当前交通事故频发,智能驾驶技术成为解决这一问题的有效手段之一,车道线检测是智能驾驶技术的基础而重要的组成部分,对车辆的路径规划及行为决策中发挥了重要的作用。通过对国内外的研究现状进行大量调研和分析,城市环境下基于视觉的车道线检测算法存在车道线目标信息难以提取,检测准确率低等问题。本文以车道线检测为研究对象,利用车载相机采集图像,通过分析车道线的特点,提取车道线特征;针对车道线检测易受光照、城市道路环境干扰问题,提出多次阈值分割的对比度拉伸算法和斑马线滤除预处理方法;为进一步提高车道线检测精度、实时性和鲁棒性,建立基于混合模型的车道线检测算法,并对车道线进行跟踪。本文的主要研究内容如下:1.提出基于多次阈值分割的对比度拉伸算法和斑马线滤除的预处理方法。首先针对城市环境下存在光照、道路环境干扰的问题,提出基于最大类间方差的多次阈值分割对比度拉伸算法和斑马线滤除方法。与传统预处理方法相比,表明本文所提方法对城市环境下的目标特征提取效果更好,适应性强。2.建立基于混合模型的车道线检测方法,并进行车道线跟踪。为进一步提高车道线检测的精度、鲁棒性和实时性,考虑到单种模型对道路车道线检测的适应性不高,将道路分为近远视场,近视场采用基于约束条件的霍夫直线检测,远视场提出基于动态滑窗搜索的曲线特征点提取,并采用随机抽样一致性算法进行曲线拟合,从而构建基于直线和曲线的混合车道线检测模型,并进行车道线跟踪,进一步提高车道线检测的鲁棒性。3.搭建真车实验平台。为验证本文算法的有效性,进行仿真和真车实验,通过实验结果表明,本文所提算法在城市复杂环境下具有较好的检测精度、鲁棒性和实时性。综上所述,本文所提检测方法能够适用于较为复杂的城市道路环境,对于城市道路车道线检测后续的研究具有一定的理论意义和实用价值。