基于深度学习的车道线及目标检测研究

发布时间：2023-10-06 19:11

　　车道线检测和道路目标检测是智能辅助无人驾驶的重要组成部分,在智能交通、无人驾驶等领域具有重要的科学研究和工程实践意义。由于道路车道线复杂、目标种类多样,同时检测也容易受环境影响,对于车道线以及目标检测是极具挑战的问题。因此,本文主要围绕车道线检测和目标检测展开研究,对于智能辅助驾驶具有一定的理论和现实意义。本文在总结目前车道线及目标检测的国内外研究现状之后,明确本文研究内容和目标,分析并选取本文卷积神经网络,便于后续进行车道线检测和目标检测。首先,针对传统车道线检测算法,基于驾驶人视野区域的不同,提出一种三分视野法的划定感兴趣区域方法,并对车道像素进行检测滤波,之后采用逐行横向扫描阈值的方法对像素进行拟合。检测结果分析表明本文算法具有较高检测精度。其次,基于深度学习理论,提出了结合双分支网络和自定义函数网络,将车道线检测问题转化为实例分割问题。先分析经典卷积神经网络,改进卷积神经网络卷积层的编码器结构,减小共享编码器参数,组成双分支网络;而后,端到端训练生成具有自定义损失函数的卷积神经网络,参数可变换矩阵解决远处以及坡道路面车道像素拟和差的问题。通过对比传统检测算法以及经典卷积神经网络...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 车道线检测研究现状
        1.2.2 道路目标检测研究现状
    1.3 研究目标及内容
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 论文章节安排
2 深度学习相关理论基础
    2.1 深度学习基础理论
    2.2 卷积神经网络
        2.2.1 ALexNet网络
        2.2.2 VGGNet网络
        2.2.3 Res Net网络
    2.3 目标检测网络
    2.4 本章小结
3 基于三分视野法的车道线检测算法
    3.1 数据集组成
    3.2 图像预处理
        3.2.1 感兴趣区域选取
        3.2.2 图像灰度化
        3.2.3 图像逆透视变换
        3.2.4 滤波处理
    3.3 车道线检测与拟合
    3.4 本章小结
4 结合双分支网络和自定义函数网络的车道线检测
    4.1 基础网络介绍
    4.2 车道线像素检测
        4.2.1 二值分割
        4.2.2 车道实例嵌入分割
        4.2.3 聚类
    4.3 车道线拟合
        4.3.1 网络介绍
        4.3.2 像素拟合
    4.4 实验结果分析
        4.4.1 数据集及模型
        4.4.2 实验结果
    4.5 本章小结
5 结合卷积神经网络和双目视觉的道路目标检测
    5.1 数据集采集及实验环境
    5.2 检测网络介绍
    5.3 目标检测评价指标
        5.3.1 交并比说明
        5.3.2 平均准确度说明
    5.4 街景道路目标检测
        5.4.1 摄像头标定
        5.4.2 图像匹配融合
        5.4.3 双目测距
    5.5 检测结果分析
        5.5.1 道路图像检测结果
        5.5.2 道路视频检测结果
        5.5.3 实际道路测试结果
    5.6 本章小结
总结与展望
参考文献
致谢



本文编号：3852301