1.一种基于时空上下文的道路障碍物检测方法，其特征在于，包括：步骤S1、使用数据驱动的方法推导障碍物和道路的空间分布，以利用空间上下文信息建立场景布局模型；具体实现方式如下：

1)障碍物布局构建：对真实驾驶场景中的障碍物训练集中障碍物的分布进行数据统计；首先得到训练集中所有障碍物目标的真实边界框，并取它们的所有中心点，以热图的形式获得二维空间分布，障碍物在图像中的分布呈现出很强的规律性，其主要集中在图像的中心；

2)道路布局构建：提出一种将障碍物分布映射到整个道路区域的方法，即根据障碍物的分布，在道路区域中沿横向和纵向分别给出不同的权重；

3)将障碍物分布和道路分布相融合，进行归一化，以获得最终的道路场景布局；之后，通过场景布局为每个对象假设x生成一个分数SL(x)；然后，将从对象检测器SD(x)获得的对象假设分数与场景布局分数SL(x)相结合，以获得最终分数S(x)；SL(x)的定义如下：此处SL(x)是场景布局中对象假设x的最终得分，M(x)是场景布局中对象假设x的位置得数，α是调整场景布局分数的可变参数，b是场景布局分数的固定偏差值；

根据上式，假设当分数M(x)<0.15时，目标位于道路分布之外，这将被视为误检；当分数为0.15

当得分M(x)>0.6时，认为物体出现在最有可能检测到障碍物的位置，得分相应增加；

步骤S2、提出一种基于光流和对象区域选择的障碍物跟踪方法；

步骤S3、融合两种上下文信息对目标进行检测并去除背景噪声；

所述提出一种基于光流和对象区域选择的障碍物跟踪方法，具体实现方式如下：(1)获得前一帧和后一帧的障碍物检测结果，并选择前一帧得分SD(x)>0.3的检测；

(2)为判断后续帧中是否漏检，通过扩大检测对象的检测边界框，在后续帧中定义一个搜索区域Ar；搜索区域Ar的定义如下Ar(x)＝(bx,by,γbw+τ,βbh+τ)

其中γ和β分别是选定区域宽度和高度的调整系数，τ表示区域的初始大小；(bx,by)是对象中心的图像坐标位置；

(3)如果在下一帧中遗漏了障碍物即Ar(x)内没有相同障碍物类别的边界框，在前一帧和后一帧中裁剪出步骤(2)中给出的搜索区域，并使用Shi‑Tomasi角点检测算法获得裁剪区域中的图像角点，并选择位于检测对象上的特征角点；

(4)然后使用LucasKanade光流方法跟踪裁剪区域中的特征角点，以获得前后两帧中特征角点的偏移量；

(5)通过获得的偏移量将前一帧中的检测边界框转移到下一帧。

2.根据权利要求1所述的基于时空上下文的道路障碍物检测方法，其特征在于，所述融合两种上下文信息对目标进行检测并去除背景噪声的具体实现方式如下：首先，检测输入图像中的障碍物，使用场景布局模型对检测结果进行处理，以消除道路场景分布之外的错误检测，并增强道路区域中小型障碍物的可信度；其次，通过障碍物跟踪和边框转移，恢复道路区域中漏检的边框；最后，为避免恢复误检框，结合场景布局模型计算恢复的边框分数，最终得分函数编写如下：2

S(x(t+δ))＝S(x)‑(λlogM(x(t+δ)) +b)S(x)＝SD(x)+θSL(x)

其中，S(x(t+δ))是光流跟踪生成的对象x(t+δ)的得分函数；M(x(t+δ))是x(t+δ)的在场景布局中的位置得分；λ是一个可变参数，用于调整场景布局模型的分数；如果得分S(x(t+δ))<0.3，将恢复的边框视为无效并移除它。