随着国内交通领域爆发式的发展,每年都有许多人由于驾驶中的疏忽大意丧生于交通事故当中。而近几年高速发展的智能交通领域的目的便是如何有效较少此类交通事故的发生。本文研究的侧重点为车道线检测系统,该系统为智能交通辅助驾驶系统中关键的一部分,并且已经广泛用于多种车载系统中,如自动驾驶、自动泊车及防碰撞预警等系统中。车道线检测系统通过运用数字图像处理及模式识别技术,在道路图像中有效提取车道线的信息并拟合车道线。本文着重于车道线检测系统的研究与实现,其中针对理论知识的研究分为预处理、车道线检测算法、车道线跟踪算法三部分。(1)预处理算法。本文研究了预处理算法RMC(Use Retinex and Mask to improve test results got by Canny)。首先利用颜色恢复及多尺度Retinex对原始图像进行增强处理,然后利用图像底端计算求得阈值,并利用此阈值求得二值图像I1。其次基于Mask计算出每个区域内的阈值,并利用此阈值求得每个区域内的二值图像,并将所有二值图像按原坐标组成二值图像I2。然后利用Canny算子求得边缘图像I3。最后通过利用I1、I2、I3中均为高值的点组成最终边缘图像。通过RMC预处理算法可以有效得去除大量无效信息,并且可以保留基本完整的车道线边缘,为下部分的检测算法减少计算量及降低其复杂程度。(2)车道线检测算法。本文在Canny/Hough Estimation of Vanishing Points(CHEVP)基础上,研究了改进型CHEVP算法,并利用此模型完成常规车道线检测。该算法首先将图像分为N块区域,并在每个区域内利用Hough变换求得所有直线段。然后通过投票表决原理求得消失线的坐标,再利用消失线求得每个区域内消失点的坐标及每个区域内车道线线段。最后利用求得的控制点,拟合出完整的车道线。本文在此部分利用Gauss-Like模型改进Hough变换中存在的缺陷,并在CHEVP的基础上通过加权直线段求得消失线的坐标。(3)车道线跟踪算法。本文在跟踪算法CSK(Exploiting the Circulant Structure of Tracking-by-Detection with Kernels)基础上,研究改进型CSK跟踪算法。此算法有效解决原CSK特征单一及不防遮挡等缺点,并根据实际应用情况,将改进CSK算法成功移植入车道线检测系统当中。