面对移动交通场景中的诸多元素,利用视觉感知技术感受完备的场景信息是当前智能交通大背景下的重要任务。移动交通场景感知是一项综合性的研究课题,涉及车辆、行人、道路信息感知等多项任务。尽管深度学习技术的发展为感知技术的进步提供了强大的助力,复杂多变的自然交通场景对感知技术提出了一系列重大的挑战。本研究基于移动视觉技术构建一个交通场景感知框架,能够有效支持交通场景预感知、车道检测与分割和通用型车牌识别三项关键技术。通过结合图像处理技术与深度学习技术,主要的研究工作和成果如下:1.提出一种联合目标检测与语义分割的交通场景预感知算法,在实现类全景分割效果的同时弥补全景分割标注要求高而实用性较弱的缺陷。首先,采用结对匹配算法获取场景目标的候选包围框。然后,为了获取更加精确的实体目标包围框,设计了一种基于K-Means的轮廓顶点聚类迭代方法以减弱相邻同类实体目标的干扰。最后,使用图像边界跟踪算法确定场景元素的轮廓,实现类全景分割感知效果。在Cityscapes上的测试结果表明,最终感知效果更易受到语义分割结果的影响,实际感知效果的理论上限达到全景分割真值的95.4%。2.在联合预感知算法所获取的直接语义信息的基础上,提出一种基于语义理解的车道检测与分割方法。首先,基于坐标分析的逆透视变换将待处理道路图像转换至鸟瞰视角。其次,设计一种基于二次聚类的候选车道检测方法,先使用DBSCAN算法获取车道标记簇,再基于Kalman滤波算法自底向上地预测簇的走向,并按簇间距离归纳候选车道。最后,利用其它路面标记、道路语义边界和历史车道分割结果所构建三重车道过滤算法优化车道检测与分割结果。通过对Carla G、Tu Simple的实验,所提出的方法能够有效支持多车道场景。3.提出一种新的编解码架构的车牌识别方法来处理交通场景中的各类车牌。对于编码器,在第一阶段,在不考虑车牌格式的情况下直接检测和识别候选车牌字符,采用类DBSCAN算法提取车牌的候选区域。在第二阶段,对不良区域进行倾斜校正和尺度归一化处理以获得更准确的候选字符。对于解码器,训练序列学习模型,将每一个无序编码序列转换成由标记组成的序列,并按标记构造最终识别结果。通过在公共数据集上的实验,所提出的框架能以40fps的效率达到99.51%的检测率和95.3%的识别率,比非模块化的方法更具通用性与扩展性。