基于深度學(xué)習(xí)的車道線檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、近年來(lái)，隨著經(jīng)濟(jì)與科技的發(fā)展，人們的生活水平日益提高，城市交通不斷完善，汽車數(shù)量明顯增加，同時(shí)由汽車引發(fā)的各類交通安全事故也日益增加。為了提高汽車的安全性和減少交通事故，無(wú)人車的研發(fā)在這個(gè)大環(huán)境下應(yīng)運(yùn)而生。車道線檢測(cè)是無(wú)人車系統(tǒng)里感知模塊的重要組成部分。
　　利用視覺(jué)算法的車道線檢測(cè)解決方案是一種較為常見(jiàn)解決方案。視覺(jué)檢測(cè)方案主要基于圖像算法，檢測(cè)出圖片中行車道路的車道線標(biāo)志區(qū)域。高速公路上的車道線檢測(cè)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，由于

2、車道線標(biāo)志的種類繁多，車輛擁擠造成車道線標(biāo)志區(qū)域被遮擋，車道線可能有腐蝕磨損的情況，以及天氣等因素都能給車道線檢測(cè)任務(wù)帶來(lái)不小的挑戰(zhàn)。
　　過(guò)去，大部分車道線檢測(cè)算法基本是通過(guò)卷積濾波方法，識(shí)別分割出車道線區(qū)域，然后結(jié)合霍夫變換、RANSAC等算法進(jìn)行車道線檢測(cè)，這類算法需要人工手動(dòng)去調(diào)濾波算子，根據(jù)算法所針對(duì)的街道場(chǎng)景特點(diǎn)手動(dòng)調(diào)節(jié)參數(shù)，工作量大且魯棒性較差，當(dāng)行車環(huán)境出現(xiàn)明顯變化時(shí)，車道線的檢測(cè)效果不佳。
　　本文基于傳統(tǒng)

3、車道線檢測(cè)算法，結(jié)合深度學(xué)習(xí)技術(shù)，提出了一種使用深度神經(jīng)網(wǎng)絡(luò)，代替?zhèn)鹘y(tǒng)算法中手動(dòng)調(diào)濾波算子，對(duì)高速公路上的車道線進(jìn)行Instance級(jí)別的分割，分割得到每條車道線區(qū)域的像素信息，然后使用最小二乘法對(duì)車道線進(jìn)行參數(shù)回歸，反饋車道線參數(shù)方程。本文使用的神經(jīng)網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)采用了Convolution與Deconvolution對(duì)稱的結(jié)構(gòu)設(shè)計(jì)，對(duì)行車圖片中車道線區(qū)域進(jìn)行語(yǔ)義分割。
　　本文的車道線檢測(cè)系統(tǒng)開(kāi)發(fā)語(yǔ)言主要為C++

4、與Python語(yǔ)言，整體上分為車道線標(biāo)注、車道線標(biāo)注結(jié)果篩選、圖像數(shù)據(jù)預(yù)處理、車道線分割模型訓(xùn)練、車道線檢測(cè)以及結(jié)果顯示等6個(gè)模塊，此外，算法完成之后本文對(duì)不同的車道線圖像分割模型進(jìn)行了測(cè)試與比較，給出了一種適合無(wú)人車車載服務(wù)器配置的車道線檢測(cè)方案。
　　經(jīng)過(guò)測(cè)試，本文所使用的卷積神經(jīng)網(wǎng)絡(luò)車道線分割方法更具普遍性，能夠更好的適應(yīng)各式各類的高速公路行車場(chǎng)景，算法在高速公路上的不同場(chǎng)景都取得了較高的車道線檢測(cè)效果，無(wú)論是直線、彎曲道路