纯视觉的道路标志、边沿等目标物感知算法主要包括以下几种：

1. Canny 边缘检测算法：该算法是一种经典的边缘检测算法，可以通过将图像进行高斯滤波、计算梯度、非极大值抑制、双阈值处理等步骤，最终得到图像的边缘信息。

2. Hough 变换算法：该算法可以检测出图像中的直线和圆等形状，在道路标志识别中常用于检测车道线等直线。

3. SIFT 特征点检测算法：该算法可以检测出图像中的关键点，并提取出这些关键点的特征描述子，用于进行图像匹配和识别。

4. SURF 特征点检测算法：该算法是 SIFT 算法的改进版，可以更快速地检测出图像中的关键点，并提取出更加稳定的特征描述子。

5. Haar 特征检测算法：该算法可以检测出图像中的目标物体，常用于人脸识别等领域。

以上是一些常见的纯视觉的道路标志、边沿等目标物感知算法，不同的算法适用于不同的场景和需求。

Canny 边缘检测算法是一种经典的边缘检测算法，它能够在图像中准确地检测出边缘。下面是使用 Python 实现 Canny 边缘检测算法的代码：

在这个代码中，我们首先使用 cv2.imread() 函数读取一张图像，然后对它进行高斯滤波和梯度计算。接着，我们使用非极大值抑制算法和双阈值处理算法来检测边缘，并使用连通性分析算法来消除边缘上的孤立点。最后，我们使用 cv2.imshow() 函数将结果显示出来。

需要注意的是，Canny 边缘检测算法的参数设置对于检测结果的影响非常大，因此需要根据具体情况进行调整。

下面是Hough变换算法的Python实现：

这段代码中，首先读取图片并将其转为灰度图像，然后进行边缘检测。接下来，使用cv2.HoughLines函数进行霍夫变换，得到直线的参数rho和theta。最后，根据直线的参数，绘制直线并显示结果。

SIFT（Scale-Invariant Feature Transform）是一种用于计算图像局部特征的算法，它能够在不同尺度和旋转角度下检测到关键点，并提取出对尺度、旋转和亮度变化不变的特征。下面是一个简单的 SIFT 特征点检测算法的 Python 实现：

SURF（Speeded Up Robust Features）是一种基于 SIFT 算法的加速版特征检测算法，它在 SIFT 的基础上进行了改进，提高了特征点检测的速度和鲁棒性。下面是一个基于 Python 的 SURF 特征点检测算法的示例代码：

Haar 特征检测算法是一种基于机器学习的目标检测算法，可以用于人脸检测、物体检测等。下面是一个简单的 Python 实现示例：

首先，需要安装 OpenCV 库，如果您还没有安装，可以使用以下命令进行安装：

在上面的示例中，我们首先加载了 haarcascade_frontalface_default.xml 分类器，并读取了一个名为 test.jpg 的图像。然后，我们将图像转换为灰度图像，并使用 detectMultiScale 方法检测人脸。最后，我们在图像中绘制矩形框来标记人脸的位置，并将其显示出来。

注意，detectMultiScale 方法的 scaleFactor 和 minNeighbors 参数可以影响检测结果。scaleFactor 参数表示每次缩小图像的比例，较小的值可以提高检测精度，但会增加计算量。minNeighbors 参数表示每个检测到的人脸周围需要有多少个其他人脸才能被认为是真正的人脸，较大的值可以减少误检率，但可能会漏检一些人脸。

希望这个示例能对您有所帮助！