随着汽车数量的不断增加,在给人类生活带来便利的同时也导致了交通事故不断发生、交通堵塞等不良后果,为此,智能交通系统应运而生。智能交通系统中最具有重要意义的就是实现无人驾驶。作为智能交通领域关键技术之一的车道线检测技术,对实现车辆智能驾驶、车道偏离预警系统以及车辆防碰撞系统具有重要意义。本文在对车道线检测技术的国内外现状做了研究分析的基础上,围绕车道线的检测进行探索和讨论,下面就文章的主要研究内容作简要说明。车道线的检测容易受到光照变化、树木、路面上的文字、车道两旁道路背景等非车道信息以及阴雨天恶劣天气的干扰,针对此问题,本文对采集到的车道线图片进行了图像预处理。本文首先对图像进行感兴趣区域选取、加权平均灰度化、平滑滤波处理,针对暗光和强光下的车道线图像的灰度均值不同,分情况对暗光和强光下的图像进行增强处理,通过上述图像处理突出车道线的边缘信息,弱化道路背景、路面文字等非车道区域;为进一步获取车道线的边缘特征信息,对经典的一阶微分边缘算子和二阶微分边缘算子做了详细分析,并针对Canny边缘检测算法高低双阈值难以选取的问题,通过引进正态分布与经典Canny检测算法相结合来自适应选取高阈值,从而对经处理后的车道线图像进行边缘检测,仿真结果表明,改进后的Canny算法能够自适应选取双阈值,而且相比于传统算法能更好的去除非车道线信息保留车道线边缘信息。为了使车道线检测效果更符合要求,实时性更高。本文针对车道线形状多样,对车道线形状进行判定,分为直线和弯道部分进行检测。对于直线车道线,采用逆透视变换结合改进的Hough变换对车道线边缘进行拟合,通过仿真分析,这种算法相对于经典Hough变换具有较强的实用性和实时性;在弯道检测部分,使用经改进Canny边缘检测后的边界点构成特征点集,并采用最小二乘法结合抛物线和RANSAC结合三次曲线模型对弯道分别进行仿真,结果表明基于RANSAC算法的三次曲线拟合在对弯道能够准确拟合的同时,相对最小二乘法对于曲率较大的弯道进行拟合时具有更好的效果。最后针对车道线检测过程中可能会出现因车道线被遮挡,磨损等带来的漏检错检等问题,采用卡尔曼滤波算法对车道线进行跟踪。本文研究的背景主要是高速公路、城市结构化道路和乡镇半结构化道路,应用卡尔曼滤波跟踪算法不仅能够达到追踪目的,还能有效地提高车道线检测准确度。