近年来,随着社会的进步和公路交通的发展,交通安全成为越来越重要的社会问题,智能交通系统(Intelligent Transport System,简称ITS)应运而生并得到了广泛关注。智能车辆是ITS的重要组成部分,是集环境感知、规划决策和辅助驾驶等功能于一体的综合智能系统,代表了未来车辆的发展方向,具有较高的学术理论价值和广阔的工程应用前景。本文以北京工业大学电动智能汽车BJUT-SHEV为工程应用背景,基于单目视觉传感器,研究了车辆控制系统中的关键技术——车道线检测与前方车辆识别技术。研究内容主要包含以下四个方面:图像预处理、车道线检测、前方车辆识别、坐标转换与参数标定。首先,研究了图像预处理技术。结合加权平均法和彩色通道提取法,对图像进行灰度化。在33?模板中使用中值滤波法降低灰度图像的噪声信息,分类光照强度不同的图像,利用直方图均衡化的方法增强灰度信息。对比了传统最优阈值与最大类间方差法(OTSU),并选择后者对灰度图像进行二值化分割。其次,提出及改进了两种不同的车道线检测算法,并进行实验对比。提出逐行检索的方法筛选车道线内侧特征点,利用道路图像的特征划分处理区域上界并检测真实的道路区域。逐行检测车道特征点,使用最小二乘法拟合道路曲线,记录左右标志线参数从而重建道路模型,参考检测结果判断道路转弯方向。改进了传统的Hough变换法,标记图像中的连通区域,过滤背景及噪声信息。设计自定义差分算子检测车道边缘,建立极角极径和动态车道约束区域,实现车道线的跟踪并提高算法的实时性,确保识别过程稳定有效。基于图像道路模型,设计偏离预警方法,起到安全辅助驾驶的作用。其中,逐行检测法具有更好的实时性,并能够在车辆过弯途中为系统提供更多的有效信息,改进的Hough变换法具有更强的鲁棒性和抗干扰能力。再次,提出了一种前方车辆识别方法,在车道线检测的基础上,使用道路区域灰度和二次OTSU相结合的方法提取前方车底阴影区域。利用腐蚀、膨胀的形态学方法滤除干扰点,分析结果的特征,合并车底阴影线,标记车辆识别的ROI区域。基于目标区域内信息熵、车尾对称性的特征对ROI区域进行筛选和判别,降低系统的漏检和误检率。改进了Robinson方向检测模板,并应用Kalman滤波预测车辆位置,在检测车辆边界的过程中取得了较好的效果。最后,建立了摄像机图像坐标系与智能车三维坐标系间的转换关系。根据图像检测结果和图像刷新频率获取两车相对速度。以距离和相对车速为依据,对智能车纵向控制做出指示,将其转换为规划决策计算机可以直接使用的数据。为了验证文中研究的算法,设计并构建了系统实验平台,对系统的关键技术和整体性能进行实验。结果表明,系统在不同的道路及图像特征下具有良好的实时性及抗干扰能力。