随着社会的飞速发展和道路交通系统的日益完善,我国人均汽车保有量快速提升,但交通拥堵和安全等问题也随之而来。用于解决这些问题的智能交通系统目前正愈发受到人们重视,各国政府都投入大量经费对其进行研究。智能车是智能交通系统的重要组成部分,是一个集环境感知、决策规划以及辅助驾驶等功能于一体的智能平台,代表了汽车未来的发展方向,具有广阔的应用前景。作为智能车环境感知系统的关键组成部分——基于视觉的车道线检测技术长期是学者们研究的重点课题。该技术通过分析车载视觉系统采集的道路图像,及时提取出车道线的位置信息,以供智能车的决策规划、车道偏离预警等系统使用。因此,如何在复杂道路场景下快速、准确地检测出车道线是智能车的一项关键技术。本文提出了一种基于差分激励的车道线检测算法。该算法首先进行感兴趣区域提取、灰度化以及中值滤波等预处理,然后利用基于差分激励的车道线特征点提取方法获取特征信息,最后利用带约束的Hough变换拟合出车道线。在公开数据库上的仿真实验结果表明:与其他典型车道线检测算法相比,所提算法能够显著地提高检测精度,且具有较好的鲁棒性和实时性。本论文的主要研究内容及贡献包括以下三方面:1)提出了基于差分激励的车道线特征点提取方法。针对常用车道线特征点提取方法的不足并根据实际道路图像的特点,本文提出了基于差分激励的提取方法。该方法首先通过差分激励算子对灰度图像进行纹理增强,然后根据韦伯原理,提取出差分结果中值最大的一部分作为车道线特征,最后利用所提的去冗余方法剔除特征点集中的冗余。与常用车道线特征提取方法相比,所提算法在精度和速度上都有较大提升。2)提出了一种实用的特征点去冗余方法。由于提取出的特征信息较多,若直接对其进行拟合处理则整个算法的实时性会受到严重影响。本文提出对特征图像进行扫描,若其中连续的水平信号满足预定的要求,则从该段信号中选取出特征点。反之,则将该段信号作为噪音或背景信息直接去除。通过该方法,所提算法有效地减轻了后续处理的计算量,提高了算法的实时性。3)提出了一种带约束的Hough变换法。针对使用经典Hough变换拟合车道线的不足,本文提出一种带约束的Hough变换。该方法从候选车道线的斜率、候选车道线与已检测出的车道线之间的夹角和距离等方面对Hough变换进行约束。与此同时,本文还通过及时消除Hough变换过程中已检测点对后续检测的影响提高检测精度。