基于深度学习的高效道路车道标记检测及实现开题报告

 2020-02-18 07:02

1. 研究目的与意义(文献综述)

随着我国经济社会持续快速发展,机动车保有量继续保持快速增长态势。据公安部统计,全国机动车保有量达3.25亿辆,与2017年底相比增加1556万辆;机动车驾驶人达4.07亿人,与2017年底相比增加2236万人。同时私家车也增速加快。以个人名义登记的小型和微型载客汽车达1.87亿辆,每百户家庭私家车拥有量已超过40辆。汽车的广泛普及给人们的生活带来便利的同时也给人们的生命安全造成了重大威胁。根据世界卫生组织的调查报告显示,全世界每年超过125万人丧生于道路交通事故,还有2000万至5000万人因受到非致命伤害而终生残疾。道路交通事故给个人、家庭乃至整个国家造成了巨大经济损失,其金额占大多数国家国内生产总值的3%。

通过研制并推广高级驾驶员辅助系统(adas)等智能化系统来提高车辆的安全系数。adas等系统不仅可通过持续辅助驾驶员完成驾驶任务以避免交通事故,还可以为驾驶员提供更完善的驾驶服务。鉴于adas的诸多优点,近二十年来,研究人员将重心逐渐转移到了更加智能的车载系统先进辅助驾驶系统的研究与开发。这类系统能够智能的识别交通场景、预测交通事件,并给出相应的驾驶提醒,采取应急措施,在紧迫情况下辅助驾驶人员进行决策,从而能避免交通事故的发生。同时,自动驾驶技术作为一种缓解甚至解决驾驶安全的重要方法,获得了越来越多的关注,也取得了许多突破。

上述系统都是复杂的智能控制系统,集结机械控制、路径规划、智能感知等多个模块,最终利用车内计算机系统实现自动驾驶操作。高效的车道线检测是感知模块中的重要一环。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

内容、目标

车道线检测主要目的是检测行车道路中的车道线,户外场景图像,情况复杂,车道线检测方法面临较大挑战,不仅要适应结构化道路、光照良好的路况,还要适应复杂路况,如异物覆盖、阴影遮挡、光照不均、车道线破损等情况。车道线检测实现工程化应用还要解决实时性问题。传统方法使用手工提取的特征不足以适应各种场景下的检测任务。本文主要基于深度学习技术,利用海量道路图片数据训练得到车道线分割模型,使用该模型对图片中的车道线进行分割,分割提取出车道标志线的像素区域,最后利用拟合获取车道线并将获取的车道线标到原图像上。

技术方案及措施

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1-3周:收集、整理选题相关的文献资料,完成、完善方案论证,撰写开题报告;

第4-5周:认真学习选题相关的知识、理论和算法实现等,熟悉软硬件环境;

第6-8周:建立软硬件仿真模型、完成程序编写、仿真实验等,并做好相关记录及分析;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1]kim j, lee m. robust lane detection based onconvolutional neural network andrandom sample consensus[c]// international conference on neural information processing. springer, cham, 2014:454-461.

[2]he b, ai r, yan y, etal. accurate and robust lane detection based on dual-view convolutional neutral network[c]// intelligent vehicles symposium. ieee,20i6:i041-i 046.

[3] gurghian a, koduri t, bailur s v, et al.deeplanes: end-to-end lane position estimationusing deep neural networks[c]// computer vision and pattern recognition workshops. ieee, 2016:38-45.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。