1.一种车道线检测识别方法，其特征在于：包括以下步骤：A：通过安装在车顶的车载摄像头在汽车行驶过程中采集车道前方的道路视频，剔除视频帧中模糊图片，从而得到车道线检测与识别的图像帧；

B：车载终端通过通信模块获取已经在信息服务云平台预训练的车道线检测模型，将车载摄像头经过过滤后的图像帧传给处理器，处理器经过预训练的模型处理得到含有车道线的感兴趣区域；信息服务云平台对车道线检测模型进行预训练的步骤包括：S1：选取高斯核函数和适当的参数C，构建并求解车道线的最优问题

0≤αi≤C，i＝1，2，...，N其中，αi，αj为拉格朗日乘子，x′i为样本，y′i，y′j为标签，K(x′i，y′j)为高斯核函数，C为惩罚参数；

使用SMO算法求得最优解：S2：计算

*

其中，w表示超平面的法向量；

选择α的一个正分量

*

其中，b表示超平面的截距；

S3：构建车道线检测的决策函数：C：在含有车道线的感兴趣区域通过颜色、虚实、线数和曲直四个特征量表示车道线的检测识别；步骤C包括以下步骤：C1：在含有车道线的感兴趣区域内，对车道线进行HSV颜色补偿，首先将RGB色彩空间转换为HSV颜色空间，转换后的HSV空间中，色调值h∈[0，360]，饱和值和度s，v∈[0，1]；然后在车道线的感兴趣区域附近搜索色彩空间的最大值，两者的较大值作为新的车道线识别区域；

C2：颜色提取，车道线的颜色由白色和黄色组成，白色的阈值为：s∈[0，0.3]&v∈[0.5，

1]，黄色区域的阈值为：h∈[40，50]，s∈[0.2，1]&v∈[0.35，1]，根据颜色阈值得到车道线颜色，滤除其他颜色；

C3：提取车道颜色后，对车道线进行二值化；

C4：对车道线进行逆透视叠加边缘提取，对原图像及其逆透视变换后的图像进行横向Canny边缘检测；对原图的Canny边缘检测图进行逆透视变换，最后将两幅经过逆透视变换后的边缘图像进行叠加；

C5：对二值车道线进行霍夫直线和曲线变换，变换后进行旋转矫正；

C6：若是直线，通过线性回归进行回归拟合，得到直车道线，并对其延长至图像的边缘处；若是曲车道线，则对车道线进行二次曲线拟合，得到曲线车道线，并对其延长至图像的边缘处；经过二次曲线拟合得到的车道线的延长线也属于车道线的一部分；

C7：对车道线的二值图像进行直方图统计；

C8：统计车道线的线条数，在得到直方图后，对边缘直方图进行滤波，获得图像兴趣区域内的所有边缘直线对，所述边缘直线对均满足作为一条车道线直线的左右边缘的条件，即边缘线段长度约束、边缘顺序约束和车道线宽度约束；

在完成线数识别后，将识别出的标线的左右边缘进行合并，获得新的行车线信息，对于合并后的行车线直线有：

ρi′＝f(pi，li，ci)即完成线数识别，其中pi表示车道线边缘的横向位置，pleft表示车道线左侧边缘的横向位置，pright表示车道线右侧边缘的横向位置；li表示车道线边缘的长度，lleft表示车道线左侧边缘的长度，lright表示车道线右侧边缘的长度；

C9：虚实识别，对车道线的虚实识别，令η为一条车道线在旋转矫正后统计长度和最长车道线长度的比值，按η值对车道线虚实信息进行划分：从而获取车道线的虚实。

2.根据权利要求1所述的车道线检测识别方法，其特征在于：在步骤C1中，RGB‑HSV空间转换公式为：

v＝max

其中，先将RGB色彩空间中的(r，g，b)值映射到[0，1]空间中，公式中max指(r，g，b)最大者，min指这些值中的最小者。

3.根据权利要求1所述的车道线检测识别方法，其特征在于：在步骤C6中，直车道线求解过程如下：

通过霍夫变换及矫正，对直线进行拟合，设所需求解的最优直线方程为：y＝a0+a1x

通过最小二乘法得到参数为：曲车道线的求解过程如下：对霍夫变换得到的曲线只进行二次拟合，进而消除遮挡、缺失影响，设待拟合的曲线的方程为：

2

y＝a0+a1x+a2x通过最小二乘法求解得到三个参数为：

4.根据权利要求1所述的车道线检测识别方法，其特征在于：步骤C8中，对边缘直方图进行滤波的约束规则包括：在边缘直方图中，一条车道线支线S表示为：S＝(ρ1，ρ2)

其中ρ表示车道线两侧的边缘，则一条边缘表示为：ρi＝f(pi，li，ti)其中，pi，li，ti分别为边缘的横向位置、长度和升降，对于任何一条车道线单线，其三项约束为：

1)边缘约束

车道线的单根支线满足左边缘为上升边缘，右边缘为下降边缘，即

2)车道线宽度约束

任意行车线两侧的边缘间的距离在一定范围内，即A≤pright‑pleft≤B

3)边缘长度约束

车道线的边缘应满足一定的长度约束，即