作为无人驾驶系统和辅助驾驶系统的关键技术,行道线检测方法研究备受关注。本文利用传统的检测方法提出并实现了一种新的直道检测和弯道检测方法,同时从机器学习的角度实现了较为鲁棒的行道线区域粗定位算法,同时也介绍了本文实验所用平台。本文工作主要分为以下四个部分:(1)提出并实现了一种基于投影变换的快速行道线直道检测方法,并研究了三种行道线过滤机制。当行道线磨损时,传统方法中的边缘检测会无能为力,当出现强光、阴影遮挡时,传统方法中的二值化方法漏检率也会升高,因此本文提出利用图像中的投影信息来提取行道线的候选点。针对行道线图像中的"近大远小"现象,本文利用积分图实现了分段投影变换,也相当于实现了行道线的变分辨率检测。直线提取阶段,本文采用了基于角度估计的霍夫变换方法。针对霍夫变换后直线较多的情况,本文采用对比度判断、消失点估计以及直线聚类的方法对结果进行处理。实验结果表明,本方法对强光、阴影遮挡以及磨损等情况具有较强的鲁棒性,同时能够在保证精度的同时满足无人车的实时性要求。(2)提出并实现了一种基于分段式消失点估计的行道线弯道检测方法。根据弯道的多消失点特性,本方法采用分段式消失点估计的方法进行弯道判别。在弯道检测过程中,本方法在前文工作的行道线候选点的基础上采用分段式霍夫变换的方法提取直线,并加以抽样获得曲线候选点,然后通过最小二乘法和三次样条插值法分别对候选点进行曲线拟合。为了对一些拟合后不合理的弯道结果进行拒识,本方法采用通过相机标定的结果对拟合后的曲线进行后验。实验结果表明,本方法对于弯道能够较好的判别并加以检测,同时发现最小二乘法较为鲁棒,而三次样条插值法的误差更小。(3)实现了一种基于机器学习的行道线候选区域粗定位算法,该方法能够对以上方法的鲁棒性进行进一步加强。由于行道线具有明显的梯度和边缘特征,本文采用了HOG和Haar特征分别对行道线图像进行处理。本文首先对行道线的HOG梯度方向直方图特征进行了提取,并配合支持向量机SVM进行了训练分类。同时本文又提取了行道线的Haar特征,并配合级联分类器Ababoost加以实现。实验数据表明,Haar特征配合Adaboost级联分类器具有较高的检测率。(4)最后本文介绍了本课题项目所处的无人驾驶汽车实验平台的硬件系统和软件系统设计,本文算法在无人车系统中得到了实验验证,并取得了很好的应用效果。