随着人工智能技术在世界范围内的迅速发展,各行各业已经进入智能化的时代。汽车驾驶也逐步向电子化与智能化发展。全球汽车数量的急剧增加使得交通拥堵和交通事故等问题日渐成为人们关注的话题。为了让人们有更好的驾驶体验,自动和辅助驾驶技术成为了国内外研究的热点。车道检测是高级辅助驾驶中的关键技术之一,在车道偏离预警中扮演着重要角色。现有车道检测算法检测效果需上路实测或使用相关车道线数据集进行测验。针对当前已标注车道线数据集数据量较少和种类不足的情况,本文提出一种改进的利用透视自适应高斯模糊和非极大值抑制相结合的算法提取车道骨架,并建立相关高速车道线数据集、对当前驾驶相关数据集进行种类补充。该算法主要分为三部分。首先,对行车视频帧进行裁剪保留有效信息,之后对初始帧手动标定车道线感兴趣区域(Region Of Interest,ROI);然后,对车道线按路面场景透视关系进行内核大小自适应改变的高斯模糊和非极大值抑制处理、以获得逼近骨架的车道像素点;二值化之后进行分段最小二乘拟合以获取最接近骨架线的拟合表达式;最后,进行分段抽样存储,将存储结果作为后续帧的ROI确定种子点,并结合视频帧率和车辆行驶速度预测后续帧图像中车道线ROI的变化范围。以此实现连续帧之间的车道线标注以及车道骨架数据点的提取存储,实现车道线数据集的快速建立。本文提出算法的主要优势有:1.结合人工标注的准确性和传统计算机视觉方法处理车道图像的快速性,对原始图像进行裁剪,去除大量无用信息,只保留路面车道信息,有效减少图像预处理运算量,对于车道线数量变化,车道线标注距离短等问题具有较好的标注提取效果;2.每条车道线裁剪提取为单独的ROI,减少光照因素和整体环境对标注提取的影响,高斯平滑窗口和非极大值抑制窗口大小都根据透视关系随车道线的远近宽度变化进行自适应改变,提高车道骨架提取的精准度;3.对每一条车道ROI提取出的车道骨架点进行分段拟合,有效去除非车道噪声信息并减少整体拟合误差,对大部分被车辆或阴影遮挡的车道可以有效处理、并准确拟合出车道线;利用车道线在每帧图像中的位置变化不大这一特点,使用之前帧的拟合结果作为下一帧的标注输入点,提高标注效率。本文通过3D模拟和真实环境道路图像对算法的提取效果进行验证测试。结果表明本文算法对不同弯曲类型、光照条件、阴影影响、车辆遮挡等复杂车道环境下的车道线有较好的标注提取效果。建立并公开了包含210610帧不同光照强度和不同路况的中国高速公路车道线数据集。采用半人工半自动的方式进行车道线标注,大量节省人工标注时间,有效提高车道线数据集构建效率。