智能交通是近些年的关注热点,智能交通领域中的无人驾驶和辅助驾驶方便了人们的出行,同时减少了因为司机疲倦、道路拥挤等原因引起的交通事故。车道线检测技术和车辆偏离预警技术是其至关重要的两项技术。这两项技术可以实时地检测与识别车道线,并判断车辆自身所在车道的具体位置,最后反馈到终端,提醒车辆在安全范围内行驶。因此,准确、实时地检测车道线和车辆偏离预警系统在实际应用中的研究具有十分重要的意义。为了提高车道线识别和车辆偏离预警的准确性和实时性,并能够及时将车辆行驶状况反馈给司机。本文首先基于结构化道路系统化研究车道线识别的多种方法,其次,对车道线的特征属性进行分析,将车辆偏离预警信息发送给终端,有效降低和避免交通事故的发生。论文的主要研究内容如下:(1)搭建了车道线检测的系统框架,研究了车道线的识别与检测,实现了车道线位置的实时检测与标记。由于视频数据的信息冗余,噪声干扰等,首先对数据进行感兴趣区域提取、灰度化、滤波和二值化等预处理。之后对多种边缘检测算法进行研究比较,选择使用Canny算子对处理后的二值化图像进行边缘检测。接下来对检测到的边缘信息进行霍夫直线检测,得到图中所有直线信息数据。根据车道线长度、斜率、位置和颜色等特征属性对所有直线信息进行筛选得出实际有效的车道线信息。(2)对车道线的特征属性进行研究,得出车辆偏离预警系统模型。首先分析了FOD(Future Offset Difference,基于车辆行驶情况预测未来道路上的偏移量),CCP(Car Current Position,基于当前车辆的行驶车道位置),TCL(Time to Lane Crossing,基于当前车辆驶出车道的时间)和KBIRS(Knowledge-Based Interpretation of Road Scenes,基于先验知识的道路场景感知)四种经典基础偏离预警模型,在此基础上进行改进,得出一种基于斜率的车辆偏离预警模型。这种模型分为两层判定条件,第一层将车道线的斜率作为判定条件,第二层将车辆中心距离车道线的相对距离作为判定条件,通过对检测到的车道线依次进行以上两层判断,最终可以得出车辆当前的具体偏离情况。(3)将车道线检测框架和车辆偏离预警模型结合起来完成系统设计,应用在多场景视频数据中。天气良好视频、夜间视频和雨天视频有各自的特点,夜间视频周围光线过暗,雨天视频整体清晰度低,本文系统都能有相对良好的检测结果。