智能车辆视觉导航系统是智能交通系统的重要组成部分,道路检测是车辆视觉导航中的关键技术,其效果受到噪声质量和成像质量的影响。智能车辆要实现在城市繁忙道路上完全无人驾驶,对道路图像的处理分析是道路环境理解的基础也是智能车辆实现的关键,对道路图像进行适当的预处理,可以提高道路检测的识别率,增加视觉导航的可靠性和稳定性,因此具有相当的研究和应用价值。本文的整体算法设计是将拍摄到的道路图像进行灰度化处理,分析它的噪声类型,针对不同的噪声类型,提出合理的去噪方法,然后进行图像边缘检测,阈值分割等一系列处理对图像质量进行修正,并针对本文研究的道路形状,提出Hough变换的道路检测方法,最后通过仿真实验验证算法的合理性。具体的研究工作如下:通过比较几种常用的图像增强算法对道路图像的处理效果,提出了一种改进的直方图均衡法,比较实验结果,发现对模糊的图像应用改进的直方图均衡效果最好,能有效的解决图像的模糊问题;而对于雨雪天气造成的椒盐噪声,用中值滤波能够有效的去除噪声;对于高斯白噪声,则采用自适应滤波的效果最好。在图像边缘检测中,本文选定利用canny算子,它的效果是保持边缘光滑、连续,使道路边缘的特征得到了较好的保护。在阈值分割环节,我们通过对几种传统阈值分割方法的比较,确定通过最大类间方差法来进行阈值分割,它具有较好的抗噪声能力,是在提高系统的实时性和鲁棒性的基础上对图像进行的二值化操作。为了更好的提取道路图像的车道线,论文利用了基于集合思想的数学形态学,形态学运算保证了道路区域的封闭性。本文采用直线道路模型等道路约束条件,利用Hough变换鲁棒性好,抗噪性能力强,且能连接共线短直线的特点进行直线特征的提取。论文中利用对图像添加椒盐噪声,高斯白噪声以及模糊的处理方法,模拟在实时的道路检测中可能遇到的图像质量的问题,经过预处理后再进行道路检测,可以得到较好的检测效果,准确检测出车道线,提取有用的道路信息。