目前，虽然有大量的运动目标检测算法，但由于实际环境的复杂多变，所以这些算法并不都是十分的健壮。
（1）模型初始化问题：在背景初始化训练时期，由于还没有获得高质量的背景模型，故常常导致运动目标的误检；
（2）伪装现象：一些运动目标可能与背景极其相似，从而导致运动目标无法正确地与背景区分开；
（3）光照变化：分为光线的突变和渐变。背景模型要能够适应白天室外环境中光线的逐渐变化；相应的，背景模型也能够适应突然打开灯光的室内环境。总之，光线的变化将强烈影响背景模型，极有可能导致错误的检测；
（4）前景空洞现象：当运动目标有大量颜色一致的区域时，这些区域的内在变化可能将导致检测不准确，使得前景的一些内部区域被错误判断为背景；
（5）动态背景：最常见的就是树叶的抖动，当然还有水面涟漪、小目标抖动；
（6）突然停滞的运动目标：有些运动物体进入场景后，停在了场景中。显然，这种情况下的运动目标应该被识别为背景；
（7）阴影：能够检测出运动目标的阴影以及背景区域原有的阴影；
（8）噪声干扰：这种情况基本上属于由网络摄像头传输或压缩后的视频图像而引起的数据质量不高；
（9）相机抖动：在一些条件下，风会引起摄像机的抖动；
（10）相机自调节：目前，很多摄像头都具有自动控制的功能，如光照控制、白平衡以及放大缩小等功能。
（11）容易受到恶劣天气的影响。
以上分析了很多种特殊情况，其中，最主要的影响是动态背景和光照变化。
综上分析，如果车道检测采用传统图像算法处理，只能检测简单背景下，天气情况良好，无遮挡的情形，而面对复杂背景下，天气情况恶劣，存在遮挡的情形下，算法检测车道的准确率则会下降。
而采用深度学习方法，通过从大量样本中提取特征，能够提取较好的车道线特征。因此，综合考量，采用深度学习方法完成车道线检测。
转载链接：
https://blog.csdn.net/tfygg/article/details/51761855