基于深度學習的視頻車道線檢測技術(shù)

第1章 緒論     001
1.1 研究背景及意義     002
1.1.1 研究背景     002
1.1.2 研究意義     003
1.2 國內(nèi)外研究現(xiàn)狀     005
1.2.1 基于圖像處理的車道線檢測技術(shù)     007
1.2.2 基于CNN的車道線檢測技術(shù)     008
1.3 本書結(jié)構(gòu)概覽     013
第2章 基于深度學習的車道線檢測理論基礎(chǔ)     015
2.1 卷積神經(jīng)網(wǎng)絡(luò)     016
2.1.1 卷積層     016
2.1.2 池化層     017
2.1.3 激活函數(shù)     017
2.1.4 全連接層     018
2.1.5 批量歸一化層     019
2.1.6 損失函數(shù)     019
2.2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用     020
2.2.1 目標檢測     021
2.2.2 圖像分割     021
2.3 車道線檢測     023
2.3.1 基于傳統(tǒng)方法的車道線檢測     023
2.3.2 基于深度學習的車道線檢測     024
2.4 數(shù)據(jù)集     027
2.4.1 交通場景數(shù)據(jù)集     028
2.4.2 車道線檢測數(shù)據(jù)集     032
2.4.3 數(shù)據(jù)集總結(jié)     036
2.5 數(shù)據(jù)預(yù)處理     038
2.6 性能評估     039
本章小結(jié)     040
第3章 基于Swin Transformer的車道線檢測技術(shù)     041
3.1 系統(tǒng)概述     042
3.2 網(wǎng)絡(luò)設(shè)計     044
3.2.1 車道邊緣建議網(wǎng)絡(luò)     044
3.2.2 車道線定位網(wǎng)絡(luò)     048
3.3 訓(xùn)練策略     049
3.3.1 車道邊緣建議網(wǎng)絡(luò)     049
3.3.2 車道線定位網(wǎng)絡(luò)     050
3.4 實驗和結(jié)果     052
3.4.1 數(shù)據(jù)集     052
3.4.2 超參數(shù)設(shè)置和硬件環(huán)境     053
3.4.3 性能評估     053
3.4.4 測試結(jié)果可視化     057
本章小結(jié)     065
第4章 基于深度混合網(wǎng)絡(luò)的連續(xù)多幀駕駛場景的魯棒車道線檢測技術(shù)     067
4.1 系統(tǒng)概述     068
4.2 網(wǎng)絡(luò)設(shè)計     069
4.2.1 優(yōu)化的MAE網(wǎng)絡(luò)     069
4.2.2 掩碼技術(shù)     070
4.2.3 基于MAE架構(gòu)的編解碼器網(wǎng)絡(luò)     070
4.3 訓(xùn)練策略     077
4.4 實驗和結(jié)果     078
4.4.1 數(shù)據(jù)集     078
4.4.2 超參數(shù)設(shè)置和硬件環(huán)境     080
4.4.3 實驗評估和比較     080
4.4.4 消融實驗     094
4.4.5 結(jié)果與討論     095
本章小結(jié)     096
第5章 基于深度學習的視頻車道線檢測技術(shù)     097
5.1 時空記憶網(wǎng)絡(luò)     098
5.1.1 Key與Value空間的嵌入張量     098
5.1.2 STM網(wǎng)絡(luò)結(jié)構(gòu)     099
5.2 多級記憶聚合模塊     101
5.3 Siamese網(wǎng)絡(luò)     104
5.3.1 深度相似性學習     104
5.3.2 全卷積暹羅網(wǎng)絡(luò)     105
5.4 自適應(yīng)模板匹配     106
5.4.1 目標的嵌入向量     106
5.4.2 自適應(yīng)模板匹配與更新     107
本章小結(jié)     110
第6章 基于MMA-Net的輕量級視頻實例車道線檢測技術(shù)     111
6.1 FMMA-Net網(wǎng)絡(luò)結(jié)構(gòu)     112
6.2 記憶幀編碼器設(shè)計     112
6.2.1 ResNet-18-FA網(wǎng)絡(luò)結(jié)構(gòu)     115
6.2.2 融合與注意力模塊     115
6.3 查詢幀編碼器設(shè)計     118
6.3.1 STDC網(wǎng)絡(luò)結(jié)構(gòu)與分析     119
6.3.2 G-STDC網(wǎng)絡(luò)結(jié)構(gòu)     123
6.3.3 全局上下文模塊     124
6.4 網(wǎng)絡(luò)的損失函數(shù)     125
6.4.1 實例車道線存在預(yù)測損失函數(shù)     125
6.4.2 實例車道線的mIoU損失函數(shù)     125
6.4.3 總損失函數(shù)     126
6.5 實驗結(jié)果與分析     126
6.5.1 VIL-100數(shù)據(jù)集     126
6.5.2 圖像級評價標準     128
6.5.3 實驗環(huán)境搭建與訓(xùn)練     130
6.5.4 定量實驗結(jié)果與分析     130
6.5.5 定性實驗結(jié)果與分析     131
6.5.6 融合與注意力模塊的有效性     131
6.5.7 全局上下文模塊的有效性     133
本章小結(jié)     136
第7章 基于記憶模板的多幀實例車道線檢測技術(shù)     137
7.1 網(wǎng)絡(luò)整體結(jié)構(gòu)     138
7.2 記憶模板的工作原理     138
7.3 記憶模板的結(jié)構(gòu)設(shè)計     141
7.3.1 全局動態(tài)特征     141
7.3.2 局部動態(tài)特征     142
7.4 模板匹配與時空記憶中的固有誤差     145
7.4.1 模板匹配中的固有誤差分析     145
7.4.2 時空記憶中的固有誤差分析     146
7.4.3 記憶固有誤差傳播     146
7.5 多目標轉(zhuǎn)移矩陣損失函數(shù)     149
7.6 實驗準備     151
7.6.1 TuSimple數(shù)據(jù)集     151
7.6.2 CULane數(shù)據(jù)集     152
7.6.3 視頻級車道線評價標準     152
7.6.4 實驗環(huán)境搭建     154
7.6.5 訓(xùn)練結(jié)果     155
7.7 消融實驗結(jié)果與分析     156
7.7.1 記憶的有效性     157
7.7.2 融合與注意力模塊的有效性     158
7.7.3 記憶模板的有效性     158
7.7.4 多目標轉(zhuǎn)移矩陣的有效性     159
7.8 對比實驗結(jié)果與分析     161
7.8.1 在VIL-100中定量分析與對比     161
7.8.2 在VIL-100中定性分析與對比     162
7.8.3 在TuSimple中進行定量與定性分析與對比     164
7.8.4 在CULane中進行定量與定性分析與對比     165
7.9 實車實驗     168
7.9.1 實驗裝置介紹     168
7.9.2 相機標定模型搭建     170
7.9.3 相機標定實驗     172
7.9.4 實時視頻檢測     174
本章小結(jié)     178
第8章 未來展望與發(fā)展趨勢     179
8.1 深度學習技術(shù)的進一步應(yīng)用     180
8.2 智能交通系統(tǒng)的發(fā)展前景     181
8.3 車道線檢測技術(shù)的創(chuàng)新方向     182
參考文獻     183