车道线检测是自动驾驶系统的重要组成部分。本文的主要工作为研究单目视觉下车道线检测的算法,即通过置于车辆前窗位置的单目摄像机来获取车辆前侧的道路图像,然后利用车道线检测算法准确,快速,鲁棒地检测出主车道线。车道线具有多样性,其存在的环境又具有复杂性。这就需要对车道构筑强大鲁棒的特征,传统的特征和人工构建的特征都有其局限性,其特征在区分车道线和非车道线上都不够强大,因此本文使用深度卷积神经网络来进行特征提取和分类。同时,算法的实时性也是一个需要考虑的问题。虽然车道线的传统特征在区分任务上不够强大,但其表达简单快速,对于定位和表达车道线的任务也是绰绰有余。因此,本文从传统的车道线检测流程入手,加入了深度卷积神经网络来更有效地区分车道线元素与非车道线元素;即本文设计的算法结合了车道线传统检测方法和深度学习两者的优势。本文设计的车道线检测算法分为四个子算法模块:预处理模块,边缘提取模块,边缘筛选模块,后处理模块。在预处理模块,本文将使用基于先验的感兴趣区域划分来限定处理区域,并使用本文提出的基于车道线先验特征的边缘增强算法对图像进行边缘增强,突出车道线边缘。在边缘提取模块,本文使用LSD(Line Segment Detector)进行边缘线段提取。在边缘筛选模块,本文设计了一个基于深度卷积神经网络的线段分类器进行局部筛选;然后利用基于消失点筛选算法进行全局筛选。后处理模块主要包括车道线集合生成与主车道线决策,用于从筛选后的边缘集合中生成车道线并选择出主车道线。实验表明,本文实现的算法有着较小的计算时间,同时具备较强的鲁棒性和较高的检测准确度。