车道线检测既是高级驾驶辅助系统中至关重要的组成部分,也是智能驾驶的基础,为车辆的安全行驶提供保障,具有重要的研究意义。由于道路情况复杂多变,许多传统车道线检测算法容易受到光照强度、道路环境干扰、车道线质量等方面的影响,算法检测的准确性和鲁棒性有待进一步的提高;近年来深度学习技术的飞速发展为车道线检测带来新的技术支持,但国内相关方面的研究起步较晚,现今许多算法基于国外数据集进行研究,不能很好地匹配国内城市道路情况,此外,还存在模型难以训练、实时性差等方面的问题。本文采用不同的车道线检测思路,将其分成道路图像二值分割与后处理两个模块,对传统算法和基于深度学习的算法进行研究和优化。论文的主要研究内容如下:1)研究传统的道路图像二值分割算法。对图像处理部分进行改进,包括图像灰度化、滤波去噪和边缘检测等,提出多种色彩空间通道信息结合的方法,归一化处理和融合图像信息,得到车道线信息更完整的二值化分割图。运用CUDA并行计算架构优化算法,使用GPU并行计算处理图像,使系统运算加速3.26倍。2)研究基于深度学习语义分割技术的道路图像二值分割算法。基于U-Net网络结构设计了新的V-Net网络,参考VGG、Res Net等网络结构的设计思想对VNet进行改进,包括网络特征提取方式、残差设计、Skip connection等结构,设计损失函数和参数优化方式,选择国内车道线数据集进行模型训练。测试V-Net网络二值分割效果,与U-Net和Deeplab V3+网络相比在准确性和实时性方面的表现更出色。3)研究基于逆透视变换的车道线后处理算法。进行相机标定研究和二值分割图像的逆透视变换处理,采用滑窗法扫描车道,运用基于最小二乘法的二次多项式拟合车道线曲线,使用Kalman滤波算法跟踪车道线。对车道线检测算法进行测试,在高速公路和城市道路场景下可以正确拟合车道线直线和曲线,适应复杂光照和道路环境,满足检测实时性和鲁棒性的要求。