基于深度学习的车道检测方法研究
发布时间：2021-11-12 09:37
随着汽车行业的快速发展,自动驾驶成为近年来的研究热点,车道线分割以及道路检测是自动驾驶系统非常重要的研究领域。传统的车道线分割以及车道检测方法通常需要根据不同场景通过人工选择特征,难以应对复杂多变的道路环境。深度学习方法的广泛发展,加速了车道线分割以及道路检测的研究进程。因此,本文对基于深度学习的车道检测方法进行研究,主要包括车道线语义分割以及车道检测两个部分。首先介绍本论文涉及到的基础理论及相关技术,主要包括深度神经网络的前向、后向传播算法、激活函数、卷积以及池化等,以便为后续章节的研究内容做铺垫;其次为了改善目前的卷积神经网络在复杂环境下的道路分割精度较低的问题,基于编解码网络结构构建了车道线语义分割网络。针对普通卷积神经网络由于池化层的存在而造成细节信息丢失的问题,采用空洞卷积和空间金字塔池化相结合的方式,在增大感受野、不降低分辨率的同时融合多尺度的特征信息,以此提高网络的分割性能;并从损失函数、网络模块以及不同网络三个方面入手设计对比实验,以选取适用于车道线分割任务的损失函数、验证各网络模块对网络性能的影响并证明了该分割网络性能的优越性,即使在环境较为复杂甚至瞬时变化较大的情况...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：60 页
【学位级别】：硕士
【图文】：
国内外代表性无人车
哈尔滨理工大学工程硕士学位论文-8-第2章基础理论本章围绕论文内容涉及到的相关基础及技术进行详细介绍。主要包含深度神经网络的前向、后向传播算法、激活函数、卷积以及池化等内容。2.1深度神经网络基础2.1.1前馈神经网络前馈神经网络(FeedforwardNeuralNetwork，FNN)[48]，由多个感知机连接构成。感知机接收多个输入信号，输出一个信号。其基础组成部分为神经元，感知机的神经元模型如图2-1所示。图2-1单个神经元模型其中，123,,...nxxxx为神经元输入，b1为偏执，经过神经元后，最终的输出可以表示为：3,1()TwbiiihxfWxfWxb(2-1)各神经元从输入层开始，接收前一级输入，并输出到下一级，直至输出层。众多的感知机结构构成了前馈神经网络，其基本结构如图2-2所示。网络由多层神经元连接，神经元之间不进行传输，网络数据的传输方向为从前到后或者从后到前的单向流动。起始与结尾的网络层分别为输入层与输出层，中间为隐藏层，隐藏层的数量可以随网络的需要增加。为了更简单的表达网络模型结构，只画出一层隐藏层。在图2-2的模型结构中，iL表示网络的层数，ls表示第l层神经元个数，
哈尔滨理工大学工程硕士学位论文-9-(l)ia表示第l层第i个神经元的输出。对于给定参数集合W,b，神经网络就可以按照函数,()Wbhx来计算输出结果。图2-2神经网络结构示意图本例神经网络的前向传播的公式为：(2)(1)(1)(1)(1)11111221331afWxWxWxb(2-2)(2)(1)(1)(1)(1)22112222332afWxWxWxb(2-3)(2)(1)(1)(1)(1)33113223333afWxWxWxb(2-4)(3)(2)(2)(2)(2)(2)(2)(2),11111221331()WbhxafWaWaWab(2-5)上式中f()表示神经元的激活函数，神经网络参数为(1)(1)(2)(2)(W,b)W,b,W,b，1()lllssWR表示第l层到l+1层的权重矩阵，1()llsbR表示第l层到l+1层的偏执，(l)slaR表示第l层的输出。由于()llszR表示第l的输入，(l)iz表示第l层第i个神经元的输入，将激活函数f()扩展为用向量来表示，即123123fz,z,zfz,fz,fz，上述公式可简化为：(2)(1)(1)zWxb(2-6)(2)(2)afz(2-7)(3)(2)(2)(2)zWab(2-8)(3)(3),()wbhxafz(2-9)
【参考文献】：
期刊论文
[1]Advances in Vision-Based Lane Detection:Algorithms,Integration,Assessment,and Perspectives on ACP-Based Parallel Vision[J]. Yang Xing,Chen Lv,Long Chen,Huaji Wang,Hong Wang,Dongpu Cao,Efstathios Velenis,Fei-Yue Wang. IEEE/CAA Journal of Automatica Sinica. 2018(03)
[2]自动驾驶汽车的概况与发展[J]. 许子明. 科技风. 2018(08)
[3]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊. 智能系统学报. 2018(01)
[4]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)
[5]深度学习在无人驾驶汽车中的应用[J]. 孙皓天. 电脑知识与技术. 2015(24)
[6]无人驾驶汽车的发展现状及方向[J]. 乔维高,徐学进. 上海汽车. 2007(07)
[7]前馈神经网络的特性分析与应用[J]. 张庆年. 武汉交通科技大学学报. 1999(04)
本文编号：3490647
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：60 页
【学位级别】：硕士
【图文】：
国内外代表性无人车
哈尔滨理工大学工程硕士学位论文-8-第2章基础理论本章围绕论文内容涉及到的相关基础及技术进行详细介绍。主要包含深度神经网络的前向、后向传播算法、激活函数、卷积以及池化等内容。2.1深度神经网络基础2.1.1前馈神经网络前馈神经网络(FeedforwardNeuralNetwork，FNN)[48]，由多个感知机连接构成。感知机接收多个输入信号，输出一个信号。其基础组成部分为神经元，感知机的神经元模型如图2-1所示。图2-1单个神经元模型其中，123,,...nxxxx为神经元输入，b1为偏执，经过神经元后，最终的输出可以表示为：3,1()TwbiiihxfWxfWxb(2-1)各神经元从输入层开始，接收前一级输入，并输出到下一级，直至输出层。众多的感知机结构构成了前馈神经网络，其基本结构如图2-2所示。网络由多层神经元连接，神经元之间不进行传输，网络数据的传输方向为从前到后或者从后到前的单向流动。起始与结尾的网络层分别为输入层与输出层，中间为隐藏层，隐藏层的数量可以随网络的需要增加。为了更简单的表达网络模型结构，只画出一层隐藏层。在图2-2的模型结构中，iL表示网络的层数，ls表示第l层神经元个数，
哈尔滨理工大学工程硕士学位论文-9-(l)ia表示第l层第i个神经元的输出。对于给定参数集合W,b，神经网络就可以按照函数,()Wbhx来计算输出结果。图2-2神经网络结构示意图本例神经网络的前向传播的公式为：(2)(1)(1)(1)(1)11111221331afWxWxWxb(2-2)(2)(1)(1)(1)(1)22112222332afWxWxWxb(2-3)(2)(1)(1)(1)(1)33113223333afWxWxWxb(2-4)(3)(2)(2)(2)(2)(2)(2)(2),11111221331()WbhxafWaWaWab(2-5)上式中f()表示神经元的激活函数，神经网络参数为(1)(1)(2)(2)(W,b)W,b,W,b，1()lllssWR表示第l层到l+1层的权重矩阵，1()llsbR表示第l层到l+1层的偏执，(l)slaR表示第l层的输出。由于()llszR表示第l的输入，(l)iz表示第l层第i个神经元的输入，将激活函数f()扩展为用向量来表示，即123123fz,z,zfz,fz,fz，上述公式可简化为：(2)(1)(1)zWxb(2-6)(2)(2)afz(2-7)(3)(2)(2)(2)zWab(2-8)(3)(3),()wbhxafz(2-9)
【参考文献】：
期刊论文
[1]Advances in Vision-Based Lane Detection:Algorithms,Integration,Assessment,and Perspectives on ACP-Based Parallel Vision[J]. Yang Xing,Chen Lv,Long Chen,Huaji Wang,Hong Wang,Dongpu Cao,Efstathios Velenis,Fei-Yue Wang. IEEE/CAA Journal of Automatica Sinica. 2018(03)
[2]自动驾驶汽车的概况与发展[J]. 许子明. 科技风. 2018(08)
[3]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊. 智能系统学报. 2018(01)
[4]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)
[5]深度学习在无人驾驶汽车中的应用[J]. 孙皓天. 电脑知识与技术. 2015(24)
[6]无人驾驶汽车的发展现状及方向[J]. 乔维高,徐学进. 上海汽车. 2007(07)
[7]前馈神经网络的特性分析与应用[J]. 张庆年. 武汉交通科技大学学报. 1999(04)
本文编号：3490647
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3490647.html
最近更新
教材专著
