1. 图像加载；2.图像预处理：图片灰度化，高斯滤波；3.Cany边缘检测；4.感兴趣区域检测；5.霍夫直线检测 ；6.直线拟合；7.车道线叠加；8.图片和视频测试；9.可视化界面pyqt5

一些MATLAB实例，包括使用直方图优化、形态学、Houngh变化、小波技术、霍夫曼等的一些范例，有30多个，仅供学习。

车道和车辆检测系统 OpenCV图像处理管道，用于自动驾驶汽车的车道和车辆检测 图像处理管道 添加自动调整（自动亮度和对比度）以消除颜色不规则 转换为灰度并隔离黄色和白色 运行Canny边缘检测器 创建感兴趣的区域以减少周围的噪音 运行概率霍夫线变换 平均左车道线和右车道线成1条凝聚力车道 自动调整 为了使图像清晰，我们可以使用对比度优化和直方图裁剪自动调整亮度。 然后，该算法将根据削波百分比自动生成α和β（可以通过增加百分比来增加目标亮度）。 蓝色（调整前）橙色（调整后） 与以前的混合方式相比，车道线现在更为普遍。 这将使以后的边缘检测更容易识别线条。 隔离黄色和白色 从RGB转换为HSV使得黄色和白色阴影更易于检测。 通过这样做，我们可以简单地将黄色和白色道路标记与图像的其余部分隔离开（任何覆盖浅色和深色阴影的颜色范围都应该起作用）。 现在，我们将原始帧转换为灰度，并将其与新的

基于VC++6.0的车道线检测代码，对视频进行实时处理，并对车道线进行标注

基于DSP（纯C，可移植）的一种车道线识别，车道偏离检测系统，

使用matlab实现的车辆检测和车道线识别的一个例程，具备一定的参考价值。主要通过matlab的函数，使用神经网络的算法的检测车道线和车辆。并提供仿真数据。

99用于基于视频的道路表征，车道检测和离开防止的方法和系统_new.pdf

利用opencv实现对复杂场景下车道线的实时检测；所使用的图像处理方法主要是在读取图片的基础上，进行多种边缘检测，然后对不同的检测结果进行融合以提取出道路图像，去除其他噪声。然后对提取的连通区域进行判断，找寻最大连通区域最终定为提取的道路。然后根据提取的道路图像，再次利用边缘检测，提取车道线信息，然后利用透视变换将视角变成俯视图，其中透视变换矩阵的四个点由提取道路图像的角点组成。然后对俯视图进行滑动窗口多项式拟合画出车道线，并显示图片和保存成视频！

Python编写，视频检测

介绍辅助驾驶技术研究，ADAS，主要讲解车道检测功能实现的各项关键技术，图像预处理、边缘检测、车道绘制、车道偏离预警功能模块进行了研究，硬件设计方案实现等内容。