摘 要

科技的发展和生活水平的提升使得人们的出行选择变得多样，汽车成为最主要的交通工具，随之而来的驾驶安全问题也越发突出，交通事故已经是人们生命财产安全的一个不能忽视的威胁。驾驶时最重要的任务就是保持汽车在规定的车道上按照指定的速度行驶，汽车一旦偏离预定的车道，发生驾驶事故的概率就会大增，因此车道检测对避免驾驶事故有着特殊意义。本文利用基于深度学习对道路车道做高效检测，主要通过卷积神经网络来进行特征提取，识别车道区域和非车道区域。

本文设计的车道检测项目主要包含三个模块：数据预处理模块，训练CNN模块，车道检测与显示。预处理模块主要功能是制作数据集，该模块使用了基于计算机视觉的技术，挑选出合适的图像作为训练图像，将训练图像中的车道线标红，得到车道线像素点，拟合出二项式函数，根据这些函数画出车道线，并将车道线之间填充为绿色作为训练标签。训练CNN模块是创建一个卷积神经网络，用数据集训练出一个模型。车道检测与显示模块功能是用训练好的模型进行车道检测，生成车道检测的处理视频，其中车道用绿色标识出来。

关键词：车道检测；深度学习；卷积神经网络；数据集

Abstract

With the development of economy and technology, automobiles have become the most important way of transportation, and the driving safety problem has become more and more prominent, which has become a major threat to people's life and property security. The most important task of driving is to keep the car running at the specified speed on the specified lane. Once the car deviates from the predetermined lane, the probability of traffic accidents will increase greatly. Therefore, lane detection is of great significance to avoid traffic accidents. In this paper, a lane detection method based on deep learning . The convolution neural network is used to identify Lane area and non-lane area.

The lane detection project designed in this paper mainly includes three modules: data preprocessing module, training convolution neural network, lane detection and display. The main function of the preprocessing module is to make data sets. The module uses computer vision technology to select the appropriate image as training image, mark the lane line red in the training image, get the lane line pixel points, fit the binomial function, draw the lane line according to these functions, and fill the lane with green as training label. The training neural network module is to create a convolution neural network and train a model with data sets. The function of lane detection and display module is to detect the lane with the trained model and generate the processing video of lane detection, in which the lane is marked with green.

Key Word: lane detection；deep learning；Convolutional Neural Network

目录

第1章 绪论 1

1.1 研究背景及目的与意义 1

1.2 车道检测需求分析 1

1.3 国内外研究现状 2

第2章 卷积神经网络理论基础 4

2.1 卷积神经网络特点 4

2.2 卷积神经网络的网络结构 5

第3章 基于卷积神经网络的车道检测设计与实现 10

3.1 基于卷积神经网络的车道检测设计 10

3.2 基于卷积神经网络的车道检测实现 11

3.2.1 数据预处理 11

3.2.2 卷积神经网络的构建 14

第4章 实验结果与分析 19

4.1 实验环境搭建 19

4.2 神经网络训练 19

4.3 车道检测结果与分析 20

第5章 总结 23

参考文献 24

致谢 25

第1章 绪论

1.1 研究背景及目的与意义

伴随我国经济科技稳步提升，汽车拥有量一直表现出迅猛增长的势头。公安部的数据显示，目前全国汽车拥有量达3.25亿辆，与2017年底相比增加1556万辆，汽车驾驶员达4.07亿人，与2017年底相比增加2236万人。同时私家车拥有量也增速加快。汽车的广泛使用极大程度的提升了交通的效率，但也直接影响到了人们的安全。根据世界卫生组织的调查报告显示，全球因道路交通死亡的人数持续攀升，每24秒就有人丧生且每年死亡人数高达135万人，全球死于道路事故人数在短短三年增加约十万人，车祸如今是5至29岁孩童跟年轻人的主要杀手。还有2000万至5000万人因受到非致命伤害而终生残疾。

相关从业者不断提出丰富多样的应对措施来避免由于车辆偏离正常行驶路线而造成的交通事故，车道偏离预警系统^[2]是当今使用较多的帮助司机保持正常行驶的系统，它在车辆移动出当前行驶车道时进行提醒，甚至进一步自动进行制动以保证汽车安全行驶，从而避免车辆行驶发生意外。

自动驾驶是计算机视觉和机器人技术研究的主要焦点，也为缓解甚至解决汽车交通安全提供了重要的手段，日益受到人们的关注。自动驾驶汽车技术^[1]包含人工智能、视觉处理、雷达、监控设备和定位系统的协同合作。如今自动驾驶技术已有多种方案，不论何种方案，都离不开利用各种传感器和控制模块，感知汽车周边的环境，涉及车道检测，行人检测，车辆检测等。