目前,无人驾驶已经成为人工智能领域的研究热点之一。而高级驾驶辅助系统(ADAS)的研究,对于无人驾驶的实现具有重要的意义。传统的车道线检测算法,通常仅对单一的目标场景进行识别,且需要人工设置相应的参数进行特征提取。但是,面对城市道路的复杂环境,车道线的检测往往同时受到光照、阴影遮挡等多种因素的影响,使得传统算法的鲁棒性不强。因此,本文针对这一缺陷对城市道路场景下的车道线检测进行了研究,主要的贡献如下:(1)对双车道线进行检测。提出了一种基于线性判别分析(LDA)的灰度化算法进行特征提取,和一种基于增加了混沌扰动的粒子群(PSO)算法进行车道线拟合。首先将高维的RGB(红蓝绿)彩色图像通过最佳鉴别向量投影到低维的子空间,进而实现图像的灰度化;然后通过混沌粒子群(CPSO)算法根据车道线特征,遍历粒子取值范围内的空间,寻找适应度函数最大的解;最后根据最优解来获得直线的参数。实验结果表明,算法能够实现各种道路情况下的车道线检测功能,验证了其具有良好的鲁棒性。(2)对多车道线进行检测。首先,提出了一种基于FCN(全卷积网络)的改进模型进行车道线特征提取,该神经网络可以实现像素级的车道线图像分类。模型的参数在Tusimple和Caltech Lanes两个公开数据集上进行参数训练;然后,基于一种混合模型进行车道线拟合,主要通过Hough变换来确定拟合区间,在拟合区间内使用最小二乘法进行车道线拟合。实验结果表明,在Tusimple数据集上算法的平均准确率为98.74%,Caltech Lanes数据集上的准确率为96.29%。(3)为了提高多车道线识别的实时性,提出了一种基于U-Segnet的改进模型。该网络采用了与FCN不同的上采样层,并且拥有更小的参数体积。此外,利用车道线图像帧间的关联性,在特征提取网络的中间加入长短记忆网络(LSTM)。实验结果表明,改进算法的处理速度与采用FCN进行特征提取的算法相比,计算效率提高了64%,显著的提升了算法对于多车道线检测的实时性,并且算法在Caltech Lanes数据集上的准确率提高了0.7个百分点。