基于深度學(xué)習(xí)的車道線檢測算法研究

《基于深度學(xué)習(xí)的車道線檢測算法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、１０００４學(xué)校代碼：密級：公開又邊乂學(xué)ＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ碩士學(xué)位論文基于深度學(xué)習(xí)的車道線檢測算法研究作者姓名梁樂穎學(xué)科專業(yè)電子科學(xué)與技術(shù)指導(dǎo)教師郝曉莉副教授培養(yǎng)院系電子信息工程學(xué)院二零一八年四月碩士學(xué)位論文基于深度學(xué)習(xí)的車道線檢測算法研究ＬａｎｅＤｅｔｅｃｔｉｏｎＡｌｏｒｉｔｈｍｂａｓｅｄｏｎＤｅｅｐＬｅａｒｎｉｎｇｇ作者：梁樂穎ｉ導(dǎo)師：郝曉禾ｊ北京交通大學(xué)２０１８年４月學(xué)位論文版權(quán)使用授權(quán)書本學(xué)

2、位論文作者完全了解北京交通大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定。特授權(quán)北京交通大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，提供閱覽服務(wù)，并采用影印、縮印或掃描等復(fù)制手段保存、匯編以供查閱和借閱。同意學(xué)校向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和磁盤。學(xué)?？梢詾榇嬖陴^際合作關(guān)系的兄弟高校用戶提供文獻(xiàn)傳遞服務(wù)和交換服務(wù)。（保密的學(xué)位論文在解密后適用本授權(quán)說明）學(xué)位論文作者簽名：導(dǎo)師簽名：ｇｈＭ簽字日期日簽字日期：年月日：年各月４別《ｊ％學(xué)校代碼：】０００４密級：公開北京交通

3、大學(xué)碩士學(xué)位論文基于深度學(xué)習(xí)的車道線檢測算法研宄ＬａｎｅＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＤｅｅｐＬｅａｒｎｉｎｇ：５１２００４作者姓名：梁樂穎學(xué)號１１？導(dǎo)師姓名．：郝曉莉職稱副教授學(xué)位類別：工學(xué)學(xué)位學(xué)位級別：碩士學(xué)科專業(yè)：：電子科學(xué)與技術(shù)研究方向數(shù)字圖像處理北京交通大學(xué)２０１８年４月ｉ致謝本次論文的工作是在我的導(dǎo)師郝曉莉老師的悉心指導(dǎo)下完成的，在論文撰寫。問題解決的過程中，郝的過程中遇到了許多問題，郝老師總是能耐心的給予講

4、解老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度和科學(xué)的工作方法給了我極大的幫助和影響，不僅使我掌握。在此衷心感謝了問題的解決方法，更加鍛煉了我解決問題的能力并拓展了知識面。研究生期間郝老師對我在學(xué)習(xí)、以及工作上的關(guān)心和指導(dǎo)特別感謝實(shí)驗(yàn)室所有老師及同學(xué)對在實(shí)驗(yàn)室項(xiàng)目工作及撰寫論文期間，我要了我很多的動(dòng)力，在此向他們我的幫助，他們的陪伴、鼓勵(lì)以及學(xué)習(xí)上的交流給予表達(dá)我的感激之情，在這里謝謝所有關(guān)心我的朋友，是你們給我勇往直前力量。物質(zhì)上給予了我無私的支持，他們的理解另外也要感謝我的父母，他們不僅在和支持使我能夠在學(xué)校專心

5、完成我的學(xué)業(yè)。給予我教育的老師?。崳?，由衷的感謝最后，感謝交大，感謝所有北京交通大學(xué)碩士學(xué)位論文摘要隨著汽車的日益普及，道路交通事故發(fā)生率不斷上升，嚴(yán)重影響到人們的生命財(cái)產(chǎn)安全，而車道線檢測與識別是自動(dòng)駕駛。自動(dòng)駕駛可有效減少交通事故的發(fā)生系統(tǒng)的重要組成部分。傳統(tǒng)的車道線檢測方法主要基于邊緣特征檢測或者圖像分，、道路破損等千擾，導(dǎo)致算法魯棒性下降在不良、割，易受到光照變化行駛車輛天氣和復(fù)雜環(huán)境下達(dá)不到所需的檢測準(zhǔn)確率。深度學(xué)習(xí)方法利用網(wǎng)絡(luò)模型自動(dòng)學(xué)效提高目標(biāo)檢測的準(zhǔn)確率。近年來，卷

6、習(xí)目標(biāo)特征，可以有，具有較高的泛化能力積神經(jīng)網(wǎng)絡(luò)在機(jī)器視覺應(yīng)用領(lǐng)域中取得了巨大的成功。本文就基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車道線檢測的研宄，主要工作如下。道路圖像的感興趣區(qū)域，去１。通過消失點(diǎn)檢測確定．研宄了圖像預(yù)處理方法、提高算法速度；基于逆透視除天空等與任務(wù)無關(guān)的區(qū)域，從而縮小算法搜索空間一致寬在整幅圖中都保持，還原了變換將道路圖像轉(zhuǎn)化為俯視圖，使車道線的長和。車道線的真實(shí)特征，有效提高算法檢測性能一。種方法是利用車道線２．設(shè)計(jì)了兩種基于深度神經(jīng)網(wǎng)絡(luò)的車道線檢測方法ｏｎｖ〇ｌｕｔｉｏｎａｌＮ

7、ｅｕｒａｌＮｅｔｗｏｒｋｓ）進(jìn)行的灰度特征獲取車道線候選區(qū)域，利用ＣＮＮ（ｃ一Ｒ－ＦＣＮＲｅ＿ｂａｓｅｄ種方法是基于目標(biāo)檢測網(wǎng)絡(luò)（ｇｉｏｎ車道線與非車道線的分類；另Ｒ－ＦＣＮ網(wǎng)ｔＮｔｗｏｒｋｓ車道線，車道線的定位與分類全部由ＦｕｌｌｙＣｏｎｖｏｌｕｉｏｎａｌｅ）檢測表明＿ＦＣＮ６，基于Ｒ絡(luò)完成個(gè)測試數(shù)據(jù)集，實(shí)驗(yàn)結(jié)果。建立了理想和非理想條件的網(wǎng)絡(luò)的車道線檢測方法達(dá)到了更高的召回率和準(zhǔn)確率，平均為９７．１８３３％和９３．８３１７％。。針３、擬合以及車道線檢測結(jié)果的評估方法．研究了車道線候選

8、區(qū)域的連接；設(shè)計(jì)了對直道和非直道的識別問題，提出了基于角度估計(jì)的車道線區(qū)域連接方法，基于梯度特征和最小二乘法實(shí)現(xiàn)車道線擬合的方法。實(shí)驗(yàn)表明本文的方法能夠適２８．７７１５％，橫向偏移量為３．１５３１＿８５％，準(zhǔn)確率為９應(yīng)不同的場景，平均錯(cuò)誤率僅為像素。致車道線檢測性能下降。為４，導(dǎo)．車道線前方的車輛、行人等目標(biāo)遮