車道線識(shí)別作為自動(dòng)駕駛領(lǐng)域的基本任務(wù),已經(jīng)有大量的研究成果,總體來說可以分為傳統(tǒng)計(jì)算機(jī)視覺方法和深度學(xué)習(xí)方法,傳統(tǒng)計(jì)算機(jī)方法大多使用邊緣檢測(cè)、Hough變換等方法進(jìn)行車道線提取,其中包括大量的手工工程,需要進(jìn)行復(fù)雜的調(diào)參實(shí)驗(yàn),極富技巧性。同時(shí),這些方法受限于手工設(shè)計(jì)的特征導(dǎo)致魯棒性較差,大多只能對(duì)特定場(chǎng)景或特定數(shù)據(jù)集表現(xiàn)出很好的效果。隨著深度學(xué)習(xí)的興起,人們開始使用深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行車道線的識(shí)別,目前大多是基于FCN（Fully Convolutional Networks,全卷積神經(jīng)網(wǎng)絡(luò)）的圖像語(yǔ)義分割方法或者基于YOLO、SSD等目標(biāo)檢測(cè)算法。這些方法本質(zhì)上都屬于分類方法,通過分類和定位方法找到車道線,再通過后處理將定位到的車道線轉(zhuǎn)化為線條信息。本文改進(jìn)了一種端到端的深度學(xué)習(xí)車道線檢測(cè)模型,不同于傳統(tǒng)的分類算法,該算法使用了回歸擬合的方法來對(duì)車道線進(jìn)行檢測(cè)。將傳統(tǒng)模型中的車道線提取和后處理提取車道線曲線參數(shù)信息的過程整合在一起,省去了模型的后處理過程,加快了網(wǎng)絡(luò)運(yùn)算速度。同時(shí),分類深度學(xué)習(xí)方法基于概率模型,在發(fā)生車道線缺損或者被遮擋時(shí)模型就無(wú)法準(zhǔn)確判斷該區(qū)域的車道線信息,而本文改進(jìn)... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景
    1.2 研究目的與意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本文的主要研究?jī)?nèi)容
第2章 圖像采集與數(shù)據(jù)集封裝
    2.1 引言
    2.2 數(shù)據(jù)集制作流程
    2.3 攝像機(jī)標(biāo)定
        2.3.1 攝像頭畸變
        2.3.2 攝像機(jī)成像原理
        2.3.3 “張正友”標(biāo)定方法
    2.4 數(shù)據(jù)的收集與篩選
    2.5 圖片下采樣
    2.6 圖像標(biāo)注
        2.6.1 逆透視映射(IPM)
        2.6.2 圖像標(biāo)注流程
    2.7 數(shù)據(jù)增強(qiáng)
    2.8 本章小結(jié)
第3章 基于回歸卷積神經(jīng)網(wǎng)絡(luò)的車道線檢測(cè)
    3.1 引言
    3.2 CNN識(shí)別原理
    3.3 CNN特征提取
        3.3.1 卷積層
        3.3.2 池化層
        3.3.3 全連接層
        3.3.4 BN層
        3.3.5 隨機(jī)失活層
        3.3.6 激活函數(shù)
    3.4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    3.5 模型訓(xùn)練及結(jié)論
    3.6 本章小結(jié)
第4章 結(jié)合特征粗提取模塊的車道線檢測(cè)
    4.1 引言
    4.2 基于顏色空間的提取方法
        4.2.1 RGB顏色空間
        4.2.2 HSL顏色空間
        4.2.3 顏色空間模型轉(zhuǎn)換
    4.3 基于邊緣檢測(cè)的提取方法
        4.3.1 一階邊緣檢測(cè)算子
        4.3.2 二階邊緣檢測(cè)算子
        4.3.3 本文使用的邊緣檢測(cè)方法
    4.4 圖像預(yù)處理模塊
    4.5 模型訓(xùn)練及結(jié)果
    4.6 本章小結(jié)
第5章 車道線識(shí)別模擬實(shí)驗(yàn)
    5.1 引言
    5.2 實(shí)驗(yàn)硬件設(shè)備
    5.3 實(shí)驗(yàn)結(jié)果分析
    5.4 本章小節(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于OpenCV的棋盤格角點(diǎn)檢測(cè)算法設(shè)計(jì)[J]. 唐瑞,方方,鄭玉琴,隋清圣.  西部皮革. 2018(20)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的車道線語(yǔ)義分割算法[J]. 徐國(guó)晟,張偉偉,吳訓(xùn)成,蘇金亞,郭增高.  電子測(cè)量與儀器學(xué)報(bào). 2018(07)
[3]基于Roberts算子的車道線圖像的邊緣檢測(cè)研究[J]. 唐陽(yáng)山,徐忠?guī)?黃賢丞,朱停仃,李棟梁.  遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[4]車道偏離實(shí)時(shí)預(yù)警系統(tǒng)的目標(biāo)檢測(cè)和識(shí)別[J]. 張凱欣,徐美華.  西安工業(yè)大學(xué)學(xué)報(bào). 2016(07)
[5]基于視覺的道路信息識(shí)別技術(shù)研究[J]. 劉萌雅,張麗艷,費(fèi)繼友.  大連交通大學(xué)學(xué)報(bào). 2016(03)
[6]基于直線模型的車道線實(shí)時(shí)檢測(cè)方法[J]. 張翀,范新南.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(01)
[7]基于擴(kuò)散性搜索區(qū)域的車道線檢測(cè)與跟蹤算法[J]. 莫建文,范楷,張順嵐.  桂林電子科技大學(xué)學(xué)報(bào). 2011(06)
[8]智能車攝像頭圖像畸變矯正的研究[J]. 甄紅濤,齊曉慧,白勇博.  信息技術(shù). 2011(01)
[9]結(jié)構(gòu)化道路車道線的魯棒檢測(cè)與跟蹤[J]. 劉獻(xiàn)如,蔡自興.  光電子.激光. 2010(12)
[10]基于逆透視變換的智能車輛定位技術(shù)[J]. 高德芝,鄭榜貴,段建民.  計(jì)算機(jī)測(cè)量與控制. 2009(09)

碩士論文
[1]關(guān)于運(yùn)動(dòng)目標(biāo)特征提取以及車輛顏色識(shí)別算法的研究[D]. 王琪.電子科技大學(xué) 2011
[2]基于視覺的行車道檢測(cè)系統(tǒng)研究[D]. 林青.山東科技大學(xué) 2010
[3]基于單目視覺的車道線檢測(cè)與識(shí)別[D]. 耿靜靜.哈爾濱工業(yè)大學(xué) 2007
[4]高速公路車道偏離告警系統(tǒng)的研究[D]. 裘偉.國(guó)防科學(xué)技術(shù)大學(xué) 2006



本文編號(hào)：3170820