總的來說車道線識別分為傳統方法和深度學習的方法
傳統方法：
傳統方法是指將原始二值化，處理雜訊，盡量提取出只含有車道線的二值圖。其中，處理可以採用：
邊緣檢測：感覺一般，邊緣檢測會把所有的邊緣都檢測出，其結果可以作為一系列處理的乙個步驟運用。
提取某一通道的畫素值進行處理：實際操作感覺並不好用，不如直接轉灰度圖處理。
全域性二值化：固定閾值，在路面變化不明顯的區域還可以用，不推薦使用
區域性二值化：推薦使用，動態閾值，可以消除一些陰影帶來的影響。
也可以自己設計一些方法，比如我自己觀察灰度圖時發現，車道線所在的畫素值，一般會是所在行的其它畫素值的最大值，並高於其它畫素值一定閾值，只是有的行因為亮度不同，畫素值會不同，所以我設計讀取灰度圖每一行時，先排序，選出在最大值，然後依照車道線總寬度，在離最大值略大於車道線寬度的距離選出認為是普通地面的值，將兩者的差作為此行的閾值。做完感覺效果還不錯。
其實，傳統車道線識別方法也可以分兩種方法，一種是直接在正常檢視下面，對車道線進行識別，這種方法一般最後擬合直線運用hough變換，只能檢測直線；還有一種就是先轉換成鳥瞰圖，再識別，可以識別曲線，用直方圖識別方法。
直方圖：在底部一定寬度、高度的直方條內記錄畫素值為1的數量，最後統計數量最多的兩（四）組，作為車道線候選區域；然後在這些區域進行操作，也是自下而上，選用乙個以車道線寬速為邊長的正方形，計算正方形內為1的點的橫座標，作為下乙個正方形中心點，依次往上可以計算曲線。
深度學習：
車道線目前可以用的網路：lanenet。
車道線跟蹤
在完成車道線檢測後，接下來要做的就是車道線的跟蹤，這也是智慧型汽車輔助駕駛的關鍵技術。在此領域的研究中，產生了多種車道線演算法，如aurora的自適應的模板相關法，該方法只能在路面狀況緩慢變化時工作良好 lois的變形模板法，能處理影象中車道邊緣比較弱的情況，而且還能排除路面陰影 汙水等的影響 ra...
車道線檢測之3D車道線檢測
可參考文獻 有相機座標系ccamera和道路座標系croad，作者假定兩個座標系的roll和yaw一致，僅存pitch的差異，那麼，兩座標係之間的轉換關係tc2r將由h cam和camera pitch確定，其中，h cam和camera pitch由模型 輸入為相機採集的影象，輸出分為2部分，第一...
matlab車道線檢測 車道線檢測簡易版
第一次接觸式車道線檢測時嘗試的實現，整理上傳下 1 提取原圖邊緣，可以看出車輛前方的車道線在整個影象下方的梯形區域，提取這個roi 2 在roi區域進行輪廓查詢，按照輪廓周長和面積過濾掉干擾項，最後應該剩下兩條分布在影象中線左右兩側的兩條車道線 3 對左右兩條車道線點集做直線擬合，最後得出兩條車道線...