基于Hough变换和神经网络的智能车辆车道线识别

发布时间：2021-09-05 11:27

　　随着人工智能技术的不断提高,近年来,智能车辆（Intelligent vehicle）逐渐在各国的智能交通研究中吸引了越来越多的关注,其中,基于机器视觉的车辆行驶环境识别研究成为了研究的重点之一。对路面中的车道线进行正确而实时的检测与识别是对于智能车辆行驶的一大挑战,无论是通过红外识别,图像识别还是最终的机器学习,车道线检测的主要目的都是为了为智能车辆的行驶提供有效正确的道路信息,使智能车辆能实现安全的自动驾驶。本文以智能车辆中的车道线检测和智能车辆的自动驾驶为背景,主要针对卷积神经网络在车道线检测中的应用进行设计,实现智能车辆稳定实时的对道路结构进行识别。本文提出了一种基于Hough Transform和卷积神经网络的道路识别方法。该方法分为图像预处理,图像分类,车辆控制三个环节。因道路环境易受天气,光照等影响,所以提取的道路的图像会由于天气光照的不同而产生一定的噪声,为了让卷积神经网络能更好的识别到图像中的车道线,首先通过图像的预处理将图像进行去噪,本文主要采用了Canny边缘检测与Hough Transform将图像中的车道线更加突出,而将其他不相关信息过滤掉直,然后,针对处理后... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 车道线检测国内外研究现状
        1.2.1 车道线检测国内研究现状
        1.2.2 车道线检测国外研究现状
    1.3 论文研究内容及论文结构
        1.3.1 图像预处理算法设计
        1.3.2 人工神经网络的选择和训练方法
        1.3.3 小车车道识别算法与控制设计
第2章 相关技术介绍
    2.1 图像预处理算法概述
        2.1.1 Canny边缘检测
        2.1.2 HoughTransform直线提取
    2.2 神经网络概述
        2.2.1 普通人工神经网络概述
        2.2.2 卷积人工神经网络概述
    2.3 强化学习概述
    2.4 本章小结
第3章 车道线检测需求分析
    3.1 车道线检测系统需求分析
    3.2 功能需求
        3.2.1 车道线标注
        3.2.2 图像预处理
        3.2.3 车道线检测
        3.2.4 结果显示
        3.2.5 车辆控制
    3.3 非功能需求
        3.3.1 性能需求
        3.3.2 鲁棒性
    3.4 本章小结
第4章 车道线检测系统设计
    4.1 车道线图像数据标注与筛选
    4.2 车道线图像预处理
        4.2.1 ROI提取范围设计
        4.2.2 边缘提取设计
        4.2.3 直线提取设计
    4.3 基于CNN的车道线检测算法
        4.3.1 CNN结构及参数设计
        4.3.2 CNN的训练
    4.4 基于强化学习的车辆控制算法设计
        4.4.1 Q学习方法运用设计
    4.5 本章小结
第5章 车道线检测系统实现
    5.1 车道线图像数据预处理实现
        5.1.1 ROI区提取实现
        5.1.2 边缘检测实现
        5.1.3 直线提取实现
    5.2 基于CNN的车道线检测系统实现
        5.2.1 CNN整体架构实现
        5.2.2 CNN训练实现
    5.3 基于强化学习的车辆控制算法实现
        5.3.1 Q学习方法实现
    5.4 本章小结
第6章 车道线检测系统测试
    6.1 系统实现测试环境
    6.2 模块测试
        6.2.1 CNN模块测试
        6.2.2 Q-learning强化学习模块测试
        6.2.3 系统性能测试
    6.3 本章小结
结论
参考文献
攻读硕士学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]一种鲁棒性的多车道线检测算法[J]. 宣寒宇,刘宏哲,袁家政,李青,牛小宁.  计算机科学. 2017(11)
[2]多Agent强化学习下的城市路网自适应交通信号协调配时决策研究综述[J]. 夏新海.  交通运输研究. 2017(02)
[3]基于Hough变换的车道线检测[J]. 钱怡.  山东工业技术. 2017(10)
[4]基于多传感融合的车道线检测与跟踪方法的研究[J]. 吴彦文,张楠,周涛,严巍.  计算机应用研究. 2018(02)
[5]无人驾驶汽车环境感知技术综述[J]. 王世峰,戴祥,徐宁,张鹏飞.  长春理工大学学报(自然科学版). 2017(01)
[6]无人驾驶汽车研究综述与发展展望[J]. 潘福全,亓荣杰,张璇,张丽霞.  科技创新与应用. 2017(02)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[8]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)
[9]一种基于直线模型的道路识别算法[J]. 董瑞先,王玉林,张鲁邹,张亮修.  青岛大学学报(工程技术版). 2010(01)
[10]智能汽车中基于视觉的道路检测与跟踪算法[J]. 刘富强,田敏,胡振程.  同济大学学报(自然科学版). 2007(11)

硕士论文
[1]Qlearning强化学习算法的改进及应用研究[D]. 马朋委.安徽理工大学 2016
[2]基于深度学习的车道线检测系统的设计与实现[D]. 李松泽.哈尔滨工业大学 2016
[3]强化学习在仿人机器人行走稳定控制上的研究及实现[D]. 陈奇石.华南理工大学 2016
[4]基于强化学习的移动机器人路径规划研究[D]. 许亚.山东大学 2013



本文编号：3385263