如何设计一种经济实惠且值得信赖的高级驾驶员辅助系统(ADAS)是汽车工业的一项真正挑战。ADAS是在驾驶时为驾驶员提供帮助的系统。它可以有效地协助驾驶员，减少交通事故的发生，并提高道路安全性和乘客的舒适度。随着自动驾驶汽车的发展，车道检测已成为ADAS的关键技术之一。
　　本研究提出了一种结合几种特征提取方法的车道检测算法。在进行车道标记检查时，道路上那些含有黄色和白色反光涂料的典型车道标记很容易被识别出他们独特的形状。研究的首要目标是利用车道的这些特性，为图像和视频中的车道检测提供合适的ROI和算法。
　　本文所提出的方法包括三个主要模块：初始化、车道检测和车道跟踪。初始化阶段着重于特征提取以便在帧中选择适当的感兴趣区域(ROI)。初始化阶段分别包括天空区域检测模块、区域边界模块和ROI的选取。天空区域检测模块通过使用梯度信息和能量函数来检测天空区域。该模块分析出地平线，并将其输入到区域边界模块。
　　地平线用来区分天空和非天空区域。区域边界模块使用HSV颜色格式提取颜色特征，并应用Felzenwalb的方法提取对象的区域边界。然后分别应用于霍夫变换验证候选线是否在这两个特征帧中。
　　ROI选取模块会根据区域边界模块中的地平线和候选线段来确定合适的感兴趣区域。同时还会扫描更广阔的区域，以免错过道路上的候选车道标记。
　　确定ROI后，利用IPM方法将ROI转换为鸟瞰视图，以消除透视效果。车道检测模块中采用扫描线方法从鸟瞰图中确定车道及其位置。最后，在车道跟踪模块中应用卡尔曼滤波，根据之前确定的车道标记位置，优化和预测未来的车道标记位置。
　　论文所提出的方法不需要预先设定感兴趣区域，初始化阶段的每个模块将向下一个模块提供感兴趣区域信息。采用多个特征使得该方法更稳定可靠。在Caltech基准数据集和自定义视频序列上，对该方法的有效性进行了测试。实验结果表明，该方法在各种路况下都能很好的完成车道线检测并具有实时性。本方法的创新之处在于可以估算道路的曲率及道路路型如双线车道或实线等，同时比其它算法的计算速度更快。