汽车辅助驾驶技术一直是机器视觉领域中较为热门的研究课题,而障碍物检测是汽车辅助驾驶技术的关键,为汽车安全行驶提供了重要保障。由于城市道路,特别是闹市区,周围环境较为复杂,因此复杂城市道路障碍物的检测属于障碍物检测中的一个难点,对障碍物的检测工作带来了较大的挑战。本文针对这一问题进行深入研究,提出了基于边缘的复杂城市道路障碍物检测方法。具体研究内容包括以下几个方面:首先,针对复杂城市道路,提出了基于K-Means的无监督特征学习道路区域检测方法。先对存在阴影的道路图进行去阴影处理,利用道路先验知识和直方图归一化方法提取道路置信区域,采用K-Means聚类算法对预处理后的道路置信图进行特征学习。然后基于道路图像位置信息对学习到的特征进行打分,获得得分较为靠前特征图,并利用多阈值法对特征图进行分割,最终得到道路区域。然后,提出了基于改进的Edge-Boxes障碍物候选区域提取方法。算法基于梯度信息获取图像的边缘,对得到的边缘像素点根据梯度值和方向聚类成一个个边缘组集合,然后利用边缘组集合对候选边界框进行打分,并根据候选区域边框内的目标轮廓数量进行障碍物候选区域提取。最后,利用卷积神经网络对行人和车辆进行检测。将归一化尺寸后的的目标候选区域输入到卷积神经网络中,输出每个候选区域框对应的特征向量,然后采用SVM分类算法对提取到的特征进行分类处理,将待检测目标分出来。为了验证提出算法的性能,本文分别在三个道路数据集上对算法进行了测试。实验结果表明:提出的道路检测算法有着较高的鲁棒性,精确率与召回率分别在84%、90%以上;改进的目标候选区域提取算法避免了用于训练模型花费的时间,在VOC2007数据集上的测试结果显示IoU为0.6下召回率仍在80%左右;同时,本文成功地将改进的目标候选区域算法与卷积神经网络相结合,在KITTI数据集上能够有效地实现对复杂道路场景下障碍物的检测。