基于視覺(jué)的車道線檢測(cè)方法是業(yè)內(nèi)通用的解決方案。其方法是基于圖像或視頻算法,從攝像頭的圖片中檢測(cè)出車輛行駛時(shí)的車道線的位置。城市中的車道線檢測(cè)是公認(rèn)非常具有挑戰(zhàn)性的任務(wù)。因?yàn)槌鞘袃?nèi),在行駛過(guò)程中會(huì)有大量的前車與行人遮擋,市內(nèi)車道線的種類與樣式差異極大,車道線的磨損與缺失都大大增加了任務(wù)的復(fù)雜度。不僅如此,惡劣天氣如雨天,大霧,下雪等極端天氣都極大的提升了該任務(wù)的挑戰(zhàn)性。正因?yàn)槿绱?復(fù)雜路況的車道線檢測(cè)任務(wù)是迫切的需求。本文首先對(duì)當(dāng)今國(guó)內(nèi)外的車道線檢測(cè)的研究情況與進(jìn)展進(jìn)行了總結(jié)與探討。通過(guò)研究發(fā)現(xiàn)使用傳統(tǒng)車道線檢測(cè)方法的魯棒性較差,并且車道線的特征簡(jiǎn)單,樣式繁多,使用傳統(tǒng)方法難以對(duì)現(xiàn)實(shí)生活中的車道線進(jìn)行較好的檢測(cè)。并且,對(duì)于視頻車道線檢測(cè)領(lǐng)域,少有基于視頻特性對(duì)車道線檢測(cè)方法的優(yōu)化與設(shè)計(jì)。因此,出于以上考慮,本文作了如下工作:1.提出了一種三分支神經(jīng)網(wǎng)絡(luò),首先通過(guò)該三分支結(jié)構(gòu),提取圖片中不同尺度下的車道線特征,然后通過(guò)輕量化模塊對(duì)網(wǎng)絡(luò)模型進(jìn)行壓縮。最后利用特征重標(biāo)定模塊對(duì)特征通道賦予權(quán)重提升網(wǎng)絡(luò)準(zhǔn)確性。將三分支網(wǎng)絡(luò)在復(fù)雜路況數(shù)據(jù)集上進(jìn)行訓(xùn)練并測(cè)試。實(shí)驗(yàn)結(jié)果證明使三分支網(wǎng)絡(luò)可以在復(fù)雜的路況仍... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

感知機(jī)網(wǎng)絡(luò)

重慶郵電大學(xué)碩士學(xué)位論文第2章深度學(xué)習(xí)相關(guān)理論概述13如圖2.2所示是一個(gè)分類模型的結(jié)構(gòu)，圖片比較清楚地展示了CNN地結(jié)構(gòu)，CNN網(wǎng)絡(luò)一般來(lái)說(shuō)，包括這五個(gè)部分：輸入層INPUT，卷積層CONV，激活函數(shù)層RELU，池化層POOL，全連接層FC。圖2.2卷積神經(jīng)分類網(wǎng)絡(luò)結(jié)構(gòu)圖卷積層：卷積層是卷積神經(jīng)網(wǎng)絡(luò)中重要的結(jié)構(gòu)之一，它通過(guò)卷積計(jì)算對(duì)圖像或音頻進(jìn)行特征的提取，而作為卷積運(yùn)算的最大的優(yōu)勢(shì)，則為全職共享和池化運(yùn)算。通過(guò)這兩個(gè)優(yōu)勢(shì)，可以避免傳統(tǒng)圖像和語(yǔ)音識(shí)別中的需要手動(dòng)預(yù)設(shè)特征的情況。通過(guò)卷積層可以使神經(jīng)網(wǎng)絡(luò)高效且準(zhǔn)確的學(xué)習(xí)到高維任務(wù)的特征與結(jié)果之間的函數(shù)關(guān)系。整個(gè)網(wǎng)絡(luò)的重中之重是卷積核，卷積神經(jīng)網(wǎng)絡(luò)通過(guò)不一樣深度的卷積層，逐層提取圖片中的信息，并加以抽象。每層的卷積都由數(shù)個(gè)不同的卷積核組成，利用不同的卷積核，分別提取不同的特征，并組成多通道特征圖。訓(xùn)練上面所提到網(wǎng)絡(luò)的過(guò)程就是不斷測(cè)試，直到找到卷積核參數(shù)最合適值的過(guò)程。卷積核：對(duì)于輸入圖像中的一部分區(qū)域，進(jìn)行加權(quán)求和的處理，其中這個(gè)過(guò)程的權(quán)重，由一個(gè)函數(shù)定義，這個(gè)函數(shù)就是卷積核。下圖2.3為卷積核計(jì)算過(guò)程：

重慶郵電大學(xué)碩士學(xué)位論文第2章深度學(xué)習(xí)相關(guān)理論概述14圖2.3卷積計(jì)算過(guò)程圖激活函數(shù)：在神經(jīng)網(wǎng)絡(luò)中，當(dāng)前層神經(jīng)元的輸入值是上一層神經(jīng)元的輸出值，然后應(yīng)用剛剛得到輸入值傳遞給下一層，如此循環(huán)，即將輸入層神經(jīng)元節(jié)點(diǎn)的輸入屬性值去傳遞進(jìn)下一層的隱層或輸出層。多層神經(jīng)網(wǎng)絡(luò)存在這樣的相關(guān)關(guān)系，即上層節(jié)點(diǎn)的輸出和下層節(jié)點(diǎn)的輸入之間的關(guān)系，上述相關(guān)關(guān)系被叫做激活函數(shù)，還可叫做激勵(lì)函數(shù)。若無(wú)需激勵(lì)函數(shù)可以看作激勵(lì)函數(shù)是線性關(guān)系，在這時(shí)每一層節(jié)點(diǎn)的輸入都是上層輸出的線性函數(shù)，因此可以認(rèn)為，不論神經(jīng)網(wǎng)絡(luò)層數(shù)多少，輸出、輸入都是線性組合的關(guān)系，和無(wú)隱藏層幾乎一樣，上面提到的就是最原始的感知機(jī)，其網(wǎng)絡(luò)的逼近能力具有有限性。根據(jù)剛才的思考，得到將非線性函數(shù)當(dāng)作激活函數(shù)，就可以得到表達(dá)能力愈發(fā)有優(yōu)勢(shì)的深層神經(jīng)網(wǎng)絡(luò)，也可以說(shuō)不采用是線性關(guān)系的輸入，幾乎可以逼近全部函數(shù)。常見(jiàn)的激活函數(shù)有很多，比如Relu，Sigmoid，tanh等。下面式2.3是Relu函數(shù)的解析式：xlu),0max(Re(2.3)Relu函數(shù)及其導(dǎo)數(shù)的圖像如下圖所示：圖2.4Relu激活函數(shù),Relu激活函數(shù)導(dǎo)數(shù)


本文編號(hào)：3471567