在交通运输系统中,无人驾驶技术一直是该领域近些年较为热门的研究课题。在交通问题日益严重的今天,能够有效解决交通问题的办法之一是智能汽车驾驶系统的全方面实现,而道路交通标线的识别便是智能汽车驾驶系统中极为重要的一项技术。针对复杂多变的现实场景,如何快速准确地对采集到的视频中的道路交通标线进行识别,是一个有研究价值的课题。本文主要对图像的预处理,道路交通标线的检测以及道路交通标线的识别这几个方面进行研究,主要工作如下:(1)对截帧得到的图像进行去噪、图像增强和灰度转换等预处理操作。为了减少图像中存在的噪声,分别对均值滤波、中值滤波、维纳滤波和图像小波滤波进行了实验对比,选取其中效果最优的中值方法进行去噪处理。为了解决道路交通标线对比度不足的问题,采用基于带颜色恢复的MSR方法即MSRCR进行图像增强处理。最后在灰度转换方面,主要对Open CV中的三种对数转换法进行了分析,通过对比实验,最终选用第一种对数转换法对道路交通标线图像进行处理,有效地提高了后期检测和识别的速度。(2)为了便于后期对道路交通标线进行识别,需要对图像中的道路交通标线进行检测。本文采用了基于边缘检测的道路交通标线的检测方法。对于边缘检测方面,研究了canny算法和Marr-Hildreth算法,通过实验对比,采用Marr-Hildreth算法对道路标线进行检测。然后利用mask(掩模)技术提取道路交通图像中的ROI区域,通过生成包围边缘的最小矩形对图像进行ROI提取,从而实现交通标线的分割。(3)研究了ORB算法。该算法首先通过对图像进行FAST特征点检测,在此基础上采用BRIEF算法来计算这些特征点的描述子,最后通过特征点的匹配对采集到的图像与模板库中的图像进行对比来进行识别。实验表明,ORB将基于FAST特征点和基于BRIEF描述符的技术相结合后的识别准确率较高。然后研究了哈希算法在道路交通标线识别中的应用。该算法对每个图像生成哈希值,通过比较不同图像的哈希值来确定图像之间的相似性。其中,在对均值哈希算法研究的基础上,将均值替代为计算DCT,即感知哈希算法。实验结果表明,感知哈希算法的识别效果比均值哈希算法效果要好。最后,为了进一步提高网络模型的精度,在Alex Net卷积神经网络上,设计了一种改进的方法。该方法采用Alex Net模型的后三层特征进行融合,并使用在分类问题上表现较好的XGBoost分类器取代Alex Net模型的softmax分类器来进行分类处理。实验表明,改进后的神经网络减少了原神经网络的训练时间,而且交通道路标线识别的准确率有所提高。基于以上的研究方法,结合Open CV开源视觉库,设计并实现了基于MFC框架的交通标线的识别系统。该系统对以上方法分模块进行实现,达到可视化的效果。