随着智能交通系统的发展、图像视觉传感器成本的降低与拍摄精度的提高,以实际道路交通图像为处理对象的自动驾驶和辅助驾驶系统的发展也越来越迅猛。车道线与车辆检测技术作为自动驾驶和辅助驾驶系统的关键技术,也成为国内外学者与企业的研究热点。目前车道线与车辆检测算法有很多,并且还在不断优化。由于交通场景的复杂性,不同的天气条件和道路表面阴影都使得车道线的提取变得困难,车辆检测的准确性也会受到交通场景中车辆的多样性和光照环境的多变性的影响。针对以上问题,本文对车道线检测与车辆检测两个关键技术展开了研究。本文提出了一种光照不变条件下的车道线检测算法。该算法首先利用纹理特征,通过局部投票算法提取道路图像消失点,获得车道线检测的感兴趣区域;然后基于相机感光函数与物体表面反射特征,通过色度空间变换获得感兴趣区域的光照不变灰度图;最后利用道路图像中车道线的特点对光照不变灰度图中车道线检测的目标区域进行提取,通过基于极角约束的霍夫变换对目标区域内车道线的检测,获得车道线检测结果。考虑到车辆可行驶区域内的其他汽车是该车辆行驶过程中主要的安全威胁之一,本文在车道线检测的基础上提出了一种车辆可行驶区域内的车辆检测算法。该算法首先利用任何光照条件下车底阴影都暗于道路其它区域的特征,通过梯度强度阈值对道路图像垂直梯度强度图中的车辆阴影进行初步的提取;然后利用车辆宽度通过形态学的方法对垂直梯度强度图中的车辆阴影进行进一步的筛选;最后利用车道线检测结果得到车辆可行驶区域,通过阈值法实现对车辆可行驶区域内车辆的检测。本文将所提出的车道线检测与车辆检测算法在数据集Alvarez dataset、iROADS dataset和实际拍摄的道路图像数据集上进行测试实验,数据集中包含不同天气与光照条件下所拍摄的实际交通场景图像。实验结果表明:本文所提出的车道线和车辆检测算法在不同天气、不同光照条件下检测结果的准确率较高,并且具有良好的鲁棒性,解决了由于光照条件变化和道路表面阴影造成的车道线识别率不高的问题,避免了交通场景中车辆的多样性和光照环境的多变性对车辆检测准确率的影响。