目录
目录
摘 要 II
关键词 III
ABSTRACT I
第一章 文献综述 1
1 研究背景及意义 1
1.1 研究背景 1
1.2 研究意义 1
2 国内外研究现状 1
2.1 车道线检测算法的发展过程 1
2.2 现有研究总结 3
3 论文研究内容 3
3.1 研究内容 3
第二章 相关研究及技术介绍 5
1 卷积神经网络概述 5
2 卷积神经网络原理 5
3 卷积神经网络发展现状 7
4 基于卷积神经网络的车道线检测方法 8
第三章 数据集预处理 9
1 数据集准备 9
2 数据预处理 9
第四章 基于混合深度结构的车道线检测 11
1 问题分析 11
2 车道线检测模型设计 11
3 损失函数设计 16
4 实验参数设置 17
5 实验结果与分析 18
5.1 实验结果 18
5.2 分析 19
第五章 研究总结 21
1 研究总结 21
2 研究展望 22
参考文献 23
附 录 25
致 谢 29
基于CNN的模糊车道线识别问题研究
摘 要
近年来，疲劳和分心已成为交通事故的主要原因。因此为了及时提醒驾驶员并减少交通事故的发生，无人驾驶技术的研究迫在眉睫。而车道线检测作为无人驾驶技术中必不可缺的一部分，尚且存在很多缺陷。
首先本文对比基于机器的车道线识别和最近兴起的卷积神经网络技术，根据原始的检测技术容易受到诸如强光，树影，路面文本，路面维修和岔路口道路标记等信息的干扰，而选择卷积神经网络技术，通过大量数据的训练后在一定程度上能够避免受到环境等因素影响。与之相比，CNN在从原始像素中提取语义方面表现出了强大的能力，但它在图像中跨行和列捕获像素空间关系的能力尚未得到充分研究，这些条件对于学习语义对 *51今日免费论文网|www.51jrft.com +Q: &351916072& 
象具有重要的意义于是我们研究了使用连续驾驶场景的多帧车道检测，并结合卷积神经网络(CNN)和递归神经网络(RNN)提出了一种混合深度结构。具体来说，将每一帧的信息通过一个CNN块提取出来，然后将多个连续帧的CNN特征(具有时间序列性质)输入到RNN块中进行特征学习和Lane预测。最后，本文选择具有代表意义的TuSimple数据库进行标注且训练后进行车道线拟合检测。此数据集由6408个高速公路的图像组成，由于图像受障碍物遮挡或磨损较轻，因此更有利于对模型的训练。
实验表明，该方法在车道检测方面优于其他方法，尤其是在处理困难情况时在，混合深度结构比基于RNN的ReNet和MRF+CNN (MRFNet)的性能分别高出8.7%和4.6%。

原文链接：http://www.jxszl.com/jtgc/jjtys/610109.html