已经开发出的基于视觉的道路识别系统有多种，其中最具代表性的如下：LOIS系统由美国密歇根州立大学人工智能实验室开发。该系统利用一种可变形的模板技术将道路曲率以及车辆在车道中的位置的确定转化为多文参数空间的最优化问题。7969
GOLD系统由意大利帕尔玛大学开发,采用立体视觉技术,利用定位道路表面油漆上的具有结构特征的道路标识来检测车道,由于其重组图像和立体视觉处理过程中计算量非常大,因而该系统设计了复杂的并行SIMD硬件结构以达到实时运行的目的。
RALPH系统由美国卡内基梅隆大学机器人学院开发,该系统首先对输入图像进行再采样并进行逆透射变换,确定道路的曲率,然后计算车辆偏离车道中心的距离。该系统在假设道路表面为平面的基础上,利用跟踪道路的平行线方法,提高了对道路标识不清晰的道路识别算法的鲁棒性。
SCARF系统和ALVINN系统都由美国卡内基梅隆大学机器人学院NavLab实验室和Vision&Autonomous Systems Center (VASC)联合开发。SCARF系统采用两个彩色摄像机,在基于假设道路在图像中表现为梯形的条件下,利用Hough变换寻找最可能的道路位置,然后反投影到真实的道路平面,通过控制转向以使车辆朝向该区域的主轴线方向,确保车辆在该区域中心行驶。ALVINN系统采用基于神经网络的方法检测不规整道路。该系统利用特殊的气候条件下的车道特征来训练人工神经网络,从而利用神经网络的方法对特定气候条件下的车道进行识别。
夜间城市道路图像，复杂性大大提高，因此准确性是夜间车道检测的一个难题。目前也有不少基于机器视觉的夜间道路检测方法。
叶庆，赵明辉等在《夜间行道线检测与跟踪算法研究》中给出了一种对于夜间单帧行道线的检测方法。算法首先对车道图像进行必要的预处理，去除噪声并确定有效检测区域。然后采用基于光密度差的对数Prewitt边缘检测算子，以获得清晰的行道线轮廓。接着选取合适的阈值将含车道轮廓的图像二值化并进行细化处理。最后在有效检测区域内进行Hough变换，以确定行道线在图像中的位置，同时累加帧数计数器，记录本帧行道线的基本信息。实验结果表明，该算法具有准确、实时的夜间行道线检测与跟踪能力。
刘富强，张姗姗等在《一种基于视觉的行道线检测与跟踪算法》中提出了一种行道线检测和跟踪算法。能很好得适应各种光照条件包括夜间的道路情况。该算法采用了广义曲线的行道线参数模型，能同时适应弯道和直道的检测。该检测算法具有以下特点：没有仅仅使用单一方法求解各个参数，而是根据各参数的不同精度要求，分别使用自适应随机霍夫变换(ARHT)方法和禁忌搜索算法计算行道线模型中的各个参数，这样既准确计算行道线模型中的参数，也兼顾了车载系统的实时性要求；为了提高算法的实时性，引入了多解析度的策略，以降低整个流程的时耗；为了满足自主驾驶系统对稳定性的需求，提出了一种基于粒子滤波器的跟踪算法。通过实验，这种行道线检测与跟踪算法具有良好的鲁棒性和实时性。
鲁曼，蔡自兴，李仪提出了一种基于道路区域分割的行道线检测方法。该方法分道路区域分割和行道线检测2个阶段。在道路区域分割阶段，首先提取的道路颜色值，然后在二值边缘图像中搜索连通域，通过将连通域的颜色特征值与道路颜色特征值比较来快速定位道路区域，并将这一区域划定为行道线检测的感兴趣区域。行道线检测阶段则使用改进的概率Hough变换方法提取行道线点，并使用最小二乘法对行道线点集进行拟合，获得行道线模型的参数。实验证明该方法相比传统的利用标准Hough变换算法准确率提升23%，有效地排除了道路区域外的直线像素干扰，具备较好的鲁棒性和实时性。 基于视觉的道路识别系统国内外研究现状:http://www.youerw.com/yanjiu/lunwen_6133.html