自动驾驶带来的便利性和舒适性不言而喻,更重要的是它可以避免很多因人为驾驶失误而导致的交通事故,极大的保障了人们的生命财产安全。其中,车道线检测作为基础且重要的一环,必须满足车辆能够在各种行驶路况中实时精准的获取车道线的条件,所以,目前众多的研究工作主要着重于其自适应性和鲁棒性等。本文基于传统图像处理的原理,在单目视觉的条件下,研究了用于检测车道线的算法,对经典Canny边缘检测方法无法自适应地根据当前图像边缘特点进行自动计算双阈值的缺陷做了优化改进,并且,使用特征信息融合的方法,解决了检测中存在的阴影和路面亮度不均的问题。在车道线检测阶段,提出了一种自适应滑动窗口筛选车道像素点的方法,提高了后续拟合车道线的准确性和精度。本文主要研究了图像预处理算法、边缘检测算法和车道线检测与跟踪方法。在图像预处理算法中,对输入图像进行一系列降低后续操作计算量和去除噪声的处理,先后进行了有效区域提取、灰度化处理和双边滤波的操作。最后,对滤波后的图像进行直方图均衡化的图像增强操作,增大车道线与图像背景的对比度,便于后续边缘检测的处理。在边缘检测阶段,由于经典Canny边缘检测方法只能使用预先确定的固定双阈值对所有图像进行边缘计算,所以,并不能很好的适应于环境多变的车道线边缘检测中。因此,设计了一种自适应计算Canny边缘检测算法双阈值的方法,由图像的梯度向量估计出图像中的边缘方向,基于估计出的边缘方向的梯度强度值自适应的计算双阈值。同时,将输入图像转换到HLS颜色空间中,利用S通道不受亮度影响的特点,提取车道线信息,最后将两种方法得到的结果进行融合以滤除路面中存在的阴影和亮度不均的部分。针对直线型的车道线检测,本文使用渐进概率Hough变换对车道线进行识别,相较于经典Hough变换方法,它的检测效果更佳,算法性能更优。针对弯道部分的车道线检测,本文首先对输入的二值化图像进行逆透视变换,然后,根据变换后图像的直方图确定车道线的起始点坐标,其后,使用自适应滑动窗口筛选出车道线像素点,在拟合部分,为保证拟合精度和准确性,使用基于RANSAC算法的三次曲线模型对筛选出的像素点进行拟合。最后,使用卡尔曼滤波算法对检测出的车道线进行跟踪,利用视频序列的相关性,提高识别的准确率和精度。