车道线智能识别是智能安全驾驶领域非常重要与基本的技术组成部分基于机器视觉的车道线智能识别技术通过车载摄像机捕捉道路图像，利用算法对图像中的车道线进行智能识别，提醒驾驶员车辆偏离车道的情况，避免危险本文将围绕基于机器视觉的车道线智能识别技术进行深入研究，在现有车道线智能识别技术的基础上，同构算法改进，实现适用于嵌入式运算平台的车道线识别算法，可以实时快速地识别道路上的车道线，识别率高达88.7%，该算法在基于ATOM处理器的华硕嵌入式设备上达到23.2帧/秒的图像处理处理，较好地满足智能驾驶系统对算法运算速度的实时性要求论文介绍课题中用于采集实际道路图像的视觉传感器等设备并分析机器视觉技术中常用的图像预处理手段，包括图像灰度化和逆透视映射在车道线边缘检测方面，论文比较了图像处理中常见的边缘检测算法，其中包括利用一阶微分算子逼近灰度变化梯度值，如Roberts算子Sobel算子，还包括基于信噪比最大原理检测图像边缘的Canny算子为了提高车道线轮廓的检测率和检测速度，论文结合车道线实际色彩形状特征，制定了基于局部极值提取的车道线轮廓检测算法通过试验测试对本文提出的车道线检测方法和现有算法进行边缘检测率运算复杂度以及引入非车道线边缘像素数量方面的比较，结果显示本文算法能有效检测车道线边缘，并且具有运算速度快，引入非车道线像素少的优点在车道线建模识别方面，本文分析现有车道线识别算法中常用的基于直线模型的Hough变换和基于三次B样条曲线模型的随机采样一致算法在传统算法基础上，论文针对车道线的几何形状特征，开发车道线几何模型的匹配算法，利用车道线元素之间相互重叠的特点，进行匹配通过车道线建模与匹配算法的模型近似程度运算复杂度的分析，表明本文提出的车道线几何模型运算复杂度低，并且具备检测各种形态车道线的能力验证试验中，本文采集多方测试图像，对本课题组提出的车道线智能识别算法与其他以往算法进行性能对比通过手动标注图像中车道线位置，统计车道线识别算法的识别率与运算速度验证本文算法在识别率鲁棒性普适性和运算速度上相对于以往车道线识别算法的性能优势嵌入式移植试验中，本文算法分别移植到基于ARM架构与ATOM架构的嵌入式平台，根据硬件特点进行优化试验结果表明本文算法在OMAP4430平台上运算速度达到12.9帧/秒，在华硕MiniMax平台上达到23.2帧/秒经讨论分析，论证了本文算法在以上两款平台的移植方案能够满足智能驾驶系统中对车道线识别算法的速度要求并且，通过与其他算法的对比，体现算法在嵌入式平台上的速度优势