车道线健康度评估系统研究

扫码查看

原文链接

NETL

中文摘要：车道线作为规范车辆行驶的重要标志，是人工驾驶和自动驾驶车辆需要识别的重要目标之一。但是，车道线在长时间的服役中，会出现不同程度的磨损、变色、变形等损坏，导致无法准确识别，进而可能推断出错误的行驶路线，造成交通事故，因此，需要对车道线及时进行损坏检测和修复。传统的车道线损坏检测方法是人工检测，效率较低。本文首先通过图像采集系统记录车道图像信息，并通过车辆定位系统同步获得精确地车辆位置，基于深度学习实现车道线检测与健康度评估。主要的研究内容如下： (1)设计数据采集系统，实现车辆定位数据和车道线图像数据的同步采集。数据采集系统主要由定位数据采集单元、图像采集单元、控制单元和上位机组成。定位数据采集单元包括GPS、IMU和编码器；图像采集单元采用双相机；控制单元控制数据的采集，然后通过USB发送到上位机进行显示及保存，同时输出相机采集触发信号，触发相机采集图像，并发送到上位机进行显示及保存。 (2)对车辆定位系统进行研究。针对当前定位系统的造价昂贵、安装困难等问题，本文提出了基于扩展卡尔曼滤波(EKF)，融合GPS、IMU及编码器多个传感器数据的车辆组合定位方法。首先介绍了GPS定位系统原理，然后基于扩展卡尔曼滤波建立GPS、IMU和编码器的组合定位算法，最后，将该算法获得的实际路径轨迹与GPS定位路径轨迹进行对比，验证本文算法的有效性。 (3)提出一种基于深度学习的车道线区域检测算法。首先根据逆透视变换原理获取车道线的鸟瞰图，消除车道线透视形变。然后针对MaskR-CNN网络在目标检测时速度过慢的问题，通过改进MaskR-CNN网络的主干和头部网络结构，减少网络计算量，提高检测速度。最后基于车道线的逆透视变换图像构建数据集，测试改进后MaskR-CNN网络性能。 (4)车道线健康度评估算法研究。车道线健康度过低及车道线区域检测器性能问题可能导致鸟瞰图中某些车道线无法准确检测。针对该问题，本文通过定位系统输出定位结果，结合相机视觉测量原理及电子地图，判断鸟瞰图中是否存在车道线；存在车道线时，如果车道线区域检测器未检测出车道线，则认为车道线健康度极差，需要修复，检测出车道线时，采用本文提出的基于深度学习车道线健康度评估方法，实现车道线健康度评估；在判定鸟瞰图中不存在车道线时，不进行车道线健康度评估。基于深度学习的车道线健康度分类评估方法，首先利用车道线检测数据集制作健康度评估数据集，构建数据基准，然后基于深度学习搭建分类器，同时利用健康度评估数据集训练分类，实现健康度评估，最后进行试验验证方案的可行性。

作者：

李新成

展开 >

关键词：

自动驾驶车道线定位系统区域检测健康度评估深度学习

授予学位：

硕士

学科专业：

仪器科学与技术

导师：

周晓

学位年度：

2020

学位授予单位：

武汉理工大学

语种：

中文

中图分类号：