車道線識(shí)別算法是高級(jí)輔助駕駛系統(tǒng)的重要組成部分,可提供可靠的車道線數(shù)據(jù)。本文將前沿的深度學(xué)習(xí)技術(shù)和傳統(tǒng)的圖像處理方法相結(jié)合,基于TensorFlow和OpenCV設(shè)計(jì)車道線識(shí)別算法,完成車道線特征的提取和車道線模型的建立等工作。由車道線識(shí)別算法構(gòu)成的車道線識(shí)別系統(tǒng)在測(cè)試中具有圖像高識(shí)別率和運(yùn)算高效率等優(yōu)點(diǎn),并在車輛陰影、光照條件等變化的外界環(huán)境下具備優(yōu)異的魯棒性。圖像數(shù)據(jù)集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。LabelMe用作圖像標(biāo)注軟件,由人工提取原始道路圖像中的車道線特征。圖像預(yù)處理方法對(duì)標(biāo)注圖像和原始道路圖像進(jìn)行處理,使圖像的數(shù)據(jù)結(jié)構(gòu)達(dá)到神經(jīng)網(wǎng)絡(luò)模型的要求。TFRecord數(shù)據(jù)存儲(chǔ)格式將預(yù)處理圖像封裝成圖像數(shù)據(jù)集。車道線特征通過神經(jīng)網(wǎng)絡(luò)模型提取。先由TensorFlow搭建神經(jīng)網(wǎng)絡(luò)模型,在模型中引入線性加權(quán)和法計(jì)算反卷積層的輸入數(shù)據(jù),可以有效地弱化池化層引起的輸出圖像分辨率降低的影響。在模型的訓(xùn)練中,定義交叉熵函數(shù)作為損失函數(shù),并采用梯度下降和滑動(dòng)平均算法更新和優(yōu)化模型的參數(shù)。經(jīng)過10萬輪訓(xùn)練后,通過分析學(xué)習(xí)率、滑動(dòng)平均算法的衰減率、損失值以及權(quán)重的變化情況,判斷模型趨于穩(wěn)定,并形成專有的特征... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：87 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題的研究背景及意義
    1.2 國內(nèi)外對(duì)車道線識(shí)別算法的研究
    1.3 本文的研究?jī)?nèi)容
第二章 圖像數(shù)據(jù)集的創(chuàng)建流程
    2.1 引言
    2.2 圖像數(shù)據(jù)集的概述
    2.3 圖像的標(biāo)注
        2.3.1 圖像標(biāo)注軟件的選擇
        2.3.2 原始道路圖像的標(biāo)注
    2.4 圖像的預(yù)處理
        2.4.1 原始道路圖像的預(yù)處理
        2.4.2 標(biāo)注圖像的預(yù)處理
    2.5 圖像數(shù)據(jù)集的生成
    2.6 本章小結(jié)
第三章 神經(jīng)網(wǎng)絡(luò)模型的搭建和訓(xùn)練方法
    3.1 引言
    3.2 神經(jīng)網(wǎng)絡(luò)模型的發(fā)展及應(yīng)用
    3.3 神經(jīng)網(wǎng)絡(luò)模型的搭建方法
        3.3.1 卷積與反卷積神經(jīng)網(wǎng)絡(luò)層
        3.3.2 池化與反池化神經(jīng)網(wǎng)絡(luò)層
        3.3.3 神經(jīng)網(wǎng)絡(luò)模型的架構(gòu)
    3.4 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法
        3.4.1 損失函數(shù)的定義
        3.4.2 參數(shù)的更新與訓(xùn)練過程的優(yōu)化
        3.4.3 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果的分析
    3.5 神經(jīng)網(wǎng)絡(luò)模型提取車道線特征的方法
    3.6 本章小結(jié)
第四章 車道線模型的功能與設(shè)計(jì)方法
    4.1 引言
    4.2 車道線模型的需求分析
    4.3 車道線特征圖像的語義分割
        4.3.1 車道線特征圖像
        4.3.2 設(shè)計(jì)閾值可變的二值化方法
        4.3.3 評(píng)估閾值可變的二值化方法
        4.3.4 車道線語義分割圖像的生成
    4.4 車道線坐標(biāo)點(diǎn)的提取
        4.4.1 圖像掃描坐標(biāo)系
        4.4.2 車道線坐標(biāo)點(diǎn)的采集條件
        4.4.3 車道線坐標(biāo)點(diǎn)的投影
    4.5 車道線方程的建立
        4.5.1 車道線函數(shù)
        4.5.2 車道線方程
        4.5.3 車道線的擬合效果
    4.6 本章小結(jié)
第五章 車道線識(shí)別系統(tǒng)與其性能的評(píng)估
    5.1 引言
    5.2 車道線識(shí)別系統(tǒng)的設(shè)計(jì)
        5.2.1 系統(tǒng)的設(shè)計(jì)需求
        5.2.2 系統(tǒng)的運(yùn)行環(huán)境
        5.2.3 系統(tǒng)的工作原理
    5.3 測(cè)試系統(tǒng)的工作效率
    5.4 測(cè)試系統(tǒng)的識(shí)別效果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及其他科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的多天線Polar碼聯(lián)合解調(diào)-解碼方案[J]. 楊夢(mèng),侯永宏.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[2]基于深度學(xué)習(xí)的上證綜指波動(dòng)率預(yù)測(cè)效果比較研究[J]. 陳衛(wèi)華.  統(tǒng)計(jì)與信息論壇. 2018(05)
[3]2017年中國汽車市場(chǎng)發(fā)展特征及2018年展望[J]. 劉春輝,馮杰.  汽車工業(yè)研究. 2018(04)
[4]中美交通事故數(shù)據(jù)統(tǒng)計(jì)方法比較研究[J]. 賀宜,楊鑫煒,吳兵,鐘鳴,嚴(yán)新平.  交通信息與安全. 2018(01)
[5]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[6]卷積神經(jīng)網(wǎng)絡(luò)中ReLU激活函數(shù)優(yōu)化設(shè)計(jì)[J]. 王雙印,滕國文.  信息通信. 2018(01)
[7]基于深度反卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 彭亞麗,張魯,張鈺,劉侍剛,郭敏.  軟件學(xué)報(bào). 2018(04)
[8]圖像語義標(biāo)注研究綜述[J]. 陳金菊.  圖書館學(xué)研究. 2017(18)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的道路檢測(cè)方法[J]. 朱振文,周莉,劉建,陳杰.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(08)
[10]從監(jiān)督學(xué)習(xí)到強(qiáng)化學(xué)習(xí),四種深度學(xué)習(xí)方式原理知多少[J]. 房曉楠.  機(jī)器人產(chǎn)業(yè). 2017(04)

博士論文
[1]基于機(jī)器學(xué)習(xí)的圖像檢索若干問題研究[D]. 張磊.山東大學(xué) 2011

碩士論文
[1]遞歸型卷積神經(jīng)網(wǎng)絡(luò)的研究及其應(yīng)用[D]. 王巧云.蘇州大學(xué) 2017
[2]基于深度學(xué)習(xí)的車道線檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 李松澤.哈爾濱工業(yè)大學(xué) 2016
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的視頻語義概念分析[D]. 詹智財(cái).江蘇大學(xué) 2016
[4]基于STDP的多種憶阻神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的研究[D]. 田園.重慶大學(xué) 2015
[5]基于OMAP3530的車道線識(shí)別算法研究與實(shí)現(xiàn)[D]. 王慶軍.中北大學(xué) 2013
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 陳先昌.浙江工商大學(xué) 2014
[7]車載環(huán)境下基于手持終端的ADAS系統(tǒng)研究與實(shí)現(xiàn)[D]. 曹臣.東北大學(xué) 2013
[8]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3635529