道路识别技术是智能车辆技术中的一个重要研究领域。早在20世纪50年代初，美国的一家公司就开始了智能车辆技术的研究[3]。从20世纪80年代开始，智能车辆技术开始迅速发展，取得了很多进展，如美国研发了NavLab系统、意大利研发了ARGO系统、德国研发了VaMP车辆系统[4]。其中Carnegie-Mellon 大学（CMU）开发的  SCARF 视觉系统表现很出色。跟国外相比，国内的研究起步较晚，比较重要的研究有：清华大学研发了THMR 系列移动机器人系统[5] 。31365
通过查阅文献，可以发现很多道路检测方法都是通过边缘检测或区域检测入手，主要依据道路的一些特征，如轮廓线，颜色值等。[1]，[2]，[5]，[6]这些文章中就采用了边缘检测来进行道路区域的识别。在道路检测方法中，处理效果比较好的算法有道路边缘Hough变换提取法、模板法、路面重建算法、区域生长法等，其他的一些算法如神经网络等，也具有不错的处理效果[5]。由于实际检测过程中的道路区域具有多样性的特点，如：不同材料的路面有不同的颜色，有些路面没有行道线等，因此目前道路识别算法的通用性还不是很好。所以本文希望通过引入PCANet模型和机器学习技术增强道路识别的效果和通用性。论文网
下面给出一些具体地研究：
邓文[1]通过阈值分割等图像处理技术来获得图像骨架的方法进行道路区域识别。为了提高效果，对中值滤波算法进行了改进。图像处理过程中对图像进行了对比度增强，进行了去噪处理，并使用改进后的中值滤波算法进行处理，最后通过阈值分割获得图像骨架。
朱钐[2]通过提取结构化道路的车道线来确定道路区域的。为了提高处理的效率，在预处理阶段对图像进行了灰度变换，并划分出图像的有效区域，从而减少了处理量。在处理过程中使用了Sobel边缘增强算法，并增强了图像的对比度。最后通过最小二乘法和Hough变换相结合的方法来寻找道路中的车道线。
王忠[5]提出了一种将道路边缘信息和颜色信息相结合的道路区域识别方法。该方法中结合的颜色信息可以验证边缘检测的效果，能够提升边缘检测的鲁棒性。并且提出了道路区域中心区域的概念来解决道路中存在障碍物等问题。此外，还提出了基于线段端点检测的Hough变换改进算法，该算法能够解决障碍物位置难以确定的问题。
杨正帅[18]通过结合边缘检测和区域生长的方法进行道路边缘区域的检测和道路区域的识别。根据道路区域的边线在空间位置上具有相同或相近的特点，可以确定物体在道路中的位置。该检测方法针对的是直线道路模型，主要利用Hough变换提取特征直线。 道路检测识别技术国内外研究现状:http://www.751com.cn/yanjiu/lunwen_27504.html