自动驾驶汽车需要感知不同颜色和不同光照条件下的车道线，才能准确检测车道。除了速度和车辆动力学外，还应了解车道的曲率以确定留在车道内所需的转向角。三种技术：1.颜色空间2.索贝尔算子3.曲率半径颜色空间RGB颜色空间非常适合带有白色通道的图像。它对其他颜色的车道有限制。因此我们可以探索其他颜色空间，如HSV（Hue、Saturation、Value）和HLS（Hue、Lightness、Saturation）等。Hue表示独立于亮度变化的颜色。亮度和明度是测量颜色明暗度的不同方法。饱和度是色调的量度。带有黄色车道线的图像被拆分为RGB和HLS，如下所示。只有R、G和S通道显示与黄色车道线对应的高像素强度。蓝色通道的黄色像素强度为零。通过为该通道选择最佳通道和正确的颜色阈值，我们现在可以更准确地识别黄色车道线，如下所示。Sobeloperator由于车道线是垂直的，我们可以更智能地使用梯度来检测车道的陡峭边缘。将Sobel算子应用于图像是获得图像在x或y方向上的导数的一种方法。通过选择x方向的斜率（Sobelx算子）并调整该斜率的强度，我们现在可以找到S通道无法检测到的车道部分（在上一节中），如下所示。我们现在可以结合上述每种技术（Sobelx和S通道）识别的像素，以在不断变化的光照条件下更准确地找到黄色车道标记，如下所示。即使我们的算法现在可以检测不同颜色和不同光照条件下的车道，但在遇到急转弯时仍然可能会失败。曲率半径了解车道曲率对于汽车保持在车道内至关重要。透视变换改变我们的观点，从不同的视角和角度观看同一场景。对于鸟瞰图，让我们将多项式拟合到车道线。然后，我们从多项式中提取车道曲率。绘制直方图并找到上图左侧和右侧的峰值给出了左右车道的起始位置，如下所示。滑动窗口使用起始位置，并在图像上应用滑动窗口技术，我们能够将多项式拟合到车道线，如下所示。车道中心的曲率半径和偏移像素被转换为米，并重新计算多项式拟合以确定以米为单位的曲率半径，如下所示。结论连续帧的车道线位置相似。因此，为了在下一帧中找到车道像素，我们可以在一定距离内搜索先前检测到的车道线位置。上述技术的应用使得汽车能够在变化的光照条件（亮光和阴影区域）和陡峭的弯道上准确识别不同颜色（黄色和白色）的车道，如下图所示。
