智能驾驶作为未来汽车的主要场景,需要车辆依据实际路况自动地做出制动、转向、加速等一系列的动作,而这些都离不开对车道边界等周围环境的正确感知和判定。车道线检测是当前高级驾驶辅助系统(ADAS)及智能驾驶研究的热点领域和核心技术之一,快捷、稳定、可靠的车道线提取算法也是机器视觉需要解决的前沿问题。本文针对城市复杂道路条件下,移动测量系统(Mobile Mapping System,简称MMS)采集的可量测实景数据,开展了车道线的提取方法研究与实践。论文主要分为三部分:车道线图像预处理、车道线检测与提取、实验与分析。其中,图像预处理的目的主要是为了最大限度地排除车道线识别的干扰因素(车辆、树木、阴影等)以及提升待识别图像的数据质量,包括感兴趣区域ROI的设置、图像灰度化、图像平滑去噪、图像增强等;在此基础上,进行车道线检测与提取,包括图像分割和Hough变换提取车道线,也是本论文核心内容。具体包括:探索采用阈值分割和形态学相结合的方式将车道线与背景分离,并运用多帧关联等约束条件对车道线进行筛选,最终通过改进的Hough变换算法识别出车道线。最后,采用城市复杂道路条件下的16组可量测实景数据,对以上车道线自动提取算法在准确性和速度两个方面进行实验,检验算法可用性。实验结果表明本文中的车道线自动提取算法基本能够适应城市复杂环境场景,具有较好的准确性和鲁棒性。特定城市场景下车道线提取的正确识别率可达80%以上,但对于遮挡严重、情况过于复杂的场景,仍然存在严重的漏检、误检情况,正确识别率较低。另外,算法在实时性方面仍需进一步的改进和提升。