在智能交通领域,前方道路的信息错综复杂,道路上的目标包括车辆、行人和路面等。计算机视觉系统能够对道路上的信息获取,并在此基础上完成目标的检测与识别,因此一套高效的道路信息检测与识别的算法亟待解决。对于神经网络的选择与优化是当前研究的重点,视频中的连续检测和检测精度的提升也是当前算法优化的重点,并且数据集的选择与处理也将影响道路检测算法的效率,一个通用性强的数据集能够提高模型的泛化能力。本文对道路检测算法进行了分析,主要关注三个方面:车辆、行人和路面。对车辆目标,在视频中完成车辆的检测与追踪。对行人目标,在连续的视频帧中,获取行人的关节点位置,并对行人姿态进行预测。对路面目标,在传感器获得的图像中,对路面的类别进行识别。(1)在连续的视频帧中,根据行车记录仪获取到的前方道路信息,通过YOLO算法对车辆的位置进行标定,由于在视频中,每一帧的所有车辆都会被检测为一个新的目标,因此需要对前一帧的车辆的位置与当前帧的车辆位置进行匹配。完成车辆的序号变换的优化,解决在遮挡情况下的车辆再次被识别时,被赋予新的序号的问题。(2)针对视频中的行人目标,通过裁剪的VGG网络,完成对行人的关节点的检测,并根据关节点位置,计算每一个关节点的置信度和亲和度,并对每一对关节点之间的这两个参数进行匹配,完成单个人体的所有关节点的连接。并将每一个人的所有关节点,通过卡尔曼滤波进行预测,预测所有关节点的下一帧的位置,并根据下一帧的预测位置,对人体的姿态进行判断。(3)针对车辆传感器获取到的前方道路信息,图像中占比最大的是路面部分,因此需要使用改进的VGG网络,完成对路面的分类。为了提高特征的复用与有效信息的提取,需要在同尺寸的特征图之间,加入密集连接的策略,提升同尺寸特征图之间的特征重用。在网络结构的不同层级,都让各层级的特征参与最终的结果分类,因此还加入了辅助分类器,在模型的不同阶段,加入不同比重的辅助分类器,让更高层级的特征起到分类的重要作用,让低层级的特征也能起到辅助作用。以上算法根据对道路目标的识别和检测,能够完成对车辆目标的追踪、行人目标的危险姿态预警和路面目标的分类。本文中的算法,能够对无人驾驶和智能驾驶技术的发展起到促进作用。