隨著無人駕駛技術(shù)的發(fā)展,提高其安全性成為實際應(yīng)用的關(guān)鍵所在。其中,車道線檢測是無人駕駛技術(shù)中的重要基礎(chǔ)。本文以結(jié)構(gòu)化道路場景中的車道線為主要研究對象,結(jié)合道路分割任務(wù),開展了如下研究。首先,研究了道路分割算法。改進了DeepLabv3+網(wǎng)絡(luò)結(jié)構(gòu),優(yōu)選了VGG為特征提取基礎(chǔ)網(wǎng)絡(luò),去掉了全連接層,并在pool5層后添加了ASPP結(jié)構(gòu),以提取特征圖中的多尺度信息,添加了跳躍連接結(jié)構(gòu),將底層信息與高層信息進行融合。在KITTI數(shù)據(jù)集上的測試結(jié)果表明,改進算法平均精確率達到了92.37%,單張圖像分割時間為83.39ms。然后,研究了車道線檢測算法。改進了SCNN網(wǎng)絡(luò)結(jié)構(gòu),捕獲車道線空間信息,用后處理方式替代原網(wǎng)絡(luò)中對各車道線分類的子網(wǎng)絡(luò),簡化了網(wǎng)絡(luò)模型。另外,采用了加權(quán)最小二乘法,對改進SCNN網(wǎng)絡(luò)輸出的車道線候選點進行車道線擬合。在CULane數(shù)據(jù)集上的測試結(jié)果表明,改進算法精確率與召回率的綜合指標F1達到了71.3%,比SCNN網(wǎng)絡(luò)提高了0.9%。接著,研究了融合結(jié)構(gòu)化道路分割的車道線多任務(wù)學(xué)習(xí)檢測算法。采用了參數(shù)硬共享機制的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu),改進DeepLab網(wǎng)絡(luò)為道路分割子網(wǎng)絡(luò);采用... 

【文章來源】：武漢理工大學(xué)湖北省211工程院校教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 道路分割研究現(xiàn)狀
        1.2.2 車道線檢測研究現(xiàn)狀
        1.2.3 車道線跟蹤研究現(xiàn)狀
    1.3 研究難點與發(fā)展趨勢
    1.4 本文主要研究內(nèi)容及安排
第2章 結(jié)構(gòu)化道路區(qū)域分割算法研究
    2.1 結(jié)構(gòu)化道路場景特點分析
    2.2 結(jié)構(gòu)化道路分割的深度學(xué)習(xí)算法分析
        2.2.1 FCN全卷積語義分割網(wǎng)絡(luò)
        2.2.2 DeepLab語義分割網(wǎng)絡(luò)
    2.3 改進DeepLab的結(jié)構(gòu)化道路分割網(wǎng)絡(luò)
        2.3.1 結(jié)構(gòu)化道路特征提取網(wǎng)絡(luò)
        2.3.2 帶孔空間金字塔結(jié)構(gòu)
        2.3.3 結(jié)構(gòu)化道路特征解碼器
        2.3.4 網(wǎng)絡(luò)損失函數(shù)
    2.4 改進結(jié)構(gòu)化道路分割算法測試與性能分析
        2.4.1 道路分割數(shù)據(jù)集
        2.4.2 性能評價指標
        2.4.3 算法測試結(jié)果與性能分析
    2.5 本章小結(jié)
第3章 車道線檢測算法研究
    3.1 車道線特點分析
    3.2 改進SCNN的車道線候選點提取網(wǎng)絡(luò)
        3.2.1 改進SCNN網(wǎng)絡(luò)結(jié)構(gòu)模型
        3.2.2 空間信息傳遞結(jié)構(gòu)
        3.2.3 網(wǎng)絡(luò)損失函數(shù)
    3.3 基于候選點的車道線檢測
        3.3.1 車道線候選點歸類
        3.3.2 基于加權(quán)最小二乘法的車道線曲線擬合
    3.4 改進車道線檢測算法測試與性能分析
        3.4.1 車道線數(shù)據(jù)集
        3.4.2 性能評價指標
        3.4.3 算法測試與性能分析
    3.5 本章小結(jié)
第4章 融合結(jié)構(gòu)化道路分割的車道線多任務(wù)學(xué)習(xí)檢測算法研究
    4.1 多任務(wù)學(xué)習(xí)算法分析
    4.2 融合結(jié)構(gòu)化道路分割的車道線多任務(wù)學(xué)習(xí)檢測網(wǎng)絡(luò)
        4.2.1 多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)模型搭建
        4.2.2 任務(wù)間連接編碼結(jié)構(gòu)
        4.2.3 多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)損失函數(shù)
    4.3 改進算法測試與性能分析
        4.3.1 數(shù)據(jù)集標注
        4.3.2 算法性能測試與分析
    4.4 本章小結(jié)
第5章 結(jié)構(gòu)化道路與車道線跟蹤算法研究
    5.1 跟蹤算法對比分析
        5.1.1 Meanshift跟蹤算法
        5.1.2 Camshift跟蹤算法
        5.1.3 Kalman濾波跟蹤算法
    5.2 改進結(jié)構(gòu)化道路與車道線跟蹤算法
        5.2.1 Kalman與 Camshift融合的單目標跟蹤
        5.2.2 Kalman與 Camshift融合的道路與車道線同步跟蹤
    5.3 實驗結(jié)果與分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文


【參考文獻】：
期刊論文
[1]組合全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機場的道路分割[J]. 宋青松,張超,陳禹,王興莉,楊小軍.  清華大學(xué)學(xué)報(自然科學(xué)版). 2018(08)
[2]一種基于光照無關(guān)圖的車道檢測方法[J]. 常華耀,王軍政,陳超,李靜.  北京理工大學(xué)學(xué)報. 2011(11)
[3]基于動態(tài)感興趣區(qū)域的車道線識別與跟蹤[J]. 余厚云,張為公.  工業(yè)儀表與自動化裝置. 2009(05)
[4]基于全局變形模板的快速車道檢測算法[J]. 陳瑩,吳定會.  系統(tǒng)仿真學(xué)報. 2007(21)
[5]基于主元神經(jīng)網(wǎng)絡(luò)和K-均值的道路識別算法[J]. 程洪,鄭南寧,高振海,李青.  西安交通大學(xué)學(xué)報. 2003(08)
[6]基于單目視覺的高速公路車道保持與距離測量[J]. 周欣,黃席樾,黎昱.  中國圖象圖形學(xué)報. 2003(05)

博士論文
[1]高速汽車車道偏離預(yù)警系統(tǒng)的算法研究[D]. 董因平.吉林大學(xué) 2004

碩士論文
[1]車道線識別中感興趣區(qū)域預(yù)測技術(shù)研究[D]. 黃賽賽.重慶大學(xué) 2017
[2]運動目標檢測與跟蹤算法的研究及應(yīng)用[D]. 陸偉.安徽理工大學(xué) 2016
[3]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



本文編號：3643651