【技术实现步骤摘要】
本专利技术属于车辆智能化领域,尤其涉及一种前方车辆参数的识别方法。
技术介绍
交通场景中的车辆识别属于车辆智能化范畴。准确有效地识别车辆参数信息是提高智能车辆和安全辅助驾驶系统(ADAS)智能化程度、实现车辆间防碰撞的关键因素,也是实现对碰撞作出判断和预防的关键前提。车辆参数的识别是指对交通场景图像中的车辆目标进行识别,并获取能够反映前车对本车可能具有影响的信息的过程,以便驾驶员对信息作出预判,防止碰撞的发生。目前前方车辆参数的识别方法通常仅是对车辆的某一特征参数进行识别的。而主流的车辆识别的方法可概括为基于先验特征的方法和基于机器学习的方法。基于先验特征方法一般利用视觉系统获取车辆的固有特征或运动特征,以其作为目标车辆识别算法的约束条件。然而复杂道路场景中噪声的干扰将导致其识别的可靠度和鲁棒性下降,且仅实现对目标车辆是否存在这一层次上的识别。基于机器学习的方法主要是利用分类器对目标进行分类,例如支持向量机(SVMs)、Adaboost等浅层学习模型,通过学习识别车辆与非车辆的判定边界或验证生成的车辆候选区域,同时要求具有良好的特征提取器,且仅能对目标进行复杂的显性特征提取。浅层学习模型有限的层次深度使其仅局限于解决二分类问题,难以应对目标多参数识别的问题,具有不易扩展的局限性。以上描述的现有技术大都仅在目标车辆是否存在这一层次上进行识别,存在车辆参数识别单一化的问题,以致于难以实现多参数的同时获取。
技术实现思路
为解决现有技术存在的上述问题,本专利技术要设计一种环境适应性强、识别精度高及易扩展的基于多任务卷积神经网络的前方车辆多参数的识别方法,以实现提取 ...
【技术保护点】
一种基于多任务卷积神经网络的车辆多参数识别方法,其特征在于:包括以下步骤:A、卷积神经网络结构的设计及训练A1、卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络;卷积神经网络的输入图像W为RGB‑D图像,即一种包含彩色及深度信息的四通道颜色深度图像;为了修正场景中光照不均、突出图像的边缘特征、加快卷积神经网络训练的快速收敛,将输入图像W进行局部对比度归一化的预处理,表示形式为:I^(i,j)=I(i,j)-μ(i,j)σ(i,j)+C---(1)]]>式中:μ、σ分别是以像素点(i,j)为中心的局部小邻域内的像素均值和标准差,所述的局部小邻域大小为2×2~4×4;C是常数;I是像素点(i,j)的灰度值,(i,j)∈W;卷积神经网络的隐含层由4个卷积层组及一层全连接层组成;其中,每个卷积层组都包括卷积操作、线性修正激活函数ReLU修正特征图和平均池化操作;输出层的神经元个数应与待识别目标类别数量相一致;对于隐含层中所有的卷积过程来说,设定它们的卷积核数目均相同,也就有卷积输出的特征图数目相同,而特征图是由相应层的神经元权值共享的神经元集合,每个神经元的输入与前 ...
【技术特征摘要】
1.一种基于多任务卷积神经网络的车辆多参数识别方法,其特征在于:包括以下步骤:A、卷积神经网络结构的设计及训练A1、卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络;卷积神经网络的输入图像W为RGB-D图像,即一种包含彩色及深度信息的四通道颜色深度图像;为了修正场景中光照不均、突出图像的边缘特征、加快卷积神经网络训练的快速收敛,将输入图像W进行局部对比度归一化的预处理,表示形式为: I ^ ( i , j ) = I ( i , j ) - μ ( i , j ) σ ( i , j ) + C - - - ( 1 ) ]]>式中:μ、σ分别是以像素点(i,j)为中心的局部小邻域内的像素均值和标准差,所述的局部小邻域大小为2×2~4×4;C是常数;I是像素点(i,j)的灰度值,(i,j)∈W;卷积神经网络的隐含层由4...
【专利技术属性】
技术研发人员:连静,李琳辉,伦智梅,李红挪,钱波,矫翔,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。