车道检测是计算机辅助驾驶系统最重要的组成部分，计算机辅助驾驶系统需要在车道检测的基础上，才能对驾驶行为、车辆偏离、防碰撞等问题进行分析判断。车道检测的研究在过去几十年间取得了很大的进展，提出了各种各样的方法。但是车道检测需要处理各种各样的场景，很多方法在特定的场景能取得很好的效果，而在其他场景的表现可能会非常糟糕。目前很多算法在车道线不明显，车道残缺，阴影等复杂条件下，不能很好的检测到车道线，并且在智能手机平台上，一些算法的处理速率也存在很大的瓶颈。　　针对智能手机目前处理能力有限，并且智能手机摄像头的成像质量有限的情况下，本文通过改进LSD(line segment detector)算法，有效的解决了车道检测时间和效果问题。　　标准的LSD算法通过计算像素点的梯度大小和方向，根据梯度大小过滤图像中非边缘部分，然后使用种子生长法，把梯度方向近似且邻接的像素点连接起来，得到可能的直线段区域，对这个区域近似出一个矩形，计算这个矩形与一个完美噪声图像上相应部分的近似程度，因为对于一个完美噪声图像不能检测到任何一条直线，因此该矩形区域与噪声图像相应的区域越相似，则该矩形区域越不可能存在一条直线段，反之则认为正确的检测到一条直线段。标准LSD算法有较好的速度和效果，但是存在局部直线检测算法的缺点:　　(1)对于存在两条直线相交的情况下，由于在该算法中每个点只能属于一条直线，从而导致相交线段中，有一条直线会被割裂为两条。并且由于方向的计算也是基于梯度的，而直线交叉点的梯度值一般较小，因此可能导致相交的直线割裂为四条线段。这种情况在Hough等全局的直线检测算法中不存在。　　(2)在车道检测应用中，当车道较为模糊，那么该车道处的梯度值相对较小，这个时候也不能检测到车道。对于车道磨损的情况下，这个时候车道被分割为离散的块状，此时由于这些离散的块状的梯度方向各不相同，LSD算法在这种情况下也不能检测到车道。　　(3)虽然LSD算法拥有很高的效率，但是对于智能手机这种计算能力低的移动平台，效率依然有待提高，应该尽量减少需要计算的区域。　　针对这几种情况，本文对LSD算法进行了改进，改进后的算法能够有效的应对这车道残缺和车道磨损情况，并且速度也得到了很大的提升。　　首先对车道进行边缘增强，对边缘增强后的图像进行二值化，对二值化后的图像，判断是否需要对车道进行磨损修复，假如该车道部分残缺严重，则结合颜色和距离信息对车道进行修复，把属于同一车道的但是磨损后形成分裂的块重新连接到一起。这样解决了车道磨损问题和车道模糊的问题，同时由于车道边缘增强后，对于边缘不够明显的部分直接过滤掉，减少了LSD需要计算的区域，提高了LSD算法的处理速度。实验结果表明，本文的方法在智能手机的成像质量不高，车道情况复杂的情况下，能较好实时的检测到车道，相对于常见的基于Hough变换的车道检测算法有很大的速度和准确性的提升，相对于基于Canny算子的车道检测，不需要直线拟合这一步骤，因为直接得到了车道线的起始点和终止点。