【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。自動(dòng)駕駛可有效減少交通事故的發(fā)生,而車道線檢測(cè)與識(shí)別是自動(dòng)駕駛系統(tǒng)的重要組成部分。傳統(tǒng)的車道線檢測(cè)方法主要基于邊緣特征檢測(cè)或者圖像分割,易受到光照變化、行駛車輛、道路破損等干擾,導(dǎo)致算法魯棒性下降,在不良天氣和復(fù)雜環(huán)境下達(dá)不到所需的檢測(cè)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)習(xí)目標(biāo)特征,具有較高的泛化能力,可以有效提高目標(biāo)檢測(cè)的準(zhǔn)確率。近年來(lái),卷積神經(jīng)網(wǎng)絡(luò)在機(jī)器視覺(jué)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(cè)的研究,主要工作如下。1.研究了圖像預(yù)處理方法。通過(guò)消失點(diǎn)檢測(cè)確定道路圖像的感興趣區(qū)域,去除天空等與任務(wù)無(wú)關(guān)的區(qū)域,從而縮小算法搜索空間、提高算法速度;基于逆透視變換將道路圖像轉(zhuǎn)化為俯視圖,使車道線的長(zhǎng)和寬在整幅圖中都保持一致,還原了車道線的真實(shí)特征,有效提高算法檢測(cè)性能。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(cè)方法。一種方法是利用車道線的灰度特征獲取車道線候選區(qū)域,利用CNN(Convolutional Neural Networks)進(jìn)行車道線與非車道線的分類;另一種方法是基于目標(biāo)檢測(cè)網(wǎng)絡(luò)R-FCN(Region-based Fully Convolutional Networks)檢測(cè)車道線,車道線的定位與分類全部由R-FCN網(wǎng)絡(luò)完成。建立了理想和非理想條件的6個(gè)測(cè)試數(shù)據(jù)集,實(shí)驗(yàn)結(jié)果表明,基于R-FCN網(wǎng)絡(luò)的車道線檢測(cè)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%。3.研究了車道線候選區(qū)域的連接、擬合以及車道線檢測(cè)結(jié)果的評(píng)估方法。針對(duì)直道和非直道的識(shí)別問(wèn)題,提出了基于角度估計(jì)的車道線區(qū)域連接方法;設(shè)計(jì)了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,本文的方法能夠適應(yīng)不同的場(chǎng)景,平均錯(cuò)誤率僅為2.85%,準(zhǔn)確率為98.7715%,橫向偏移量為3.1531像素。4.車道線前方的車輛、行人等目標(biāo)遮擋車道線,導(dǎo)致車道線檢測(cè)性能下降。為實(shí)現(xiàn)車道線、車輛、行人的同時(shí)檢測(cè),提高車道線乃至各任務(wù)的檢測(cè)性能,本文將逆透視變換移植到基于R-FCN的多任務(wù)網(wǎng)絡(luò),實(shí)現(xiàn)了車道線的end-to-end檢測(cè),并進(jìn)一步實(shí)現(xiàn)了車輛與車道線的多任務(wù)檢測(cè)。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;TP181
【圖文】：

能夠自動(dòng)檢測(cè)車道線并通過(guò)語(yǔ)音等各種方式提醒駕駛員，讓駕輛已發(fā)生車道偏離，從而使駕駛員做出適當(dāng)操作，這樣就能避；假如車輛能夠在事故發(fā)生前的１秒，通過(guò)預(yù)警方式提醒駕駛員９０％的事故［５］。如此驚人的比例足以證明車道線檢測(cè)對(duì)于道路交通。逡逑內(nèi)外研究現(xiàn)狀逡逑車行道分界線，凡同一行駛方向有二條或二條以上車行道時(shí)，應(yīng)道線種類繁多，根據(jù)《道路交通標(biāo)志和標(biāo)線》國(guó)家標(biāo)準(zhǔn)的規(guī)定［６］為ｌ0ｃｍ、１５ｃｍ或２０ｃｍ，按照線的形式以及顏色可分為白色虛色虛線，黃色實(shí)線，雙白實(shí)線，雙白虛線，白色實(shí)虛線，雙黃實(shí)類型，各自表示了不同的含義。其中不同的車道線虛線之間的間圖１－１所示，車道線檢測(cè)技術(shù)就是利用圖像處理等方法檢測(cè)出

現(xiàn)很多的變化，不同場(chǎng)景下的車道也有一定的差異，給車道標(biāo)識(shí)線檢測(cè)帶來(lái)巨大的逡逑挑戰(zhàn)。一般來(lái)說(shuō)，高速公路往往更具可預(yù)見(jiàn)性和有序性，路面通常保持良好，車道逡逑標(biāo)志明顯。城市道路的場(chǎng)景多樣，使車道線檢測(cè)的難度陡增［８］。如圖１－２所示，環(huán)逡逑境光照的變化；車道本身的變化（如實(shí)線／虛線，直道／彎道，寬度和曲率的變化）；逡逑車輛前方其它車輛、行人以及其它障礙物的遮擋；道路旁樹(shù)木、建筑、橋梁等投射逡逑在路面上的陰影；車道標(biāo)線褪色、路面上的油污；圖像質(zhì)量過(guò)差（例如逆光）不規(guī)則逡逑的車道形狀，突然出現(xiàn)和合并的車道，道路文字以及其他道路上的標(biāo)記（如人行橫逡逑道），不同的路面材料和不同的坡度等是車道標(biāo)識(shí)線檢測(cè)面臨的主要問(wèn)題。逡逑３逡逑

。逡逑１．３論文主要研究?jī)?nèi)容及結(jié)構(gòu)逡逑綜上所述，戶外場(chǎng)景圖像，情況復(fù)雜，車道線檢測(cè)方法面臨較大挑戰(zhàn)，不僅要逡逑適應(yīng)結(jié)構(gòu)化道路、光照良好的路況，還要適應(yīng)復(fù)雜路況，如異物覆蓋、陰影遮擋、逡逑光照不均、車道線破損等。車道線檢測(cè)實(shí)現(xiàn)工程化應(yīng)用還要解決實(shí)時(shí)性問(wèn)題。傳統(tǒng)逡逑方法使用手工提取的特征不足以適應(yīng)各種場(chǎng)景下的檢測(cè)任務(wù)，本論文基于單目視逡逑覺(jué)采集的圖像，研究了深度神經(jīng)網(wǎng)絡(luò)，包括（ｌ）ＣＮＮ與Ｒ－ＦＣＮ檢測(cè)：利用卷積神逡逑經(jīng)網(wǎng)絡(luò)檢測(cè)車道線線段；（２）車道線擬合：將線段擬合成完整的車道線，例如直道逡逑或彎道；（３）上述步驟只檢測(cè)車道線，而道路上不僅有車道線，還有行人和車輛等逡逑各種目標(biāo)，在檢測(cè)車道線的同時(shí)檢測(cè)道路上的行人和車輛，非機(jī)動(dòng)車等目標(biāo)，不僅逡逑可以提高車道線檢測(cè)的準(zhǔn)確率和精確度，同時(shí)簡(jiǎn)化整個(gè)車載目標(biāo)檢測(cè)任務(wù)。因此，逡逑本文研究了基于多任務(wù)網(wǎng)絡(luò)的檢測(cè)，但是本文只是完成了車輛和車道線的同時(shí)檢逡逑測(cè)，其他目標(biāo)的檢測(cè)將在日后進(jìn)行。圖１－３顯示了本文的主要內(nèi)容，虛線箭頭表示逡逑本文未涉及的工作：

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳晴;田炳香;鄭榜貴;;一種用于高速公路的快速有效的車道線識(shí)別算法[J];計(jì)算機(jī)測(cè)量與控制;2008年11期

2 田炳香;鄭榜貴;吳晴;;高速公路車道線檢測(cè)與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2008年09期

3 葉慶;趙明輝;李菲;孫曉泉;;夜間車道線檢測(cè)與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2009年13期

4 余厚云;張為公;;直線模型下的車道線跟蹤與車道偏離檢測(cè)[J];自動(dòng)化儀表;2009年11期

5 余厚云;張為公;;基于動(dòng)態(tài)感興趣區(qū)域的車道線識(shí)別與跟蹤[J];工業(yè)儀表與自動(dòng)化裝置;2009年05期

6 劉富強(qiáng);張姍姍;朱文紅;李志鵬;;一種基于視覺(jué)的車道線檢測(cè)與跟蹤算法[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

7 胡慶新;吳林成;顧愛(ài)華;;高速公路中搜索車道線的方法[J];微計(jì)算機(jī)信息;2010年22期

8 高德芝;段建民;楊磊;楊喜寧;;應(yīng)用多階動(dòng)態(tài)規(guī)劃的車道線識(shí)別方法[J];機(jī)械工程學(xué)報(bào);2011年08期

9 楊晶東;楊敬輝;樸松昊;;一種有效的車道線識(shí)別與偏道預(yù)警方法[J];控制工程;2011年02期

10 徐后杰;李會(huì)方;繆國(guó)鋒;;基于單目視覺(jué)的車道線分離警告算法研究[J];微處理機(jī);2011年03期

相關(guān)會(huì)議論文 前8條

1 畢雁冰;;提高車道線識(shí)別精度的一種方法[A];第三屆中國(guó)CAE工程分析技術(shù)年會(huì)論文集[C];2007年

2 楊廣林;苗冬霜;;結(jié)構(gòu)化道路車道線檢測(cè)與跟蹤算法[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

3 劉曉龍;鄧志東;;基于全局與局部模型相互制約及具有模型不確定性評(píng)估的車道線檢測(cè)方法[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

4 張潔穎;王生進(jìn);丁曉青;;基于車輛軌跡的車道線檢測(cè)與劃分[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

5 余貴珍;李芹;王迪;;車輛智能化車道線跟蹤方法研究[A];第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——智能交通與安全[C];2013年

6 李鋼;圣華;張仁斌;;基于LMedSquare選取最佳子集的車道線檢測(cè)算法[A];2009全國(guó)虛擬儀器大會(huì)論文集（二）[C];2009年

7 劉天輝;李飛;;車輛視覺(jué)導(dǎo)航中道路檢測(cè)算法研究[A];第十一屆沈陽(yáng)科學(xué)學(xué)術(shù)年會(huì)暨中國(guó)汽車產(chǎn)業(yè)集聚區(qū)發(fā)展與合作論壇論文集（信息科學(xué)與工程技術(shù)分冊(cè)）[C];2014年

8 孫曉軍;李華;;基于Facet模型的一種車道線提取方法[A];第八屆中國(guó)智能交通年會(huì)論文集[C];2013年

相關(guān)博士學(xué)位論文 前8條

1 杜明芳;基于視覺(jué)的自主車道路環(huán)境理解技術(shù)研究[D];北京理工大學(xué);2015年

2 王俊;無(wú)人駕駛車輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

3 穆柯楠;基于車—路視覺(jué)協(xié)同的行車環(huán)境感知方法研究[D];長(zhǎng)安大學(xué);2016年

4 王超;面向智能車輛的單目視覺(jué)行車安全信息檢測(cè)與識(shí)別方法研究[D];南京理工大學(xué);2016年

5 陳軍;基于DSP的高速公路車道偏離報(bào)警系統(tǒng)研究[D];天津大學(xué);2010年

6 沈\

本文編號(hào)：2790741