車道檢測(cè)作為智能交通系統(tǒng)中的關(guān)鍵一環(huán),在高級(jí)駕駛輔助系統(tǒng)、自動(dòng)違章檢測(cè)系統(tǒng)等應(yīng)用領(lǐng)域扮演重要的角色。基于輸入的環(huán)境數(shù)據(jù),車道檢測(cè)算法需要準(zhǔn)確地提取場(chǎng)景中的關(guān)鍵特征,實(shí)時(shí)且高精度地檢測(cè)出準(zhǔn)確的車道區(qū)域。雖然在理想場(chǎng)景下,已經(jīng)有部分較為成熟的車道檢測(cè)算法,但在實(shí)際應(yīng)用過程中由于場(chǎng)景的多樣性、光照等條件的多變性,目前已有的算法無法保證在所有場(chǎng)景下都能夠較為精確地進(jìn)行車道檢測(cè)。目前,車道檢測(cè)算法主要包括多傳感器混合的車道檢測(cè)算法和基于計(jì)算機(jī)視覺的車道檢測(cè)算法兩種。一方面,基于激光雷達(dá)、超聲波雷達(dá)、攝像頭等設(shè)備的多傳感器混合的車道檢測(cè)算法雖然能夠在原有的單傳感器基礎(chǔ)上極大地提高車道檢測(cè)準(zhǔn)確性,但該方法極大地提高了設(shè)備成本,限制了算法的實(shí)用性;另一方面,一些基于計(jì)算機(jī)視覺的傳統(tǒng)圖像處理算法與深度學(xué)習(xí)算法僅僅考慮了車道本身所固有的紋理、結(jié)構(gòu)等信息,而沒有考慮到車道線對(duì)車道區(qū)域提供的幾何約束信息,這導(dǎo)致算法丟失許多關(guān)鍵特征,降低算法的性能。本文主要研究基于單幀圖片的車道檢測(cè)算法。目前已有的車道檢測(cè)網(wǎng)絡(luò)模型主要基于卷積-反卷積的語義分割神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn),通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖片特征進(jìn)行提取,再利用反卷積神經(jīng)網(wǎng)... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：91 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

–1基于結(jié)構(gòu)關(guān)系的車道區(qū)域與車道線約束示意圖

第二章車道檢測(cè)方法綜述上海交通大學(xué)碩士學(xué)位論文圖2–1部分車道區(qū)域檢測(cè)結(jié)果示意圖Figure2–1Theillustrationoflaneareadetectionresults用無監(jiān)督的初始種子點(diǎn)選擇算法，對(duì)初始種子生長(zhǎng)點(diǎn)采用區(qū)域生長(zhǎng)法得到初步的道路檢測(cè)結(jié)果，再通過條件隨機(jī)場(chǎng)（ConditionalRandomField，CRF）進(jìn)行精細(xì)化分割，得到最終的車道區(qū)域。2.1.2基于深度學(xué)習(xí)的車道區(qū)域檢測(cè)方法隨著深度學(xué)習(xí)的發(fā)展，基于深度學(xué)習(xí)的語義分割算法在多個(gè)計(jì)算機(jī)視覺領(lǐng)域得到了出色的成績(jī)，尤其是對(duì)場(chǎng)景進(jìn)行像素點(diǎn)級(jí)別的語義分割[14][16]�；谏疃葘W(xué)習(xí)的車道區(qū)域檢測(cè)方法大部分都基于語義分割神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，這些方法主要在已有的語義分割神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，針對(duì)車道區(qū)域檢測(cè)任務(wù)的特點(diǎn)進(jìn)行了修改，以便于在已有的語義分割網(wǎng)絡(luò)中添加額外信息來提高算法性能[7-9]。Barnes等[7]采用已有的語義分割網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行車道區(qū)域檢測(cè)。但為了獲得更多的訓(xùn)練數(shù)據(jù)，他們不使用人工對(duì)視頻圖像進(jìn)行標(biāo)注，而是使用采集過程中的額外傳感器（激光雷達(dá)、超聲波雷達(dá)等）和車道區(qū)域的幾何先驗(yàn)知識(shí)進(jìn)行自適應(yīng)的車道區(qū)域標(biāo)注。通過額外的訓(xùn)練數(shù)據(jù)進(jìn)行半監(jiān)督訓(xùn)練，神經(jīng)網(wǎng)絡(luò)在車道區(qū)域檢測(cè)的準(zhǔn)確性上有了較大的提升。Chen等[8]同樣針對(duì)實(shí)際數(shù)據(jù)集數(shù)據(jù)量有限，使得網(wǎng)絡(luò)易于過擬合的問題提出了方法。但他們使用易于標(biāo)注的虛擬合成圖像作為數(shù)據(jù)增廣手段。為了克服虛擬圖像和現(xiàn)實(shí)圖像之間存在的差異，網(wǎng)絡(luò)添加了基于目標(biāo)的特征過濾子網(wǎng)絡(luò)，歸一化虛擬合成圖像和實(shí)際圖像經(jīng)過卷積層后的特征，保證模態(tài)一致。同時(shí)添加了空間一致性約束，彌補(bǔ)虛擬圖像和實(shí)際圖像在顏色分布上的差異。通過這兩個(gè)手段，作者同樣訓(xùn)練了語義分割網(wǎng)絡(luò)對(duì)圖像進(jìn)行語義分割，得到最終結(jié)果。Gao等[9]不使用數(shù)據(jù)增廣的方式引入額外信息來提高神經(jīng)網(wǎng)絡(luò)

第二章車道檢測(cè)方法綜述上海交通大學(xué)碩士學(xué)位論文圖2–2部分車道線檢測(cè)結(jié)果示意圖Figure2–2Theillustrationoflaneboundarydetectionresults析式[10,13,20,21]。Bergasa等[13]和Kortli等[10]先針對(duì)圖像進(jìn)行了灰度化處理和平滑操作，再直接使用Sobel算子與Canny算子進(jìn)行梯度提取并使用Otsu方法設(shè)定閾值過濾噪聲。得到了較為清晰的梯度圖像后，可以使用霍夫變換進(jìn)行車道線檢測(cè)并得到消失點(diǎn)進(jìn)一步優(yōu)化車道線檢測(cè)結(jié)果。Hernández等[20]同樣利用Canny算子提取圖像梯度，但他們將圖片中的顏色信息作為附加特征與梯度信息一起構(gòu)建概率圖模型提取候選的車道線位置。在得到一連串車道線所在的像素點(diǎn)后，使用聚類算法將不同的車道線分離，并對(duì)聚類結(jié)果進(jìn)行曲線匹配最終得到目標(biāo)車道線。由于實(shí)際車道線存在不連續(xù)的情況，部分曲線匹配算法可能失效，Lin等[21]使用邊緣提取算法得到圖像中的邊緣圖后，使用邊界連接算法連接曲線邊緣，得到更加連續(xù)的圖像邊緣，再通過逐行掃描提取一一對(duì)應(yīng)的車道線進(jìn)行曲線匹配，最終提取正確的車道線。2.2.2基于深度學(xué)習(xí)的車道線檢測(cè)方法雖然上述的基于計(jì)算機(jī)視覺的車道線檢測(cè)方法能夠在一般場(chǎng)景檢測(cè)車道線，并得到較好的結(jié)果。但在實(shí)際場(chǎng)景中，車道區(qū)域經(jīng)常受到陰影、降水、磨損或光照的影響，上述的基于計(jì)算機(jī)視覺的車道線檢測(cè)方法可能無法魯棒地檢測(cè)車道線，因此目前一部分車道線檢測(cè)方法是基于深度學(xué)習(xí)實(shí)現(xiàn)的[22-25]。Huval等[22]將車道線檢測(cè)轉(zhuǎn)化為物體檢測(cè)問題。他們使用了Overfeat[26]物體檢測(cè)框架，將輸入圖片分割為多個(gè)小窗口，對(duì)這些窗口進(jìn)行車道線檢測(cè)與分類�！�12—


本文編號(hào)：3096540