车道线检测是高级辅助驾驶系统中车道线偏离预警、车道保持等功能的基础任务,研究车道线检测技术具有重要的工程实际意义。目前,基于传统图像处理的车道线检测方法比较常见,主要工作内容包括道路图像预处理、车道线检测、车道线跟踪。道路图像预处理是首先根据先验经验设定感兴趣区域,在所设定的感兴趣区域内进行灰度化、二值化、车道线边缘特征提取。车道线检测通常是选择合适的道路模型,对边缘点处理得到目标点并进行拟合,通常使用的车道线模型有直线模型、抛物线模型、B样条曲线模型、组合模型。车道线跟踪的目的是根据相邻两帧图像之间的关联性来预测下一帧车道线的位置,车道线跟踪是在局部区域范围内实现的,因此实时性高。假如连续几帧道路图像都没有跟踪到车道线,就会在全局范围内重新进行车道线检测,卡尔曼滤波是常见的跟踪算法。以上的方法存在几个问题,常见的边缘特征方法对环境干扰的过滤性不强,得到的边缘特征图像存在大量的干扰或存在车道线特征丢失严重的情况。同时,常见的道路模型存在局限性,不适用于各种常见道路。此外,常见的车道线检测对边缘关键点的拟合性能差,容易造成车道线误检和漏检。基于深度学习的车道线检测方法检测准确率高、学习能力强、应用范围广、数据驱动、可移植性好,但是存在着模型训练只能离线进行,计算量大,硬件需求高,模型设计复杂等问题。针对以上方法存在的问题,本文首先采用Canny算子对道路图像进行边缘检测,对得到的边缘图像进行形态学去噪处理,从而准确得到车道线边缘图像。其次,采用图像分段方法和动态规划算法得到控制点候选点集,结合随机抽样一致性算法和三次B样条曲线模型检测车道线。再次,针对车道线漏检、误检的问题,采用卡尔曼滤波法,建立了车道线参数跟踪模型,构造了过程噪声和观测噪声的计算方程,对B样条曲线的4个控制点坐标和车辆的运行状态参数进行跟踪。最后,经过大量的实验分析,本文车道线检测方法具有很好的实时性、准确性和鲁棒性。