为了使道路垃圾识别任务更加自动便捷，在传统的图像分割领域有一些学者对其进行了探讨。吴健等运用 计算机视觉对废物垃圾进行了检测，黄惠玲等采取 K 均值聚类算法，通过颜色特征对建筑垃圾进行了识别分类，整个任务的平均检测时间达到了 1.17s。王新晴等采取纹理特征与支持向量机（ Support Vector Machine，SVM）组合算法，对非结构化的道路图像进行了识别，结果显示对路面区 域具有良好的识别效果。Miraliakbari 等对路面图像的裂痕的识别效果较好，检测与提取精确度较高，其是依据裂痕的不同的纹理特征来实现的。Zalama 等也 对 道 路 图 像 的 裂 痕 进 行 了 研 究 ， 创 新 点 是 将 Gabor 滤 波 器 和AdaBoost 分类器结合了起来，识别效果较好。王朋辉等 在坑槽识别 与 病害区域的提取方面达到了较高的准确率，主要思想是利用图像的纹理特征以及灰度特征。这些传统的目标检测算法基本上都是通过手动提取图像的特征，同时结合不同的分类器构建出来的。因此，传统的检测算法的鲁 棒性较差、其模型通常也较为复杂。同时，道路垃圾的轮廓小、表面不平整，凹凸程度没有沥青路面复杂，单纯地依赖传统的分割方法难以达到高的识别率。
这些传统的图像分割方法大多数可以概括为以下三种：基于阈值的分割方法、基于 边 缘检 测的分 割 方法，以及基于区域的分割算法。
（1）基于阈 值 的分割方法
基于阈值的分.割算 法常应用于图像分割，其主要特点是将图像中灰度值处在相同阈值的像素划分为同一类别的物体。从单目标分割任务和多目标分割任务区分来看，局部阈值法以及全局阈值法是其主要的两种方法。前者需要选择多个分割阈值，同时根据选定的分割阈值把图像分割为背景以及数个区域；后者则是通过单个阈值将图像划分为背景和目标两个部分。
另一种较多见的分割方法是最大类.间方差法，其对全局 最优阈值的选择.是采用最大化类间方差来实现的。阈值分割法还有共现矩阵的方法、最小误差.的方法、 矩 保持法.和概率松弛法等。
阈值法当背景和目标对比度较高时，分割的精确度也更高，并且具有运算速度较快以及计算简易等优势，然而阈值法只抓取图像的灰度信息，无法针对图像的空间信息，当噪声较强引起灰度信息不准确时，其性能较差。因此该方法也常结合其它图像分割方法，提高识别效果。
（2）基于边缘检 测的分割方法
基于边缘检测的分割算法是利用不连续点来识别输入的边缘信息，因为物体的边缘信息的特征形式是局部且不连续的，这些地方的亮度变化也最为明显，比如会存在颜色、纹理、灰度值等的突变。针对这些特征，此方法可以实现图像分割的任务。
通常可以使用导数运算来检测灰度值突变的情况，而微分算子可以对导数进行计算。基于边缘检测的分割算法通常采用空域微分算子对模板和图像进行卷积来得到图像分割。Prewitt 算子、Sobel 算子和 Roberts 算子是较常用的一阶微分算子，计算二阶微分算子较常用的是拉普拉斯算子、沃利斯算子和基尔希算子等。对于灰度值变化较复杂以及细节纹理较丰富的图像，边缘检测算子很难检测出完整的边缘轮廓。当有噪声干扰时，采用这些算子直接处理效果则更不理想，因为边缘以及噪声都为高频分量，因此也是灰度不连续的一些点，解决方法可以是在检测边缘之前先采用平滑滤波的方式对图像进行预处理，以解决噪声带来的检测难题。
（3）基于区域的分割方法
基于区域的分割算法主要分为两类，分别为区域生长法以及分裂合并法，其对图像进行区域划分都是依照相似性准则来进行的。
区域生长法的基本思想是根据像素的相似属性，使属性相近的像素聚集成一个类别，是一种常见的区域分割算法。区域生长法首先挑选一个像素作为种子像素，下一步通过判断将在种子像素周围的相近的像素一起归类到种子像素的区域，一直重复步骤直到图像里面没有可以再被归入的像素点。区域生长法拥有较好的分割效果，能识别出较为完整的边界信息，其能对存在相同特征的连续区域进行有效的分离，同时该方法比较简便，选取少数种子点之后，通过重复步骤就可以实现识别功能。该方法还可以依据不同特征进行分类，但是该方法的计算量较大。
分裂合并法在纹理图像以及灰度图像上有较好的表现，与区域生长法不同的是，其不需要指定种子像素，该方法的主要思想是将待检测的图片分割成没有相交的部分，然后再对各个部分进行再次分裂或者合并。
随着深度学习的出现以及发展，多层卷积神经网络通过学习训练可以自主地对图像进行特征的提取以及识别，对比传统的目标检测，深度学习的目标检测方法结果更为准确，模型也更具备广泛性。
语义分割是在像素级别上的分类，其可以对图像的每个像素进行识别并分类，伴随着计算机性能的极大提升，其发 展也越来越快。当前，很多国内外很多学者提出了各种各样的神经网络结构，以实现不同的图像分割任务。同样地，也有学者开始思考深度学习和神经网络在道路垃圾识别上的应用，以实现道路垃圾更好的分割效果。
