Dans la conception d'un système d'aide à la conduite qui repose sur la détection des marquages routiers, la robustesse aux perturbations est d'une importance cruciale, et, pour être utilisable, la détection doit être accompagnée d'une mesure de confiance. Nous formulons le problème de détection des marquages dans les images comme celui de l'estimation des paramètres d'un modèle de courbe, à partir de points extraits de l'image par une procédure originale. Cette approche nous permet de bénéficier de la robustesse des M-estimateurs et d'obtenir une mesure naturelle de confiance au travers de la matrice de covariance de l'estimée. Après une relecture originale des M-estimateurs dans le formalisme lagrangien, nous proposons deux familles paramétriques de modèles de bruit qui permettent une transition continue entre modèles gaussiens et non gaussiens. Nous approfondissons aussi plusieurs ponts rarement abordés en vision par ordinateur, et pourtant incontournables en pratique, comme l'estimation des paramètres du modèle de bruit et la définition de la matrice de covariance approchée. Nous montrons expérimentalement que la précision de la matrice de covariance est beaucoup plus tributaire du choix des paramètres que celle de l'estimation. Une nouvelle forme de matrice de covariance approchée, moins sensible de ce point de vue, est proposée. Enfin, nous présentons des matrices peu coûteuses en temps de calcul et qui peuvent être utiles dans de nombreuses applications....