车道线标志是交通指示系统的重要组成部分,它包含大量有用的、直观的信息,提醒驾驶员对相应的交通状态做出正确的判断和操作,可以有效降低人为的因素造成交通事故的数量,具有较大的社会价值和经济价值。本论文根据城市智能交通系统发展的需求,开展基于行车记录仪的车道线快速检测与识别,可用于工程上指示智能车辆的行驶与变道。本论文的主要工作和创新点主要有以下几点:(1)车道线快速检测算法的研究。本论文创新性的提出了一个车道线快速检测算法,通过将梯度图像二值化,将图像划分为均匀的区域后,进行区域聚集,将图像分为相邻大区域,相邻小区域,候选车道线区域,完成快速粗略定位候选车道线区域功能。该车道线快速检测算法,不需要对车道线视频图像进行复杂多样的图像预处理过程就能排除大量如行人、车辆、天空、行道树、灰黑色道路背景等干扰因素,获得候选车道线区域。该算法不仅计算速度快,且为车道线识别部分大大减少了计算量,效果显著。(2)车道线精确定位算法的研究。在图像局部区域内,采取均值缺席重要性算法,对候选车道线区域进行边界提取;采取局部区域内标准差缺席重要性方法,进行边界点和角点提取;在候选车道线区域边界图像中抽取部分采样点,采用普通最小二乘法拟合车道线边界图像的轴对称直线,并求得斜率;将该区域内图像二值化,感兴趣点和背景加以区分。提取候选区域的边界特征及斜率特征,排除行道树与天空的空隙、车辆反光条状区域等干扰因素,根据特征阈值区分该区域是否为车道线区域,以供后续进行车道线区域识别。(3)车道线识别算法的研究。对截取且规范化后的车道线区域引入卷积神经网络,进行精确识别、并将识别结果标识在图像中相应位置。通过卷积神经网络进行训练和拟合,将各种形态的车道线标志进一步分解,抽取更高维度、更本质的特征,经过卷积神经网络正向、反向求解,获得最优的权重与偏置,获得最佳的识别效果。(4)原型系统设计。在以上各个算法研究的基础上,设计了一个车道线快速检测与识别系统的原型,并加以实现验证。实验结果表明,该系统最终的车道线识别率达95.7%,单帧原始图像耗时0.093秒,实时性较好,基本满足60帧行车记录仪的识别性能。相较于其他同类型车道线识别系统,本论文中提出的车道线快速检测算法在车道线检测等预处理阶段节省10～15ms的时间,降低卷积神经网络识别阶段约91.9%的计算量,预处理与识别部分的计算速率提高了约24.3%左右。