本方法我們所關注的影像只有車道線的部分，而其餘部分的影像皆可視為是 雜訊，故我們應盡可能地將其濾除掉，以使我們所要處理的影像能單純化，如此 不僅能夠提昇判斷的正確性，且能增加處理的速度。在此我們採用的方法是在影 像上取左右四個小視窗，如 圖 2.17 所示，而我們只對進入這四個小視窗內的影 像作處理，這種作法不僅去除了絕大多數我們不需要的影像，且減少了處理的資 料量，但其大小及位置並不是任意地選取皆可，必須能夠讓車道線能夠進入視窗 內才行，在此我們採取動態視窗方法，是由前一張影像所得的車道線，來定義視 窗的位置及大小。
(a) 無車時 (b) 隧道中 (c) 高速公路下 圖2.16 IPM based 之車道線偵測方法其車道線偵測結果
首先，先將車道線抽取出來，由於車道線在所選取的視窗中，其寬度大小大 約一致，所以仍然會存在，在一定寬度(m pixel)下，車道線的水平灰階值形成『低 灰階值—高灰階值—低灰階值』如此分布，因此，我們仍利用此特徵，依 (2-3) 式，將車道線從圖像中擷取出來，其結果如 圖2.18 所示。
由於所抓出的車道線，在視窗中其所得的灰階值大約一致，因此，我們將選 取一固定的閥值，作二值化的處理，但因天氣條件的不同，其灰階值也有所不同，
在天氣暗時，灰階值偏低，在天氣亮時，灰階值偏高，所以單取一固定閥值，可 能無法適應各種狀況，因此，我們在作二值化前，要先作一些前置處理。一般而 言，在視窗中所抓取到的車道線其灰階值，比一般雜訊點高得多，所以我們採取 將其灰階值作線性分配，對應到灰階值0 ~ 255 區間，使得車道線的灰階值落在 較高的區段，雜訊點的灰階值落在較低的區段，經過如此處理後，可以減少固定 閥值之二值化無法分離出車道線的狀況，圖2.19 最後二值化後的影像。
圖2.19 二值化後的影像 圖2.20 形態擴張後的影像
接著，我們使用(2-7)式形態擴張的方式，將破碎區塊的車道線接合在一起，
如 圖 2.20 所示，而為了以後定義車道線處理上的方便、及減少處理量和錯誤的 發生，我們將所得的車道線影像做細化處理，如 圖2.21 所示。
) (
) ,
(u v x x0 x1 x2 x3 x4 x5 x6 x7
t = ∪ ∪ ∪ ∪ ∪ ∪ ∪ ∪ (2-7) 說明：形態擴張處理是藉由 3x3 的罩遮，
where 比對 x 周圍的點，只要其中有一點 是 1 (255)則輸出為 1 (255)。
圖2.21 細化處理後的影像 圖2.22 定義車道線資料取樣的方法
最後，我們將定義出車道線，一般而言，若想獲得一直線線段時，只需取出 線段上的任兩點，計算其斜率、截距即可得知，但若我們取到的不是車道線，而 是雜訊點的位置時，將會造成錯誤的結果，故在此我們希望不只取一個數據就依 此決定車道線，因此，我們在計算車道線的斜率時，所採用的量測方法為在所取 的兩個影像視窗中，每隔3 行取 1 行的值，如 圖 2.22 所示。
我們車道線定義方式是，先計算相鄰的兩個取值間的斜率，再由我們所得的 這些斜率值去求平均，然後再把跟平均值差異過大的值剔除掉，再把剩餘的值做 平均，再把跟平均值差異過大的值剔除。我們經由這種平均、去除差異過大的值、
再平均的步驟重複數次，並把每一次與平均的差異範圍逐步地縮小，如此將可以 減少雜訊對斜率計算的影響。最後我們利用所得到的斜率，和車道線上的一點，
計算出其截距，即獲車道線直線方程式，再由所得的車道線，調整視窗的位置及
圖2.23 動態視窗之車道線偵測方法所定義出的車道線影像
圖2.24 動態視窗之車道線偵測方法其程式流程
在這裡我們所取樣的這些行當中，我們選擇最靠車道內側值為1(255)的點，
視為車道線所在的位置。我們所使用這個計算車道線的方法，有幾個值得注意的 特點：
上的車道線為不連續的線段，而有偵測不到的現象。
整合型車道線偵測方法，主是先利用IPM based之車道線偵測方法，找出車道 線偵測視窗，再由動態視窗之車道線偵測方法，從所獲得偵測視窗對車道線作追 跡動作，但若一直無法抓取到車道線，再切換回IPM based之車道線偵測方法。此 作法是在取IPM based之車道線偵測方法其辨識率高，並較能適應多種狀況之優 點，與動態視窗之車道線偵測方法其處理速度快的優點，來相互配合，達到我們 的需求。其程式流程如 圖2.25 所示。
圖 2.26 呈現整合行車道線偵側結果，其中對於彎曲的車道線也很不錯的效果，
如 圖2.26(c)所示，實驗發現，IPM based的方法雖不能很準確的抓到車道線，但 只要車體不搖晃過大，可透過動態視窗的偵測方法微調後抓到。陰影路段如 圖