随着社会上汽车保有量的增长,交通安全日益成为一个严峻的问题。目前,通过传感器技术、模式识别、图像处理、深度学习等方法进行行车安全辅助系统的开发和研究,已然成为一个热门的课题。通过对驾驶辅助技术的研究,使得人们有望实现智能驾驶甚至全自动驾驶,达到提高行车安全和增加驾驶舒适度的目的。车道线检测是先进驾驶辅助系统一个关键的研究课题。正确地识别出车道线,可以对行车安全提供一个强有力的保障,减少安全隐患。本文围绕结构化道路图像,提出本文的结构化车道线识别方法。本文的研究内容主要围绕两个方面:一是道路图像感兴趣区域的提取;二是车道线的提取方法研究。为了提高车道线识别的成功率,研究者常常采用多种方法进行车道感兴趣区域的识别。本文采用基于Gabor滤波器检测图像纹理方向的方法对道路的结构化路面区域进行识别。其中包含两个子问题:道路消失点的检测和道路边界线的搜索。针对检测消失点时占用大量时间资源的投票算法,本文提出一种改进的投票方法,该方法明显降低了投票算法所需的时间,提高了系统的实时性。针对道路边界线的搜索问题,本文首先根据投票点的统计信息大致确定道路边界线的位置和方向,并采用一种迭代更新的方法,有效提高了边界线的检测精度和实时性。对于车道线提取的问题,本文基于“特征提取-模型拟合”的方法,在识别到道路区域后,在此区域进行逆透视变换感兴趣区域的选取,并对其进行逆透视变换得到道路的俯视图。在俯视图上定位车道线可能出现的区域并提取出车道线边缘点,以此作为拟合算法的输入样本。针对模型拟合,本文在探讨RANSAC方法的基础上,提出一种基于抛物线的快速拟合方法。最后,基于以上方法的讨论,给出本文的车道线检测算法流程,并在图像测试集上进行车道检测实验,实验结果表明本文算法的有效性和鲁棒性。