基于深度学习的视频车道线检测技术电子书

前言

第1章 绪论

1.1 研究背景及意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 基于图像处理的车道线检测技术

1.2.2 基于CNN的车道线检测技术

1.3 本书结构概览

第2章 基于深度学习的车道线检测理论基础

2.1 卷积神经网络

2.1.1 卷积层

2.1.2 池化层

2.1.3 激活函数

2.1.4 全连接层

2.1.5 批量归一化层

2.1.6 损失函数

2.2 卷积神经网络的应用

2.2.1 目标检测

2.2.2 图像分割

2.3 车道线检测

2.3.1 基于传统方法的车道线检测

2.3.2 基于深度学习的车道线检测

2.4 数据集

2.4.1 交通场景数据集

2.4.2 车道线检测数据集

2.4.3 数据集总结

2.5 数据预处理

2.6 性能评估

本章小结

第3章 基于Swin Transformer的车道线检测技术

3.1 系统概述

3.2 网络设计

3.2.1 车道边缘建议网络

3.2.2 车道线定位网络

3.3 训练策略

3.3.1 车道边缘建议网络

3.3.2 车道线定位网络

3.4 实验和结果

3.4.1 数据集

3.4.2 超参数设置和硬件环境

3.4.3 性能评估

3.4.4 测试结果可视化

本章小结

第4章 基于深度混合网络的连续多帧驾驶场景的鲁棒车道线检测技术

4.1 系统概述

4.2 网络设计

4.2.1 优化的MAE网络

4.2.2 掩码技术

4.2.3 基于MAE架构的编解码器网络

4.3 训练策略

4.4 实验和结果

4.4.1 数据集

4.4.2 超参数设置和硬件环境

4.4.3 实验评估和比较

4.4.4 消融实验

4.4.5 结果与讨论

本章小结

第5章 基于深度学习的视频车道线检测技术

5.1 时空记忆网络

5.1.1 Key与Value空间的嵌入张量

5.1.2 STM网络结构

5.2 多级记忆聚合模块

5.3 Siamese网络

5.3.1 深度相似性学习

5.3.2 全卷积暹罗网络

5.4 自适应模板匹配

5.4.1 目标的嵌入向量

5.4.2 自适应模板匹配与更新

本章小结

第6章 基于MMA-Net的轻量级视频实例车道线检测技术

6.1 FMMA-Net网络结构

6.2 记忆帧编码器设计

6.2.1 ResNet-18-FA网络结构

6.2.2 融合与注意力模块

6.3 查询帧编码器设计

6.3.1 STDC网络结构与分析

6.3.2 G-STDC网络结构

6.3.3 全局上下文模块

6.4 网络的损失函数

6.4.1 实例车道线存在预测损失函数

6.4.2 实例车道线的mIoU损失函数

6.4.3 总损失函数

6.5 实验结果与分析

6.5.1 VIL-100数据集

6.5.2 图像级评价标准

6.5.3 实验环境搭建与训练

6.5.4 定量实验结果与分析

6.5.5 定性实验结果与分析

6.5.6 融合与注意力模块的有效性

6.5.7 全局上下文模块的有效性

本章小结

第7章 基于记忆模板的多帧实例车道线检测技术

7.1 网络整体结构

7.2 记忆模板的工作原理

7.3 记忆模板的结构设计

7.3.1 全局动态特征

7.3.2 局部动态特征

7.4 模板匹配与时空记忆中的固有误差

7.4.1 模板匹配中的固有误差分析

7.4.2 时空记忆中的固有误差分析

7.4.3 记忆固有误差传播

7.5 多目标转移矩阵损失函数

7.6 实验准备

7.6.1 TuSimple数据集

7.6.2 CULane数据集

7.6.3 视频级车道线评价标准

7.6.4 实验环境搭建

7.6.5 训练结果

7.7 消融实验结果与分析

7.7.1 记忆的有效性

7.7.2 融合与注意力模块的有效性

7.7.3 记忆模板的有效性

7.7.4 多目标转移矩阵的有效性

7.8 对比实验结果与分析

7.8.1 在VIL-100中定量分析与对比

7.8.2 在VIL-100中定性分析与对比

7.8.3 在TuSimple中进行定量与定性分析与对比

7.8.4 在CULane中进行定量与定性分析与对比

7.9 实车实验

7.9.1 实验装置介绍

7.9.2 相机标定模型搭建

7.9.3 相机标定实验

7.9.4 实时视频检测

本章小结

第8章 未来展望与发展趋势

8.1 深度学习技术的进一步应用

8.2 智能交通系统的发展前景

8.3 车道线检测技术的创新方向

参考文献