基于深度学习的车道线检测与识别

发布时间：2024-05-07 23:08

　　行驶车辆的自动驾驶任务能够有效解决交通之类的问题,是当下非常热门且十分重要的研究课题,车道线检测与识别是其中关键技术之一。使用深度学习技术代替传统图像处理技术,实现具有高识别率、强鲁棒性以及高时效性的车道线检测与识别模型。研究内容和方法概述如下:(1)研究当前主流的车道线识别模型,其中包括基于传统图像处理模型和深度学习模型,介绍了其实现步骤,并给出了模型结构的图示。(2)为了更好的抽取车道线特征信息,针对车道线检测与识别任务,提出ARB神经网络模块。(3)研究Deeplab v3+网络结构,在此基础上嵌入ARB模块,并设计端到端车道线检测与识别网络。(4)使用F-Measue值评估车道线的识别效果,并与其他深度学习模型进行对比。(5)结合聚类和帧间关联技术,提出车道线位置快速标定算法,实现车道线位置的快速标定。(6)从ARB模块的不同组合结构、窗口滑动效率以及聚类效率三个核心部分,分析整个系统的时效性。实验结果表明,在光照强烈、光照昏暗、阴影遮挡、交通拥挤道路、道路破损、车道线缺失、曲线车道线以及正常道路多种道路环境中,设计的ARB网络模块能够有效提取其中车道线特征信息,在CULane...

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图3.17精准率、召回率、F8结果对比图

测试及实验结果验对传统车道线检测方法、基于深度学习的车道线检测方法以及基于Hough变化的车道线检测方法和深度学习与视觉显著性结合方法）等方法在检测效果，精准率、召回率、Fβ，PR曲线以及析，已验证本文提出的深度学习与视觉显著性结合的道路标线检的优越性。检测效果对比道线检测....

图2.9场景处理和标记Fig.2.9scenarioprocessingandmarking

2自然驾驶数据获取和场景分类21图2.8驾驶员年龄分布Fig.2.8ThedistributionofDriverage2.3基于自然驾驶数据的仿真测试场景构建流程获得原始数据库后，利用前端不同类型车载传感器信息，融合摄像头和雷达的目标信息。多目标关联采用目标物点迹和历史航迹相结....

图2-1边缘检测图

上海师范大学硕士学位论文第2章相关模型介绍值是根据相邻像素与当前像素的距离计算得来，而边缘处像素距离具备局部单增单减的性质，因此能有效减少图像失真。由于图像边缘信息即包含了高频分量又包含低频分量，而高斯函数的傅里叶变换频谱是单瓣的，因此可以减少噪声或者细纹理特征对边缘特征....

图2-2膨胀腐蚀后使用霍夫变换

图2-1边缘检测图边缘检测之后，使用膨胀和腐蚀对边缘像素进一步增强和连通，接着可以直接使用霍夫变换检测出车道线，或者使用逆透视变换将车道图像转换成俯视图，然后使用霍夫变换检测。经过膨胀腐蚀后直接使用霍夫变换检测出车道线，效果如图2-2所示。

本文编号：3967127