随着人工智能的极速发展,无人驾驶作为其重要的应用领域也逐步取得突飞猛进的进步,以百度和谷歌为首的公司在这方面的成绩尤为突出,很大程度上推动了智能交通等相关行业的发展。为了能更好的辅助驾驶,提供更安全可靠的算法机制是当前相关行业的发展目标。车道线检测工作作为智能驾驶的前期工作,在自动泊车、防碰撞预警以及智能驾驶等领域起到不可替代的作用,不同机构及公司对车道线检测技术的研究也层出不穷。对于车道线检测技术,其最终将应用于自动驾驶的一部分,并非仅仅检测路况,这需要进一步的研究来实现。本文应用传统图像处理方法,检测单目视觉下的车道线,创新的采用基于平行坐标系的车道线检测方法,并提出基于连通度分析的线型分类方法进行车道线检测,在算法的实时性和准确性方面均有很大进展。本文主要内容为车道线预处理算法、车道线检测流程设计、车道线线型模型。(1)车道线预处理算法。本文采用的图像预处理方法包括图像分块、色彩空间转换、图像增强、边缘检测。预处理方法中各个步骤都能在一定程度上加快算法效率。图像分块技术能去除一些干扰信息,减少后续处理的搜索范围;色彩空间转换主要是将道路中不同颜色的车道线进行统一,利用RGB色彩空间到HSV色彩空间的映射将黄色车道线转换为白色车道线;图像增强算法将图像中的边缘信息加以突出能更好的适应检测算法;边缘检测采用的是效果较好的Canny算子,Canny算子使用双阈值将断裂的车道线边缘逐渐闭合形成环路。(2)车道线检测流程设计。车道线检测中比较棘手的问题是直线曲线的区分,而直线检测的速度更快且占据车道图像的绝大部分,因此将直线曲线区分是很有效的手段。这里采用连通度分析的方法,将车道线分为直线和曲线,对分类后的图像采用不同的模型进行检测。此外,帧间的连续性,可以作为车道线稳固和车道跟踪的依据,可以进一步增强车道线的准确率。(3)车道线线型模型检测。在车道线分类的基础上,将车道线分类为直线和曲线,对其进行分别检测,以采用不同的模型。在保持直线检测部分速度的情况下,采用更佳的曲线模型,进一步增大曲线检测的准确性。这里对于直线部分采用基于平行坐标系的车道线检测方法,以代替传统的霍夫直线检测算法,更加节省时间,加快算法效率。对于曲线部分,为了更好地拟合车道线模型,选取三次B样条模型。这种算法能更好地适应车道线的曲度,提升检测的准确性。