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。

现阶段主流的车道检测主要是基于车道线的检测，采用的技术大多都是在霍夫变换的基础上所做的改进，然而传统的霍夫变换并不能达到实时性的要求，同时 Canny算子中高斯滤波、极大值抑制等过程耗时都比较大。部分算法使用车道模型来匹配边缘检测的结果，但是都不能在实时性与准确性之间达到较好的平衡。近几年随着深度学习的广泛应用，国内外提出了一些结合深度学习的车道检测方法，例如ANN(2D/3D artificial neural network)算法提出了一种基于图像分割的道路检测方法，这种分割是将二维和三维图像处理数据从立体视觉系统中合并而成，最后道路模式识别是由一个人工神经网络进行的，它经过训练以获得该特征描述符的最终结果，但是这种算法准确率并不高且运行时间达到了3s。BM(binary map from color-based roaddetection)算法将一个图像转换成一个对数色度空间并提供标识，然后样本像素 从假定的“道路”区域随机选择，并且来对图像的像素进行分类，最后基于立体视觉对三维道路轮廓估计和增强检测精度。但BM算法的准确性和实时性都只能达到一般的效果。FCN-LC(fullyconvolutional neural network with large context)算法采用一个全卷积神经网络，实时性与准确性均达到可观的效果，但是整体效果仍然存在些不足，主要体现在图像的精细程度和空间一致性方面。

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

（2）coursera机器学习：coursera是斯坦福大学教授创办的学习网站，上面相关机器学习以及神经网络方面的课程有较高的价值。

（3）tensorflow keras环境搭建：想要顺利地进行建模和训练，使用现在已经较为成熟的Anaconda CUDA cuDNN MinGU TensorFlow Keras Python3 Jupyter的机器学习环境会更加轻松。

（4）进行全卷积网络结构的搭建，进行参数的调整，得到初步的成果。