一种基于无人驾驶汽车的辅助控制系统技术方案

本发明专利技术所公开的一种基于无人驾驶汽车的辅助控制系统，本发明专利技术利用摄像模块获取待识别的街景中商号的图像，经过对图像处理后，利用预先训练得到的深度学习网络识别所述待识别商号标识图像，利用计算机模拟人的判别准则去理解和识别商号标识图像，达到分析图像和提取被检测图像特征的目的，以控制使用电动机驱动的无人驾驶汽车减速，并以此达到对无人驾驶汽车的辅助控制的作用。

【技术实现步骤摘要】
一种基于无人驾驶汽车的辅助控制系统
本专利技术涉及无人驾驶
，尤其涉及一种基于无人驾驶汽车的辅助控制系统。
技术介绍
无人驾驶汽车现在主要通过GPS及IMU进行导航定位，但是GPS存在着误差、多路径，以及更新频率低等问题，而IMU则以较高的更新频率提供准确性偏低的位置信息，综合其位置精度通过超过10米以上，特别在空间复杂的城市路段，采用GPS和IMU要准确到达某些指定位置的还存在很大困难，使无人驾驶汽车的使用体验大大下降。
技术实现思路
本专利技术的目的是公开一种基于无人驾驶汽车的辅助控制系统，以弥补现有技术存在的缺陷，本专利技术利用摄像模块获取待识别的街景中商号的图像，经以对图像处理后，利用预先训练得到的深度学习网络识别所述待识别商号标识图像，利用计算机模拟人的判别准则去理解和识别商号标识图像，达到分析图像和提取被检测图像特征的目的，当接近目标商号时控制使用电动机驱动的无人驾驶汽车减速，并以此达到对无人驾驶汽车的辅助控制的作用。本专利技术的一种基于无人驾驶汽车的辅助控制系统，包括摄像模块、图像采集模块、前灯控制模块、深度卷积网络服务器、电动车驱动模块、电动机、辅助显示终端、前灯，其特征在于所述的摄像模块与图像采集模块连接，所述的图像采集模块与前灯控制模块连接，所述的前灯控制模块与深度卷积网络服务器连接，所述的深度卷积网络服务器与电动车驱动模块，所述电动车驱动模块分别与电动机和辅助显示终端连接，所述前灯控制模块与前灯连接；所述的前灯控制模块用于对来自摄像模块的图像亮度平均值进行检测，根据亮度平均值结果控制前灯；所述的辅助显示终端是10英寸的投射显示器；所述的深度卷积网络服务器采用深度学习网络，所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2。本专利技术中所述的深度学习网络，其特征在于所述深度学习网络的训练步骤具体包括：步骤一，获取带有属性及参数标记的商号标识图像样本；步骤二，利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类；根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络，训练所述深度学习网络的参数；步骤三利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类具体为：利用预先设置有初始参数的卷积核与所述商号标识图像样本进行卷积计算；经过池化层的池化操作以及全连接层1和全连接层2的全连接操作，得到所述商号标识图像样本的商号标识属性概率；所述根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络，训练所述深度学习网络的参数，具体为：当所述商号标识属性概率与所述商号标识的属性信息之间存在差异时，调整所述卷积核中的参数，直至输出的商号标识属性概率与所述商号标识的属性信息相符。本专利技术中所述的深度学习网络，其特征在于，所述训练所述深度学习网络的参数具体为使用深度学习网络的训练工具通过tensorflow进行训练，从输入到输出的计算过程为：，其中表示输入，表示卷积核，表示偏置表示输出；，其中表示输入，表示权值，表示偏置，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；,其中表示输入，表示权值，表示偏置，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；,其中表示输入，表示权值，表示偏置，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；,其中表示输入，表示权值，表示偏置，表示输出；；所述tensorflow的参数包括：卷积层1的卷积核尺寸为11×11，颜色通道为3，卷积核数量为64，卷积步长为4×4，图片每4×4区域只取样一次，横向间隔是4，纵向间隔是4，每次取样的卷积核为11×11；池化层1的池化尺寸为3×3，取样步长为2×2；卷积层2的卷积核尺寸为5×5，输入通道数为64，卷积核数量为192，卷积步长为1；池化层2的池化尺寸为3×3，取样步长为2×2；卷积层3的卷积核尺寸为3×3，输入通道数为192，卷积核数量为384，卷积步长为1；卷积层4的卷积核尺寸为3×3，输入通道数为384，卷积核数量为256，卷积步长为1；池化层3的池化尺寸为3×3，取样步长为2×2；卷积层5的卷积核尺寸为3×3，输入通道数为256，卷积核数量为256，卷积步长为1；池化层4的池化尺寸为3×3，取样步长为2×2；学习率为0.006~0.011，学习动量项为0.921~0.945，权重衰减系数为0.00044~0.0005。本专利技术中所述的深度学习网络，其特征在于所述深度学习网络的运行步骤包括：获取待识别商号标识图像，利用预先训练得到的深度学习网络识别所述待识别商号标识图像；识别通过所述卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2，于全连接层2输出节点为所述商号标识图像的商号标识属性概率，根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息，当准确率超过95%时，所述的深度卷积网络服务器向所述电动车驱动模块发送低电平，所述电动车驱动模块调低输出电流，所述电动机转速下降；同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。在获取待识别商号标识图像之后、在所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像之前，进一步包括：对所述待识别商号标识图像进行预处理；所述预处理至少包括以下一种操作：裁剪、边界填充、翻转、饱和度平衡、色调平衡、对比度平衡、直方图均衡、镜像操作、随机剪切、中心化、均值化、调整大小resize；步骤包括：获取待识别商号标识图像；训练深度学习网络；所述深度学习网络的网络结构包括卷积层、池化层和全连接层，所述卷积层的后面连接所述池化层，所述池化层后面连接所述全连接层，最后的全连接层上的每个输出节点为所述商号标识图像的商号标识属性概率；识别步骤是利用预先训练得到的深度学习网络识别所述待识别商号标识图像；根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息，当准确率超过95%时，所述的深度卷积网络服务器向所述电动车驱动模块发送低电平，所述电动车驱动模块调低输出电流，所述电动机转速下降；同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。本专利技术的有益效果如下：本专利技术所公开的一种基于无人驾驶汽车的辅助控制系统，采用摄像模块获取待识别商号标识图像时，前灯控制模块对来自摄像模块的图像亮度平均值进行检测，根据亮度平均值结果控制前灯解决了深度学习图像识别技术中待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差的问题；所述的辅助显示终端是10英寸的投射显示器用于前车玻璃的近距显示；在获取到待识别商号标识图像之后，利用预先训练得到的深度学习网络识别所述待识别商号标识图像，依次经过卷积层、池化层和全连接层后得到商号标识属性概率，从而确定商号标识属性信息。由于本专利技术所提供的方案利用了深度学习网络识别商号标识，深度学习网络足以刻画和区分物体，以解决现有技术中的对商号标识识别方法单一、本文档来自技高网...

【技术保护点】
一种基于无人驾驶汽车的辅助控制系统，包括摄像模块、图像采集模块、前灯控制模块、深度卷积网络服务器、电动车驱动模块、电动机、辅助显示终端、前灯，其特征在于所述的摄像模块与图像采集模块连接，所述的图像采集模块与前灯控制模块连接，所述的前灯控制模块与深度卷积网络服务器连接，所述的深度卷积网络服务器与电动车驱动模块，所述电动车驱动模块分别与电动机和辅助显示终端连接，所述前灯控制模块与前灯连接；所述的前灯控制模块用于对来自摄像模块的图像亮度平均值进行检测，根据亮度平均值结果控制前灯；所述的辅助显示终端是10英寸的投射显示器；所述的深度卷积网络服务器采用深度学习网络，所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2。

【技术特征摘要】
1.一种基于无人驾驶汽车的辅助控制系统，包括摄像模块、图像采集模块、前灯控制模块、深度卷积网络服务器、电动车驱动模块、电动机、辅助显示终端、前灯，其特征在于所述的摄像模块与图像采集模块连接，所述的图像采集模块与前灯控制模块连接，所述的前灯控制模块与深度卷积网络服务器连接，所述的深度卷积网络服务器与电动车驱动模块，所述电动车驱动模块分别与电动机和辅助显示终端连接，所述前灯控制模块与前灯连接；所述的前灯控制模块用于对来自摄像模块的图像亮度平均值进行检测，根据亮度平均值结果控制前灯；所述的辅助显示终端是10英寸的投射显示器；所述的深度卷积网络服务器采用深度学习网络，所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2。2.如权利要求1所述的深度学习网络，其特征在于所述深度学习网络的训练步骤具体包括：步骤一，获取带有属性及参数标记的商号标识图像样本；步骤二，利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类；根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络，训练所述深度学习网络的参数；步骤三所述利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类具体为：利用预先设置有初始参数的卷积核与所述商号标识图像样本进行卷积计算；经过池化层的池化操作以及全连接层1和全连接层2的全连接操作，得到所述商号标识图像样本的商号标识属性概率；所述根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络，训练所述深度学习网络的参数，具体为：当所述商号标识属性概率与所述商号标识的属性信息之间存在差异时，调整所述卷积核中的参数，直至输出的商号标识属性概率与所述商号标识的属性信息相符。3.如权利要求1所述的深度学习网络，其特征在于，所述训练所述深度学习网络的参数具体为使用深度学习网络的训练工具通过tensorflow进行训练，从输入到输出的计算过程为：，其中表示输入，表示卷积核，表示偏置表示输出；，其中表示输入，表示权值，表示偏置，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；,其中表示输入，表示权值，表示偏置，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；,其中表示输入，表示权值，表示偏置，表示输出；，其中池化面）是输入，表示卷积核，表示偏置，其中,)，表示输出；,其中表示输入，表示权值，表示偏置，表示输出；；所述tensorflow的参数包括：卷积层1的卷积核尺寸为1...

【专利技术属性】
技术研发人员：刘至键，
申请(专利权)人：刘至键，
类型：发明
国别省市：广东,44