- 研究背景
随着人类社会的发展，汽车逐渐走进了人们的日常生活当中，不断地改变着人们的
出行方式。汽车的普及在带来便利生活的同时，也带来了鲜血和泪水，随着汽车数量的不断增加，速度的不断提高，交通事故发生的频率也在与日俱增[1]。据有关部门统计，因汽车数量剧增和驾驶人数骤长带来的交通压力，我国每年出现大约50万起交通事故，死亡人数超过10万人，数据仍逐年呈上升趋势。其中以醉酒驾驶、超速行驶、疲劳驾驶等原因居多，80%以上的交通事故都是由于驾驶人员反应不及时造成的[2]-[4]。据奔驰公司对各类交通事故研究表明，如果驾驶人员能够提前意识到事故发生并采取正确措施，大多数的交通事故是可以减小到最低伤害甚至避免发生。
因此，人们开发了一系列汽车自主安全产品，如汽车防撞系统、自动避障系统等主
动式汽车安全辅助装置，这能够有效地减少驾驶人员的错误判断，减轻人们长时间驾驶带来的负担，从而降低交通事故发生的频率，确保即使发生交通事故，驾驶人员的生命安全也会得到一定的保障。所以，未来的汽车必然向着智能化的阶段发展，具有自动识别道路标识线和各种交通标志牌、自动识别和躲避道路障碍物等功能，当车与车之间或车与障碍物之间小于安全距离时，能够自动减速或制动用来保持安全距离。这将极大地提高驾驶的安全性能，减少交通事故的发生概率。
基于以上现状，本课题拟就无人车驾驶中的车道线环境建模问题做一些探讨，希望能够提高识别效率和精度。
（二）深度学习
（I）深度学习的概念
自从2006年Hinton在Science上的论文算起，深度学习发展至今还不到十年[5]，但作为一种颠覆传统算法设计思路的新模式，深度学习（输入程序——输入数据——计算机学习数据）在信号处理等方面比传统的“人工制定规则让计算机学习”方法快得多。因此近几年来越来越被人们所采用。深度学习本质上是多层神经网络，其每一层都由一个线性变换和一个简单的非线性操作组成，因此多层神经网络就是多个简单的非线性函数的复合[6]。
（II）卷积神经网络
基于深度学习的框架有很多网络模型，其中应用较多的有深度置信网络DBN，堆叠自编码器SAE，递归神经网络RNN，深度卷积网络CNN等[7]，本课题拟利用深度卷积网络框架（以下简称CNN）建立模型，因此在课题前期我们主要研究这一框架。CNN的基本结构包括特征提取层（S层）和特征映射层（C层）两个部分。其中S层与上一层的局部接受域相连，负责提取该局部的特征。卷积神经网络对输入样本有较好的畸变容忍能力，并且，由于其局部权值共享的特殊结构，使得它在图像处理和语音识别领域，尤其是大型图像处理方面有很大的优越性[8]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
