1. 研究目的与意义
在人工智能在人们生活中扮演着越来越重要的角色的今天，机器更加自动化智能化，诸如现发展较成熟的AI智能语音助理：Google Assistant、Apple Siri、Amazon Alexa、Microsoft Cortana一声呼唤就可以帮助人们处理事物，完成想要的操作，解放了双手。
这样自然少不了人们对于自动驾驶的期待和盼望，在道路拥堵的市区，我们有了汽车的辅助自动排队功能；在高速公路中，我们有定速巡航功能；甚至现在还有造福新手的自动倒车入库功能。
然而这些都仅仅是辅助人类驾驶的功能，无法单独完成更加智能和自动化的要求。
2. 课题关键问题和重难点
课题关键问题：（1）熟悉python语言 （2）掌握python编译器PyCharm的使用 （3）学习机器学习的基本原理和运用方法 （4）学习机器学习应用于图像识别的方法 （5）学习机器学习中的不同算法的由来、原理和使用难点：（1） 对我来说python是未接触过的语言，也没有用过其编译器，需要在短时间内自学并上手。
（2） 算法需要调参数，这个需要不断的尝试不同参数寻找到算法的正确和最优结果。
并且有时候看似最优的参数也可能存在问题，因为它可能是局部最优参数而不是全局最优参数，因此需要考虑周全并多加分析。
3. 国内外研究现状（文献综述）
在图像预处理时，我们运用到了超像素的概念，就是把一副原本是像素级别的图划分成区域级的图，属于图像分割的范畴。
我们在图片进行超像素分割后，会得到许多大小不一的区域，从中我们可以提取有效信息，比如颜色直方图、纹理信息等等。
在道路识别中，我们可以对道路图像进行超像素分割，在分割后的小区域中进行特征提取，识别每个区域是否为可行道路。
4. 研究方案
可以应用于机器学习上的编程语言有很多，如Python, C , R, MATLAB, Java, Julia等等。
Python既不是最快的语言，也不是最容易学习的语言，我们之所以选择Python是因为其编程的简单性和Python提供的大量数据库。
有时候C 需要的几十行的语句，在Python中只需要简单的两行代码。
5. 工作计划
第1周确定毕业设计题目，查阅中外文文献，掌握复杂道路边缘检测和机器学习的原理；第2周继续查阅相关资料，并翻译不少于3000字的外文文献，论证设计的可行性，研究设计方案和设计思路，撰写毕业设计开题报告；第3周确定设计方案和关键技术，拟定采取的解决措施，搭建好识别所用的软件平台；第4周收集用于机器学习识别道路边缘的数据库，并对数据进行预处理并优化；第5-6周：构建框架进行学习，尝试多种算法，比较不同算法的效果并记录，为论文做准备；第7-9周编写优化算法，尝试对识别的图像做标记；第10周优化设计，同时列写毕业论文大纲，准备起草论文；第11周：进行系统的整体调试，整理资料，撰写毕业论文；第12周修改、完善毕业论文，本周末提交毕业论文； 第13周：准备毕业答辩。
以上是毕业论文开题报告，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。
