基于深度学习的端到端车道线检测方法
发布时间：2021-05-05 23:47
车道线识别作为自动驾驶领域的基本任务,已经有大量的研究成果,总体来说可以分为传统计算机视觉方法和深度学习方法,传统计算机方法大多使用边缘检测、Hough变换等方法进行车道线提取,其中包括大量的手工工程,需要进行复杂的调参实验,极富技巧性。同时,这些方法受限于手工设计的特征导致鲁棒性较差,大多只能对特定场景或特定数据集表现出很好的效果。随着深度学习的兴起,人们开始使用深度神经网络来进行车道线的识别,目前大多是基于FCN（Fully Convolutional Networks,全卷积神经网络）的图像语义分割方法或者基于YOLO、SSD等目标检测算法。这些方法本质上都属于分类方法,通过分类和定位方法找到车道线,再通过后处理将定位到的车道线转化为线条信息。本文改进了一种端到端的深度学习车道线检测模型,不同于传统的分类算法,该算法使用了回归拟合的方法来对车道线进行检测。将传统模型中的车道线提取和后处理提取车道线曲线参数信息的过程整合在一起,省去了模型的后处理过程,加快了网络运算速度。同时,分类深度学习方法基于概率模型,在发生车道线缺损或者被遮挡时模型就无法准确判断该区域的车道线信息,而本文改进...
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景
1.2 研究目的与意义
1.3 国内外研究现状
1.4 本文的主要研究内容
第2章 图像采集与数据集封装
2.1 引言
2.2 数据集制作流程
2.3 摄像机标定
2.3.1 摄像头畸变
2.3.2 摄像机成像原理
2.3.3 “张正友”标定方法
2.4 数据的收集与筛选
2.5 图片下采样
2.6 图像标注
2.6.1 逆透视映射(IPM)
2.6.2 图像标注流程
2.7 数据增强
2.8 本章小结
第3章 基于回归卷积神经网络的车道线检测
3.1 引言
3.2 CNN识别原理
3.3 CNN特征提取
3.3.1 卷积层
3.3.2 池化层
3.3.3 全连接层
3.3.4 BN层
3.3.5 随机失活层
3.3.6 激活函数
3.4 卷积神经网络结构
3.5 模型训练及结论
3.6 本章小结
第4章 结合特征粗提取模块的车道线检测
4.1 引言
4.2 基于颜色空间的提取方法
4.2.1 RGB颜色空间
4.2.2 HSL颜色空间
4.2.3 颜色空间模型转换
4.3 基于边缘检测的提取方法
4.3.1 一阶边缘检测算子
4.3.2 二阶边缘检测算子
4.3.3 本文使用的边缘检测方法
4.4 图像预处理模块
4.5 模型训练及结果
4.6 本章小结
第5章 车道线识别模拟实验
5.1 引言
5.2 实验硬件设备
5.3 实验结果分析
5.4 本章小节
总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于OpenCV的棋盘格角点检测算法设计[J]. 唐瑞,方方,郑玉琴,隋清圣. 西部皮革. 2018(20)
[2]基于卷积神经网络的车道线语义分割算法[J]. 徐国晟,张伟伟,吴训成,苏金亚,郭增高. 电子测量与仪器学报. 2018(07)
[3]基于Roberts算子的车道线图像的边缘检测研究[J]. 唐阳山,徐忠帅,黄贤丞,朱停仃,李栋梁. 辽宁工业大学学报(自然科学版). 2017(06)
[4]车道偏离实时预警系统的目标检测和识别[J]. 张凯欣,徐美华. 西安工业大学学报. 2016(07)
[5]基于视觉的道路信息识别技术研究[J]. 刘萌雅,张丽艳,费继友. 大连交通大学学报. 2016(03)
[6]基于直线模型的车道线实时检测方法[J]. 张翀,范新南. 计算机工程与设计. 2012(01)
[7]基于扩散性搜索区域的车道线检测与跟踪算法[J]. 莫建文,范楷,张顺岚. 桂林电子科技大学学报. 2011(06)
[8]智能车摄像头图像畸变矫正的研究[J]. 甄红涛,齐晓慧,白勇博. 信息技术. 2011(01)
[9]结构化道路车道线的鲁棒检测与跟踪[J]. 刘献如,蔡自兴. 光电子.激光. 2010(12)
[10]基于逆透视变换的智能车辆定位技术[J]. 高德芝,郑榜贵,段建民. 计算机测量与控制. 2009(09)
硕士论文
[1]关于运动目标特征提取以及车辆颜色识别算法的研究[D]. 王琪.电子科技大学 2011
[2]基于视觉的行车道检测系统研究[D]. 林青.山东科技大学 2010
[3]基于单目视觉的车道线检测与识别[D]. 耿静静.哈尔滨工业大学 2007
[4]高速公路车道偏离告警系统的研究[D]. 裘伟.国防科学技术大学 2006
本文编号：3170820
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景
1.2 研究目的与意义
1.3 国内外研究现状
1.4 本文的主要研究内容
第2章 图像采集与数据集封装
2.1 引言
2.2 数据集制作流程
2.3 摄像机标定
2.3.1 摄像头畸变
2.3.2 摄像机成像原理
2.3.3 “张正友”标定方法
2.4 数据的收集与筛选
2.5 图片下采样
2.6 图像标注
2.6.1 逆透视映射(IPM)
2.6.2 图像标注流程
2.7 数据增强
2.8 本章小结
第3章 基于回归卷积神经网络的车道线检测
3.1 引言
3.2 CNN识别原理
3.3 CNN特征提取
3.3.1 卷积层
3.3.2 池化层
3.3.3 全连接层
3.3.4 BN层
3.3.5 随机失活层
3.3.6 激活函数
3.4 卷积神经网络结构
3.5 模型训练及结论
3.6 本章小结
第4章 结合特征粗提取模块的车道线检测
4.1 引言
4.2 基于颜色空间的提取方法
4.2.1 RGB颜色空间
4.2.2 HSL颜色空间
4.2.3 颜色空间模型转换
4.3 基于边缘检测的提取方法
4.3.1 一阶边缘检测算子
4.3.2 二阶边缘检测算子
4.3.3 本文使用的边缘检测方法
4.4 图像预处理模块
4.5 模型训练及结果
4.6 本章小结
第5章 车道线识别模拟实验
5.1 引言
5.2 实验硬件设备
5.3 实验结果分析
5.4 本章小节
总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于OpenCV的棋盘格角点检测算法设计[J]. 唐瑞,方方,郑玉琴,隋清圣. 西部皮革. 2018(20)
[2]基于卷积神经网络的车道线语义分割算法[J]. 徐国晟,张伟伟,吴训成,苏金亚,郭增高. 电子测量与仪器学报. 2018(07)
[3]基于Roberts算子的车道线图像的边缘检测研究[J]. 唐阳山,徐忠帅,黄贤丞,朱停仃,李栋梁. 辽宁工业大学学报(自然科学版). 2017(06)
[4]车道偏离实时预警系统的目标检测和识别[J]. 张凯欣,徐美华. 西安工业大学学报. 2016(07)
[5]基于视觉的道路信息识别技术研究[J]. 刘萌雅,张丽艳,费继友. 大连交通大学学报. 2016(03)
[6]基于直线模型的车道线实时检测方法[J]. 张翀,范新南. 计算机工程与设计. 2012(01)
[7]基于扩散性搜索区域的车道线检测与跟踪算法[J]. 莫建文,范楷,张顺岚. 桂林电子科技大学学报. 2011(06)
[8]智能车摄像头图像畸变矫正的研究[J]. 甄红涛,齐晓慧,白勇博. 信息技术. 2011(01)
[9]结构化道路车道线的鲁棒检测与跟踪[J]. 刘献如,蔡自兴. 光电子.激光. 2010(12)
[10]基于逆透视变换的智能车辆定位技术[J]. 高德芝,郑榜贵,段建民. 计算机测量与控制. 2009(09)
硕士论文
[1]关于运动目标特征提取以及车辆颜色识别算法的研究[D]. 王琪.电子科技大学 2011
[2]基于视觉的行车道检测系统研究[D]. 林青.山东科技大学 2010
[3]基于单目视觉的车道线检测与识别[D]. 耿静静.哈尔滨工业大学 2007
[4]高速公路车道偏离告警系统的研究[D]. 裘伟.国防科学技术大学 2006
本文编号：3170820
本文链接：https://www.wllwen.com/kejilunwen/qiche/3170820.html
