视觉是人类观察世界、认识世界的重要功能手段，人类从外界获得的信息约有75%来自视觉系统，特别是驾驶人驾驶需要的信息90%来自视觉。在目前汽车辅助驾驶所采用的环境感知手段中，视觉传感器比超声波、激光雷达等可获得更高、更精确、更丰富的道路结构环境信息。随着计算机技术的发展和图像处理/识别技术的成熟，机器视觉技术获得长足的发展，目前广泛应用在三维测量、三维重建、虚拟现实、运动目标检测和目标识别等方面。在汽车的自动驾驶方面，一个前提性的问题就是路况识别和车辆、障碍物的距离、速度检测，解决了这个问题才可能去控制汽车的驾驶。而机器视觉技术融合三维测量和图像识别技术于一身。

在无人驾驶智能系统中，基于视觉的车道线识别是视觉感知部分使用最广泛的导航感知器。根据智能车安装摄像头个数的不同，又分为单目视觉和双目视觉。其中单目视觉的计算量小、实时性高，更便于在实际中使用，应用更加广泛。

同时，也有相应的研究在视觉基础上，加入雷达、GPS等辅助信息，采用多传感器技术融合的方法，实现车道线的识别。

SorenKammel在AnnieWAY汽车的基础上，提出基于激光雷达和数字地图信息融合的车道线识别方法，系统能够估计数字地图与实际路况的偏差；HuangAS提出基于视觉和雷达多传感器融合的多车道线识别，将识别分成3个阶段并采用多处理器实现，第一阶段检测和定位每个摄像机图像中的标志线，并通过雷达获取的数据减少检测错误率；第二阶段，通过检测的车道线和获取的相关数据预测行驶车道线附近的中心线；第三阶段将检测到的中心线进行滤波、跟踪、信息融合，从而识别出多车道。

QingquanLi采用了视觉和激光雷达多传感器信息融合的方法检测车道线，提出用特征信息融合的方法寻找到最优的可行驶区域，然后在最优行驶区域里检测车道线，该系统对结构化和非结构化道路均适用。

目前车道识别的方法主要分为两类，基于图像特征的方法和基于模型的方法。基于图像特征识别的原理是利用了车道标志线边缘与道路图像周围路况之间特征的差异，通常的特征差异有图像的纹理、边缘几何形状、边界的连续性、感兴趣区域的灰度值及对比度等，可以使用阈值分割等方法提取图像特征，算法简单易实现，缺点是易受噪声、树木的阴影遮挡、光照变化、标志线间断不连续等因素干扰车道线识别，甚至可能无法识别出车道线；模型匹配的原理是针对结构化道路的几何特征，建立相应的车道线模型，辨识道路模型参数，进而识别出车道标志线。由于图像特征法的局限性，在实际研究中一般将图像特征法和模型匹配法相结合，问题的关键是寻找出与车道线匹配的最佳模型。

JiangRuyi提出一种新的车道线模型，该模型中的5个参数用来模拟左右车道线边缘的对点，能够用于检测多种形状的车道标志线；JuseokShin提出一种基于顶视图的RANSAC算法和曲线模型检测图像车道线，先由图像逆投影变换生成顶视图，然后用RANSAC算法检测车道线，再用曲线模型将车道线延伸至感兴趣区域的底部。

但目前现存有一些不可回避的问题，当道路地面的车道线清晰，周围环境良好时，那么算法都能够检测出车道线，但在不同光照和气候变化时，算法则有待改善。

车道线（图2-4）的标划区分：

白色虚线：划于路段中时，用以分隔同向行驶的交通流或作为行车安全距离识别线；划于路口时，用以引导车辆行进。(www.daowen.com)

白色实线：划于路段中时，用以分隔同向行驶的机动车和非机动车或指示车行道线；划于路口时，用作导向车道线或停车线。

黄色虚线：划于路段中时，用以分隔对向行驶的交通流；划于路侧或路缘石上时，用以禁止车辆长时在路边停放。

黄色实线：划于路段中时，用以分隔对向行驶的交通流；划于路侧或路缘石上时，用以禁止车辆长时或临时在路边停放。

双白虚线：划于路口时作为减速让行线；划于路段中时，作为行车方向随时间改变之可变车道线（潮汐车道线）。

双黄实线：划于路段中时，用以分隔对向行驶的交通流。

黄色虚实线：划于路段中时，用以分隔对向行驶的交通流。黄色实线一侧禁止车辆超车、跨越或掉头，黄色虚线一侧在保证安全的情况下准许车辆超车、跨越或掉头。

双白实线：划于路口时，作为停车让行线。

图2-4 各种车道线