无人驾驶技术是通过车载感知、定位、计算、控制设备,自动安全地操作无人车按照规定路线运行的技术,涉及人工智能、计算机视觉、自动控制等技术的综合运用。其中,基于计算机视觉的道路元素检测是无人驾驶设备感知道路环境、做出控制决策的核心技术,关系到设备行驶的安全性和高效性。为实现准确的道路元素检测技术,本文深入分析了道路元素的视觉特性,提出了一系列基于深度学习的道路元素检测方法,大幅提高了自动驾驶场景下道路元素检测的准确率。本文关注于道路元素的三个主要类型:交通标志、行人、道路路面。因为三种道路元素具有独特的视觉特点,检测算法也面临着不同的挑战:1)交通标志通常具有较小的可视面积,不同交通标志具有不同的形状、大小、颜色;2)行人因距离不同、行为多样,存在尺度变化大、易产生遮挡等问题;3)道路路面由于铺设材料、使用时间、道路等级等不同,通常具有不同的视觉特征,对检测模型的泛化能力带来极大挑战。针对上述挑战,本文分别针对交通标志、行人、路面设计了有效的检测方法:首先,我们提出了一种面向小目标的局部上下文网络学习道路图像中的多尺度局部特征,提高了野外和城市交通标志分别的检测准确率;然后,我们设计了一种基于特征金字塔网络的行人检测模型,在WIDER行人检测数据集上检测准确率显著提高;最后,我们将像素级特征引入检测网络,显著提高了模型对于道路路面检测的泛化能力。综上所述,本文分析了自动驾驶场景中的交通标志、行人、道路路面等道路元素的视觉特点,针对不同道路元素提出了有效的检测方法,通过在公开数据集 Tsinghua-Tencent 100K、BDCI16-TSDAD2、WIDER及真实道路场景Bupt road数据集上的对比实验,验证了所提出道路元素检测方法的有效性。