智能车辆辅助系统中的车辆与车道线实例分割算法研究

发布时间：2023-03-02 21:16

　　道路安全问题日益严重,我国每年都有成千上万的司机和乘客在道路交通事故中死亡。在过去十年中,国内外研究者已经进行了大量的研究工作,希望通过监控道路环境来提高安全性、挽救生命以及减少道路上的死亡人数。本文针对智能车辆辅助系统中的主要组成部分车辆检测、车道线检测、车道偏离、车辆测距工作开展深入的研究。首先对Mask R-CNN实例分割检测算法进行优化实现车辆检测,其次对双分支实例分割检测算法进行优化实现车道线检测,最终依据车辆和车道线的检测结果预测车道偏离和进行车距测量。具体研究内容如下:(1)在Mask R-CNN模型的基础上,对算法进行改进,首先在特征提取时使用ResNeXt-101-FPN网络代替Resnet残差特征金字塔网络,提高小目标车辆检测准确率的同时减少计算量。其次使用自适配归一化代替批量归一化解决准确率受批量影响的问题,改进的算法在小目标的检测中准确率比原始的算法提高了5%。(2)在双分支实例分割模型的基础上,对网络结构进行优化,在LaneNet车道线检测中采用Focal Loss损失函数训练神经网络解决正负样本不均衡造成的损失不稳定问题,使用传统的SGD优化器对整个模型进行...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 车辆检测研究现状
        1.2.2 车道线检测研究现状
    1.3 本文主要工作
第2章 目标检测基础理论与算法
    2.1 常规目标检测算法
        2.1.1 帧差法
        2.1.2 背景差分法
        2.1.3 光流法
        2.1.4 卡尔曼滤波法
    2.2 深度学习目标检测算法
        2.2.1 CNN目标检测算法
        2.2.2 R-CNN目标检测算法
    2.3 实例分割目标检测算法
        2.3.1 Mask R-CNN实例分割网络框架及特点
        2.3.2 双分支实例分割网络框架及特点
        2.3.3 网络应用及解决的问题
    2.4 本章小结
第3章 车辆实例分割算法
    3.1 基于Mask R-CNN的车辆实例分割算法
        3.1.1 车辆实例分割算法流程
        3.1.2 特征提取网络结构设计
    3.2 批量归一化与自适配归一化
        3.2.1 批量归一化
        3.2.2 自适配归一化
        3.2.3 应用自适配归一化代替批量归一化的优点
    3.3 实验结果与算法比较
        3.3.1 实验
        3.3.2 算法比较
    3.4 本章小结
第4章 车道线检测算法
    4.1 端到端双分支的车道线实例分割算法
        4.1.1 算法结构
        4.1.2 Lane Net网络
        4.1.3 H-Net曲线拟合
    4.2 标准交叉熵损失函数与Focal Loss
        4.2.1 标准交叉熵损失函数介绍
        4.2.2 Focal Loss函数介绍
        4.2.3 Focal Loss代替标准交叉熵损失函数的优点
    4.3 实验结果及算法比较
        4.3.1 实验
        4.3.2 算法比较
    4.4 本章小结
第5章 行车安全预警模型设计
    5.1 车道偏离预警模型及算法
        5.1.1 车道偏离预警模型简介
        5.1.2 车道偏离预警算法
    5.2 车距测量与预警模型及算法
        5.2.1 车距测量与预警模型简介
        5.2.2 车距测量与预警算法
    5.3 本章小结
总结与展望
参考文献
攻读硕士学位期间所发表的学术论文
致谢



本文编号：3752638