随着汽车的普及,以及全国范围内汽车保有量逐年上涨,道路交通事故及其与之相关的汽车安全性越来越受到全社会的重视。近些年来,高级驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)的飞速发展,为辅助车辆安全行驶提供了一个很好的解决方案。其中,车道线检测系统作为ADAS的重要分支,是提高车辆安全行驶的关键技术之一。车道线检测其主要包含车道线预提取及车道线识别两个部分,其具体内容及研究方法如下:车道线预提取,首先,确定静态感兴趣区域(Static Region of Interest,SROI),并针对该区域进行中值滤波;然后,提出了一种基于像素点平均梯度强度及梯度方向的车道线边缘分割方法,该方法是基于感兴趣区域,根据车道边缘梯度特点,提取左右车道线内侧边缘信息,进而利用其梯度方向对上述边缘信息加以限制,滤除相应的噪声干扰,并以车道边缘像素灰度值的标准差作为分割阈值,以像素点的平均梯度强度作为间接分割对象,进行车道边缘提取并完成边缘细化;最后,利用Hough变换结合最小二乘法,对道路初始消失点进行初始定位;车道线识别,首先,利用车道线预提取所获得的t帧道路消失点,来确定t+1帧道动态感兴趣区域(Dynamic Region of Interest,DROI);然后,基于t帧道路消失点构建直线样本,进而采用改进随机一致性的方法(Improved Random Sample Consensus,IRANSAC)完成车道直线参数拟合,并确定t+1帧消失点和t+2帧DROI。其中,本文分别利用改进Hough变换,以及基于改进逆投影变换(Inverse Perspective Mapping,IPM)的方法进行车道直线参数拟合实验,并进行其效果分析与对比;其次,基于双曲模型来实现弯道的重建;最后,根据图像帧间信息的关联性,本文提出了基于DROI,根据帧间车道线信息变化浮动较小的特点,来实现车道线的动态跟踪。通过仿真实验结果表明,利用基于像素梯度的图像边缘分割方法,能够有效地抑制噪声及提取复杂工况下的车道信息;基于IRANSAC算法,能够提高雨天、夜间、阴影以及车道线破损、车道模糊等工况下的车道线检测识别效果;采用双曲线模型重建弯道,可有效地减少计算量的同时,保证车道线识别的准确性;利用基于DROI的车道线跟踪方法,能够完成车辆换道、转弯及车道线缺损等工况下的车道线跟踪,可实现较高的车道线识别率。