工作如下:(1)对道路消失点的检测进行研究。本文将道路消失点的检测分为纹理主方向估计、有效投票点选取和消失点投票方法三个部分。利用像素点的纹理方向选取有效投票点,在消失点投票方法部分,从多个角度思考投票点与候选消失点之间的关系,提出了基于距离加权的局部软投票方法,实现了各种复杂背景下的道路消失点检测。(2)对道路区域的检测进行研究。本文以检测的消失点为道路约束条件,快速准确地提取一个供车辆行驶的三角形区域。首先针对结构化道路,在经典的霍夫变换的基础上,提出了过消失点的霍夫变换道路检测方法。然后针对非结构化越野道路,根据道路方向与大多数像素点的纹理方向基本一致的特点,提出了基于纹理方向的道路检测方法。最后针对非结构化乡村道路,提出了基于局部特征融合的道路检测方法,采用多特征融合和消失点更新的方式,实现了对各种复杂背景下的道路区域检测。(3)对道路坑洼的检测进行研究。本文根据坑洼与周围道路间存在的明显差异,首先采用边缘检测、聚类技术等传统的图像处理方法进行道路坑洼检测。然后采用基于深度学习的方法检测道路上的坑洼,利用U-Net卷积神经网络训练道路坑洼图像,得到道路坑洼检测模型,实现了对道路坑洼的精准定位。本文实现了针对非结构化道路在复杂背景下的可行驶区域检测。研究结果表明,本文方法能够比较准确地检测出道路的可行驶区域,满足本课题的要求。