道路检测是车辆自主导航系统的关键技术,而基于视觉的道路识别是当前研究热点之一。目前,对结构化道路的视觉道路检测识别的研究已经较为成熟,非结构化道路的识别仍有巨大的发展空间。本文针对非结构化道路(尤其是野外道路)的识别与边缘提取展开研究,对于提高车辆自主导航能力具有积极的意义。对于道路消失线检测与跟踪,本文提出了基于正态分布的Sobel算子。以前一帧消失线的正态分布为先验信息,计算当前帧消失线位置的最大后验概率,实现消失线的检测和跟踪。然后,去除天空区域,提取感兴趣区域。采用大津法二次阈值分割和边缘辅助信息将红外图片分割,成为待判别的连通区域。考虑到红外视频具有连续性、道路不会产生突变,结合道路具有类梯形形状这一特点,提出了梯形预测模型,以前一帧的道路梯形区域预测下一帧道路的位置,初步实现了道路区域的判别,耗时小于4ms/帧。在长时间学习方面,本文构建了基于待判别连通区域的支持向量机分类器。采用连通区域的灰度特征、位置特征和形状特征分类归一化构建特征向量。以最优径向机核函数参数和惩罚因子参数训练SVM分类器,实现待判别连通区域的道路判别。并以判别结果为基础,形成道路概率置信图。实验结果表明:SVM分类器测试结果错误率为6.79%,支持向量675个,占训练集的51.4%,训练时间为356秒,测试时间约3／6ms。本文研究了基于原型和基于密度的待判别连通区域聚类,得到前者更适用于道路区域聚类问题的结论。为了判别连通区域是否为道路区域,本文分别提出并实现了基于梯形预测模型和基于概率置信图的K-mean聚类算法,聚类耗时分别为0.4ms和0.5ms,道路判别准确率则分别达到了 82.4%和88.6%。此外,本文还研究了基于梯形预测模型和基于概率置信图的DBSCAN聚类算法,用于道路区域判别时也取得了良好的效果。将梯形预测模型的连续性信息与概率置信图的道路置信度信息相融合,本文提出了基于梯形预测模型和FCM聚类的道路概率判定算法。FCM聚类属于基于原型的聚类,在保持了原型聚类算法优势的同时,结合了更多的先验信息,摆脱了单独依赖梯形预测或概率置信图的缺陷。针对基于连通区域的道路判定产生的部分道路边缘不精确问题,本文提出了基于像素的直方图反向投影模型,对道路边缘进行补全。道路识别处理一帧图片耗时0.012／0.014s,准确率为93.2%。最后,本文总结了所开展的研究及成果,并对下一步的研究工作进行了展望。