视觉导航系统是机器视觉和人工智能领域的研究热点之一,因其成本低、色彩信息丰富而广泛应用于如机器人、智能车辆等自主移动平台。通过视觉系统对当前道路环境的理解与感知,可以有效地获取道路安全区域、相对位置等重要信息。目前,针对结构化道路的视觉感知研究相对较为成熟,相比而言,非结构化道路环境复杂多样,通常缺乏道路标志边界,道路特征复杂不稳定,环境干扰如光照、路型、场景等因素变化不一,使得其相关研究具有较大的挑战性。近年来,随着无人平台的智能化需求越来越高,准确、实时、鲁棒地理解和分析当前复杂道路环境变得越来越重要。本文基于单目视觉,对非结构化道路环境分析与可通行区域检测方法展开了较为深入的研究。首先针对道路图像中常见的阴影干扰进行了一定的预处理。提出了一种基于颜色显著性空间和梯度场的高斯混合模型道路阴影检测方法,通过构建道路阴影的色彩显著性空间和梯度场特征描述子,采用高斯混合模型对道路阴影区域进行检测。在获取阴影区域的基础上,进一步提出了基于自适应变尺度区域补偿算子的道路阴影去除方法,根据构建的变尺度道路阴影的区域补偿算子,在多维空间对阴影区域进行自适应的光照补偿,从而有效去除道路阴影。实验结果表明,提出的道路阴影检测和去除方法,具有较好的可行性与适应性,对于道路阴影的预处理问题具有一定的参考价值。其次讨论了非结构化道路可通行区域的分析与估计方法。文中从侧面提出了检测道路环境中较为稳定的植被信息从而在一定程度上限定非结构化道路不可通行区域的思想,继而提出一种基于高斯核支撑向量机的非结构化道路环境植被检测方法,由植被区域有效估计较为安全的可行域。大量实验表明,该方法具有较高的适应性、实时性和较好的抗干扰性,在一定程度保障了自主移动系统在复杂环境中的安全行驶。最后在可行域估计的基础上,进一步探究了非结构化环境的道路场景,提出了一种基于灰度共生矩阵(GLCM)和梯度方向直方图(HOG)同构的SVM多分类器道路类型识别方法,通过构建GLCM和HOG的同构描述子,采用多权向量投影SVM(MVSVM)多分类器对常见的四种道路类型进行分类识别。实验结果表明该方法可以很好地区分当前非结构化道路类型,并具备一定的适应性,为自主移动平台的控制决策和环境特征选取提供了参考,对无人驾驶系统有效分析和理解当前道路环境具有一定的现实意义。