道路检测是车辆实现自动驾驶的前提。近年来，基于深度学习的多源数据融合成为当前自动驾驶研究的一个热点。本文采用卷积神经网络对激光雷达点云和图像数据加以融合，实现对交通场景中道路的分割。本文提出了像素级、特征级和决策级多种融合方案，尤其是在特征级融合中设计了四种交叉融合方案，对各种方案进行对比研究，给出最佳融合方案。在网络构架上，采用编码解码结构的语义分割卷积神经网络作为基础网络，将点云法线特征与 RGB图像特征在不同的层级进行交叉融合。融合后的数据进入解码器还原，最后使用激活函数得到检测结果。实验使用 KITTI数据集进行评估，验证了各种融合方案的性能，实验结果表明，本文提出的融合方案 E具有最好的分割性能。与其他道路检测方法的比较实验表明，本文方法可以获得较好的整体性能。

针对移动平台有限的计算资源以及基于彩色图像的道路检测方法在极端光照情况下及路面类型变化时存在的不足,提出了一种融合彩色图像和视差图像的基于9层卷积神经网络的快速道路检测算法。提出一种数据输入层预处理方法,将视差图变换为视差梯度图以强化地面特征,降低网络深度需求。所提两种网络结构为双通道后融合网络和单通道前融合网络,分别用于卷积特征分析和快速道路检测。实验使用KITTI道路检测数据集并人为划分为普通和困难两组数据集,对该算法进行实验对比和分析,结果表明:与基于彩色图像的卷积神经网络方法相比,该算法在普通数据集上最大F₁指标(MaxF₁)提升了1.61%,在困难数据集上MaxF₁提升了11.58%,算法检测速度可达26 frame/s,可有效克服光照、阴影、路面类型变化等影响。

针对非结构化道路图像，本文提出了一种基于消失点信息的道路检测及智能预警算法。算法首先利用直线信息、竖直包络线分割、分组策略及聚类算法估计道路图像的消失点；然后基于消失点信息利用边界多特征软投票的方法提取道路区域；最后，根据非结构化道路区域的特点提取导航线，并根据汽车偏航角、偏航距离及偏航时间制定预警决策方案，从而对车道偏离智能预警。实验结果表明，本文提出的算法能快速有效的提取非结构化道路的道路区域，同时，根据预警参数可以有效的进行车道偏离预警。

传统的Hough变换检测方法由于计算量大、实时性差以及受图像噪声影响较大等缺点, 不能较为准确地进行实际道路的检测。鉴于此, 提出了一种改进的基于Hough变换的道路图像检测方法。该方法在对实际道路形态建模分析的基础上, 针对有/无路面标识以及存在其他干扰因素的结构化道路, 均能有效剔除实际道路图像中的干扰因素并准确检测出道路边缘, 且检测时间均在200 ms以内。

环境感知能力是地面无人车辆(UGV)自主、安全、可靠行驶的前提和基础。无人地面车辆的环境感知系统利用各种主动、被动传感器获取周围环境的信息，对传感器数据进行处理、融合、理解，实现无人车辆对行驶环境中的道路、障碍物的检测以及地形分类等，给车辆的自主导航和路径规划提供依据。本文描述了无人地面车辆环境感知系统的组成，研究了结构化和非结构化道路上的道路和障碍检测方法，分析了各种检测方法的检测效果，对环境感知系统当前面临的问题以及未来的发展趋势进行了总结和展望。

针对传统道路检测算法难以保证在各种道路环境下都有很好的检测性能,提出了双层算法融合的道路检测方法,设计了基于可重构硬件的道路检测系统,给出了衡量道路边缘检测效果的道路检测算法评估条件.试验结果表明,该方法具有检测性能佳、鲁棒性好、处理速度快、自适应性强等优点,具有较大的实用价值.