Se propuso un enfoque de transformada de Hough rápida (FHT) basado en umbral de Otsu y detección de bordes Canny para mejorar la precisión de la detección de carriles para la conducción de vehículos autónomos. Durante las últimas dos décadas, los vehículos autónomos se han vuelto muy populares, y es constructivo evitar accidentes de tráfico debido a errores humanos. La nueva generación necesita inteligencia automática de vehículos. Una de las funciones esenciales de un sistema automovilístico de vanguardia es la detección de carriles. Este estudio recomendó la idea de detección de carriles a través de una detección de bordes Canny mejorada (extendida) utilizando una transformada de Hough rápida. El filtro de desenfoque gaussiano se utilizó para suavizar la imagen y reducir el ruido, lo que podría ayudar a mejorar la precisión de la detección de bordes. Un operador de detección de bordes conocido como el operador Sobel calculó el gradiente de la intensidad de la imagen para identificar bordes en una imagen utilizando un núcleo convolucional. Estas técnicas se aplicaron en el módulo de detección de carriles inicial para mejorar las características de los carriles de la carretera, facilitando su detección en la imagen. Luego se utilizó la transformada de Hough para identificar las rutas basadas en la relación matemática entre los carriles y el vehículo. Esto se hizo convirtiendo la imagen en un sistema de coordenadas polares y buscando líneas dentro de un rango específico de puntos contrastantes. Esto permitió que el algoritmo distinguiera entre los carriles y otras características en la imagen. Después de esto, la transformada de Hough se utilizó para la detección de carriles, lo que permitió distinguir entre la extracción de detección de marcas de carril izquierdo y derecho; la región de interés (ROI) debe extraerse para que los enfoques tradicionales funcionen de manera efectiva y fácil. La metodología propuesta se probó en varias secuencias de imágenes. La ajuste por mínimos cuadrados en esta región se utilizó luego para rastrear el carril. El sistema propuesto demostró una alta detección de carriles en experimentos, demostrando que el método de identificación funcionó bien en cuanto a velocidad de razonamiento y precisión de identificación, lo que consideró tanto la precisión como el procesamiento en tiempo real y podría satisfacer los requisitos de reconocimiento de carriles para sistemas de conducción automática livianos.