基于深度学习的车道线检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 本文的主要工作和难点 | 第14-16页 |
| 1.2.1 本文主要工作 | 第14-15页 |
| 1.2.2 本文工作的难点 | 第15-16页 |
| 1.3 本文结构安排 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 国内外研究现状 | 第18-35页 |
| 2.1 图像预处理技术 | 第18-22页 |
| 2.1.1 图像灰度化 | 第18页 |
| 2.1.2 图像滤波 | 第18-20页 |
| 2.1.3 边缘增强 | 第20-21页 |
| 2.1.4 逆透视变换 | 第21-22页 |
| 2.2 卷积神经网络 | 第22-26页 |
| 2.2.1 卷积神经网络特点 | 第23页 |
| 2.2.2 卷积神经网络的基本构成 | 第23-26页 |
| 2.3 LSD算法介绍 | 第26-29页 |
| 2.3.1 LSD算法基本概念 | 第26-27页 |
| 2.3.2 LSD算法关键流程 | 第27-29页 |
| 2.4 车道线检测算法综述 | 第29-33页 |
| 2.4.1 基于传统特征的方法 | 第30-31页 |
| 2.4.2 基于人工构造特征学习的方法 | 第31-32页 |
| 2.4.3 基于深度学习的方法 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 车道线检测算法 | 第35-54页 |
| 3.1 预处理 | 第36-39页 |
| 3.1.1 基于先验ROI划分 | 第36-37页 |
| 3.1.2 基于车道线先验特征的边缘增强 | 第37-39页 |
| 3.2 边缘线段提取 | 第39-45页 |
| 3.2.1 LSD算法理解与总结 | 第40-41页 |
| 3.2.2 LSD算法参数实验 | 第41-43页 |
| 3.2.3 LSD算法与霍夫变换对比 | 第43-45页 |
| 3.3 边缘线段筛选 | 第45-51页 |
| 3.3.1 边缘线段感受域提取 | 第45-47页 |
| 3.3.2 卷积神经网络结构 | 第47-48页 |
| 3.3.3 基于消失点的边缘筛选算法 | 第48-51页 |
| 3.4 后处理 | 第51-53页 |
| 3.4.1 车道线集合生成 | 第51-53页 |
| 3.4.2 主车道线决策 | 第53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 实验测试和分析 | 第54-62页 |
| 4.1 开发环境 | 第54页 |
| 4.2 数据集和神经网络训练 | 第54-57页 |
| 4.3 实验测试结果与分析 | 第57-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间主要的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
