论文部分内容阅读
车道线识别算法是高级辅助驾驶系统的重要组成部分,可提供可靠的车道线数据。本文将前沿的深度学习技术和传统的图像处理方法相结合,基于TensorFlow和OpenCV设计车道线识别算法,完成车道线特征的提取和车道线模型的建立等工作。由车道线识别算法构成的车道线识别系统在测试中具有图像高识别率和运算高效率等优点,并在车辆阴影、光照条件等变化的外界环境下具备优异的鲁棒性。图像数据集用于训练神经网络模型。LabelMe用作图像标注软件,由人工提取原始道路图像中的车道线特征。图像预处理方法对标注图像和原始道路图像进行处理,使图像的数据结构达到神经网络模型的要求。TFRecord数据存储格式将预处理图像封装成图像数据集。车道线特征通过神经网络模型提取。先由TensorFlow搭建神经网络模型,在模型中引入线性加权和法计算反卷积层的输入数据,可以有效地弱化池化层引起的输出图像分辨率降低的影响。在模型的训练中,定义交叉熵函数作为损失函数,并采用梯度下降和滑动平均算法更新和优化模型的参数。经过10万轮训练后,通过分析学习率、滑动平均算法的衰减率、损失值以及权重的变化情况,判断模型趋于稳定,并形成专有的特征提取能力。最后介绍利用训练后的模型从原始道路图像中提取车道线特征的方法。车道线模型生成车道线数据。阈值可变的二值化方法采用F4-measure作为二值化评估标准,从随机选取的图像样本中利用统计方法获取图像的最优二值化阈值与像素值之和的关系,比传统二值化方法至少提高1.68%的F4增长值。按照车道线形状特征设立图像扫描条件,可有效地去除图像中的其它干扰项,且通过图像扫描获取的车道线坐标点能准确地落入车道线区域内。用于拟合车道线形状的车道线函数,能够根据捕获的车道线坐标点的数量动态地调整最高次数,采用逆矩阵求解线性方程的方法可以快速地获得车道线函数中未知系数的值。为了保证求解方法的有效性,本文提出并证明在限制性条件下,系数矩阵的可逆性问题。车道线识别系统集成车道线识别算法。首先说明车道线识别系统运行所依赖的硬件和软件环境,并介绍系统内部的工作原理。然后通过测试系统在所设置的硬件环境下对一张原始道路图像完成车道线识别任务所消耗的时间为68.469 ms,计算出系统的处理能力约为14 Hz。最后,F1-measure方法综合评估系统的识别效果,在随机选取的400张原始道路图像的测试中,该系统获得的精确率、召回率和F1分数的平均值分别为92.433%、96.439%和94.210%,表明该系统的综合性能在同类系统中处于先进水平。