基于卷积神经网络的全局车道线检测算法研究

发布时间：2022-08-02 17:36

　　车道线检测是辅助驾驶和自动驾驶的重要组成部分,车道线偏离报警及车道线保持可以及时纠正驾驶员的不慎操作,减少因错误操作和疲劳驾驶而造成的交通事故,从而有效保障驾驶安全、降低驾驶复杂度。车辆行驶在复杂的道路场景中,车道线检测算法需要具有鲁棒性和实时性。基于人工设计特征的传统算法难以应对复杂场景因而不能达到鲁棒性,基于自动学习特征的深度学习算法成为车道线检测的发展趋势。论文研究了基于卷积神经网络的高精度、快速车道线检测算法,主要研究内容如下:（1）设计了基于全局特征的车道线位置回归神经网络,实现了整条车道线的粗定位。在网络输入层的设计中,提出了一种基于最大值投影的车道线增强方法,在缩小图像尺寸的同时对车道线特征进行增强,可以有效提高网络的速度;设计了车道线节点标注方式和基于ResNet的特征提取网络,搭建了两种车道线节点位置预测的回归神经网络ResNet-17和ResNet-23。实验表明,网络预测的车道线与真实车道线平均偏离5.13像素,检测速度上达到每帧4ms。（2）在对网络预测车道线区域进行分块得到局部车道线的基础上,设计了两种局部车道线重心检测算法,实现了对车道线位置的精确修正。一种... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景及意义
    1.2 难点与挑战
    1.3 车道线检测算法的研究现状
        1.3.1 图像预处理
        1.3.2 车道线特征检测
        1.3.3 车道线拟合
    1.4 论文研究内容及结构安排
2 相关理论和技术
    2.1 深度学习概述
        2.1.1 基本神经元
        2.1.2 感知机
        2.1.3 反向传播(BP神经算法)[25]
        2.1.4 卷积神经网络原理
        2.1.5 卷积神经网络研究现状
        2.1.6 目标检测网络
    2.2 基于逆透视变换的车道线检测方法
        2.2.1 基于投影的车道线检测算法
        2.2.2 基于CNN的车道线检测算法
        2.2.3 基于Faster R-CNN的车道线检测算法
        2.2.4 分析与讨论
    2.3 本章小结
3 基于卷积神经网络的全局车道线检测
    3.1 引言
    3.2 基于深度学习的全局车道线回归算法
        3.2.1 车道线回归算法概述
        3.2.2 数据层的设计与处理
        3.2.3 标注方式的设计
        3.2.4 损失函数
        3.2.5 基于ResNet的车道线坐标回归网络
        3.2.6 实验结果及分析
    3.3 局部车道线检测
        3.3.1 基于ResNet的局部车道线重心回归
        3.3.2 基于改进K-means的局部车道线重心检测
        3.3.3 基于ResNet和K-means的局部车道线重心检测方法比较
    3.4 基于特征层融合的车道线检测
        3.4.1 特征融合的实现方式
        3.4.2 特征融合网络结构
        3.4.3 实验结果及分析
    3.5 本章小结
4 算法验证与测试
    4.1 实验平台搭建
    4.2 车道线检测数据集
    4.3 实验前的准备
        4.3.1 训练样本
        4.3.2 多标签网络
        4.3.3 fine-tuning
    4.4 在数据集上的实验及分析
        4.4.1 实验
        4.4.2 实验评判标准
    4.5 各场景检测精度分析
        4.5.1 理想集
        4.5.2 干扰集
        4.5.3 弯道集
        4.5.4 磨损集
        4.5.5 各场景检测结果对比
        4.5.6 不同车道线检测方法对比
    4.6 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3668949