随着科学技术和经济的快速发展,城市化步伐的加快,车辆的数目不断增多。与此同时,车载智能设备的研究受到越来越多的关注,并且相关技术也逐渐开始成熟。在众多车辆辅助技术的实际应用中,车道线检测和车辆目标检测是最常见的问题,也是最繁琐的问题。由于车辆自身的复杂性,如不同的颜色或是不同的车型,这些因素都增加了车辆目标检测的难度。同时,不同的外界环境或是拍摄装置角度放置的不同,也会对最终检测结果造成一定影响。因此,本文对车辆辅助驾驶系统中道路车道线检测和车辆目标检测进行了相关的研究,本文主要的工作如下:车道线检测,提出了改进的基于Hough变换和Kalman滤波的车道线检测算法。首先对经过预处理后的图像进行感兴趣区域的选择,然后利用逆透视变换,对视角进行转换。最后利用Hough变换和Kalman滤波算法,对车道线进行检测,并对检测结果进行筛选输出最终结果。实验结果显示,该算法在车道线检测过程中具有良好的稳定性和较高的准确性。同时也实现了基于颜色空间和边缘检测的车道线算法。通过Lab颜色空间,利用二值图像中像素点的分布,找出图像中车道线所在位置并拟合曲线。实验结果表明,该车道检测算法精度较高,有较好的适应性,能够适应大部分弯曲车道线的检测。车辆目标识别,提出并实现了基于梯度方向直方图特征和支持向量机的车辆目标识别方法。先获取所需的数据样本,提取出所需样本的HOG特征,然后通过SVM分类器进行样本训练。在提取HOG特征之前,需要对图像进行YCrCb颜色空间转换,分析出最适合提取特征的通道,然后支持向量机通过数据样本的学习,寻找出特征向量数据样本中的支持向量,生成最优超平面,最后通过扫描窗口进行搜索,标出车辆目标。