1. 研究目的与意义（文献综述）

长期以来，道路识别是自动驾驶中一直等待被解决的问题，相关的技术一直掌握在少数公司手中，无法被广泛普及，大多数发表的文章都是停留在概念和抽象分析的层面上，并没有深入进行分析。道路识别本质上就是图像分割，而图像分割指的是从将一幅图片从语义上划分多个部分，从而清晰地得到语意元素在图像中的大小和位置，这些信息将作为后续图像处理的基础。目前国内外的研究主要是通过卷积网络(convolutional neural network, cnn)和全卷积网络(fullyconvolutional network, fcn)组成。

其中cnn通常在卷积层之后会接上若干个全联接层， 将卷积层产生的特征图映射成一个固定长度的特征向量。cnn适合于图像级分类任务，因为它们最后会得到整个输入图像的一个概率向量。利用cnn来判断图像中的某个像素是否属于车道时，我们通常需要分析它临近的若干像素，而窗口的大小就决定了哪些临近像素会被考虑。它的缺点很明显，表现在计算量巨大、存储开销巨大、窗口大小不确定、窗口大小限制了感知区域的大小。

而fcn将传统cnn中的全联接层转化成一个个的卷积层。由于经过多次卷积和池化后，得到的图像越来越小，分辨率越来越低，为了从这个分辨率低的粗略图像恢复到原图的分辨率，fcn使用了上采样。例如经过5次卷积（和池化）后，图像的分辨率依次缩小了2，4，8，16，32倍。对于最后一层的输出图像，需要进行32倍的上采样，一得到和原图一样的大小。而上采样是通过反卷积实现的。

2. 研究的基本内容与方案

本毕业设计研究的基本内容是利用全卷积网络（fcn）进行图像处理。最终实现将输入图像是车辆前方的道路图像（由固定在前挡风玻璃上的摄像头所拍摄）进行识别处理，输出将图中道路标绿的图像。

在具体毕业设计进行过程中，我打算按照以下流程进行相关知识的学习和毕业设计的实施。

（1）python 和matlb 编程能力强化：由于机器学习相关大都是用python语言实现的，而matlab是优秀的矩阵计算工具，所以学习和强化python和matlab能力是很必要的

3. 研究计划与安排

（1）2019/1/14—2019/1/23：查阅参考文献，明确选题；

（2）2019/1/23—2019/2/28：进一步阅读文献，完成开题报告；翻译英文资料，并交予指导教师检查。

（3）2019/2/28—2019/3/15：mlatlb和python学习，coursera上机器学习课程的学习。

4. 参考文献（12篇以上）

[1] 叶子豪, 孙锐, 王慧慧. 基于全卷积神经网络与条件随机场的车道识别方法[j]. 光电工程, 2019, 46(2): 180274.

[2] 李琳辉,钱波,连静,郑伟娜,周雅夫. 基于卷积神经网络的交通场景语义分割方法研究[j]. 通信学报, 2018, 39(4): 123-130.

[3] 王海, 蔡英凤, 贾允毅, 等. 基于深度卷积神经网络的场景自适应道路分割算法[j]. 电子与信息学报, 2017, 39(2): 263-269.