<p id="xhzlb"></p>

      <form id="xhzlb"><listing id="xhzlb"><meter id="xhzlb"></meter></listing></form>

          <address id="xhzlb"><listing id="xhzlb"><menuitem id="xhzlb"></menuitem></listing></address>
          <address id="xhzlb"><nobr id="xhzlb"><menuitem id="xhzlb"></menuitem></nobr></address>
              <form id="xhzlb"></form>

                  <address id="xhzlb"><form id="xhzlb"></form></address>

                    <address id="xhzlb"><listing id="xhzlb"><nobr id="xhzlb"></nobr></listing></address>

                    基于深度學習的智能車輛車道線檢測思考

                    論文價格:150元/篇 論文用途:碩士畢業論文 Master Thesis 編輯:碩博論文網 點擊次數:
                    論文字數:38856 論文編號:sb2022042216454846435 日期:2022-05-13 來源:碩博論文網

                    本文是一篇工程碩士論文,筆者認為深度學習對基于視覺的車道線檢測技術的發展產生了深遠的影響,而車道線檢測算法在深度學習方面需要大量的數據集作為支撐,且神經網絡模型具有不可解釋性,使得車道線檢測技術在穩定性上仍有待加強,本論文的深度學習方面算法同樣存在此問題。
                    第 1 章 緒論
                    1.1 研究背景與研究意義
                    自 19 世紀汽車問世以來,汽車產業快速發展,而我國自改革開放開始,汽車產量迅速增長。由公開數據可知,截止到 2021 年初,我國汽車保有量已近 3億輛。由此汽車得以廣泛應用,使生活便利許多,然而,交通事故數量也逐漸增多,對人們的生命安全造成了重大威脅。2019 年公安部公布的相關數據顯示:該年1到10月期間,因不守交規而造成的交通事故中,共計58675人受傷,9656人死亡。為了盡可能降低人為因素對交通的影響,可從提高汽車的安全系數等方面入手。具體而言,即對于汽車安全系統,通過先研究,再完善,最后推而廣之的方式,可以提升汽車的安全系數,以漸進式地達到無人駕駛車輛的程度,最終徹底屏蔽人為方面因素的影響。依據大量實車試驗數據驗證,當行車時,ADAS 等系統能夠一直協助駕駛員,以盡可能減少交通事故。近期,類似于ADAS 的先進輔助駕駛系統不斷涌現,此類系統逐漸成為研究者的研發重點,用作智能車載。當駕駛員駕駛車輛時,此種系統可以做出及時提醒。采集數據時,需要依賴車載傳感器,如激光雷達、相機等,數據經處理后,系統將對交通現狀進行識別,在緊急情況下,能夠協助駕駛員做出決策。綜上可知,該類系統不僅可以使駕駛員駕駛汽車時更舒適,還能夠避免發生交通事故,減少事故傷害[1]。
                    智能技術的飛速發展,催生出智能車輛。自 19世紀 70年代以來,有少數國家將對智能車輛的研究提上日程。1989 年 5 月期間,NavLab 系列智能車輛由美國卡內基·梅隆大學研成,其具有智能車輛開山之作的意義,該系列智能車輛首先依賴多個車載相機采集路況數據信息,然后使用計算機分析收集到的信息,得到分析結果后,發布指令控制智能車輛的速度及方向。2015 年,英國同樣研制了智能車輛。該智能車輛名為 Lutz Pathfinder。對于 Lutz Pathfinder,該智能車輛可以進行如下任務:搭載兩人及其行李;同時,時速能夠達到 24 公里,行程最遠能夠達到 64 公里。中國是世界上智能車輛研究較早的國家之一,國內首輛智能車輛的研制,由國防科技大學于 1992 年完成[2]。2011 年,國防科技大學完成另一智能車輛研發,即 HQ3。測試時,該智能車輛從長沙楊梓沖收費站出發,沿京港澳高速公路行車,目標地點為武漢。
                    ............................
                    1.2 國內外研究現狀
                    車道線檢測影響著智能車輛的諸多方面,例如基于車道的導航和高清地圖建模等[4]。另外,相較于激光雷達檢測,工業相機有如下優點:價低且魯棒性較強;此外,對于環境感知的不同階段,均可由計算機視覺實施處理[5]。而基于視覺的車道線檢測算法主要分為兩類:基于傳統方法與基于深度學習。在車道線檢測領域,對于傳統方法,通??捎扇缦氯齻€步驟組成:首先,對圖像進行預處理,以消除噪聲干擾,研究者一般選擇對車道線圖像進行逆透視變換,或者劃分出感興趣區域(ROI);然后,實施特征信息提??;最后,進行車道模型擬合,從而識別出車道線。
                    在車道線檢測領域,對于新興的深度學習方法,與傳統方法比較,其準確率明顯提升較大,該方法通過神經網絡模型的方式,自主學習特征信息,此外,具備較高的泛化能力。近年來,在計算機視覺方向上,基于視覺的車道線檢測在深度學習方法下一般分為檢測與分割這兩種方式。兩者的共同之處是將預處理后的車道線圖像進行標記,然后在構建好的神經網絡模型中進行訓練、測試以及驗證,模型不斷得以優化,進而獲得較為精確的車道線檢測模型;不同在于:檢測是指確定位置的分類,只需框出檢測目標;而分割的方法需要進一步判斷,辨別出特定像素屬于何種目標。
                    ................................
                    第 2 章 深度學習與實例分割
                    2.1 深度學習
                    深度學習,即深度神經網絡,一般用于處理海量的數據,能夠對信息進行表征學習,可視為機器學習的分支[33]。深度學習可以獲得圖像信息的潛在分布規律和特征,這依賴于將圖像的底層低緯度特征信息進行重組后,生成更高維度的特征。卷積神經網絡是本論文主要使用的深度神經網絡,用于實現基于實例分割的車道線檢測算法。因此,下一小結將敘述卷積神經網絡的構成與作用等內容。
                    2.1.1卷積神經網絡
                    卷積神經網絡(CNN)至少包含一層卷積層。卷積層通過卷積運算的方式進行運算,而不是利用矩陣乘法進行運算[34],最早由 Alexander Waibel提出,該網絡通常擁有多層次結構。CNN 通過卷積運算提取特征,由權值共享、池化等方式減少參數,降低計算量[35],最后完成分類、檢測、分割等圖像處理任務。雖然卷積神經網絡在算法如何學習,如何構建網絡等方面起著巨大作用,但是,研究人員對于此類深度神經網絡的運作方式的認識,仍不夠全面。一直以來,因為研究人員難以深入地認識所有訓練得到的深度神經網絡,一些特定的神經網絡也同樣如此,無法知曉其如何利用大量非線性部分,并使之相互作用,所以,深度神經網絡有個別稱,即為“黑箱子”。
                    對于 CNN 的網絡結構,可視其為層次模型,依次為輸入層,隱含層,以及輸出層。其中,隱含層一般含有卷積層、池化層、激活函數及全連接層等。CNN 的具體訓練過程簡述如下:首先,將所有權重初始化為隨機值;然后,使輸入的訓練圖像經過上述網絡層結構,并獲取所有輸出類的概率;再而,對于輸出層,獲取總誤差后,利用反向傳播計算誤差相對于權重的梯度;最后,通過梯度下降法更新所有權重,使輸出層的誤差趨于最小。
                    卷積層就卷積(Convolution)而言,在原始圖像中,針對某鄰域,對其做卷積運算,從而得到鄰域特征[36]。卷積運算是指選擇卷積核,使之與圖像中對應的部分像素值,相乘再相加得到和,即為圖像在此小區域的特征值。其中,可將卷積核看作權值矩陣。對于特征面,其中包含多個神經元,再由特征面構建卷積層。在 CNN 中,神經元與卷積核相互關聯。

                    工程碩士論文怎么寫
                    工程碩士論文怎么寫

                    ..........................
                    2.2 實例分割
                    深度學習中,圖像分割一般分為兩類,即語義分割和實例分割[41]。二者不同的地方在于:就語義分割而言,對于圖像中的物體,均歸納出其對應的類別,則可完成像素級別的分類,因此該方式能夠判斷輸入圖像中的各像素點是否屬于同一類物體;而實例分割則是在前者的基礎上,再辨別出同類物體中的不同個體。
                    2.2.1實例分割發展與演變
                    針對目標檢測領域,Ross Girshick 等人[42]在 2014 年提出 R-CNN,將 CNN引入其中,改善了檢測效果。該算法主要利用兩種重要方式達成目標檢測:(1)訓練數據不充分時,針對輔助任務,若實施有監督的預訓練,并通過特定于域地微調,則能夠明顯地提高算法性能;(2)當定位、分割目標時,為方便起見,在自下而上的候選區,使用的是 CNN 結構。第一步,R-CNN 通過 Selective Search 這一方法,對于可能含有目標的候選區域,將其提取出來;其次,僅針對上述區域,選取 CNN,對目標提取特征,之后判別檢測到的特征點是否屬于同一類,對于物體的特征信息,應將其放入 SVM 分類器中,實施判別;最后,針對候選框位置,由回歸器細微修正。
                    2015 年,Ross Girshick[43]基于 R-CNN 提出 Fast R-CNN,VGG16 網絡是其主體網絡。與 R-CNN 相比,其測試速度與訓練速度均加快了,分別快了 213 倍和 9 倍,并解決了 R-CNN 存在的其他一部分問題,比如,訓練時需分多步進行、耗時長、測試慢等,與此同時,也提高了目標檢測的精度。Fast R-CNN 不是像R-CNN 那樣單獨訓練模型的各個部分,而是使用端到端的訓練方法,同時學習特定類的 Bbox(Bounding box)回歸和 Softmax 分類器,以避免出現過度消耗存儲空間的問題。Fast R-CNN 采用共享卷積和 ROI pooling 的方法來提取 region proposal 的區域特征,能夠對訓練進行加速。
                    Faster R-CNN由 Ren Shaoqing等人[44]提出,該網絡可以近乎零成本地提取候選框,其采用的 RPN 網絡能夠和檢測網絡共享輸入圖像的特征信息。RPN 為全卷積神經網絡(FCN),能夠在圖像中所有的位置上,同時推斷出目標邊界及目標分數,在該算法中,將其與 Fast R-CNN 相結合,實現目標檢測。RPN 與 Fast R-CNN 在該網絡模型中為單一網絡,主要是通過兩者共享卷積層,即 RPN 中的卷積特征信息,這一方式實現的。
                    .................................
                    第 3 章 基于 BiSeNet V2 網絡模型的車道線檢測........................21
                    3.1 數據集的相關介紹與制作 ............................21
                    3.1.1TuSimple 數據集...............................21
                    3.1.2KITTI 數據集.......................................21
                    第 4 章 基于改進概率霍夫變換的車道線檢測..............................43
                    4.1 圖像預處理 ..................................43
                    4.1.1 提取感興趣區域 ..................................43
                    4.1.2 灰度化處理 ................................44
                    第 5 章 車道線檢測評估方法及算法比較............................53
                    5.1 車道線檢測評估方法 .............................53
                    5.2 算法比較 ....................................54
                    第 5 章 車道線檢測評估方法及算法比較
                    5.1 車道線檢測評估方法
                    盡管車道線檢測研究對于智能車輛發展至關重要,然而,多數研究成果沒有開源。因此,暫時評估數據庫未統一,無法用來估測車道線檢測算法的優劣,特別是基于深度學習的算法于基于傳統算法之間的算法比較。在不同的算法之間,沒有相同的評判依據,無偏差地評估算法優劣,實際上并不可能。多數車道線檢測算法的準確性估測,僅由乘員給出,即成功檢測出車道線的概率,或者通過目測,粗略斷定檢測的準確性,未將準確性量化。
                    針對車道線檢測算法,在現有文獻中,關于其優劣測算,沒有標準化指標。因此,在參考了文獻[74]后,在準確性方面,本論文統一了評估指標:橫向偏移;此外,提出實時性標準。在實驗過程中,檢測結果所標出的位置相對于真實的車道線位置,可能具有一定差異。所以,上述差異值能夠作為標準,對結果的準確性進行評估。橫向偏移(Lateral Distance,LD)的相關公式則得以定義。
                    本節為利用上述評估指標,衡量算法的性能,選擇四個具有代表性的場景,處于不同時段,包含了各路況以及各種路面干擾,如樹木或建筑陰影,車道線破損,車輛遮掩等。具體情況如表 5-1 所示:

                    工程碩士論文參考
                    工程碩士論文參考

                    ...............................
                    第 6 章 總結與展望
                    6.1 工作總結
                    如今,在人們的日常中,汽車已經普遍存在。對于車輛安全方面的需求,也就越來越高。在此方面的安全技術中,車道線檢測技術擁有重要地位,而深度學習的迅速發展,為該技術提供了工程實踐化的可能性。車道線檢測算法要求極好的魯棒性和實時性,使汽車能在各種行車環境中保持快速且精確的判斷。當前基于視覺的車道線檢測算法中,研究人員逐漸轉向基于深度學習的方式,主要是通過引進卷積神經網絡,以處理復雜多樣的行車場景。本論文采用了基于深度學習的車道線檢測方法,主要工作總結如下:
                    (1)大多車道線檢測算法只是通過視頻仿真測試來驗證,并未工程實踐化,與實際效果往往大相徑庭,本論文提出了基于 BiS eNet V2 神經網絡模型的車道線檢測算法,將其在 6 個不同的數據集上進行測試,并與其他神經網絡模型進行算法比較,最后通過 ROS 將車道線檢測集成化,實驗結果表明該算法具有較好的實際應用價值;
                    (2)改進了基于概率霍夫變換算法的車道線檢測,將邊緣類型分為斷裂邊緣和連貫邊緣。對于斷裂邊緣,在局部霍夫空間能夠反復使用的情況下,利用其中的累加器實施投票,該方式降低了計算量,減輕了內存消耗。對于連貫邊緣,通過一維累加器,即可實現直線判斷,然后,根據序號順序向前向后搜尋,針對相鄰采樣點,確定直線端點的位置,加快了檢測速度。最后,將其工程實踐化;
                    (3)提出的車道線檢測評估方法包括準確性與實時性兩項標準,其中準確性標準包含準確率和橫向偏移等指標,利用評估標準對本論文提出的基于深度學習的車道線檢測算法與傳統方法中的代表性算法進行比較,表明了基于深度學習(BiSeNet V2 神經網絡模型)的車道線檢測算法性能優于改進后的概率霍夫變換算法,前者的準確率約為改進后的概率霍夫變換算法的 3.9 倍,檢測速度約為其 2.9 倍。
                    參考文獻(略)


                    QQ 1429724474 電話 18964107217
                    亚洲se色在线观看,亚洲精品麻豆一二三区,黑黑的长长的硬硬的是什么
                    <p id="xhzlb"></p>

                        <form id="xhzlb"><listing id="xhzlb"><meter id="xhzlb"></meter></listing></form>

                            <address id="xhzlb"><listing id="xhzlb"><menuitem id="xhzlb"></menuitem></listing></address>
                            <address id="xhzlb"><nobr id="xhzlb"><menuitem id="xhzlb"></menuitem></nobr></address>
                                <form id="xhzlb"></form>

                                    <address id="xhzlb"><form id="xhzlb"></form></address>

                                      <address id="xhzlb"><listing id="xhzlb"><nobr id="xhzlb"></nobr></listing></address>