基于视觉的实时车道线检测方法开题报告

1. 研究目的与意义

随着城市化的发展和汽车的普及,交通环境日趋恶劣,交通拥挤加剧,交通事故频发,交通问题已经成为全球范围内人们普遍关注的社会问题。基于21世纪信息和计算机技术的高速发展对待道路交通问题上,人们越来越倾向于依靠高科技寻求解决之路,世界各国都竞相开展智能车路系统和智能交通系统。随之,智能车辆导航的概念应运而生。在车辆视觉导航系统中最为关键的技术就是计算机视觉,计算机视觉的主要任务是完成道路的识别和跟踪。

对于车道的检测方法有传统主流方法-基于霍夫变换的车道线检测和深度学习的方法。在深度学习和卷积神经网络的发展下，深度学习的方法成为研究的主流方向，代表方法有目标检测（LANENET网络），语义分割（SCNN），从构建车道线的结构角度出发（Ultra Fast Structure-aware Deep Lane Detection）等。车道线检测是当下热门的学术研究方向之一，同时又是无人驾驶技术中的关键一环，对其研究突破技术方向的问题有很大的学术和现实意义。

2. 研究内容和预期目标

研究内容：

对车道线研究的各种方法进行研究，构建一种车道线检测的网络，做到速度和精度的两者兼顾。

1.研究以《ultra faststructure-aware deep lane detection》为代表的车道线检测论文及其网络架构，对此进行学习和理解。超快车道线检测网络不同于通过检测和分割方式进行车道线检测的网络，它使用局部特征（图片分为若干行后的行特征）来对构成车道线的像素点进行检测，因此计算量相比全像素检测极大减少，满足快速性，达到300 fps。

3. 研究的方法与步骤

研究方法：

1、查阅文献，对车道线检测的理论进行学习和理解。

2、查阅文献，选择一种车道线网络架构作为基本架构，在此网络基础上进行修改。

4. 参考文献

[1]马颂德. 计算机视觉--计算理论与算法基础[m].科学出版社.1999

[2]李兵. 基于视觉的智能车辆自主导航控制的研究[d].吉林大学.2000.

[3]毛星云. opencv3编程入门[m].电子工业出版社.2015

5. 计划与进度安排

1)2022-12-20～2022-2-24 查阅文献资料，翻译英文文献。

2)2022-2-25～2022-3-20 撰写开题报告。

3)2022-3-21～2022-4-10 查阅相关资料，对车道线检测方法进行学习，分析优劣后确定车道线实时检测模型的基本架构，同时完成 pytorch 环境的设置、车道线数据集的下载等工作。