车道线检测技术应用很广泛，可以用于智能交通管控以及安全辅助驾驶，近几年出现的无人驾驶技术也是基于对车道线的检测技术而衍生出来的新技术，所以研究车道线检测的问题具有很强的社会实用性。目前，大多数的研究者在研究和改进各类算法来增强车道线检测的效果，但是还存在两个问题解决的不好：第一个问题就是提出的算法的实时性不够强，无法满足车道线检测系统对实时性的要求；第二个问题就是检测的效果精确度不高，无法满足车道线检测系统对准确性的要求。
　　本文主要是以车道线识别与检测为研究内容，着力解决现阶段车道线检测算法实时性不强和准确性不高的问题。首先对道路图像进行拍摄采集，然后对拍摄图像进行预处理，预处理包括对感兴趣区域的分割、图像灰度化、对图像滤波和边缘增强等处理。具体做法是，（Ⅰ）结合实际拍摄环境，把拍摄图像分成五等份，取下面的3/5的部分作为感兴趣的区域。（Ⅱ）为了去除图像中彩色分量这些无关信息，提高后续算法的运行效率，利用加权平均法对图像进行了灰度化处理。（Ⅲ）为了去除在拍摄的过程中引入的无关噪声，提升图像的可视性，对拍摄图像做了滤波处理，文中采用了中值滤波作为滤波方法。（Ⅳ）为了突出感兴趣的区域并减少不感兴趣区域的信息，对图像做边缘增强处理，即用直方图均衡化方法对拍摄图像做边缘增强处理。紧接着，为了便于后续的车道线检测，对其进行边缘检测。文中着重介绍了Canny边缘检测器、Kirsch边缘检测器、Prewitt边缘检测器和Roberts边缘检测器这四种边缘检测算法，对每一算法都做了仿真，经过对比，Kirsch边缘检测器的检测效果最好，但是其缺点也很明显，就是计算量太大，运算时间过长。利用在Kirsch边缘检测器中用到的8个模板矩阵中上下行元素具有相关性的特点对该检测算法进行改进，改进后的计算量大大降低，检测的实时性提升了很多。最后，对霍夫变换检测直线的算法进行介绍并加以改进，介绍了该算法检测直线的流程与步骤。霍夫变换是目前检测车道线的重要选择，但是其计算量大，很难满足系统实时性的要求。为了提升霍夫变换算法的实时性，利用霍夫变换的可加性的性质对霍夫变换进行改进，把待检测的图像划分为若干个子图像块，把原本需要求整个图像上所有像素点的霍夫变换问题变成了在某一子图像块内求部分像素点的霍夫变换问题，计算量大大降低，实时性得到了很大的提升。
　　经过实验仿真，结果证明，改进后的霍夫变换相较于传统霍夫变换，运行时间减少了70%，霍夫变换中最重要的两个参数ρ和θ的误差率也在可以接受的范围，能同时满足车道线检测系统的实时性和准确性的要求。改进后的霍夫变换算法结合改进的Kirsch检测器相较于其他边缘检测算子，角度参数θ的相对误差率减小2.38%，距离参数ρ的相对误差率减小2.34%。改进后的霍夫变换算法与其他经典算法做对比，无论从实时性还是准确性上，改进后的算法都有相对明显的优势。运算时间是其他算法的1/3到1/2之间，角度参数θ的相对误差率减小2.78%，距离参数ρ的相对误差率减小1.02%。
　　本文研究主要贡献就是利用霍夫变换的可加性改进了霍夫变换算法，同时对Kirsch边缘检测器做了改进。无论从实时性还是准确性上来说，改进的算法都有相对明显的优势，能够满足车道线检测系统对实时性和准确性的要求。