基于卷积神经网络的LDW误漏报测试方法及测试系统技术方案

本发明专利技术公开一种基于卷积神经网络的LDW误漏报测试方法：S1，设置摄像头；S2，设定最大横向距离L，并平均离散化为n个类；S3，采集实时图像A并输入到深度卷积神经网络模型，计算获得车道边线的实际距离di；S4，判断LDW系统是否误报或漏报；S5，统计LDW系统的误作率；一种测试系统，包括图像采集装置、车载数据采集机构、分析器、运算处理器；所述图像采集装置连接分析器，所述运算处理器分别与分析器、车载数据采集机构连接。有益效果：本方法操作简单，识别速度快、识别精度高，对各路况的车道都适用；本测试系统可以最简化地仅设置图像采集装置、车载数据采集机构、分析器和运算处理器，无需另设车道边线标尺即可全自动识别偏离情况。

【技术实现步骤摘要】
基于卷积神经网络的LDW误漏报测试方法及测试系统
本专利技术涉及汽车行驶报警系统测试
，具体的说，涉及一种基于卷积神经网络的LDW误漏报测试方法及测试系统。
技术介绍
车道偏离预警系统(LDW)是指在车辆即将偏离预定行驶轨道时，系统给予驾驶员报警的驾驶辅助系统，尤其是现今无人驾驶车上，LDW可以为汽车的方向起到重要作用，因此，LDW的正确率对汽车安全行驶无比重要。现有的测试LDW误报、漏报多采用人工测试，单纯的人眼在判断车道偏离时精度不够，造成测试出的结果也不一定达到标准；而一些电子识别路况的测试装置也是基于设有路面标尺的道路进行测试，对于无标尺的道路无法应用。现有技术的缺点：缺少一种完全自主识别车到边线距离且判断LDW误漏报的方法。
技术实现思路
本专利技术的目的是提供一种基于卷积神经网络的LDW误漏报测试方法及测试系统，完全应用于任意道路且无需设置标尺，识别精度高，测试速度快。为达到上述目的，本专利技术采用的具体技术方案如下：一种基于卷积神经网络的LDW误漏报测试方法，采用下列步骤：S1，设置摄像头，令摄像头的采集图像为车身一侧到车道边线的路面图像；S2，设定车身一侧到车道边线的最大横向距离L，并平均离散化该最大横向距离L为n个类；S3，汽车行驶过程中所述摄像头采集实时图像A，并输入该实时图像A到深度卷积神经网络模型，所述深度卷积神经网络模型计算获得该时刻车身一侧到车道边线的实际距离di；S4，运算处理器根据当前车速和LDW系统工作状态判断所述实际距离di中LDW系统是否误报或漏报；S5，统计测试时间T内LDW系统的误作率，并输出该误作率数据。通过上述设计，只需预先训练好深度卷积神经网络模型，则任意道路都能快速识别车到边线的距离，再输入最大横向距离L就能判断汽车是否偏离，从而判断LDW误漏报情况，获得LDW的误作率。本方法操作简单，识别速度快、识别精度高，对各路况的车道都适用。进一步描述，所述深度卷积神经网络模型依次为3个卷积层、2个全连接层、softmax层。所述每个卷积层后均依次设置有Normalization层和Pooling层；所述每个全连接层后均设置有Dropout层。更进一步描述，所述最大横向距离L为1-2米；令n＝322，其中，将最大横向距离L等距划分为320段，每一段的界限分别为0、1、…、320，共321个类，未识别到边线的情况为第322个类；所述softmax层输出322个概率向量，最大的概率向量所对应的类即为实际距离di。通过上述设计，softmax层输出的概率向量逐一对应划分的322类，比如，0类为车离边线距离为0，321类为车离边线距离为最大横向距离L，322类为未识别到车道边线，每一类对应车到边线的距离，从而判断是否偏离。更进一步描述，步骤S4运算处理器判断是否误报或漏报的具体步骤如下：S4.1，获取当前车速和实际距离di；S4.2，判断当前车速是否大于行驶车速v，是，进入下一步，否则结束本次判断；S4.3，判断汽车是否转向，是，进入S4.4，否则进入S4.5；S4.4，读取LDW系统是否报警，是，则该报警为误报，否则结束本次判断；S4.5，根据所述实际距离di判断汽车是否偏离，并读取LDW系统是否报警：若偏离时LDW系统未报警，则为漏报，若未偏离时LDW系统报警，则该报警为误报。所述步骤S4.5的判断标准为BSISO17361：2007。车道偏离判断应满足下列要求：车速大于等于偏离行驶的车速下限；汽车非转向。则通过上述设计，车速达到下限值时，汽车转向LDW报警即为误报，汽车非转向再判断偏离情况下LDW的报警是否误漏报。一种测试系统，包括图像采集装置，采集车侧面路况；车载数据采集机构，实时读取车速、LDW是否报警；分析器，采用深度卷积神经网络模型计算汽车车身一侧到车道边线的实际距离di；运算处理器，判断实际距离di是否应该报警，并结合LDW的报警信息判断LDW是否误报、漏报；所述图像采集装置连接分析器，所述运算处理器分别与分析器、车载数据采集机构连接。基于前叙的测试方法，本测试系统可以最简化地仅设置图像采集装置、车载数据采集机构、分析器和运算处理器，无需另设车道边线标尺即可全自动识别偏离情况，且精度更高、速度更快。进一步描述，所述图像采集装置为2个摄像头，并分别安装在汽车两侧最大车宽距离处；所述摄像头的采集方向为垂直于汽车行驶方向，且采集镜头朝向道路面。更进一步描述，所述摄像头的采集方向与道路面夹角为θ。本专利技术的有益效果：只需预先训练好深度卷积神经网络模型，则任意道路都能快速识别车到边线的距离，再输入最大横向距离L就能判断汽车是否偏离，从而判断LDW误漏报情况，获得LDW的误作率。本方法操作简单，识别速度快、识别精度高，对各路况的车道都适用；基于前叙的测试方法，本测试系统可以最简化地仅设置图像采集装置、车载数据采集机构、分析器和运算处理器，无需另设车道边线标尺即可全自动识别偏离情况，且精度更高、速度更快。附图说明图1是测试方法的流程示意图图2是实施例中深度卷积神经网络模型的结构示意图图3是运算处理器判断是否误报或漏报的流程示意图图4是测试系统的结构示意图图5是图像采集装置的安装示意图图6是汽车行驶路况示意图具体实施方式下面结合附图及具体实施例对本专利技术作进一步详细说明：如图1所示，一种基于卷积神经网络的LDW误漏报测试方法，采用下列步骤：S1，设置摄像头，令摄像头的采集图像为车身一侧到车道边线的路面图像；S2，设定车身一侧到车道边线的最大横向距离L，并平均离散化该最大横向距离L为n个类；S3，汽车行驶过程中所述摄像头采集实时图像A，并输入该实时图像A到深度卷积神经网络模型，所述深度卷积神经网络模型计算获得该时刻车身一侧到车道边线的实际距离di，如图6所示；S4，运算处理器根据当前车速和LDW系统工作状态判断所述实际距离di中LDW系统是否误报或漏报；S5，统计测试时间T内LDW系统的误作率，并输出该误作率数据。所述最大横向距离L为1.5米；n＝322，其中，将最大横向距离L等距划分为320段，每一段的界限分别为0、1、…、320，共321个类，未识别到边线的情况为第322个类；所述softmax层输出322个概率向量，最大的概率向量所对应的类即为实际距离di。如图2所示，本实施例中所述深度卷积神经网络模型依次为3个卷积层、2个全连接层、softmax层。作为优选，所述每个卷积层后均依次设置有Normalization层和Pooling层；所述每个全连接层后均设置有Dropout层。如图3所示，步骤S4运算处理器判断是否误报或漏报的具体步骤如下：S4.1，获取当前车速和实际距离di；S4.2，判断当前车速是否大于行驶车速v，是，进入下一步，否则结束本次判断；S4.3，判断汽车是否转向，是，进入S4.4，否则进入S4.5；S4.4，读取LDW系统是否报警，是，则该报警为误报，否则结束本次判断；S4.5，根据所述实际距离di判断汽车是否偏离，并读取LDW系统是否报警：若偏离时LDW系统未报警，则为漏报，若未偏离时LDW系统报警，则该报警为误报。所述步骤S4.5的判断标准为BSISO17361：2007。如图4所示，一种所述基于卷积神经网络的LDW误漏报测试方法的测试系统，包本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的LDW误漏报测试方法，其特征在于采用下列步骤：S1，设置摄像头，令摄像头的采集图像为车身一侧到车道边线的路面图像；S2，设定车身一侧到车道边线的最大横向距离L，并平均离散化该最大横向距离L为n个类；S3，汽车行驶过程中所述摄像头采集实时图像A，并输入该实时图像A到深度卷积神经网络模型，所述深度卷积神经网络模型计算获得该时刻车身一侧到车道边线的实际距离di；S4，运算处理器根据当前车速和LDW系统工作状态判断所述实际距离di中LDW系统是否误报或漏报；S5，统计测试时间T内LDW系统的误作率，并输出该误作率数据。

【技术特征摘要】
1.一种基于卷积神经网络的LDW误漏报测试方法，其特征在于采用下列步骤：S1，设置摄像头，令摄像头的采集图像为车身一侧到车道边线的路面图像；S2，设定车身一侧到车道边线的最大横向距离L，并平均离散化该最大横向距离L为n个类；S3，汽车行驶过程中所述摄像头采集实时图像A，并输入该实时图像A到深度卷积神经网络模型，所述深度卷积神经网络模型计算获得该时刻车身一侧到车道边线的实际距离di；S4，运算处理器根据当前车速和LDW系统工作状态判断所述实际距离di中LDW系统是否误报或漏报；S5，统计测试时间T内LDW系统的误作率，并输出该误作率数据。2.根据权利要求1所述的基于卷积神经网络的LDW误漏报测试方法，其特征在于：所述深度卷积神经网络模型依次为3个卷积层、2个全连接层、softmax层。3.根据权利要求2所述的基于卷积神经网络的LDW误漏报测试方法，其特征在于：所述每个卷积层后均依次设置有Normalization层和Pooling层；所述每个全连接层后均设置有Dropout层。4.根据权利要求2所述的基于卷积神经网络的LDW误漏报测试方法，其特征在于：所述最大横向距离L为1-2米；令n＝322，其中，将最大横向距离L等距划分为320段，每一段的界限分别为0、1、…、320，共321个类，未识别到边线的情况为第322个类；所述softmax层输出322个概率向量，最大的概率向量所对应的类即为实际距离di。5.根据权利要求1所述的基于卷积神经网络的LDW误漏报测试...

【专利技术属性】
技术研发人员：杨为，张翔，唐小林，张书晴，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50