| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 车道线检测的相关算法和研究现状 | 第12-14页 |
| 1.2.1 基于特征的车道线检测算法 | 第12-13页 |
| 1.2.2 基于模型的车道线检测算法 | 第13页 |
| 1.2.3 基于深度学习的车道线检测算法 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 相关研究及技术介绍 | 第16-31页 |
| 2.1 深度神经网络基础 | 第16-24页 |
| 2.1.1 前馈神经网络 | 第16-18页 |
| 2.1.2 激活函数 | 第18-20页 |
| 2.1.3 反向传播算法 | 第20-21页 |
| 2.1.4 梯度下降及其改进算法 | 第21-24页 |
| 2.2 卷积神经网络概述 | 第24-30页 |
| 2.2.1 卷积和池化层 | 第24-26页 |
| 2.2.2 批量归一化层 | 第26-28页 |
| 2.2.3 损失函数 | 第28-29页 |
| 2.2.4 常用卷积神经网络模型 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于全卷积网络模型和层次聚类算法的主车道检测 | 第31-46页 |
| 3.1 引言 | 第31-32页 |
| 3.2 全卷积网络模型对道路图像的预分割 | 第32-35页 |
| 3.3 基于层次聚类的主车道线特征点集提取算法 | 第35-37页 |
| 3.4 主车道线特征点集拟合 | 第37-39页 |
| 3.5 主车道线特征点集修正 | 第39-40页 |
| 3.6 实验结果与分析 | 第40-45页 |
| 3.6.1 数据集概述与数据准备 | 第40-41页 |
| 3.6.2 模型训练参数设置及训练细节 | 第41-42页 |
| 3.6.3 主车道线检测实验结果与分析 | 第42-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第四章 基于编码器解码器模型与聚类修正的多车道检测 | 第46-62页 |
| 4.1 引言 | 第46页 |
| 4.2 编码器解码器网络模型结构设计 | 第46-49页 |
| 4.2.1 编码器网络结构设计 | 第47页 |
| 4.2.2 解码器网络结构设计 | 第47-49页 |
| 4.3 损失函数设计 | 第49-51页 |
| 4.3.1 语义分割损失函数 | 第49-50页 |
| 4.3.2 实例分割损失函数 | 第50-51页 |
| 4.4 形态学处理去噪 | 第51-52页 |
| 4.5 后处理聚类修正和拟合 | 第52-54页 |
| 4.6 实验结果与分析 | 第54-61页 |
| 4.6.1 数据集概述与数据准备 | 第54-55页 |
| 4.6.2 模型训练参数及训练细节 | 第55-57页 |
| 4.6.3 多车道线检测实验结果与分析 | 第57-61页 |
| 4.7 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 本文工作总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间取得的研究成果 | 第69页 |