1.一种端到端无监督场景路面区域确定方法，其特征在于，包括以下步骤：

步骤1)、构建道路位置先验概率分布图并将其作为检测网络的特征映射直接附加到卷积层中，从而构建位置先验信息在实际道路交通环境中能够灵活应用的可通行区域位置先验概率分布图；

步骤2)、结合全卷积网络和U-NET构建深度网络架构—UC-FCN网络，作为实现检测的主体网络模型；

步骤3)、将构建的可通行区域位置先验概率分布图作为深度网络架构-UC-FCN网络的一种特征图映射，获取最佳附加位置，直接附加到全卷积层最佳附加位置中，生成UC-FCN-L网络；

步骤4)、基于消失点检测方法对可通行区域进行检测并将得到的检测结果作为训练数据集的真值对UC-FCN-L网络进行训练，得到用于可行驶区域提取的深度网络模型。

2.根据权利要求1所述的一种端到端无监督场景路面区域确定方法，其特征在于，步骤

1)中，利用道路区域在空间及图像中的分布规律，基于统计构建可通行区域位置先验概率分布图。

3.根据权利要求1或2所述的一种端到端无监督场景路面区域确定方法，其特征在于，步骤1)中基于KITTI数据集中有车道城市道路和无车道城市道路的实景图及真值图，对其可通行区域进行统计，分别得到两种道路情况下的可通行区域位置先验概率分布图，再对两种道路情况下得到的可通行区域位置先验概率分布图进行融合，得到可通行区域位置先验概率分布图。

4.根据权利要求3所述的一种端到端无监督场景路面区域确定方法，其特征在于，基于KITTI数据集中有车道城市道路和无车道城市道路的实景图及真值图，对其可通行区域进行统计，统计每一个坐标位置被判定为可通行区域的次数并对其求均值，分别得到两种道路情况下的可通行区域位置先验概率分布图，在概率分布图中，每个像素点的亮度表示该像素点属于目标的概率，像素点的亮度越高，其属于目标的概率越大；反之，亮度越低，其属于目标的概率越小；通过概率分布图像，将可通行区域从场景中分离出来，再对两种先验概率分布图进行融合，得到可通行区域位置先验概率分布图。

5.根据权利要求1所述的一种端到端无监督场景路面区域确定方法，其特征在于，步骤

2)中，UC-FCN网络包括收缩结构和膨胀结构，收缩结构进行卷积与池化操作，逐渐减少空间维度，使得得到的图像越来越小，分辨率越来越低；然后通过膨胀结构在卷积层后用上采样操作代替收缩结构中卷积层后的池化操作，在网络收缩结构中产生的高分辨率特征被连接到了膨胀结构卷积后的结果上，增加输出的分辨率，逐步修复物体的细节和空间维度。

6.根据权利要求5所述的一种端到端无监督场景路面区域确定方法，其特征在于，膨胀结构采用上采样卷积的重复架构，重复架构中的上采样具体为上采样加ReLU激活函数结构，使用双线性插值将输入上采样2倍，之后使用ReLU解决梯度消失问题，上采样过后，使用卷积操作实现特征图的通道数改变，卷积层中卷积核大小均为3*3，将卷积后的结果与收缩结构中对应步骤的特征图融合起来，最后经过softmax层，得到高精度识别结果。

7.根据权利要求1所述的一种端到端无监督场景路面区域确定方法，其特征在于，步骤

3)中，将可通行区域位置先验概率分布图应等比调整至与其连接的最后一个特征图大小相同，将调整后的可通行区域位置先验概率分布图作为UC-FCN网络的一种特征图映射附加到其相应位置中，生成UC-FCN-L网络。

8.根据权利要求1所述的一种端到端无监督场景路面区域确定方法，其特征在于，对采集到的训练图像基于消失点方法进行可通行区域检测并将其检测结果作为训练数据的真值GT，在网络训练过程中，通过不断改进网络参数以减小提出的网络模型实现检测结果与基于消失点得到检测结果的差值对网络进行训练，得到最终可用于可通行区域检测的网络架构。

9.根据权利要求1所述的一种端到端无监督场景路面区域确定方法，其特征在于，步骤

4)中对UC-FCN-L网络采用无监督的方式进行训练，得到用于可行驶区域提取的深度网络模型。

10.根据权利要求9所述的一种端到端无监督场景路面区域确定方法，其特征在于，无监督方式训练，即将样本分为标记样本与未标记样本，标记样本就是训练样本集Dl＝{(x1,y1),(x2,y2),K(xl,yl)}中这l个类别标记为已知的样本，未标记样本就是训练样本集Du＝{xl+1,xl+2,xl+u}中这u个类别标记未知的样本，u远大于l，基于有标记样本Dl的训练来构建模型，未标记样本Du所包含的信息未被利用这样的训练方式被称为监督学习，如果缺少标记样本Dl样例的话，需要考虑从未标记样本Du中实现对模型的学习。