随着科技与经济的发展,道路建设的完善,民用汽车的拥有量大幅上升,交通堵塞问题和交通安全问题越来越严重。道路安全问题一直以来是热议话题,自动驾驶、无人驾驶、安全辅助驾驶系统等智能驾驶相关话题一直都是交通领域的热门内容。根据近年来的数据统计,大多数车祸不是因为车辆本身质量,而是由于疲劳驾驶和司机的误操作。因此,如果车辆能提供主动介入机制,在车辆可能产生碰撞或不正常换道的时候给予提醒,在一定程度上能避免很多交通事故的发生。由换道产生的交通事故约占总体交通事故的40%,可见车道偏离预警系统的重要性,车道偏离预警系统是车辆安全辅助驾驶系统的主要研究内容之一。而在车道偏离预警系统中,关键的便是车道线的检测,其在自动驾驶中亦是特别重要的一环,其在智能车辆和无人驾驶中都有重要的研究意义和广阔前景。本文主要研究内容为车道偏离预警系统中的车道线检测,车道线跟踪和偏离判断,不考虑预警问题,将这三部分组合成车道偏离检测系统。在车道线检测技术方面,首先采用了基于霍夫变换的传统视觉方法,在传统视觉方法中,先对图像进行划分感兴趣区域、灰度化、高斯模糊、二值化等预处理,接着采用Canny边缘检测算法和霍夫变换对车道线进行检测,实验结果准确率为83%,但该传统视觉方法在路面车道线模糊、破损以及车道线被遮挡时易出现检测不出车道线的情况,并且无法检测弯道。为了解决上述问题,本文引入深度学习方法,采用语义分割网络模型来更精准的定位车道线像素的位置,从而达到识别弯道,改善车道线模糊、被遮挡、破损情况下的识别效果的目的。本文建立了基于卷积网络的车道线分割网络模型,引入金字塔池化模块、空间卷积模块和多层融合上采样等,从而加强对车道线这种长距离结构的空间上下文信息的获取。并在此基础上,采用卡尔曼滤波器对车道线进行跟踪,使连续帧中的车道线可以保持连贯性,不因车道线的漏检、误检影响系统最后的检测效果。此外,设定一个阈值,根据特殊间距(见后文定义)与阈值的关系判断车辆是否偏离。最后搭建了车道偏离检测系统,在电脑环境下对系统进行了测试分析,结果表明,该车道偏离检测系统具有良好的准确性和鲁棒性。