針對無人駕駛技術中關于復雜車道線的檢測問題，本文提出了一種基于車道線的顏色梯度變化和視頻每幀圖像的關聯性的復雜車道線檢測算法。該算法通過梯度檢測的方法對原圖像進行邊緣像素提取，通過動態曲線的限制對所得的邊緣像素進行特征點提取，篩選出目標邊緣像素，去除非目標邊緣像素。最后通過曲線擬合檢測出車道線位置。通過現場實測表明，此算法最終能夠通過曲線擬合得到較為準確的復雜車道線的位置信息。同時，實測結果也說明了此算法相比于其他算法而言具有更好的是實時性和魯棒性。

　　隨著國內交通領域和經濟的飛速發展，汽車在人們生活中得到了廣泛的普及，隨之而來的卻是交通事故發生率不斷攀升，每年都有許多人由于駕駛中的疏忽大意喪生于交通事故中或給他人造成傷害。汽車給人們帶來便利的同時，也給人們的生命和財產帶來了巨大損失。經汽車安全專家指出：約有50%的汽車交通事故是因為汽車偏離正常的行駛車道引起的，并且多發于復雜車道，例如彎道行駛。究其原因主要是駕駛員心神煩亂、注意力不集中或駕駛疲勞。由此，無人駕駛技術和智能駕駛輔助系統得到了飛速發展，大大降低了由于司機疲勞駕駛引起的交通事故率。本文研究的重點是復雜車道檢測算法，該算法在無人駕駛中應用廣泛，是其必不可少的一部分，廣泛應用于自動泊車、路徑規劃、自動避障等多個無人駕駛領域。

　　當前基于無人駕駛有關直道的車道線檢測技術日趨成熟，人們用不同的方法在直線檢測上取得了較好的成果。提出基于Snake 的車道線檢測方法，通過利用車道線消失點的結構特征進行車道線檢測，并用Snake 方法對車道線進行迭代擬合；提出基于隨機抽樣一致性的車道線檢測方法，此方法利用車道線平行的結構特征進行車道線檢測；中提出利用形態學圖像處理技術，基于形態學變換的道路檢測方法，能夠應用形態學變換、Canny 邊緣檢測與Hough 變換檢測出直線道路車行道的邊緣線。

　　然而，現有的技術仍然無法準確的檢測復雜車道線以及非標準車道線，對復雜車道線及非標準車道線的檢測方法研究是無人駕駛中的一個難局。提出一種基于機器視覺的車道檢測與重建方法。采用鏈碼算法檢測分道線，用鏈碼來記錄車道線輪廓信息，再基于曲率模型的卡爾曼遞推估計方法來估計當前的車道線位置，同時用來預測和檢測下一時刻的車道線位置，并建立了車道數學模型。文獻［5］提出一種基于多特征信息融合優化的魯棒性車道線檢測算法。首先構建了基于二次曲線空間道路模型圖像中左右車道線數學模型；然后融合像素梯度值、梯度方向、像素灰度以及車道線結構等多特征信息，構造后驗概率函數；最后采用基于免疫克隆策略的改進粒子群優化算法優化車道線模型參數，實現車道線提取。提出利用Hough 變換來實現對車道檢測的直道檢測。而對于彎道部分的檢測，通過統計較小區域的目標像素數目，設置感興趣區域（ROI）來判斷車道的彎曲方向，并在該方向上進行彎道像素的搜索，采用多段折線的方法對彎道部分進行重建。

　　實際道路狀況復雜多變，各種干擾因素加大了車道檢測的難度。國內外學者對于不同的干擾因素已提出了諸多算法，例如針對交通場景中運動車輛的車道檢測方法、基于車載單色攝像機提供的圖像檢測和跟蹤車道的魯棒方法、基于可控濾波器進行車道檢測的方法、針對夜間的車道檢測算法。

　　當今現有的車道檢測算法實用性和魯棒性低，檢測復雜車道線及非標準車道線的準確度及魯棒性低，為了更好地解決這一問題，突破車道檢測的困局，本文基于視覺處理將多種算法進行融合，構建了一個相對完善的視覺處理系統，能夠有效地適用各種不同的行車環境，降低天氣、光照等因素對車道檢測的影響，通過實測與比較發現該方法提高了車道檢測的準確性、實用性和魯棒性。無人駕駛的技術難局在于感知周圍環境，車道檢測算法的進步對無人駕駛的發展起著不可忽視的推動作用。