基于机器视觉的车道线检测是无人驾驶感知方面的一个重要应用,根据车道线的几何形状特征可采用直线、抛物线、双曲线等其他曲线模型,也可根据车道线的颜色特征如亮度、宽度等对车道线进行检测。由于光照环境的变化,及行人或者车辆遮挡路面导致车道环境的复杂,造成了车道线形状的多样性。因此,设计一个识别准确度高的车道线检测算法成了车辆辅助驾驶系统和无人驾驶系统的研究热点。在分析现有车道线检测算法及图像算法的基础上,提出基于逐点检测的车道线识别算法。(1)为了保留更多车道线信息,在车道线的初级信息提取方面,对现有的预处理方法进行对比分析,提出一种根据车道线纵向和横向特征的图像灰度处理方法,用于处理在复杂光照环境下,普通车道二值分割方法适应性较差的问题。实验结果表明该方法可在复杂环境下提取更多车道线信息,剔除多余噪声。(2)由于单目相机的透视效应,拍摄的车道线不符合真实环境下的车道线特征。本研究利用建立的虚拟摄像机位姿,根据仿射变换得到实际相机和虚拟相机之间的单应性矩阵,在相机标定的基础上得到车道线的鸟瞰图,有利于车道线的识别。(3)为了使检测结果车道线连续化,在二值化的基础上进行行距离处理,即计算像素点与最近边缘点在X轴方向上的距离,该方法不仅可以将非连续部分连续化,更可以给出车道线和车道中点的大概位置,为接下来的粒子滤波提供运行条件。(4)在车道线识别方面,本研究为提高在城市环境下的车道线检测。建立一个车道宽度平滑的车道线二维模型,在行距离的基础上利用粒子滤波对二维车道线模型参数进行预测和更新,达到识别车道线的目的。该方法能在噪声干扰较多的城市道路环境中较准确的检测到车道线。本文对采集的离线视频数据进行算法验证,测试了在高速公路及城市环境中的道路场景,实验结果表明了本文算法的鲁棒性和有效性。