随着我国经济社会持续快速发展，机动车保有量继续保持快速增长态势。据公安部统计，全国机动车保有量达3.25亿辆，与2017年底相比增加1556万辆；机动车驾驶人达4.07亿人，与2017年底相比增加2236万人。同时私家车也增速加快。以个人名义登记的小型和微型载客汽车达1.87亿辆，每百户家庭私家车拥有量已超过40辆。汽车的广泛普及给人们的生活带来便利的同时也给人们的生命安全造成了重大威胁。根据世界卫生组织的调查报告显示，全世界每年超过125万人丧生于道路交通事故，还有2000万至5000万人因受到非致命伤害而终生残疾。道路交通事故给个人、家庭乃至整个国家造成了巨大经济损失，其金额占大多数国家国内生产总值的3%。

通过研制并推广高级驾驶员辅助系统(ADAS)等智能化系统来提高车辆的安全系数。ADAS等系统不仅可通过持续辅助驾驶员完成驾驶任务以避免交通事故，还可以为驾驶员提供更完善的驾驶服务。鉴于ADAS的诸多优点，近二十年来，研究人员将重心逐渐转移到了更加智能的车载系统先进辅助驾驶系统的研究与开发。这类系统能够智能的识别交通场景、预测交通事件，并给出相应的驾驶提醒，采取应急措施，在紧迫情况下辅助驾驶人员进行决策，从而能避免交通事故的发生。同时，自动驾驶技术作为一种缓解甚至解决驾驶安全的重要方法，获得了越来越多的关注，也取得了许多突破。

上述系统都是复杂的智能控制系统，集结机械控制、路径规划、智能感知等多个模块，最终利用车内计算机系统实现自动驾驶操作。高效的车道线检测是感知模块中的重要一环。

车道线属于交通标志，它约定了汽车的基本行驶规范。无论是在传统的辅助驾驶还是现在的无人驾驶中，车道线检测都起到了重要作用。传统的辅助驾驶使用车道线检测，为车辆行驶偏离进行预警，当车辆与前方车辆即将发生碰撞发出警告。而在无人车驾驶中，车道线检测为自动巡航驾驶、车道保持、车辆超车等操作提供最基本的信息，以保障车辆的正常行驶，其重要性不言而喻，研究意义深远。

国内外研究现状

无论是自动驾驶系统还是辅助驾驶系统，车道线检测都是保障车辆正确行

驶的重要内容。车道线检测在目前而言仍然是一个较难的研究课题，现实世界的构造过于复杂，不同国家交通法规不同，车道线标志也有所区别，即便是同一个国家，由于地貌差异，各个城市之间使用的车道线标志的种类方式也有所不同，这些标线种类的差异性是算法本身需要克服的第一个问题。此外，车道线很容易随着使用时间而出现腐蚀、模糊不清的现象，造成一些图像算法很难检测这种腐蚀的车道线。另外天气也是影响车道线检测算法效果的重要因素，当出现下雪、暴雨天气，车道线容易被遮挡，直观检测车道线标志完全无法实施，需要一些其他基于规则的方法才能解决类似的场景。

目前根据国内外相关文献提出的车道线检测方法，大致可分为三类:基于特征的方法和基于模型的方法，以及深度学习方法。

基于特征的车道线检测方法，主要是利用车道线与道路路面及其周边之间的纹理、灰度值、梯度变化以及边缘等特征差异，通过利用阈值分割的方法，将车道线的特征信息从道路中分离出来。基于特征的车道线检测算法要求车道线边缘特征明显，如此才能得到比较好的检测结果。所以这种类型的算法对噪声很敏感，且易受到车道线部分遮挡及破损的影响，鲁棒性差。