融合结构化道路区域分割的车道线检测与跟踪算法研究

发布时间：2022-02-24 23:19

　　随着无人驾驶技术的发展,提高其安全性成为实际应用的关键所在。其中,车道线检测是无人驾驶技术中的重要基础。本文以结构化道路场景中的车道线为主要研究对象,结合道路分割任务,开展了如下研究。首先,研究了道路分割算法。改进了DeepLabv3+网络结构,优选了VGG为特征提取基础网络,去掉了全连接层,并在pool5层后添加了ASPP结构,以提取特征图中的多尺度信息,添加了跳跃连接结构,将底层信息与高层信息进行融合。在KITTI数据集上的测试结果表明,改进算法平均精确率达到了92.37%,单张图像分割时间为83.39ms。然后,研究了车道线检测算法。改进了SCNN网络结构,捕获车道线空间信息,用后处理方式替代原网络中对各车道线分类的子网络,简化了网络模型。另外,采用了加权最小二乘法,对改进SCNN网络输出的车道线候选点进行车道线拟合。在CULane数据集上的测试结果表明,改进算法精确率与召回率的综合指标F1达到了71.3%,比SCNN网络提高了0.9%。接着,研究了融合结构化道路分割的车道线多任务学习检测算法。采用了参数硬共享机制的多任务学习网络结构,改进DeepLab网络为道路分割子网络;采用... 

【文章来源】：武汉理工大学湖北省211工程院校教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 道路分割研究现状
        1.2.2 车道线检测研究现状
        1.2.3 车道线跟踪研究现状
    1.3 研究难点与发展趋势
    1.4 本文主要研究内容及安排
第2章 结构化道路区域分割算法研究
    2.1 结构化道路场景特点分析
    2.2 结构化道路分割的深度学习算法分析
        2.2.1 FCN全卷积语义分割网络
        2.2.2 DeepLab语义分割网络
    2.3 改进DeepLab的结构化道路分割网络
        2.3.1 结构化道路特征提取网络
        2.3.2 带孔空间金字塔结构
        2.3.3 结构化道路特征解码器
        2.3.4 网络损失函数
    2.4 改进结构化道路分割算法测试与性能分析
        2.4.1 道路分割数据集
        2.4.2 性能评价指标
        2.4.3 算法测试结果与性能分析
    2.5 本章小结
第3章 车道线检测算法研究
    3.1 车道线特点分析
    3.2 改进SCNN的车道线候选点提取网络
        3.2.1 改进SCNN网络结构模型
        3.2.2 空间信息传递结构
        3.2.3 网络损失函数
    3.3 基于候选点的车道线检测
        3.3.1 车道线候选点归类
        3.3.2 基于加权最小二乘法的车道线曲线拟合
    3.4 改进车道线检测算法测试与性能分析
        3.4.1 车道线数据集
        3.4.2 性能评价指标
        3.4.3 算法测试与性能分析
    3.5 本章小结
第4章 融合结构化道路分割的车道线多任务学习检测算法研究
    4.1 多任务学习算法分析
    4.2 融合结构化道路分割的车道线多任务学习检测网络
        4.2.1 多任务学习网络模型搭建
        4.2.2 任务间连接编码结构
        4.2.3 多任务学习网络损失函数
    4.3 改进算法测试与性能分析
        4.3.1 数据集标注
        4.3.2 算法性能测试与分析
    4.4 本章小结
第5章 结构化道路与车道线跟踪算法研究
    5.1 跟踪算法对比分析
        5.1.1 Meanshift跟踪算法
        5.1.2 Camshift跟踪算法
        5.1.3 Kalman滤波跟踪算法
    5.2 改进结构化道路与车道线跟踪算法
        5.2.1 Kalman与 Camshift融合的单目标跟踪
        5.2.2 Kalman与 Camshift融合的道路与车道线同步跟踪
    5.3 实验结果与分析
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读硕士学位期间发表的学术论文


【参考文献】：
期刊论文
[1]组合全卷积神经网络和条件随机场的道路分割[J]. 宋青松,张超,陈禹,王兴莉,杨小军.  清华大学学报(自然科学版). 2018(08)
[2]一种基于光照无关图的车道检测方法[J]. 常华耀,王军政,陈超,李静.  北京理工大学学报. 2011(11)
[3]基于动态感兴趣区域的车道线识别与跟踪[J]. 余厚云,张为公.  工业仪表与自动化装置. 2009(05)
[4]基于全局变形模板的快速车道检测算法[J]. 陈莹,吴定会.  系统仿真学报. 2007(21)
[5]基于主元神经网络和K-均值的道路识别算法[J]. 程洪,郑南宁,高振海,李青.  西安交通大学学报. 2003(08)
[6]基于单目视觉的高速公路车道保持与距离测量[J]. 周欣,黄席樾,黎昱.  中国图象图形学报. 2003(05)

博士论文
[1]高速汽车车道偏离预警系统的算法研究[D]. 董因平.吉林大学 2004

硕士论文
[1]车道线识别中感兴趣区域预测技术研究[D]. 黄赛赛.重庆大学 2017
[2]运动目标检测与跟踪算法的研究及应用[D]. 陆伟.安徽理工大学 2016
[3]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



本文编号：3643651