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。除了速度和汽车动力学之外，它还应该知道车道曲率，以确定保持在车道上所需的转向角。
我们将介绍几种技术，使自动驾驶汽车可以用来在不同条件下找到车道线
技术
- 色彩空间
- 索贝尔算子
- 曲率半径
色彩空间
RGB 颜色空间适用于带有白色通道的图像，它与其他彩色车道相比有局限性。让我们来探索其他色彩空间，如 HSV（色相、饱和度、值）和 HLS（色相、亮度、饱和度）等。
色调代表独立于任何亮度变化的颜色，亮度值是测量颜色明暗度的不同方法，饱和度是色彩的量度。
如下图所示，带有黄色车道线的图像被分成 RGB 和 HLS。
只有 R、G 和 S 通道显示对应于黄色车道线的高像素强度，蓝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。
然而，即使是 S 通道也无法检测到阴影区域下的黄色车道
索贝尔算子
由于车道线是垂直的，我们可以以更智能的方式使用梯度来检测更可能是车道的陡峭边缘。
对图像应用Sobel算子是一种在 x 或 y 方向上获取图像导数的方法。通过选择 x 方向的梯度（Sobel x 算子）并调整该梯度的强度，我们现在可以找到 S 通道无法检测到的车道部分，如下图所示。
我们现在可以结合上述每种技术（Sobel x 和 S 通道）识别的像素，在不同的照明条件下更准确地找到黄色车道线，如下所示。
尽管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，但当遇到急转弯时，它仍然可能会失败。
曲率半径
车道曲率的知识对于车辆保持在车道上是必要的。透视变换改变了我们的视角，从不同的视角和角度观看同一场景。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。
透视变换图像
绘制直方图并找到上图左右半部分的峰值，给出左右车道的起始位置，如下所示。
用于查找左右车道基准的直方图
滑动窗口
使用起始位置，并在图像上应用滑动窗口技术，我们可以将多项式拟合到车道线，如下所示。
多项式拟合车道
曲率半径和车道中心偏移
将像素转换为米，并重新计算多项式拟合以确定曲率半径（米），如下所示。
结果
连续帧在相似位置具有车道线。因此，为了在下一帧中找到车道像素，我们可以在一定范围内搜索先前检测到的车道线位置。
上述技术的应用使汽车能够在不同照明条件（亮光和阴影区域）下以及陡峭弯道上准确识别不同颜色（黄色和白色）的车道。
