基于深度学习的车道线检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.3 论文主要研究内容及结构 | 第18-20页 |
| 2 深度神经网络基础 | 第20-26页 |
| 2.1 卷积神经网络 | 第20-22页 |
| 2.2 目标检测网络 | 第22-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于单任务的车道线检测方法 | 第26-42页 |
| 3.1 车道线数据库 | 第26-27页 |
| 3.2 图像预处理 | 第27-30页 |
| 3.2.1 感兴趣区域提取 | 第27-28页 |
| 3.2.2 逆透视变换 | 第28-30页 |
| 3.3 基于传统方法的车道线检测 | 第30-32页 |
| 3.4 基于CNN的车道线检测 | 第32-34页 |
| 3.4.1 数据标定 | 第32-33页 |
| 3.4.2 车道线检测 | 第33-34页 |
| 3.5 基于R-FCN的车道线检测 | 第34-35页 |
| 3.5.1 数据标定 | 第34-35页 |
| 3.5.2 车道线检测 | 第35页 |
| 3.6 实验结果与分析 | 第35-41页 |
| 3.6.1 测试集建立 | 第36页 |
| 3.6.2 测试结果分析 | 第36-41页 |
| 3.7 本章小结 | 第41-42页 |
| 4 基于角度估计的车道线后处理 | 第42-53页 |
| 4.1 基于角度估计的车道线连接 | 第42-46页 |
| 4.1.1 基于MSER的角度估计 | 第43-45页 |
| 4.1.2 车道线连接 | 第45-46页 |
| 4.2 车道线拟合 | 第46-48页 |
| 4.2.1 提取车道线特征点 | 第46-47页 |
| 4.2.2 最小二乘法 | 第47-48页 |
| 4.3 车道线检测评估方法 | 第48-50页 |
| 4.4 车道线检测结果分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 基于多任务网络的车辆和车道线检测方法 | 第53-58页 |
| 5.1 网络可视化 | 第53-54页 |
| 5.2 多任务网络设计 | 第54-56页 |
| 5.2.1 逆透视变换移植 | 第55-56页 |
| 5.2.2 网络合并 | 第56页 |
| 5.3 网络测试结果 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
