近几年来人工智能的快速发展,以及多家知名公司对无人驾驶的研究,尤其是谷歌和百度在无人汽车方面的突出成绩,极大地推进了当前智能交通行业的发展。为汽车提供更加安全可靠的驾驶策略,成为相关行业研究的共同目标。而车道线检测技术作为无人驾驶的基础性工作,在自动泊车、防碰撞预警以及自动驾驶中发挥着重要的作用,因此对车道线检测技术的研究也数不胜数。然而车道线检测技术的终极目标是作为自动导航系统的一部分,而不是传统意义上的检测变道,当然这需要更长的时间来完善此项技术。本文从图像处理的角度研究单目视觉下的车道线检测技术,创新的提出一种基于最大直线的车道线检测算法,在实时性和准确率方面均有很大提高。本文的大致内容分为车道线预处理算法、最大直线检测算法、车道重建三个部分。⑴预处理。本文使用的预处理包括图像分块、颜色空间转换、图像增强、中值滤波以及边缘检测。图像分块尽可能去除部分干扰信息,提高车道线检测系统的准确率和实时性;颜色空间转换主要考虑到现实路况中存在黄色车道,传统的算法都是针对白色车道做出的研究,本文使用的RGB到HSV颜色空间转换能够有效的把黄色车道转换为白色车道;图像增强用于增强图像中的高亮度的车道区域,突出车道边缘部分;中值滤波用于去除掉图像增强后图像中孤立的亮点,同时能够保留图像的有效边缘;边缘检测使用目前效果较好的Canny算子,基于Canny算子使用双阈值能够把断开的边缘连接起来。⑵最大直线检测算法。最大直线检测算法包括最大直线检测算法、统计更新算法以及变道算法。最大直线检测算法以最大直线作为依据扫描寻找图像中最内侧直线,通过灰度验证的直线作为此帧的正确车道线,没有通过灰度验证的直线认为此帧不存在车道;统计更新算法作为具有一定导航意义的算法以车道线的时空特性来更新车道线,防止过分抖动和突变的发生;变道算法用于变道检测,在车辆变道行驶时给出变道提示,本文使用左右车道线距离差来判断变道与否。⑶车道重建。车道重建包括车道稳固算法、车道线跟踪算法、弯道拟合算法以及重建评估四个部分。稳固算法主要针对统计更新算法造成的车道漂移,在一定范围内能够把偏离的车道线纠正过来,提高车道线检测的准确率;车道线跟踪算法采用小区域直线匹配算法,小区域匹配跟踪算法能够较好的配合最大直线检测算法,在上一帧直线附近搜索最匹配的直线,同时设置跳出标志以应对车道的突变;弯道拟合算法主要针对现实路况中存在的弯道,采用直线模型来拟合弯道显然是不合理的,因此本文采用多段直线加多段贝塞尔曲线的模型来拟合弯道;重建评估用于评估检测出来的车道线与真实车道线的差距,然而考虑到虚车道很难评估的情况,本文仍使用人工标注的方法来判断车道线检测结果的正确性。