基于机器视觉的车道线识别技术广泛应用于汽车主动安全技术中,有效地预防了交通事故的发生,减少了人员伤亡与经济损失。如何缩小车道线识别中图像处理的面积是提高系统实时性与抗干扰能力的关键。针对该问题,本文在研究车辆运动与车道线位置的变化关系基础上建立微观交通系统模型,进一步运用卡尔曼递推预测技术得到基于偏差修正的感兴趣区域预测方法,并将其集成到车道线识别系统中。通过台架实验在多种工况下对算法进行验证,结果表明该方法能有效缩小感兴趣区域,从而减少图像处理量,提高了系统的实时性与抗干扰水平。首先,本文经过分析得出当车辆横向运动幅度较大时,基于视频序列的感兴趣区域预测方法由于未充分考虑车辆运动特性,导致预测不准。针对该问题,论文考虑车辆运动引起的车道线相对位置变化,兼顾模型准确性与简洁性,基于二自由度的车辆动力学模型建立了表征车辆-车道线相对运动关系的微观交通系统。通过将该系统模型与商业化软件进行对比,验证该系统模型在感兴趣区域预测中的适用性。进一步,针对车辆速度变化导致上述系统模型的非线性和非定常问题,考虑相邻图像帧之间的时间间隔较短,采用近似处理,将每一帧采样时刻的纵向速度作为该周期内的输入值,对模型进行离散化,得到以方向盘及速度作为输入的状态空间模型;基于该离散模型,运用卡尔曼滤波预测技术,提出基于截距偏差的修正方法,实现车辆坐标系下的感兴趣区域预测。其中,噪声模型通过对比商业化软件和理想模型统计得到。通过人为施加噪声,仿真验证了本文方法在缩小感兴趣区域方面的效果。为验证本文提出的感兴趣区域预测方法的有效性,以NI EVS嵌入式视觉处理平台为基础开发车道线识别系统,并借助硬件在环测试台架分别采用PreScan生成的虚拟工况和实车测试数据对算法的效果进行验证。虚拟工况及实车数据的测试结果均表明本文提出的基于车辆动力学模型的感兴趣区域预测方法在有效缩小图像处理面积同时,显著提高了系统的实时性与抗干扰水平。