車道線識別算法是高級輔助駕駛系統(tǒng)的重要組成部分,可提供可靠的車道線數(shù)據(jù)。本文將前沿的深度學習技術和傳統(tǒng)的圖像處理方法相結合,基于TensorFlow和OpenCV設計車道線識別算法,完成車道線特征的提取和車道線模型的建立等工作。由車道線識別算法構成的車道線識別系統(tǒng)在測試中具有圖像高識別率和運算高效率等優(yōu)點,并在車輛陰影、光照條件等變化的外界環(huán)境下具備優(yōu)異的魯棒性。圖像數(shù)據(jù)集用于訓練神經網絡模型。LabelMe用作圖像標注軟件,由人工提取原始道路圖像中的車道線特征。圖像預處理方法對標注圖像和原始道路圖像進行處理,使圖像的數(shù)據(jù)結構達到神經網絡模型的要求。TFRecord數(shù)據(jù)存儲格式將預處理圖像封裝成圖像數(shù)據(jù)集。車道線特征通過神經網絡模型提取。先由TensorFlow搭建神經網絡模型,在模型中引入線性加權和法計算反卷積層的輸入數(shù)據(jù),可以有效地弱化池化層引起的輸出圖像分辨率降低的影響。在模型的訓練中,定義交叉熵函數(shù)作為損失函數(shù),并采用梯度下降和滑動平均算法更新和優(yōu)化模型的參數(shù)。經過10萬輪訓練后,通過分析學習率、滑動平均算法的衰減率、損失值以及權重的變化情況,判斷模型趨于穩(wěn)定,并形成專有的特征... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題的研究背景及意義
    1.2 國內外對車道線識別算法的研究
    1.3 本文的研究內容
第二章 圖像數(shù)據(jù)集的創(chuàng)建流程
    2.1 引言
    2.2 圖像數(shù)據(jù)集的概述
    2.3 圖像的標注
        2.3.1 圖像標注軟件的選擇
        2.3.2 原始道路圖像的標注
    2.4 圖像的預處理
        2.4.1 原始道路圖像的預處理
        2.4.2 標注圖像的預處理
    2.5 圖像數(shù)據(jù)集的生成
    2.6 本章小結
第三章 神經網絡模型的搭建和訓練方法
    3.1 引言
    3.2 神經網絡模型的發(fā)展及應用
    3.3 神經網絡模型的搭建方法
        3.3.1 卷積與反卷積神經網絡層
        3.3.2 池化與反池化神經網絡層
        3.3.3 神經網絡模型的架構
    3.4 神經網絡模型的訓練方法
        3.4.1 損失函數(shù)的定義
        3.4.2 參數(shù)的更新與訓練過程的優(yōu)化
        3.4.3 神經網絡模型訓練結果的分析
    3.5 神經網絡模型提取車道線特征的方法
    3.6 本章小結
第四章 車道線模型的功能與設計方法
    4.1 引言
    4.2 車道線模型的需求分析
    4.3 車道線特征圖像的語義分割
        4.3.1 車道線特征圖像
        4.3.2 設計閾值可變的二值化方法
        4.3.3 評估閾值可變的二值化方法
        4.3.4 車道線語義分割圖像的生成
    4.4 車道線坐標點的提取
        4.4.1 圖像掃描坐標系
        4.4.2 車道線坐標點的采集條件
        4.4.3 車道線坐標點的投影
    4.5 車道線方程的建立
        4.5.1 車道線函數(shù)
        4.5.2 車道線方程
        4.5.3 車道線的擬合效果
    4.6 本章小結
第五章 車道線識別系統(tǒng)與其性能的評估
    5.1 引言
    5.2 車道線識別系統(tǒng)的設計
        5.2.1 系統(tǒng)的設計需求
        5.2.2 系統(tǒng)的運行環(huán)境
        5.2.3 系統(tǒng)的工作原理
    5.3 測試系統(tǒng)的工作效率
    5.4 測試系統(tǒng)的識別效果
    5.5 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
致謝
攻讀碩士學位期間發(fā)表的學術論文及其他科研成果


【參考文獻】：
期刊論文
[1]基于卷積神經網絡的多天線Polar碼聯(lián)合解調-解碼方案[J]. 楊夢,侯永宏.  重慶郵電大學學報(自然科學版). 2018(03)
[2]基于深度學習的上證綜指波動率預測效果比較研究[J]. 陳衛(wèi)華.  統(tǒng)計與信息論壇. 2018(05)
[3]2017年中國汽車市場發(fā)展特征及2018年展望[J]. 劉春輝,馮杰.  汽車工業(yè)研究. 2018(04)
[4]中美交通事故數(shù)據(jù)統(tǒng)計方法比較研究[J]. 賀宜,楊鑫煒,吳兵,鐘鳴,嚴新平.  交通信息與安全. 2018(01)
[5]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[6]卷積神經網絡中ReLU激活函數(shù)優(yōu)化設計[J]. 王雙印,滕國文.  信息通信. 2018(01)
[7]基于深度反卷積神經網絡的圖像超分辨率算法[J]. 彭亞麗,張魯,張鈺,劉侍剛,郭敏.  軟件學報. 2018(04)
[8]圖像語義標注研究綜述[J]. 陳金菊.  圖書館學研究. 2017(18)
[9]基于卷積神經網絡的道路檢測方法[J]. 朱振文,周莉,劉建,陳杰.  計算機工程與設計. 2017(08)
[10]從監(jiān)督學習到強化學習,四種深度學習方式原理知多少[J]. 房曉楠.  機器人產業(yè). 2017(04)

博士論文
[1]基于機器學習的圖像檢索若干問題研究[D]. 張磊.山東大學 2011

碩士論文
[1]遞歸型卷積神經網絡的研究及其應用[D]. 王巧云.蘇州大學 2017
[2]基于深度學習的車道線檢測系統(tǒng)的設計與實現(xiàn)[D]. 李松澤.哈爾濱工業(yè)大學 2016
[3]基于卷積神經網絡的視頻語義概念分析[D]. 詹智財.江蘇大學 2016
[4]基于STDP的多種憶阻神經網絡學習的研究[D]. 田園.重慶大學 2015
[5]基于OMAP3530的車道線識別算法研究與實現(xiàn)[D]. 王慶軍.中北大學 2013
[6]基于卷積神經網絡的深度學習算法與應用研究[D]. 陳先昌.浙江工商大學 2014
[7]車載環(huán)境下基于手持終端的ADAS系統(tǒng)研究與實現(xiàn)[D]. 曹臣.東北大學 2013
[8]卷積神經網絡在圖像識別上的應用的研究[D]. 許可.浙江大學 2012



本文編號：3635529