随着世界经济、科技的飞速发展和智能车辆的普及,自动驾驶引起了极大的关注。ADAS(Advanced Driving Assistant System,自动驾驶系统)是智能交通系统的核心组成部分,旨在避免驾驶期间的事故,减少能源浪费以及解决交通拥堵问题。因此许多国内外研究机构将自动驾驶系统中的道路识别作为研究的重点。然而,目前基于视觉的智能车辆的道路识别技术容易受复杂多变的天气等外部环境因素以及道路冗余区域过大的内部因素的影响,导致道路识别精度下降、实时性不足。本文以ADAS中道路识别作为研究对象,针对现有的道路识别算法中存在的问题展开深入的研究。(1)基于阈值滤波和梯度约束的去高光算法研究。针对传统算法去高光后,道路颜色异常、纹理丢失,影响道路识别精度的问题,本文利用暗原色定理和层分离方法分别定位和去除高光区域。在高光区域中,进一步采用阈值滤波定位影响道路识别的强高光区域。为了保留去高光后图像的纹理和颜色,解决去高光后图像的质量下降的问题,使用基于梯度约束的层分离方法,将高光层中的纹理和颜色信息保留在无高光层中,从而获得适用于道路识别的高质量的无高光图像。结果表明,采用本文道路去高光算法,在减少计算量的同时保证图像质量,从而提高道路识别精度。(2)基于聚类约束的双色反射模型的去雾算法的研究。由于目前去雾算法对大气光系数、透射率估计不足,使道路颜色失真,导致道路识别算法失效。针对上述问题,本文采用双色反射模型定位和估计有雾区域。为了提高去雾后图像中的场景对比度和可见度,使用基于聚类约束的目标函数,去除雾图中的噪声。然后根据优化后的雾图,估计局部大气光系数和透射率,减少去雾后图像颜色过暗的现象以及纹理丢失的问题,从而还原高质量去雾后图像。结果表明,采用本文的去雾算法,在保证图像质量的同时提高了道路识别精度。(3)基于高百分比的雨条纹图像块训练的去雨算法研究。针对目前的算法去雨后,道路纹理模糊、颜色失真,影响道路识别精度的问题,本文利用基于深度学习的二值雨图定位雨条纹,减少在无雨区域上使用去雨算法的计算量。为了提高网络去雨的能力,解决去雨后纹理丢失的问题,使用具有高百分比的雨条纹图像块作为训练数据,结合数据融合以及基于梯度约束的目标函数,去除雨条纹并使图像的纹理特征保留在去雨后图像中,从而获得适用于道路识别的清晰去雨后图像。为了解决类似于雾的遮盖效应造成道路颜色失真的问题,在去雨模型上增加去雾过程,进一步提高无雨图像质量和道路识别精度。结果表明,采用本文的去雨算法,在得到高质量无雨图像的同时减少了计算量,从而提高道路识别精度。(4)基于消失点去冗余的道路识别算法研究。由于目前的道路识别方法的精度和速度受非道路区域(天空、树木和高建筑物)的影响,实时性差,降低ADAS道路识别的可靠性。针对该问题,本文利用VP(Vanishing Point,消失点)去除图像冗余区域,提高道路识别的精度和速度。为了加快VP检测速度,结合置信度图和轮廓图的方法,去除来自于非道路区域的边缘干扰,减少VP的计算量。然后利用VP的位置信息,去除非道路区域,并且将剩余道路区域用于训练基于深度学习的道路识别网络,减少网络计算量,从而加快网络收敛速度和提高道路识别精度。本文采用去高光、去雨和去雾算法去除外在复杂天气对道路识别的影响,并且通过快速VP去除内在道路图像的冗余区域,从而提高道路识别精度和速度。与该领域最具代表性的方法进行比较,本文提出的方法获得更清晰的无高光、无雨和无雾图像,从而获得更高的道路识别精度和速度,增强了ADAS中道路识别的鲁棒性。这些方案在自动驾驶领域中具有较高的实用价值。