基于深度学习的车道线检测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外相关领域研究现状 | 第10-12页 |
| 1.2.1 车道线检测国内外研究现状 | 第10-11页 |
| 1.2.2 深度学习国内外研究现状 | 第11-12页 |
| 1.3 论文的主要工作和结构安排 | 第12-14页 |
| 1.4 论文的章节结构 | 第14-16页 |
| 第2章 图像数据增强和标注 | 第16-27页 |
| 2.1 数据的收集和筛选 | 第16-17页 |
| 2.2 数据增强 | 第17-23页 |
| 2.2.1 旋转变换 | 第18-19页 |
| 2.2.2 镜像变换 | 第19-20页 |
| 2.2.3 平移变换 | 第20-22页 |
| 2.2.4 缩放变换 | 第22页 |
| 2.2.5 亮度对比度变换 | 第22-23页 |
| 2.3 数据标注和数据集制作 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 深度学习网络设计 | 第27-41页 |
| 3.1 深度学习框架选择和网络构成 | 第27-38页 |
| 3.1.1 数据层 | 第29页 |
| 3.1.2 视觉层 | 第29-32页 |
| 3.1.3 激活层 | 第32-36页 |
| 3.1.4 全连接层 | 第36-37页 |
| 3.1.5 目标函数 | 第37-38页 |
| 3.2 模型结构设计 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 模型输出后处理 | 第41-53页 |
| 4.1 逆透视变换 | 第41-43页 |
| 4.2 聚类算法 | 第43-49页 |
| 4.2.1 K-均值聚类 | 第44页 |
| 4.2.2 模糊C均值聚类 | 第44-45页 |
| 4.2.3 具有噪声基于密度的聚类算法 | 第45-47页 |
| 4.2.4 车道线聚类 | 第47-49页 |
| 4.3 车道线检测 | 第49-52页 |
| 4.3.1 车道线拟合 | 第49-52页 |
| 4.3.2 车道线回归 | 第52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 模型训练和结果分析 | 第53-65页 |
| 5.1 模型训练 | 第53-59页 |
| 5.1.1 训练环境配置 | 第54-55页 |
| 5.1.2 训练参数设置 | 第55-59页 |
| 5.2 结果分析 | 第59-64页 |
| 5.3 本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71页 |
