复杂场景下的车道线和交通标志检测方法研究

发布时间：2024-03-16 01:34

　　车道线检测和交通标志检测技术作为自动驾驶感知系统的核心技术,不仅能保障车辆安全驾驶,还能提高车辆的行驶效率,减少交通拥堵和交通事故。随着人工智能技术的快速发展,大量的目标检测方法不断涌现,但是由于车道线和交通标志所处的环境具有复杂性和多变性的特点,导致现有的车道线和交通标志检测方法还未能同时兼顾准确率、鲁棒性和实时性的应用需求,因此车道线和交通标志检测技术一直是自动驾驶和计算机视觉领域的研究热点。本文针对复杂环境下的车道线和交通标志检测进行了研究,主要内容为:(1)针对车辆遮挡和地面污损问题,本文将车道线检测视为连续细长区域实例分割问题,给出了一种基于密集分割网络的车道线检测方法。首先,在语义分割网络模型的基础上,使用稠密块构建了一个密集分割网络,该网络能在不同层之间建立了连接关系,使得该网络具有重复使用特征的特性,能够学习到高层的实例特征,减少随着网络的加深导致空间信息的丢失对分割边缘细节的影响,提高图像分割的准确性;其次,为了使得车道线边界更为具体,该方法引入了邻近AND运算和Meanshift聚类算法,对密集分割网络的输出进行处理以减小非车道线像素的干扰。通过实验表明,本文给出的...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图1.1自动驾驶汽车价值示意图

合肥工业大学硕士学位论文1第一章绪论1.1课题研究背景及意义随着科学技术的不断进步与发展，人们的生活越来越智能化。在达到同样效果的前提下，人们希望计算机可以代替人完成一些复杂的重复的工作。近几年，由于人工智能技术的快速发展以及计算机性能的不断提高，大大地推动了自动驾驶技术的发展，....

图1.2自动驾驶汽车工作模式流程图

合肥工业大学硕士学位论文3车辆进行控制，如下图1.2所示。自动驾驶汽车的关键技术包括精准定位、环境感知、决策与规划、高精地图、控制与执行及车联网V2X。环境感知是其他关键技术的基础，是实现自动驾驶的前提条件，处于外界环境与自动驾驶汽车进行信息交互的关键位置，是驾驶员的“眼睛”。环....

图2.1典型的卷积神经网络结构示意图

１菊轮饕?樯芰?卷积神经网络的相关基础理论，以及几种常见的卷积神经网络模型和几种常见的轻量化的卷积神经网络模型。2.1卷积神经网络概述卷积神经网络（ConvolutionalNerualNetwork,CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，也是深度学习的重要组成....

图2.2卷积操作示意图

连接，需要训练的参数数量十分庞大。然而，卷积层中的每个神经元只与图像的部分像素连接，这种连接方式可以大大地减少了参数数量。权值共享也是卷积神经网络减少参数数量的方法。传统的神经网络中的每个神经单元都有一系列的权重参数，这就大大增加了计算的复杂度，而卷积神经网络的卷积层会使用卷积核....

本文编号：3928914