随着生活质量的上升,很多人都购买了汽车作为出行工具,随之而来的是交通事故的增加。人工查阅车载视频进行车辆行车行为的事后分析是件繁琐又费时的工作,因此,利用机器学习的方法自动分析车辆的行车行为具有较强的应用价值。论文的研究内容主要可以分为以下三个部分:(1)研究了用于识别车辆行车行为的车道线图像增强方法。对于亮度平均值大于亮度阈值的车道线图像直接采用暗原色原理去雾化算法增强车道线图像清晰度,对于亮度平均值小于亮度阈值的车道线图像先采用Msrcr算法增强图像亮度再采用暗原色原理去雾化算法增强图像清晰度。实验结果表明所用方法能使得车道线更清晰,而且黑暗区域的车道线也能较好地显示出来。(2)提出了用于识别车辆行车行为的车道线拟合、追踪及车道线类型识别方法。为更有效地从车道线图像中提取出车道线,对车道线图像进行细化处理,并采用循环Hough和最小二乘法结合拟合车辆所在车道的车道线;采用卡尔曼滤波器跟踪提取出的车道线,同时建立动态感兴趣区域使得车道线的检测更加平稳并减少处理的数据量。最后,基于车道线边缘特征和颜色特征,采用白点比例法识别车道线的类型,将车道线分为白色实线、白色虚线、黄色实线、黄色虚线。实验结果表明,所用方法识别出的车道线符合实际车道线类型。(3)提出了一种车辆行车行为识别方法。首先利用车辆所在车道的车道线角度定义偏移,并以此来识别车辆的偏移行为;在此基础上,根据连续跟踪的偏移标志位来识别车辆是否发生变道行为;当发生变道时,根据车道线类型,判断是否违章。实验结果表明所提方法能有效的识别车辆的偏移行为和变道行为,并且方法简单易实现。