| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于传统方法的车道线检测 | 第10-11页 |
| 1.2.2 基于深度学习的车道线检测 | 第11-12页 |
| 1.3 研究目标及内容 | 第12-13页 |
| 1.3.1 研究目标 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第2章 数据采集与硬件平台设计 | 第14-24页 |
| 2.1 数据集采集与标注 | 第14-17页 |
| 2.1.1 数据集采集 | 第14-15页 |
| 2.1.2 grid标注法 | 第15-17页 |
| 2.1.3 数据集组成 | 第17页 |
| 2.2 数据预处理 | 第17-20页 |
| 2.2.1 ROI提取 | 第17-18页 |
| 2.2.2 图片缩放 | 第18-19页 |
| 2.2.3 图片翻转 | 第19-20页 |
| 2.3 新能源无人驾驶平台 | 第20-21页 |
| 2.4 视觉处理平台设计 | 第21-23页 |
| 2.4.1 相机选型 | 第21页 |
| 2.4.2 TX2平台环境搭建 | 第21-23页 |
| 2.5 本章小节 | 第23-24页 |
| 第3章 基于多任务神经网络的车道线检测与分类 | 第24-36页 |
| 3.1 基础网络 | 第24-26页 |
| 3.1.1 AlexNet | 第24-25页 |
| 3.1.2 ZFNet | 第25-26页 |
| 3.1.3 VGGNet | 第26页 |
| 3.2 网络模型 | 第26-29页 |
| 3.2.1 多任务结构 | 第26-28页 |
| 3.2.2 新的数据层 | 第28-29页 |
| 3.3 网络压缩 | 第29-32页 |
| 3.4 网络训练与结果可视化 | 第32-35页 |
| 3.4.1 实验参数 | 第32页 |
| 3.4.2 结果可视化与分析 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于改进DBSCAN和最小二乘法的车道线拟合 | 第36-48页 |
| 4.1 种子点采样 | 第36-40页 |
| 4.1.1 快速傅里叶种子点采样 | 第36-39页 |
| 4.1.2 滑动窗口种子点采样 | 第39-40页 |
| 4.2 逆透视变换 | 第40-43页 |
| 4.3 车道线聚类与拟合实验 | 第43-47页 |
| 4.3.1 车道线聚类 | 第43-46页 |
| 4.3.2 车道线拟合 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 实验结果分析与讨论 | 第48-55页 |
| 5.1 算法评价标准 | 第48-49页 |
| 5.2 实验结果对比与分析 | 第49-53页 |
| 5.2.1 Caltech数据集 | 第49-51页 |
| 5.2.2 图森数据集 | 第51-52页 |
| 5.2.3 西安交大数据集 | 第52页 |
| 5.2.4 校园数据集 | 第52-53页 |
| 5.3 速度分析与TX2平台测试 | 第53-54页 |
| 5.3.1 网络速度与运行时内存占用分析 | 第53-54页 |
| 5.3.2 后处理时间分析 | 第54页 |
| 5.3.3 TX2平台测试 | 第54页 |
| 5.4 本章小结 | 第54-55页 |
| 总结 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表的论文 | 第61页 |