结构化道路一般是指高速公路和部分结构化较好的公路，这类道路具有清晰的车道线和道路边界，车道线一般为白色或黄色的连续线或短划线。因此，在这种情况下，道路检测问题可以简化为车道线或道路边界检测问题，比较容易实现。            而非结构化道路（乡村道路）一般指结构化程度较低的道路，这类道路表面覆盖物多种多样，可能是泥土、沙石、沥青和水泥；道路宽度变化大；道路边界变化多样，大多是人工铺设路面与自然景物（植物）相交形成的道路边界，并且会随着季节变化；道路平整度较差，可能凹凸不平，影响车辆行驶速度；路面存在多种多样随机出现的静态或动态障碍。由此道路区域和非道路区域很难加以区分。目前成熟的非结构化道路的检测技术尚处于研究阶段。8630
非结构化道路检测算法现状大致可以分为基于道路特征的方法、基于道路模型的方法和基于神经网络的方法等大致三类。基于道路特征的方法，需要的先验知识少，对阴影和水迹等敏感，但计算量比较大；基于模型的方法，检测的道路区域比较完整，不过在道路比较复杂的情况下，很难建立准确的模型去进行道路匹配；基于神经网络的方法，具有神经网络的学习特性，但需要大量的训练样本进行训练。
下面给出文献中在非结构化道路检测方面比较典型的研究方法：
在《基于主元神经网络的非结构化道路跟踪》中，李青、郑南宁、马琳等人在概率的框架内，基于主元神经网络，提出了一种新的蒙特卡罗道路跟踪技术，用于自主陆地车辆在非结构化道路上的导航。使用直线道路模型表示道路边缘，并对其状态利用二阶自回归模型进行预测；在HSV彩色空间将颜色信息和局部空间特征相结合，利用主元神经网络提取主成分；根据道路边缘窗的统计特性，利用粒子滤波器进行道路状态的估计。该方法能够鲁棒地进行非结构化道路跟踪。
在《一种实时鲁棒的非结构化道路检测算法》中，王晓栋、徐成、刘彦针对智能导航系统中的非结构化道路检测问题,提出一种分块分段混合高斯模型和B样条曲线模型相结合(block-segment Gaussian mixture and B-spline model,BSGMM_BS)的非结构化道路检测算法。该算法利用待处理图像的彩色信息对道路区域和非道路区域进行混合高斯建模,利用分块分段方法提取道路边界点,最后使用最小二乘法求解B样条曲线最优控制点,完成对道路双边界的拟合。实地测试和对比实验表明,该算法实时性好,对阴影、光照变化等影响具有较强的抗干扰性。
在《基于机器视觉的非结构化道路检测算法研究》中，魏武、龚树峰提出了一种提高非结构化道路边缘检测实时性和准确性的算法。该算法中首先对原始道路图像进行中值滤波,抑制随机噪声,并选择基于双峰法的多阈值Otsu方法进行图像分割,使分割效果和分割时间得到优化。通过Canny算子进行初次边缘检测,然后,采用数学形态学修正,从而得到完整、清晰的道路边缘图像。仿真结果表明:该非结构化道路检测方法具有良好的实时性和准确性。
在《基于彩色图像的非结构化道路检测》中，管琰平，贺跃，刘培志等人提出一种基于彩色图像的非结构化道路检测算法。首先将整幅图像划分为均匀的方块,再依据假设的道路区域提取出的道路特征信息将方块分类;对于包含道路边界的方块区域内部的像素点,采用自动阈值分割方法将其分为道路区域的点和非道路区域的点;最后去除道路内部的斑点以及道路外部的非连通区域。该方法可以避免对所有像素点逐个分析,运算量小,检测速度快,基本满足实时性要求,具有一定的抗阴影和水迹的能力。 非结构化道路的检测技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_7045.html