在智能驾驶应用中,未知障碍物对行驶中的车辆造成的潜在危险性很高,例如前面车辆掉落的货物箱,地上滚落的小皮球等。基于深度学习的行人,车辆,交通标志等常见物体的检测方法已经逐渐趋于成熟,但是,未知障碍物的检测研究目前并不多。由于检测目标的形状、颜色、纹理无法预知,基于图像的深度学习目标检测算法,无法有效地学习未知障碍物形状、色彩等信息。为此,本文采用双目图像,对路面未知障碍物的检测展开深入研究。具体工作包括:1、基于立体深度信息的未知障碍物检测。本文采用立体图像获得场景深度信息,并通过地面检测和视差图分割获得障碍物柱状像素表示。在地面检测中,通过使用边缘检测和霍夫检测拟合地面线,提高了地面检测的效果,进而提升了未知障碍物的检测率。2、基于图像分割网络的未知障碍物检测。本文采用基于卷积神经网络的图像语义分割网络,提取路面未知障碍物与周边环境不一致的特征,进而实现未知障碍物的检测。通过采用高效的ENet网络,并使用训练图像竖条切割策略,解决了未知障碍物数据少的问题,确保网络高效的同时,进一步提高了未知障碍物的检测率。3、立体深度信息和图像语义分割相结合的未知障碍物检测。本文采用基于几何和语义信息联合的能量函数优化算法,将地面检测、视差信息和语义分割相结合,优化了未知障碍物边缘的分割,进一步提高了对未知障碍物的检测精度。综上所述,本文从基于立体深度信息、基于图像语义分割及两类信息的结合,三个方面对未知障碍物的检测进行了深入研究。研究成果对基于视觉的未知障碍物研究有重要的参考价值,有助于推动智能交通驾驶的进一步推广应用。