基于Hough变换和神经网络的智能车辆车道线识别
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 车道线检测国内外研究现状 | 第9-10页 |
| 1.2.1 车道线检测国内研究现状 | 第9-10页 |
| 1.2.2 车道线检测国外研究现状 | 第10页 |
| 1.3 论文研究内容及论文结构 | 第10-14页 |
| 1.3.1 图像预处理算法设计 | 第11页 |
| 1.3.2 人工神经网络的选择和训练方法 | 第11页 |
| 1.3.3 小车车道识别算法与控制设计 | 第11-14页 |
| 第2章 相关技术介绍 | 第14-28页 |
| 2.1 图像预处理算法概述 | 第14-17页 |
| 2.1.1 Canny边缘检测 | 第14-16页 |
| 2.1.2 HoughTransform直线提取 | 第16-17页 |
| 2.2 神经网络概述 | 第17-24页 |
| 2.2.1 普通人工神经网络概述 | 第17-21页 |
| 2.2.2 卷积人工神经网络概述 | 第21-24页 |
| 2.3 强化学习概述 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 车道线检测需求分析 | 第28-32页 |
| 3.1 车道线检测系统需求分析 | 第28-29页 |
| 3.2 功能需求 | 第29-31页 |
| 3.2.1 车道线标注 | 第29页 |
| 3.2.2 图像预处理 | 第29-30页 |
| 3.2.3 车道线检测 | 第30页 |
| 3.2.4 结果显示 | 第30页 |
| 3.2.5 车辆控制 | 第30-31页 |
| 3.3 非功能需求 | 第31页 |
| 3.3.1 性能需求 | 第31页 |
| 3.3.2 鲁棒性 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 车道线检测系统设计 | 第32-48页 |
| 4.1 车道线图像数据标注与筛选 | 第33-34页 |
| 4.2 车道线图像预处理 | 第34-38页 |
| 4.2.1 ROI提取范围设计 | 第35-36页 |
| 4.2.2 边缘提取设计 | 第36-37页 |
| 4.2.3 直线提取设计 | 第37-38页 |
| 4.3 基于CNN的车道线检测算法 | 第38-44页 |
| 4.3.1 CNN结构及参数设计 | 第39-41页 |
| 4.3.2 CNN的训练 | 第41-44页 |
| 4.4 基于强化学习的车辆控制算法设计 | 第44-45页 |
| 4.4.1 Q学习方法运用设计 | 第44-45页 |
| 4.5 本章小结 | 第45-48页 |
| 第5章 车道线检测系统实现 | 第48-62页 |
| 5.1 车道线图像数据预处理实现 | 第48-53页 |
| 5.1.1 ROI区提取实现 | 第48-50页 |
| 5.1.2 边缘检测实现 | 第50-52页 |
| 5.1.3 直线提取实现 | 第52-53页 |
| 5.2 基于CNN的车道线检测系统实现 | 第53-58页 |
| 5.2.1 CNN整体架构实现 | 第53-56页 |
| 5.2.2 CNN训练实现 | 第56-58页 |
| 5.3 基于强化学习的车辆控制算法实现 | 第58-60页 |
| 5.3.1 Q学习方法实现 | 第58-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第6章 车道线检测系统测试 | 第62-68页 |
| 6.1 系统实现测试环境 | 第62页 |
| 6.2 模块测试 | 第62-67页 |
| 6.2.1 CNN模块测试 | 第62-63页 |
| 6.2.2 Q-learning强化学习模块测试 | 第63-65页 |
| 6.2.3 系统性能测试 | 第65-67页 |
| 6.3 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 致谢 | 第76页 |
