1．2  目的和意义
基于视觉的道路检测是实现智能汽车安全辅助或自主驾驶功能的重要部分。自主车辆的所有动作都是基于车道识别的基础之上的。汽车智能辅助安全驾驶系统的前提在于快速准确检测与跟踪行道线，以正确划分本车的有效驾驶区域，为测量前车的距离和速度做准备。目前，对于白天行道线检测的研究，由于光照充足，行道线与路面之间对比度大，因此很容易利用各种常规边缘检测算子获得清晰的车道轮廓信息，然后选取合适的阈值对图像进行二值化处理，最后采用Hough变换识别行道线。由于夜间城市道路场景复杂，且照度低，光照强度不均匀，图像噪声很多，夜间图像的光强分布不能直接反映行道线本身的突变性质，所以白天行道线检测所用的常规边缘检测算子在夜间工作时失效。一般的方法稳定性差，误差大是夜间道路检测需解决的一大难题。本系统能够高效准确地从夜间图像中识别出行道线，并返回出行道线参数供智能车辆使用。
1．3  本课题国内外的研究现状
1．4  本方法的特点及优势
城市道路等结构化道路，具有清晰的行道线和道路边界，行道线一般为连续的白线或者短划线，因此在这种情况下，道路检测问题可以简化为行道线或者道路边界检测问题。本课题采用基于图像的道路检测，只需要从车载摄像头获得视频图像，根据行道线的颜色，形状和纹理等特征，将行道线与背景进行分离。系统利用计算机视觉、数字图像处理、模式识别等技术分析图像，将图片中识别出的行道线置于图像坐标中，返回行道线函数供智能车辆实时判定行车路线，同时将行道线函数画在合成图像上返回供测试使用。基于城市道路的特点，本方法不需要分析复杂的图像内容，仅需分析其中的行道线，因此具有简便，高效，准确等优点。
1．5  本文的结构
第一章为绪论，介绍车道检测的背景、意义以及国内外的研究现状，本课题的特点与优势。第二章为算法的总体设计，概括介绍本文算法的流程与结构。第三章为夜间道路图像的预处理，介绍本文所采用的预处理方法以及一些我们尝试的方法，对多种方法的优缺点进行比较。第四章为夜间行道线检测方法，为本课题的核心部分，介绍了本文的直线检测流程和方法。第五章为实验的软硬件平台以及对大量图像的测试与分析。
2  夜间道路图像的预处理
2．1  灰度图生成
    本文所需处理的源图像是智能车辆上摄像机所拍摄的彩色图像，而对于彩色图像的处理是非常困难的，因此需要先将彩色图像转化为灰度图像，然后才能进行检测处理。
将彩色图像转化为灰度图像的方法是：对图像中每个像素点的RGB值取平均值，作为该像素点的灰度值。
 图1  原图像图2  生成灰度图
2．2  图像滤波
从图2中可以看出，由于摄像机感光元件以及夜间光照不足等客观原因，夜间道路图像往往存在很多噪声点，直接检测效果不好，需要先进行滤波处理以消除噪声和干扰。
由于图像上半部分都在地平线以上，没有行道线，而图像的最下边为车盖部分，因此我们只处理图像的中间偏下的部分，这样能节省一半以上的运算量，避免处理天空中的很多的干扰，有利于算法的简便和高效。
图像滤波的方法有很多种，有均值滤波，中值滤波，高斯滤波等。经过多种滤波方法的尝试和对比，本文选择了中值滤波来进行本次课题的预处理工作。
2．2．1  均值滤波
3×3的均值滤波原理如下：
                 (1) 智能车辆在夜晚城市道路上的视觉导航方法研究(2):http://www.youerw.com/jisuanji/lunwen_6132.html