高級(jí)駕駛輔助系統(tǒng)(Advanced Driving Assistant System,ADAS)是無人駕駛車輛發(fā)展的低級(jí)階段,主要包括了碰撞避免或預(yù)避免系統(tǒng)、車道保持系統(tǒng)、車道偏移報(bào)警系統(tǒng)等等。高級(jí)駕駛輔助系統(tǒng)可以幫助駕駛員作出正確的判斷,對(duì)于減少交通事故發(fā)揮著重要的作用。在實(shí)現(xiàn)高級(jí)駕駛輔助系統(tǒng)中,車道線檢測(cè)算法和障礙物檢測(cè)算法作為ADAS的感知系統(tǒng),對(duì)于ADAS的決策起著至關(guān)重要的作用。高級(jí)駕駛輔助系統(tǒng)的實(shí)現(xiàn)需要大量的傳感器,包括雷達(dá)傳感器、激光傳感器、視頻傳感器等等。雷達(dá)傳感器和激光傳感器的造價(jià)高昂,成本較貴。視頻傳感器價(jià)格較為低廉,本文基于機(jī)器視覺的方法,使用視頻傳感器,研究了可以用于高級(jí)駕駛輔助系統(tǒng)的車道線檢測(cè)算法和障礙物檢測(cè)算法。本文的主要內(nèi)容包括:首先,利用計(jì)器視覺的方法對(duì)車道線進(jìn)行提取,通過分析圖像中黃色和白色車道線在多個(gè)通道中以及對(duì)圖像在邊緣提取中的不同表現(xiàn),聯(lián)合多種方法對(duì)圖像中的車道線進(jìn)行提取,使得對(duì)車道線盡可能完整的提取出來,避免了對(duì)車道線的漏檢情況,然后對(duì)圖像進(jìn)行透視變換為俯視圖并且使用二次函數(shù)來擬合車道線,提高了車道線檢測(cè)的完整度和實(shí)時(shí)性,同時(shí)可以計(jì)算出車道線的...

【文章頁數(shù)】：91 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題提出的背景及研究意義
        1.1.1 課題的背景
        1.1.2 課題提出的意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 車道線檢測(cè)算法
        1.2.2 障礙物檢測(cè)算法
    1.3 主要研究內(nèi)容
    1.4 論文的結(jié)構(gòu)安排
    1.5 本章小結(jié)
第二章 總體研究方案設(shè)計(jì)
    2.1 車道線檢測(cè)方案設(shè)計(jì)
    2.2 障礙物檢測(cè)方案設(shè)計(jì)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.3.2 卷積層
        2.3.3 激活函數(shù)
        2.3.4 池化層
        2.3.5 殘差層
        2.3.6 route層
        2.3.7 全連接層
        2.3.8 非極大值抑制
        2.3.9 感受野
    2.4 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
        2.4.1 損失函數(shù)
        2.4.2 卷積核權(quán)值更新
    2.5 實(shí)驗(yàn)設(shè)備選擇
    2.6 本章小結(jié)
第三章 車道線檢測(cè)
    3.1 鏡頭畸變及其校準(zhǔn)
        3.1.1 徑向畸變
        3.1.2 切向畸變
        3.1.3 畸變校準(zhǔn)
    3.2 顏色空間分析
        3.2.1 顏色空間定義
        3.2.2 顏色空間表現(xiàn)分析
    3.3 邊緣提取
        3.3.1 Sobel算子邊緣提取
        3.3.2 Laplacian算子邊緣提取
        3.3.3 高斯拉普拉斯算子邊緣檢測(cè)
        3.3.4 Canny算子邊緣提取
        3.3.5 圖像二值化
    3.4 透視變換
        3.4.1 歐式空間和齊次坐標(biāo)
        3.4.2 透視變換
    3.5 車道線檢測(cè)和車輛偏離預(yù)測(cè)
        3.5.1 車道線檢測(cè)
        3.5.2 車道線半徑和車輛偏離預(yù)測(cè)
    3.6 本章小結(jié)
第四章 車道線檢測(cè)算法測(cè)試
    4.1 測(cè)試流程
    4.2 測(cè)試條件的選取
        4.2.1 駕駛?cè)藛T的選取
        4.2.2 車速的選取
        4.2.3 試驗(yàn)設(shè)備選取
        4.2.4 試驗(yàn)路段選取
    4.3 測(cè)試數(shù)據(jù)分析
    4.4 測(cè)試結(jié)果分析
    4.5 本章小結(jié)
第五章 障礙物識(shí)別
    5.1 測(cè)試數(shù)據(jù)集
    5.2 YOLOv3—VPC訓(xùn)練網(wǎng)絡(luò)
        5.2.1 Darknet框架
        5.2.2 YOLOv3 結(jié)構(gòu)
        5.2.3 YOLOv3 檢測(cè)過程
        5.2.4 YOLOv3 的損失函數(shù)
    5.3 SSD網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)
        5.3.1 Caffe框架
        5.3.2 SSD檢測(cè)過程
        5.3.3 SSD的損失函數(shù)
    5.4 SSD和 YOLOv3 模型對(duì)比
    5.5 模型訓(xùn)練
        5.5.1 網(wǎng)絡(luò)選擇
        5.5.2 預(yù)訓(xùn)練
        5.5.3 訓(xùn)練結(jié)果的評(píng)價(jià)及分析
        5.5.4 結(jié)果分析
    5.6 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
攻讀學(xué)位期間的科研成果
致謝



本文編號(hào)：3752664