目录
目录
摘 要 II
ABSTRACT III
第一章 文献综述 1
1.1研究背景和意义 1
1.2国内外研究现状 1
1.3研究主要内容 3
1.4论文章节安排 4
第二章 深度学习车道线检测的理论基础 5
2.1深度学习的发展 5
2.2卷积神经网络 5
2.2.1卷积神经网络的基础知识 5
2.2.2卷积神经网络的原理 9
2.2.3防止过拟合 11
2.3语义分割 11
2.4基于语义分割的车道线检测 12
2.4.1数据集 12
2.4.2数据处理 13
2.4.3模型评估方法 13
2.4.4 模型参数与环境设置 14
第三章基于语义分割和像素特征的车道线检测 15
3.1问题描述 15
3.2模型的设计 15
3.2.1车道线检测网络模型的设计 15
3.2.2损失函数的设置 19
3.2.3车道线拟合转置矩阵网络模型设计 20
3.2.4聚类 21
3.3实验结果与分析 22
3.3.1实验结果可视化 22
3.3.2实验结果分析比较 25
第四章 期待和展望 27
参考文献 28
致谢 30
基于深度学习的车道线检测
摘 要
车道线检测技术作为最近几年备受关注的智能驾驶的关键技术之一，随着智能驾驶技术的发展目前的对于车道线检测技术在实际运用当中的精度要求，实时性也在提高。传统的车道线检测方法发展已经接近成熟，但是仍很难符合现在的对于车道线检测的需求。最近兴起通过卷积神经网络进行车道线的特征提取与检测，具有更大的潜力可以实现对于车道线检测精度和鲁棒性的提高。
目前在深度学习车道线检测领域中最为常见适用的方法是通过语义分割，现如今的语义分割往往做不到对于语义信息的高效利用，特征表述清晰。因此本文跟据前人的研究的基础 *51今日免费论文网|www.51jrft.com +Q: @351916072@ 
上，继续对图像分割的语义分割实现研究并尝试运用于车道线检测。比较分析传统车道线检测技术与深度学习车道线检测技术的特性。主要工作：根据已有的语义分割和像素特征实例的车道线检测方法进行改进，为实现相较于已有的语义分割和像素特征实例的车道线拟合效果的提高，改进以LaneNet的基础网络模型。通过对于LaneNet改进模型在不同干扰条件下的表现情况进行比较总结，对存在的问题进行分析原因，再通过对比其他传统的车道线检测，总结深度学习的车道线检测技术的优势。

原文链接：http://www.jxszl.com/jtgc/jjtys/610135.html