车道偏离预警系统是安全辅助驾驶系统的重要功能模块,系统通过不间断地监测自身车辆与车道边界的相对位置,对潜在车道偏离事件进行全时监控和评估,并在自车偏离车道时,通过闪烁信号灯、蜂鸣器发声和方向盘座椅震动等措施提醒驾驶员。本文在分析此系统功能要求的基础上,研究了基于深度学习的车道偏离预警的关键技术,如自身车辆前方结构化道路上车道检测、车辆横向偏离距离的预测、和车道偏离预警模型的构建。本文主要研究工作如下:(1)研究提出了一种基于方向可控卷积神经网络的车道线检测模型。为了增强前方结构化道路上车道特征的描述能力,提高车道检测精确度,结合方向可控滤波器和卷积神经网络构建了方向可控卷积神经网络捕捉车道所在区域,并利用车道像素梯度和最小二乘法拟合车道所在区域内的车道线特征,从而完成整个车道检测过程。为了避免道路图像中与车道无关的部分对车道检测造成干扰,利用概率投票选取车道线消失点,从而选取感兴趣区域。实验结果表明,相比于霍夫变换和典型的卷积神经网络检测方法,本章模型实现了较准确的车道检测。(2)研究提出了?-greedy长短时记忆型神经网络模型来预测车辆横向偏离距离。提出了利用?-greedy策略改进长短时记忆型神经网络的损失函数,并结合随机梯度下降算法优化神经网络。通过期望最大值算法和Z-score标准化分别对网络的输入数据进行数据缺失处理和数据标准化,降低了神经网络训练的计算成本,提高了神经网络的预测准确度。实验结果表明,相较于线性预测模型和传统的长短时记忆型神经网络预测模型,该模型预测误差较小,并在速度和准确性上取得令人满意的折衷。(3)构建了基于偏离面积预警参数的车道偏离预警模型。为了在不安全的车道偏离事件发生前准确地对驾驶员发出预警,通过前文预测的车辆横向偏离距离,计算自车偏离车道的偏离面积,将偏离面积作为预警参数,并对该模型的预警参数的选取和判断偏离指标进行了理论研究。最后通过实车采集的车道线视频中包含的多种偏离工况,验证了该偏离预警模型的有效性。实验结果表明,相比于CCP车道偏离预警模型和TLC车道偏离预警模型,本文所提出的预警模型预警及时且误警率低。