随着汽车数量的增长,高速公路事故率激增,其中大部分是由于驾驶员对周围环境的忽视或视觉干扰造成的。基于视觉的车道检测技术是汽车安全辅助驾驶的关键技术,车道线是行车环境信息中最重要的信息。本文针对智能汽车在高速公路环境下的车道检测问题,研究了不同光照下的车道特征提取、车道模型拟合问题,主要包括以下三个方面的内容:通过图像梯度分析并结合实际车道图像,提出了一种基于梯度增强的特征提取方法。由线性判别式分析法计算梯度增强变换向量,并灰度化彩色图像,由自适应Canny边缘检测得到车道特征图像,特征提取向量根据光照的改变实时更新以保证算法对光照的鲁棒性。实验表明在光照变化的情况下,提出的特征提取方法能保留车道的主要特征,并提高了车道检测的正确性。为了改善标准霍夫变换网格量化精度并减少其计算复杂度,提出了一种基于梯度约束的统计霍夫变换车道检测方法。利用高斯核函数对图像中每个像素进行建模,解决标准霍夫变换网格量化精度的问题,通过梯度阈值的方法约束统计霍夫变换的初始数据集,减少算法计算量的同时也改善了后续检测精度,得到车道参数的连续概率密度函数;用车道检测结果来初始化粒子滤波器跟踪算法,车道参数的连续概率密度函数作为其测量模型。实验结果表明,在高速公路环境下,该方法能快速准确的检测出车道,同时提高车道检测的鲁棒性。给出了一种结合路面实况信息的评估方法,用来衡量车道检测系统的性能。采用时间片方式将原始视频序列转化为TS图像,通过取样点的插值运算得到路面实况信息中的车道位置,给出了车道检测准确性程度的误差函数以及一种统一测试数据库的获取方法。