| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 难点与挑战 | 第13页 |
| 1.3 车道线检测算法的研究现状 | 第13-18页 |
| 1.3.1 图像预处理 | 第14-15页 |
| 1.3.2 车道线特征检测 | 第15-17页 |
| 1.3.3 车道线拟合 | 第17-18页 |
| 1.4 论文研究内容及结构安排 | 第18-20页 |
| 2 相关理论和技术 | 第20-34页 |
| 2.1 深度学习概述 | 第20-30页 |
| 2.1.1 基本神经元 | 第20-22页 |
| 2.1.2 感知机 | 第22页 |
| 2.1.3 反向传播(BP神经算法)[25] | 第22-23页 |
| 2.1.4 卷积神经网络原理 | 第23-26页 |
| 2.1.5 卷积神经网络研究现状 | 第26-29页 |
| 2.1.6 目标检测网络 | 第29-30页 |
| 2.2 基于逆透视变换的车道线检测方法 | 第30-33页 |
| 2.2.1 基于投影的车道线检测算法 | 第30-31页 |
| 2.2.2 基于CNN的车道线检测算法 | 第31-32页 |
| 2.2.3 基于Faster R-CNN的车道线检测算法 | 第32-33页 |
| 2.2.4 分析与讨论 | 第33页 |
| 2.3 本章小结 | 第33-34页 |
| 3 基于卷积神经网络的全局车道线检测 | 第34-57页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于深度学习的全局车道线回归算法 | 第35-44页 |
| 3.2.1 车道线回归算法概述 | 第35-36页 |
| 3.2.2 数据层的设计与处理 | 第36-38页 |
| 3.2.3 标注方式的设计 | 第38页 |
| 3.2.4 损失函数 | 第38-40页 |
| 3.2.5 基于ResNet的车道线坐标回归网络 | 第40-42页 |
| 3.2.6 实验结果及分析 | 第42-44页 |
| 3.3 局部车道线检测 | 第44-53页 |
| 3.3.1 基于ResNet的局部车道线重心回归 | 第44-46页 |
| 3.3.2 基于改进K-means的局部车道线重心检测 | 第46-52页 |
| 3.3.3 基于ResNet和K-means的局部车道线重心检测方法比较 | 第52-53页 |
| 3.4 基于特征层融合的车道线检测 | 第53-55页 |
| 3.4.1 特征融合的实现方式 | 第54页 |
| 3.4.2 特征融合网络结构 | 第54-55页 |
| 3.4.3 实验结果及分析 | 第55页 |
| 3.5 本章小结 | 第55-57页 |
| 4 算法验证与测试 | 第57-67页 |
| 4.1 实验平台搭建 | 第57-58页 |
| 4.2 车道线检测数据集 | 第58页 |
| 4.3 实验前的准备 | 第58-60页 |
| 4.3.1 训练样本 | 第58页 |
| 4.3.2 多标签网络 | 第58-59页 |
| 4.3.3 fine-tuning | 第59-60页 |
| 4.4 在数据集上的实验及分析 | 第60-61页 |
| 4.4.1 实验 | 第60-61页 |
| 4.4.2 实验评判标准 | 第61页 |
| 4.5 各场景检测精度分析 | 第61-66页 |
| 4.5.1 理想集 | 第61页 |
| 4.5.2 干扰集 | 第61-63页 |
| 4.5.3 弯道集 | 第63页 |
| 4.5.4 磨损集 | 第63-64页 |
| 4.5.5 各场景检测结果对比 | 第64-65页 |
| 4.5.6 不同车道线检测方法对比 | 第65-66页 |
| 4.6 本章小结 | 第66-67页 |
| 5 结论与展望 | 第67-69页 |
| 5.1 结论 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
