基于深度学习的车道线检测算法研究

《基于深度学习的车道线检测算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、１０００４学校代码：密级：公开又邊乂學ＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ硕士学位论文基于深度学习的车道线检测算法研究作者姓名梁乐颖学科专业电子科学与技术指导教师郝晓莉副教授培养院系电子信息工程学院二零一八年四月硕士学位论文基于深度学习的车道线检测算法研究ＬａｎｅＤｅｔｅｃｔｉｏｎＡｌｏｒｉｔｈｍｂａｓｅｄｏｎＤｅｅｐＬｅａｒｎｉｎｇｇ作者：梁乐颖ｉ导师：郝晓禾ｊ北京交通大学２０１８年４月学位论文版权使用授权书本学

2、位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。学校可以为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名：ｇｈＭ签字日期日签字日期：年月日：年各月４別《ｊ％学校代码：】０００４密级：公开北京交通

3、大学硕士学位论文基于深度学习的车道线检测算法研宄ＬａｎｅＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＤｅｅｐＬｅａｒｎｉｎｇ：５１２００４作者姓名：梁乐颖学号１１？导师姓名．：郝晓莉职称副教授学位类别：工学学位学位级别：硕士学科专业：：电子科学与技术研究方向数字图像处理北京交通大学２０１８年４月ｉ致谢本次论文的工作是在我的导师郝晓莉老师的悉心指导下完成的，在论文撰写。问题解决的过程中，郝的过程中遇到了许多问题，郝老师总是能耐心的给予讲

4、解老师严谨的治学态度和科学的工作方法给了我极大的帮助和影响，不仅使我掌握。在此衷心感谢了问题的解决方法，更加锻炼了我解决问题的能力并拓展了知识面。研究生期间郝老师对我在学习、以及工作上的关心和指导特别感谢实验室所有老师及同学对在实验室项目工作及撰写论文期间，我要了我很多的动力，在此向他们我的帮助，他们的陪伴、鼓励以及学习上的交流给予表达我的感激之情，在这里谢谢所有关心我的朋友，是你们给我勇往直前力量。物质上给予了我无私的支持，他们的理解另外也要感谢我的父母，他们不仅在和支持使我能够在学校专心

5、完成我的学业。给予我教育的老师！，由衷的感谢最后，感谢交大，感谢所有北京交通大学硕士学位论文摘要随着汽车的日益普及，道路交通事故发生率不断上升，严重影响到人们的生命财产安全，而车道线检测与识别是自动驾驶。自动驾驶可有效减少交通事故的发生系统的重要组成部分。传统的车道线检测方法主要基于边缘特征检测或者图像分，、道路破损等千扰，导致算法鲁棒性下降在不良、割，易受到光照变化行驶车辆天气和复杂环境下达不到所需的检测准确率。深度学习方法利用网络模型自动学效提高目标检测的准确率。近年来，卷

6、习目标特征，可以有，具有较高的泛化能力积神经网络在机器视觉应用领域中取得了巨大的成功。本文就基于卷积神经网络进行车道线检测的研宄，主要工作如下。道路图像的感兴趣区域，去１。通过消失点检测确定．研宄了图像预处理方法、提高算法速度；基于逆透视除天空等与任务无关的区域，从而缩小算法搜索空间一致宽在整幅图中都保持，还原了变换将道路图像转化为俯视图，使车道线的长和。车道线的真实特征，有效提高算法检测性能一。种方法是利用车道线２．设计了两种基于深度神经网络的车道线检测方法ｏｎｖ〇ｌｕｔｉｏｎａｌＮ

7、ｅｕｒａｌＮｅｔｗｏｒｋｓ）进行的灰度特征获取车道线候选区域，利用ＣＮＮ（ｃ一Ｒ－ＦＣＮＲｅ＿ｂａｓｅｄ种方法是基于目标检测网络（ｇｉｏｎ车道线与非车道线的分类；另Ｒ－ＦＣＮ网ｔＮｔｗｏｒｋｓ车道线，车道线的定位与分类全部由ＦｕｌｌｙＣｏｎｖｏｌｕｉｏｎａｌｅ）检测表明＿ＦＣＮ６，基于Ｒ络完成个测试数据集，实验结果。建立了理想和非理想条件的网络的车道线检测方法达到了更高的召回率和准确率，平均为９７．１８３３％和９３．８３１７％。。针３、拟合以及车道线检测结果的评估方法．研究了车道线候选

8、区域的连接；设计了对直道和非直道的识别问题，提出了基于角度估计的车道线区域连接方法，基于梯度特征和最小二乘法实现车道线拟合的方法。实验表明本文的方法能够适２８．７７１５％，横向偏移量为３．１５３１＿８５％，准确率为９应不同的场景，平均错误率仅为像素。致车道线检测性能下降。为４，导．车道线前方的车辆、行人等目标遮