- 研究背景与意义
随着城市化的发展和汽车的普及，交通环境日趋恶劣，交通拥挤加剧，交通事故频发，交通问题已经成为全球范围内人们普遍关注的社会问题。据统计，每年世界范围内的公路交通事故中大约有1000万人员受伤，其中重伤300万人，死亡40万人，这些事故中直接造成的经济损失约占世界GDP的13%。据美国联邦公路局的估计，美国2002年所有致命的交通事故中44%是跟车道偏离有关的，同时车道偏离也被看成车辆侧翻是事故的主要原因。根据美国交通部门的报告指出，接近50%事故与汽车无意识的偏离车道是有关的。
近年来，为解决交通问题世界各国都竞相开展基于视觉的智能车路系统和智能交通系统等领域的研究。智能系统的发展为改善交通环境状况，提高车辆行驶的安全性与可靠性，减少驾驶员人为因素造成的交通事故等开辟了广阔的前景。随之，智能车辆导航的概念应运而生。在车辆视觉导航系统中最为关键的技术就是计算机视觉，计算机视觉的主要任务是完成车道的检测和跟踪。因此，基于计算机视觉的车道检测的研究对提高道路交通安全和减少交通事故意义重大。
另外，完全自动驾驶汽车是当今计算机视觉和机器人研究的主要焦点，无论是在学术层面还是在工业层面。每种情况下的目标都是通过使用各种传感器和控制模块来充分了解汽车周围的环境。基于摄像头的车道线检测是朝着这种环境感知迈出的重要一步，因为它允许汽车在车道内正确地定位自己。这对于随后的车道偏离或轨道规划决策也是至关重要的。因此，实时进行准确的基于摄像机的车道线检测是实现完全自主驾驶的关键。
综上所述，对车道线检测的研究意义重大，已成为当今社会的一大热点。
- 国内外研究现状
车道线是道路交通中最重要的交通标志，可以对车辆的行驶起到约束保障的作用。无论是在车辆安全驾驶系统中还是在基于机器视觉的智能车辆导航中，车道线的检测与识别都是一个基本的、必须的功能模块，通过它不仅可以降低交通事故的发生，而且可以为以后智能交通深入研究提供帮助。因此早在人们对智能车以及智能交通研究开始阶段，就十分重视对车道线检测与识别的研究。许多国家都投入大量资金以及人才对其进行深入研究并取得了丰硕的研究成果。[2]
在国外，美国、德国、法国、日本等国家在这一领域研究的比较深入。美国在智能车领域中有着丰富的研究成果，其中最具代表性的是美国著名大学卡耐基梅隆大学研制的Navlab.x系列智能车，其在1995年6月进行了著名的“横穿美国实验”NHAA（No Hands Across American），行程4587公里，全程平均速度达到88km/h，自主行驶里程达到98.2%，目前该系列最新的产品是Navlab 11；德国的UBM大学研制的第一代VaMoRs在户外高速公路测试中就到达了100km/h，该车辆使用UBM双目视觉系统，该系统具有很高的稳定性，在1994年，奔驰公司与UBM大学联合开发了第二代VITA只能车辆，能够实现车道线检测，避障和自动超车。在20世纪末，德国的戴姆勒-克莱斯勒公司就将基于视觉的车道线检测识别系统安装在它们生产的汽车上，这种汽车受到当时人们的喜欢并成功销售7000多辆；法国D.R.A.S和帕斯卡大学密切合作研究出来的Peugeot智能车，能够判别引导线是否漏检或丢失，车速达130km/h；日本本田公司则不仅为他们的数种车型装备了车道线检测识别系统，还为它们装备测距保持系统，当驾驶员驾驶的机动车距离前方车辆过近时，系统会自动减速。
相对于西方发达国家，由于受到经济技术发展因素的限制，我国在基于机器视觉的智能车发展方面起步较晚，规模较小，也没有形成产品化设计，但是在短期的发展过程中还是取得了丰硕的成果。国内的研究工作主要集中在一些高校和研究机构，如清华大学、吉林大学、国防科技大学、沈阳自动化研究所。清华大学研制的THMR智能车辆系统集成了二维彩色摄像机、GPS、超声等传感器，系统可完成白线跟踪、路标识别、道路识别等任务；吉林大学智能车辆课题组研制的视觉导航的智能车辆实现了对路面铺设的条状路标的视觉识别以及车辆自主导航的功能。国防科技大学自动化研究所对智能车的研究起始于20世纪80年代末，先后研制了CITAVT-Ⅰ型、CITAVT-Ⅱ型，21世纪初研制的CITVAT-Ⅳ型汽车在长沙市公路上进行了室外实验，最高时速达到75.6km，创造了国内最高纪录。
- 研究领域所面临的难题
随着车道线检测研究的逐步深入，无论是在车道线检测精度上还是检测速度上都取得了很大的进展。然而相比于与人类的识别能力还是有较大的差距，在实际应用中仍然存在诸多亟待解决的技术难题。主要因为车辆行进过程中，场景图像呈现很多的变化，不同场景下的车道也有一定的差异，给车道标识线检测带来巨大的挑战。一般来说，高速公路往往更具可预见性和有序性，路面通常保持良好，车道标志明显。城市道路的场景多样，使车道线检测的难度陡增。环境光照的变化；车道本身的变化(如实线／虚线，直道／弯道，宽度和曲率的变化)；车辆前方其它车辆、行人以及其它障碍物的遮挡；道路旁树木、建筑、桥梁等投射在路面上的阴影；车道标线褪色、路面上的油污；图像质量过差(例如逆光)不规则的车道形状，突然出现合并的车道，道路文字以及其他道路上的标记(如人行横道)，不同的路面材料和不同的坡度等是车道标识线检测面临的主要问题。[1]
- 车道线检测方法分析（优势与不足）
目前根据国内外有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，以及最近的深度学习方法。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
