随着汽车工业的发展,道路交通运输给人们的出行带来了巨大便捷,与此同时引发的交通事故已成为全球安全问题,因此,安全辅助驾驶、车道偏离预警、自动车辆导航以及自动泊车系统等智能驾驶系统显得尤为重要,在上述智能驾驶系统中最为关键的便是道路检测。近年来计算机视觉检测在人工神经网络蓬勃发展的推动下越发高效,因此基于人工神经网络的道路视觉检测成为了近年来研究的热点。本课题针对道路检测的迫切需求,深入研究了基于人工神经网络的道路视觉检测。具体研究内容如下:1、道路数据库的创建。通过车载摄像头,遥感卫星拍摄等大量采集城市道路和遥感道路高清图像,构建标定平台,对高清图像进行随机切取并标定出含道路路面的正样本和非道路路面的负样本,统一尺寸保存下来生成道路数据库。2、提出LLP特征算法。研究了目前主流的LBP特征及其改进型算法,同时对经典的LBP特征算法进行改进,针对LBP特征的几何形状单一,对远端信息缺失的问题提出了局部线段模式(Local Line Pattern,LLP)特征算法,并提出LLP结合“等价模式”LBP方法。实验中使用BP神经网络作为分类器,实验结果表明LLP特征算法在城市和遥感道路数据库中检测精度优于“等价模式”LBP方法。另外,LLP结合“等价模式”LBP方法的实验结果显著优于“等价模式”LBP方法,大幅度提高了城市道路视觉检测的精度。3、基于卷积神经网络的道路视觉检测。在原始VGGNet卷积神经网络基础上,对其网络参数进行了修改以适应本文数据库中图像尺寸,并在Caffe深度学习框架下进行训练测试得到较好精度,在城市道路数据库中实现道路路面检测。