一种获取无人驾驶所需动态交通信息的方法技术

本发明专利技术公开了一种获取无人驾驶所需动态交通信息的方法，包括：训练样本制作；基于yolo3建立Darknet神经网络模型，将相邻检测矩形的识别结果，通过关联概率来确定是否为某一整体对象的局部，从而重新定位目标在图像上的区域，并输出样本的识别类别ID和相应得分；将识别的目标整体作为模板，在视频帧数范围内通过模板与后续若干帧的图像做模板比对，以确定该目标在后续的图像中出现的位置，通过比对值和出现的位置来判定可信度，预测其可能的位移趋势。本发明专利技术识别的道路动态事物的识别及其运动趋势的预测为无人驾驶的车辆提供路径规划和运动控制的决策信息，为路径规划的价值估算提供有力参考。

A Method of Obtaining Dynamic Traffic Information for Unmanned Drivers

The invention discloses a method for obtaining dynamic traffic information for unmanned driving, which includes: making training samples; building Darknet neural network model based on Yolo 3, identifying the recognition results of adjacent detection rectangles, and determining whether it is part of a whole object by correlation probability, so as to reposition the target on the image. Region, and output the recognition category ID and corresponding score of the sample; take the identified target as a template, compare the template with the image of several subsequent frames in the range of the number of video frames, to determine the position of the target in the subsequent image, determine the credibility by comparing the value and the position of the target, and predict its occurrence. Possible displacement trends. The identification of road dynamic objects and the prediction of their motion trend identified by the invention provide decision information for path planning and motion control for driverless vehicles, and provide a strong reference for the value estimation of path planning.

【技术实现步骤摘要】
一种获取无人驾驶所需动态交通信息的方法
本专利技术属于无人驾驶
，具体涉及一种获取无人驾驶所需动态交通信息的方法。
技术介绍
无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。现有技术中，对于动态交通信息的识别方法较为繁琐复杂，而且准确性较低，因此无人驾驶的车辆不能准确获取道路动态事物及其运动趋势，无人驾驶的车辆不能进行合理的路径规划和运动控制的决策。
技术实现思路
为了解决上述问题，本专利技术提供了一种获取无人驾驶所需动态交通信息的方法，识别的道路动态事物的识别及其运动趋势的预测。本专利技术的技术方案为：一种获取无人驾驶所需动态交通信息的方法，包括以下步骤：(1)训练样本制作；(2)获取一帧图像，格栅化当前帧图像，以格栅区域作为检测中心生成相应的检测矩形，并将检测矩形区域的图像通过神经网络识别分类；(3)将相邻检测矩形的识别结果，通过关联概率来确定是否为某一整体对象的局部，从而重新定位目标在图像上的区域，并输出样本的识别类别ID和相应得分；(4)将识别的目标整体作为模板，在视频帧数范围内通过模板与后续若干帧的图像做模板比对，以确定该目标在后续的图像中出现的位置，通过比对值和出现的位置来判定可信度，预测其可能的位移趋势，当比对值超出阈值或该对象出现的位置具有跳跃性时，则视为目标物丢失；(5)经过模板对比后，通过神经网络识别出的对象位置区域和模板比对的对象区域位置的重合度来确认需要追踪的对象区域，并更新模板，以优化结果，准确预测其运动趋势。作为优选，所述步骤(1)中使用LabelImg软件对实景图通过矩形框进行对象的标注，添加分类，生成样本数据库。作为优选，所述图像经由采用广角星光级相机拍摄，广角星光级相机的视角覆盖车身前部和左右两侧。作为优选，所述广角星光级相机的焦距为3～4mm。作为优选，所述样本数据库中的样本包括从不同角度、远近以及光照条件下拍摄的汽车、卡车、非机动车以及行人的图像。作为优选，在识别道路上的动态信息后，将通过其占据图像的区域大小来作为对象远近的标尺，筛选出重点关注对象，该重点关注对象将侧重计算其相对运动趋势。与现有技术相比，本专利技术的有益效果体现在：本专利技术中模型的训练测试精度达95.82％，实际路测精度90.44％，且对于复杂场景(包括颠簸状态、各类识别对象有些许重叠以及距离较远导致的对象些许失真)下的各类交通参与者都可以准确识别。本专利技术识别的道路动态事物的识别及其运动趋势的预测为无人驾驶的车辆提供路径规划和运动控制的决策信息，为路径规划的价值估算提供有力参考。附图说明图1为本专利技术的流程示意图。图2为本专利技术中动态信息识别分类预测结果示意图。图3为本专利技术中识别结果的对象模板示意图。图4为本专利技术中模板比对结果示意图。图5为本专利技术中模板比对结果示意图。具体实施方式实施例1本实施例采用多个广角星光级相机(3-4mm焦距)，视角覆盖车身前部和左右两侧。焦距越小，图像畸变越严重，所以不建议使用焦距过小的相机。对相机进行校准，一定程度上消除图像畸变，获得相机参数，用于目标空间定位估算。(1)训练样本制作：使用LabelImg软件对实景图通过矩形框进行对象的标注，添加分类，生成样本数据库，样本包含各类汽车，卡车，非机动车，行人等，并从不同角度，远近和光照条件下拍摄，例如在应用路段不同天气，不同时间条件情况下，采集。(2)基于yolo3建立Darknet神经网络模型，首先格栅化当前帧图像，以格栅区域作为检测中心生成相应的检测矩形，并将检测矩形区域的图像通过神经网络识别分类。(3)并将相邻检测矩形的识别结果通过关联概率来确定是否为某一整体对象的局部，从而重新定位目标在图像上的区域，并输出样本的识别类别ID和相应得分。(4)将识别的目标整体作为模板，在一定视频帧数范围内通过模板与后续若干帧的图像做模板比对(如cv2.TM_SQDIFF)来确认该目标在后续在图像中出现的位置，通过比对值和出现位置的合理程度来判定其可信度，来预测其可能的位移趋势。当比对值超出阈值时，或该对象出现的位置具有跳跃性则视为目标物丢失。(5)同时在模板比对后，可以通过神经网络识别出的对象位置区域和模板比对的对象区域位置的重合度来确认需要追踪的对象区域，并跟新模板，来优化结果，准确预测其运动趋势。(6)当该对象的模板比对失败后，说明该对象与生成模板时差异较大，如发生旋转，或大小变化较大，或确实不在相机视角中。所以不建议当前模板与后续太多的帧比对。此时，需要重新生成模板，来计算新对象的相对运动趋势。(7)在识别道路上的动态信息后，还将通过其占据图像的区域大小来作为对象远近的标尺，筛选出重点关注对象，这些对象将侧重计算其相对运动趋势。本专利技术受制于识别对象的不确定性，样本量应尽量充实，并且样本场景需要尽量丰富，不可避免的识别对象重叠的现象，仍然需要将识别对象的局部作为识别对象样本进行输入，对于由此可能出现的模型复杂不收敛的问题，在制作样本集时设定标准，对象特征被遮挡50％以上则不作为对象样本在动态信息的识别和运动趋势的预测方面，为提高一定距离内事物识别和预测的准确率，可添加深度相机与彩色图像相结合，建立样本。更准确的获取目标物体的位置信息。本文档来自技高网...

【技术保护点】
1.一种获取无人驾驶所需动态交通信息的方法，其特征在于，包括以下步骤：(1)训练样本制作；(2)获取一帧图像，格栅化当前帧图像，以格栅区域作为检测中心生成相应的检测矩形，并将检测矩形区域的图像通过神经网络识别分类；(3)将相邻检测矩形的识别结果，通过关联概率来确定是否为某一整体对象的局部，从而重新定位目标在图像上的区域，并输出样本的识别类别ID和相应得分；(4)将识别的目标整体作为模板，在视频帧数范围内通过模板与后续若干帧的图像做模板比对，以确定该目标在后续的图像中出现的位置，通过比对值和出现的位置来判定可信度，预测其可能的位移趋势，当比对值超出阈值或该对象出现的位置具有跳跃性时，则视为目标物丢失；(5)经过模板对比后，通过神经网络识别出的对象位置区域和模板比对的对象区域位置的重合度来确认需要追踪的对象区域，并更新模板，以优化结果，准确预测其运动趋势。

【技术特征摘要】
1.一种获取无人驾驶所需动态交通信息的方法，其特征在于，包括以下步骤：(1)训练样本制作；(2)获取一帧图像，格栅化当前帧图像，以格栅区域作为检测中心生成相应的检测矩形，并将检测矩形区域的图像通过神经网络识别分类；(3)将相邻检测矩形的识别结果，通过关联概率来确定是否为某一整体对象的局部，从而重新定位目标在图像上的区域，并输出样本的识别类别ID和相应得分；(4)将识别的目标整体作为模板，在视频帧数范围内通过模板与后续若干帧的图像做模板比对，以确定该目标在后续的图像中出现的位置，通过比对值和出现的位置来判定可信度，预测其可能的位移趋势，当比对值超出阈值或该对象出现的位置具有跳跃性时，则视为目标物丢失；(5)经过模板对比后，通过神经网络识别出的对象位置区域和模板比对的对象区域位置的重合度来确认需要追踪的对象区域，并更新模板，以优化结果，准确预测其运动趋势。2.如权利要求1所...

【专利技术属性】
技术研发人员：陈剑，徐涛，
申请(专利权)人：天合光能股份有限公司，
类型：发明
国别省市：江苏,32