近年来随着我国科技的发展与社会的不断进步,汽车数量呈现出逐年上升的趋势,汽车在给人们生活带来极大便利的同时,驾驶员的操作失误导致了越来越多严重的道路交通事故,给人民的生命财产安全造成了不可挽回的损失。为了提高汽车在道路行驶中的主动安全性能,降低道路交通事故发生率,研发具有各项主动安全技术及先进辅助驾驶技术的智能汽车成为了学术界及工业界共同的研究热点。道路中的车道线约束汽车的可行驶区域,车道线检测是智能汽车主动安全技术中不可替代的核心关键技术,具有较高的研究价值与重要意义。因此,如何准确的检测出道路中的车道线区域成为了智能汽车领域的研究热点。本文围绕车道线检测技术展开研究,在大量分析现有传统车道线检测方法优缺点的基础上,提出了一种能够在复杂环境下准确检测车道线的,基于改进随机抽样一致性算法(Random Sample Consensus,RANSAC)的车道线检测方法。主要的研究内容如下:本文首先研究了二维图像与三维空间的对应转换关系,结合由相机标定获取的内外参数,经逆透视变换计算得出消除图像透视效果的道路图像鸟瞰图,并在此基础上采用基于车道实际物理宽度信息的感兴趣区域选取方法,得出逆透视变换下车道线感兴趣区域(Region of Interest,ROI);接着本文提出了一种基于脊线检测及自适应阈值的车道线有效特征点提取方法,相比于传统的边缘检测算子,本文构建的脊线检测器能够在存在干扰的复杂路面环境中准确检测出车道线中心特征点,并根据自适应脊线阈值有效排除干扰噪声;然后利用提取出车道线有效特征点,在分析各种车道模型的基础上选取了抛物线型车道线模型,并采用改进RANSAC算法对车道模型进行拟合,本文从三个方面对传统RANSAC算法进行改进:(1)采用基于直方图统计与特征点列向分布位置约束的方法对特征数据集进行优化筛选;(2)利用动态特征距离引导的分区域采样方法对采样过程进行优化;(3)对有效车道模型判断标准进行优化;最后通过实验验证相比传统RANSAC算法,这三个方面的改进最大限度的降低了路面干扰噪声区域对车道线检测的影响,能够在复杂路面场景下大大增加模型拟合的准确性。本文在光照条件不均与存在阴影、路底标识及车辆干扰等多种复杂路面场景下,利用所提出的方法进行了大量重复性实验与统计分析,均取得了良好的检测结果,实验结果证明本文所提出的基于改进RANSAC算法的车道线检测方法具有良好的鲁棒性及准确性。