面向复杂路面的车道线智能检测方法研究

发布时间：2021-02-10 08:04

　　《国家车联网产业标准体系建设指南（智能网联汽车）》指出,智能网联汽车是是全球创新热点和未来发展制高点,其深度融合了汽车、电子、信息通信、道路交通运输等行业,是一个新型产业。智能网联汽车的智能驾驶技术在提高公路运输能力和减少交通事故方面发挥着关键作用。在智能驾驶技术中,环境感知系统是确保智能车的智能性、安全性的关键所在。而车道线检测技术作为智能车感知系统中的核心技术,是实现安全、自主驾驶的前提,也是研究的难点及技术核心。在工信部2016年智能制造综合标准化与新模式应用项目“智能网联汽车系统及通信标准化研究与试验验证平台建设”（项目编号:2016ZXFB06002）和重庆市科技计划项目重点产业共性关键技术创新专项主题专项项目“ADAS功能测试标准化制定与路试验证平台建设”（项目编号:cstc2015zdcyztzx60005）资助下,开展了面向复杂路况的车道线智能检测方法研究。论文的主要研究内容和创新点有1)针对训练深度学习模型需要大量标签图片的问题,研究了车辆前方和侧方标签图片的自动生成算法。研究了LUV和LAB色彩空间的颜色信息,提出了对简单场景下黄色和白色车道线的分割算法,为前向车道... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：129 页

【学位级别】：博士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 课题研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 基于道路特征的车道线检测
        1.2.2 基于道路模型的车道线检测
        1.2.3 融合多传感器的车道线检测
        1.2.4 基于深度学习的车道线检测
        1.2.5 横向车道线的检测与距离计算
    1.3 存在的问题
    1.4 课题来源和主要研究内容
        1.4.1 课题来源
        1.4.2 主要研究内容
2 图片的自动标注算法研究
    2.1 引言
    2.2 前向车道线标签图片的自动生成算法
        2.2.1 前向路面图像预处理
        2.2.2 颜色空间的转换关系研究
        2.2.3 车道线边界框的自动标注
    2.3 横向车道线标签图片的自动生成算法
        2.3.1 基于CNN的 Image Quilting算法改进
        2.3.2 沥青路面和车道线图片的检索与拼接
        2.3.3 横向车道线标签图片的自动生成与后处理
    2.4 试验及结果分析
        2.4.1 前向标签图像结果分析
        2.4.2 横向标签图像结果分析
    2.5 小结
3 复杂道路场景下前向车道线检测算法研究
    3.1 引言
    3.2 车道线的检测模型和特征自适应学习
        3.2.1 车道线检测模型
        3.2.2 车道线特征自适应学习框架
    3.3 车道线拟合算法研究
        3.3.1 车道线区域确定
        3.3.2 车道线拟合
    3.4 试验及结果分析
        3.4.1 模型训练结果分析
        3.4.2 模型的检测结果分析
        3.4.3 车道线的拟合结果分析
    3.5 小结
4 复杂工况下前向车道线预测算法研究
    4.1 引言
    4.2 基于双向GRU的车道线预测算法
        4.2.1 LSTM单元结构
        4.2.2 双向GRU车道线预测算法
    4.3 基于递归神经网络的车道线预测算法
        4.3.1 递归神经网络
        4.3.2 考虑了角度信息的车道线预测模型
    4.4 车道线检测结果的融合
    4.5 试验及结果分析
        4.5.1 模型训练与结果分析
        4.5.2 车道线融合结果分析
        4.5.3 车道线拟结果分析
    4.6 小结
5 横向车道线距离检测算法研究
    5.1 引言
    5.2 横向车道线距离识别算法
        5.2.1 横向车道线距离的多目标识别模型
        5.2.2 深度学习模型的训练和优化
    5.3 动态校正模型
        5.3.1 参考坐标系的变化关系
        5.3.2 自适应识别误差校正
    5.4 试验及结果分析
        5.4.1 横向车道线距离识别模型的结果分析
        5.4.2 动态校正模型结果分析
    5.5 小结
6 实车试验与结果分析
    6.1 引言
    6.2 实车装置设计
        6.2.1 图像采集模块
        6.2.2 倾斜角采集模块
    6.3 试验环境和条件
    6.4 试验结果及分析
        6.4.1 前向车道线检测结果分析
        6.4.2 横向车道线检测结果分析
    6.5 小结
7 结论和展望
    7.1 全文总结
    7.2 研究展望
参考文献
附录
    A.作者在攻读博士学位期间发表的论文
    B.作者在攻读博士学位期间发表的专利
    C.作者在攻读博士学位期间参与的研究课题
    D.学位论文数据集
致谢


【参考文献】：
期刊论文
[1]基于车道线提取的智能车横向定位技术[J]. 袁旻川,徐友春,李永乐.  军事交通学院学报. 2018(10)
[2]一种基于CNN的足迹图像检索与匹配方法[J]. 陈扬,曾诚,程成,邹恩岑,顾建伟,陆悠,奚雪峰.  南京师范大学学报(工程技术版). 2018(03)
[3]基于多约束条件下的霍夫变换车道线检测方法[J]. 石林军,余粟.  计算机测量与控制. 2018(09)
[4]基于Gabor滤波器的车道线快速检测方法[J]. 杜恩宇,张宁,李艳荻.  红外与激光工程. 2018(08)
[5]一种基于形态学特征的车道线识别方法[J]. 蔡英凤,高力,孙晓强,陈龙,王海.  中国机械工程. 2018(15)
[6]基于优化YOLO方法机场跑道目标检测[J]. 蔡成涛,吴科君,严勇杰.  指挥信息系统与技术. 2018(03)
[7]基于激光雷达的车辆变道预警系统研究[J]. 詹慧贞.  激光杂志. 2018(05)
[8]基于混合贝塞尔曲线模型的车道检测算法[J]. 韩浩,王舜燕.  计算机工程与设计. 2018(03)
[9]基于极性转移和双向LSTM的文本情感分析[J]. 陈葛恒.  信息技术. 2018(02)
[10]D-S证据理论改进算法提高水下目标识别准确性[J]. 刘标,许腾,李光.  现代防御技术. 2018(01)

博士论文
[1]基于机器视觉的先进辅助驾驶系统关键技术研究[D]. 范延军.东南大学 2016

硕士论文
[1]基于卷积神经网络的物体抓取研究[D]. 喻群超.中国科学技术大学 2018
[2]基于RNN和LDA模型的商品评论情感分类研究[D]. 彭三春.浙江理工大学 2018
[3]基于深度学习的车道线检测算法研究[D]. 梁乐颖.北京交通大学 2018
[4]基于视觉的车道线检测技术研究[D]. 侯长征.西南交通大学 2017
[5]基于车载图像处理的道路检测技术研究[D]. 肖晶.湖南大学 2016
[6]结构化道路中的车道偏离预警系统研究[D]. 孙朋.山东大学 2014



本文编号：3027058