一种基于卷积神经网络的路面附着系数辨识方法技术

本发明专利技术请求保护一种基于卷积神经网络的路面附着系数辨识的方法，用于图像辨识领域，现有的大部分技术都是采用动力学建模来间接估计路面附着系数，采用图像处理的方法对路面附着系数进行直接辨识可以克服现有技术的缺陷。该方法包括不同路面工况图片的采集以及路面附着系数的标定，各种路面工况图片数据库的建立，利用图像分割算法判断数据库中每一张路面工况图片特征区域所标定的位置，提取不同像素大小的敏感区域，作为训练样本输入到卷积神经网络中进行训练，最后利用训练好的卷积神经网络对路面工况进行辨识，从而得出路面附着系数。与现有技术相比，本发明专利技术采用图像识别出了路面附着系数(在轨迹跟踪时大部分工况假设路面附着系数已知)，加强了驾驶员行驶过程中的安全性和舒适性。

A method of road adhesion coefficient identification based on convolution neural network

The invention provides a method of convolutional neural network based on road adhesion coefficient identification, used in image identification field, most of the existing technology are used in dynamic modeling to indirectly estimate the road adhesion coefficient, the image processing method of road adhesion coefficient for defects can overcome the existing direct identification technology. The method includes image acquisition of different road condition and road adhesion coefficient calibration, the establishment of various road condition image database, determine the calibration of every piece of road condition image feature area database position by image segmentation algorithm, extract the sensitive regions of different pixel size, as the training samples for training input to the convolutional neural network. Finally, by using convolution trained neural network to identify the road condition, so that the adhesion coefficient of road surface. Compared with the existing technology, the present method recognizes the road adhesion coefficient by using the image recognition (when most of the track tracks assume the road adhesion coefficient is known), which strengthens the safety and comfort of the driver during driving.

【技术实现步骤摘要】
一种基于卷积神经网络的路面附着系数辨识方法
本专利技术属于图像辨识路面领域，尤其涉及到一种基于卷积神经网络的路面附着系数辨识方法。
技术介绍
路面附着系数不仅影响车辆的加速性能和制动性能，而且还影响了汽车行驶时的稳定性能，实时辨识出路面附着系数，可以极大改善车辆行驶时的安全性和舒适性。路面附着系数的辨识是电子稳定控制系统(ESC)所必需的关键技术之一，由于受路面特性等方面的影响，路面附着系数成为了最难准确估计的车辆的关键参数之一[1,2]。目前，基于路面附着系数的估计辨识主要有两种方法，一类是基于传感器(光、升、微波及图像等)的路面直接检测法，另一类是基于车辆动力学参数识别的间接估计。文献[3]通过在Matlab/Smulink中建立7自由度整车模型，根据车轮侧偏特性在转向工况下估计路面附着系数，估计的结果虽然精度较高，但是建模的复杂性增加了系统的运算，实时性得不到保证；文献[4]在文献[3]的基础上，采用了更为精确复杂的15自由度车辆模型，利用多传感器数据融合，综合车辆稳定性控制系统的各传感器数据，根据路面附着充分利用侧向加速度估算路面附着系数，该方法直接利用电子稳定控制系统(DS本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的路面附着系数辨识方法，其特征在于，包括以下步骤：1)、用图像传感器采集各种路面工况下的图片，并对每种路面工况下的路面附着系数进行标定，然后建立图像数据库；2)、采用图像分割算法判断图像数据库中每一张路面工况图片特征区域所标定的位置，提取不同像素大小的敏感区域；3)、把不同像素大小的敏感区域作为训练样本输入到卷积神经网络CNN中进行训练，然后利用训练好的卷积神经网络CNN经过卷积层和池化层的特征提取，输入给全连接层，最后经过Softmax分类器对图片进行分类，从而辨识出当前的路面工况，得出相应的附着系数。

【技术特征摘要】
1.一种基于卷积神经网络的路面附着系数辨识方法，其特征在于，包括以下步骤：1)、用图像传感器采集各种路面工况下的图片，并对每种路面工况下的路面附着系数进行标定，然后建立图像数据库；2)、采用图像分割算法判断图像数据库中每一张路面工况图片特征区域所标定的位置，提取不同像素大小的敏感区域；3)、把不同像素大小的敏感区域作为训练样本输入到卷积神经网络CNN中进行训练，然后利用训练好的卷积神经网络CNN经过卷积层和池化层的特征提取，输入给全连接层，最后经过Softmax分类器对图片进行分类，从而辨识出当前的路面工况，得出相应的附着系数。2.根据权利要求1所述的基于卷积神经网络的路面附着系数辨识方法，其特征在于，步骤2)所提取的不同像素大小的敏感区域包括以下步骤：通过定位路面工况图像中特征区域关键点的坐标，对图像进行裁剪和缩放，提取M个不同像素区域S1，S2，...，SM作为敏感区域。3.根据权利要求1或2所述的基于卷积神经网络的路面附着系数辨识方法，其特征在于，所述卷积神经网络CNN共有7层，具体包括：输入层、两层卷积层、两层池化层、全连接层和Softmax层，其中，卷积层和池化层分别有两层并相互交替；把图像的敏感区域作为输入给输入层，卷积层和池化层将输入的路面工况敏感区域图像进行特征提取、模型训练，从而构成了一个端对端的系统进行整体训练；将特征提取和分类后的敏感区域图像输入给全连接层，全连接层将提取的特征综合起来，最后传输给Softmax层，从而得到了辨识后的路面工况图片，最后得出路面附系数。4.根据权利要求3所述的基于卷积神经网络的路面附着系数辨识方法，其特征在于，所述卷积神经网络CNN的训练包括步骤：初始化各层系数，包括卷积层的卷积核，全连接层的权重矩阵和偏置向量以及Softmax分类器的参数并进行前向传播；采用梯度下降法更新CNN各层权值，然后基于前向传播各层的输出，不同像素的敏感区域进行逐层反向传播，确定各层的参数，完成对CNN的有监督的训练。5.根据权利要求4所述的基于卷积神经网络的路面附着系数辨识方法，其特征在于，所述前向传播的各层之间分别为：第一层为卷积层C1，该层可用训练的卷积核对不同像素的敏感区域作卷积运算，并使用神经元激活函数计算卷积的输出值，卷积操作可表示为：其中，xj为输入的样本，为卷积C1层的输入的敏感区域，为卷积层C1的第j个敏感区域的输出，是连接第i层输入的敏感区域与第j层输出的敏感区域的卷积核，表示连接输入层和卷积层C1的输出敏感区域的偏置，表示卷积运算符，f(x)是神经元激活函数，使用Relu非线性函数作为激活函数，即f(x)＝max(0,x)，该函数可加快CNN的收敛速度，上式(1)的卷积核ki,j与偏置是卷积网络的训练参数，通过大量的迭代训练得到较优的取值；第二层为池化层S2，其表达式为：

【专利技术属性】
技术研发人员：郑太雄，何招，杨新琴，李芳，黄帅，杨斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50