隨著人工智能技術(shù)的不斷提高,近年來,智能車輛（Intelligent vehicle）逐漸在各國的智能交通研究中吸引了越來越多的關(guān)注,其中,基于機器視覺的車輛行駛環(huán)境識別研究成為了研究的重點之一。對路面中的車道線進(jìn)行正確而實時的檢測與識別是對于智能車輛行駛的一大挑戰(zhàn),無論是通過紅外識別,圖像識別還是最終的機器學(xué)習(xí),車道線檢測的主要目的都是為了為智能車輛的行駛提供有效正確的道路信息,使智能車輛能實現(xiàn)安全的自動駕駛。本文以智能車輛中的車道線檢測和智能車輛的自動駕駛為背景,主要針對卷積神經(jīng)網(wǎng)絡(luò)在車道線檢測中的應(yīng)用進(jìn)行設(shè)計,實現(xiàn)智能車輛穩(wěn)定實時的對道路結(jié)構(gòu)進(jìn)行識別。本文提出了一種基于Hough Transform和卷積神經(jīng)網(wǎng)絡(luò)的道路識別方法。該方法分為圖像預(yù)處理,圖像分類,車輛控制三個環(huán)節(jié)。因道路環(huán)境易受天氣,光照等影響,所以提取的道路的圖像會由于天氣光照的不同而產(chǎn)生一定的噪聲,為了讓卷積神經(jīng)網(wǎng)絡(luò)能更好的識別到圖像中的車道線,首先通過圖像的預(yù)處理將圖像進(jìn)行去噪,本文主要采用了Canny邊緣檢測與Hough Transform將圖像中的車道線更加突出,而將其他不相關(guān)信息過濾掉直,然后,針對處理后... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 車道線檢測國內(nèi)外研究現(xiàn)狀
        1.2.1 車道線檢測國內(nèi)研究現(xiàn)狀
        1.2.2 車道線檢測國外研究現(xiàn)狀
    1.3 論文研究內(nèi)容及論文結(jié)構(gòu)
        1.3.1 圖像預(yù)處理算法設(shè)計
        1.3.2 人工神經(jīng)網(wǎng)絡(luò)的選擇和訓(xùn)練方法
        1.3.3 小車車道識別算法與控制設(shè)計
第2章 相關(guān)技術(shù)介紹
    2.1 圖像預(yù)處理算法概述
        2.1.1 Canny邊緣檢測
        2.1.2 HoughTransform直線提取
    2.2 神經(jīng)網(wǎng)絡(luò)概述
        2.2.1 普通人工神經(jīng)網(wǎng)絡(luò)概述
        2.2.2 卷積人工神經(jīng)網(wǎng)絡(luò)概述
    2.3 強化學(xué)習(xí)概述
    2.4 本章小結(jié)
第3章 車道線檢測需求分析
    3.1 車道線檢測系統(tǒng)需求分析
    3.2 功能需求
        3.2.1 車道線標(biāo)注
        3.2.2 圖像預(yù)處理
        3.2.3 車道線檢測
        3.2.4 結(jié)果顯示
        3.2.5 車輛控制
    3.3 非功能需求
        3.3.1 性能需求
        3.3.2 魯棒性
    3.4 本章小結(jié)
第4章 車道線檢測系統(tǒng)設(shè)計
    4.1 車道線圖像數(shù)據(jù)標(biāo)注與篩選
    4.2 車道線圖像預(yù)處理
        4.2.1 ROI提取范圍設(shè)計
        4.2.2 邊緣提取設(shè)計
        4.2.3 直線提取設(shè)計
    4.3 基于CNN的車道線檢測算法
        4.3.1 CNN結(jié)構(gòu)及參數(shù)設(shè)計
        4.3.2 CNN的訓(xùn)練
    4.4 基于強化學(xué)習(xí)的車輛控制算法設(shè)計
        4.4.1 Q學(xué)習(xí)方法運用設(shè)計
    4.5 本章小結(jié)
第5章 車道線檢測系統(tǒng)實現(xiàn)
    5.1 車道線圖像數(shù)據(jù)預(yù)處理實現(xiàn)
        5.1.1 ROI區(qū)提取實現(xiàn)
        5.1.2 邊緣檢測實現(xiàn)
        5.1.3 直線提取實現(xiàn)
    5.2 基于CNN的車道線檢測系統(tǒng)實現(xiàn)
        5.2.1 CNN整體架構(gòu)實現(xiàn)
        5.2.2 CNN訓(xùn)練實現(xiàn)
    5.3 基于強化學(xué)習(xí)的車輛控制算法實現(xiàn)
        5.3.1 Q學(xué)習(xí)方法實現(xiàn)
    5.4 本章小結(jié)
第6章 車道線檢測系統(tǒng)測試
    6.1 系統(tǒng)實現(xiàn)測試環(huán)境
    6.2 模塊測試
        6.2.1 CNN模塊測試
        6.2.2 Q-learning強化學(xué)習(xí)模塊測試
        6.2.3 系統(tǒng)性能測試
    6.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種魯棒性的多車道線檢測算法[J]. 宣寒宇,劉宏哲,袁家政,李青,牛小寧.  計算機科學(xué). 2017(11)
[2]多Agent強化學(xué)習(xí)下的城市路網(wǎng)自適應(yīng)交通信號協(xié)調(diào)配時決策研究綜述[J]. 夏新海.  交通運輸研究. 2017(02)
[3]基于Hough變換的車道線檢測[J]. 錢怡.  山東工業(yè)技術(shù). 2017(10)
[4]基于多傳感融合的車道線檢測與跟蹤方法的研究[J]. 吳彥文,張楠,周濤,嚴(yán)巍.  計算機應(yīng)用研究. 2018(02)
[5]無人駕駛汽車環(huán)境感知技術(shù)綜述[J]. 王世峰,戴祥,徐寧,張鵬飛.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[6]無人駕駛汽車研究綜述與發(fā)展展望[J]. 潘福全,亓榮杰,張璇,張麗霞.  科技創(chuàng)新與應(yīng)用. 2017(02)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[8]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報. 2016(09)
[9]一種基于直線模型的道路識別算法[J]. 董瑞先,王玉林,張魯鄒,張亮修.  青島大學(xué)學(xué)報(工程技術(shù)版). 2010(01)
[10]智能汽車中基于視覺的道路檢測與跟蹤算法[J]. 劉富強,田敏,胡振程.  同濟大學(xué)學(xué)報(自然科學(xué)版). 2007(11)

碩士論文
[1]Qlearning強化學(xué)習(xí)算法的改進(jìn)及應(yīng)用研究[D]. 馬朋委.安徽理工大學(xué) 2016
[2]基于深度學(xué)習(xí)的車道線檢測系統(tǒng)的設(shè)計與實現(xiàn)[D]. 李松澤.哈爾濱工業(yè)大學(xué) 2016
[3]強化學(xué)習(xí)在仿人機器人行走穩(wěn)定控制上的研究及實現(xiàn)[D]. 陳奇石.華南理工大學(xué) 2016
[4]基于強化學(xué)習(xí)的移動機器人路徑規(guī)劃研究[D]. 許亞.山東大學(xué) 2013



本文編號：3385263