为了提高道路安全,避免交通事故发生,本文针对于智能辅助驾驶的两项关键技术,车道线检测以及交通灯的定位识别进行了深入的研究。在车道线检测方面,本文首先采用了自适应局部形态学处理、全局阈值分割以及边缘检测相结合的方式,实现了在不同环境中稳定的特征点提取;其次,构建车道线模型,并根据模型的特点对参数进行分步求解。求解的过程中首先将根据距离的远近将图像进行分区,采用Hough变换以及基于贝叶斯的车道线可信度计算得到近视场的直线方程,然后再根据直线的切线方向依次对远视场的特征点进行前向搜索,得到完整的曲线模型;最后采用粒子滤波的方式对模型的状态进行跟踪。在交通灯定位与识别方面,本文首先构建了原始图像的积分通道特征;其次提出了一种基于先验概率图的交通灯检测方法,利用滑动框的位置和尺寸先验信息,对软级联Adaboost的阈值进行自适应调整,提高了交通灯定位的准确度。最后对于认定为交通灯的区域,采用Adaboost.MH多目标分类算法进行识别。本文的创新主要有以下几个方面:第一,在车道线特征点提取方面,提出了一种基于形态学的局部特征点提取并与边缘检测和自适应阈值分割结果相结合的方法,提高了特征点提取的准确性。第二,在车道线模型计算方面,提出了一种基于贝叶斯的直线筛选方法,提高了车道线检测的鲁棒性。其次提出了一种远视场特征点前向搜索方法,实现了弯曲车道线的检测。第三,提出了一种基于先验概率图的自适应阈值设定方法,在对交通灯进行定位的时候,引入了交通灯的位置先验信息,提高的定位的准确性。本文进行了实验证明提出的算法在车道线与交通灯检测的有效性。希望本篇文章的研究内容能够为相关领域的研究者们提供参考及帮助。