基于深度学习技术的车道线识别算法研究

发布时间：2022-02-20 17:44

　　车道线识别算法是高级辅助驾驶系统的重要组成部分,可提供可靠的车道线数据。本文将前沿的深度学习技术和传统的图像处理方法相结合,基于TensorFlow和OpenCV设计车道线识别算法,完成车道线特征的提取和车道线模型的建立等工作。由车道线识别算法构成的车道线识别系统在测试中具有图像高识别率和运算高效率等优点,并在车辆阴影、光照条件等变化的外界环境下具备优异的鲁棒性。图像数据集用于训练神经网络模型。LabelMe用作图像标注软件,由人工提取原始道路图像中的车道线特征。图像预处理方法对标注图像和原始道路图像进行处理,使图像的数据结构达到神经网络模型的要求。TFRecord数据存储格式将预处理图像封装成图像数据集。车道线特征通过神经网络模型提取。先由TensorFlow搭建神经网络模型,在模型中引入线性加权和法计算反卷积层的输入数据,可以有效地弱化池化层引起的输出图像分辨率降低的影响。在模型的训练中,定义交叉熵函数作为损失函数,并采用梯度下降和滑动平均算法更新和优化模型的参数。经过10万轮训练后,通过分析学习率、滑动平均算法的衰减率、损失值以及权重的变化情况,判断模型趋于稳定,并形成专有的特征... 

【文章来源】：江苏大学江苏省

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题的研究背景及意义
    1.2 国内外对车道线识别算法的研究
    1.3 本文的研究内容
第二章 图像数据集的创建流程
    2.1 引言
    2.2 图像数据集的概述
    2.3 图像的标注
        2.3.1 图像标注软件的选择
        2.3.2 原始道路图像的标注
    2.4 图像的预处理
        2.4.1 原始道路图像的预处理
        2.4.2 标注图像的预处理
    2.5 图像数据集的生成
    2.6 本章小结
第三章 神经网络模型的搭建和训练方法
    3.1 引言
    3.2 神经网络模型的发展及应用
    3.3 神经网络模型的搭建方法
        3.3.1 卷积与反卷积神经网络层
        3.3.2 池化与反池化神经网络层
        3.3.3 神经网络模型的架构
    3.4 神经网络模型的训练方法
        3.4.1 损失函数的定义
        3.4.2 参数的更新与训练过程的优化
        3.4.3 神经网络模型训练结果的分析
    3.5 神经网络模型提取车道线特征的方法
    3.6 本章小结
第四章 车道线模型的功能与设计方法
    4.1 引言
    4.2 车道线模型的需求分析
    4.3 车道线特征图像的语义分割
        4.3.1 车道线特征图像
        4.3.2 设计阈值可变的二值化方法
        4.3.3 评估阈值可变的二值化方法
        4.3.4 车道线语义分割图像的生成
    4.4 车道线坐标点的提取
        4.4.1 图像扫描坐标系
        4.4.2 车道线坐标点的采集条件
        4.4.3 车道线坐标点的投影
    4.5 车道线方程的建立
        4.5.1 车道线函数
        4.5.2 车道线方程
        4.5.3 车道线的拟合效果
    4.6 本章小结
第五章 车道线识别系统与其性能的评估
    5.1 引言
    5.2 车道线识别系统的设计
        5.2.1 系统的设计需求
        5.2.2 系统的运行环境
        5.2.3 系统的工作原理
    5.3 测试系统的工作效率
    5.4 测试系统的识别效果
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士学位期间发表的学术论文及其他科研成果


【参考文献】：
期刊论文
[1]基于卷积神经网络的多天线Polar码联合解调-解码方案[J]. 杨梦,侯永宏.  重庆邮电大学学报(自然科学版). 2018(03)
[2]基于深度学习的上证综指波动率预测效果比较研究[J]. 陈卫华.  统计与信息论坛. 2018(05)
[3]2017年中国汽车市场发展特征及2018年展望[J]. 刘春辉,冯杰.  汽车工业研究. 2018(04)
[4]中美交通事故数据统计方法比较研究[J]. 贺宜,杨鑫炜,吴兵,钟鸣,严新平.  交通信息与安全. 2018(01)
[5]ReLU激活函数优化研究[J]. 蒋昂波,王维维.  传感器与微系统. 2018(02)
[6]卷积神经网络中ReLU激活函数优化设计[J]. 王双印,滕国文.  信息通信. 2018(01)
[7]基于深度反卷积神经网络的图像超分辨率算法[J]. 彭亚丽,张鲁,张钰,刘侍刚,郭敏.  软件学报. 2018(04)
[8]图像语义标注研究综述[J]. 陈金菊.  图书馆学研究. 2017(18)
[9]基于卷积神经网络的道路检测方法[J]. 朱振文,周莉,刘建,陈杰.  计算机工程与设计. 2017(08)
[10]从监督学习到强化学习,四种深度学习方式原理知多少[J]. 房晓楠.  机器人产业. 2017(04)

博士论文
[1]基于机器学习的图像检索若干问题研究[D]. 张磊.山东大学 2011

硕士论文
[1]递归型卷积神经网络的研究及其应用[D]. 王巧云.苏州大学 2017
[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]基于卷积神经网络的视频语义概念分析[D]. 詹智财.江苏大学 2016
[4]基于STDP的多种忆阻神经网络学习的研究[D]. 田园.重庆大学 2015
[5]基于OMAP3530的车道线识别算法研究与实现[D]. 王庆军.中北大学 2013
[6]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
[7]车载环境下基于手持终端的ADAS系统研究与实现[D]. 曹臣.东北大学 2013
[8]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012



本文编号：3635529