基于迁移学习的车道保持控制方法技术

本发明专利技术公开了一种基于迁移学习的车道保持控制方法，首先采集行车记录仪前置相机录制的视频和车辆的转向控制信号作为训练数据，通过改变亮度、重设尺寸、增加阴影等方式对数据进行预处理，利用基于ImageNet数据集训练的VGGNet作为特征提取网络，同时在顶层添加全连接层，由此构建端到端的车道线保持控制网络模型；通过采集的行车视频和转向信号对该模型进行进一步地训练，最后对网络模型稳健性进行评估；利用基于ImageNet数据集训练的VGGNet作为特征提取网络，在车载计算资源和数据集均有限的情况下，本发明专利技术能够较好地拟合自动驾驶的转向角度，同时在网络模型泛化方面具有一定的有效性与可靠性，可以广泛应用于各类自动驾驶相关的车道线保持任务系统中。

Lane-keeping control method based on Transfer Learning

The invention discloses a lane-keeping control method based on migration learning. Firstly, the video recorded by the front-end camera of the traffic recorder and the steering control signal of the vehicle are collected as training data, and the data are preprocessed by changing brightness, resetting size, increasing shadow, etc. The VGGNet trained by the data set of ImageNet is used as feature extraction network, while at the top level. Adding the full connection layer, the end-to-end lane maintenance control network model is constructed; the model is further trained by collecting driving video and steering signals, and the robustness of the network model is evaluated at last; VGGNet based on ImageNet data set training is used as feature extraction network, and the present invention can be used in the case of limited on-board computing resources and data sets. It can fit the steering angle of automatic driving well, and has certain validity and reliability in generalization of network model. It can be widely used in various automatic driving related lane-keeping task systems.

【技术实现步骤摘要】
基于迁移学习的车道保持控制方法
本专利技术属于计算机
，具体涉及一种基于迁移学习的车道保持控制方法。
技术介绍
基于计算机视觉的传统模式识别方法，往往需要人为地设计特征。而人为设计特征往往容易存在疏漏，对于自动驾驶汽车来说，忽视了某种情况的程序设计缺陷可能会造成严重的后果。近年来，以卷积神经网络(ConvolutionalNeuralNetwork,CNN)为代表的深度学习方法因其对于复杂环境的适应性，已成为自动驾驶领域的关键技术之一。卷积神经网络之所以能够成功应用,主要依赖两个因素:一是大型的公共数据集(比如ImageNet)，二是高性能计算平台(比如GPU集群)。然而在利用深度学习进行自动驾驶过程中仍然存在一些技术难点亟待解决。其中之一就是深度学习算法模型对计算资源要求较高导致不利于车载计算平台训练。大型深层神经网络的训练对计算资源要求较高，但由于车载计算平台对于功耗、体积等多方面的需求，只适合搭建简单的深度学习计算环境，这成为阻碍深度学习在自动驾驶领域广泛应用的瓶颈之一。例如，用ImageNet数据集训练一个深度为16层的卷积神经网络，利用NVIDIATeslaK80GP本文档来自技高网...

【技术保护点】
1.基于迁移学习的车道保持控制方法，其特征在于，包括以下具体步骤：S1，采集行车中视频数据和转向数据；S2，对S1收集的数据进行切分与转换；经过切分与转换之后的数据集分为训练集和测试集；S3，构建端到端的车道线保持控制模型，具体为：S31采用迁移学习的手段对模型进行初始化，利用基于ImageNet数据集训练的VGGNet作为特征提取网络，冻结VGG16的前8层权重；在卷积层和全连接层之间加入Flatten层；在此基础上，同时将VGG16原有的3个全连接层改为5个全连接层；再添加一个全连接层输出转向角度值，构建出端到端的车道保持控制模型；S32，对步骤31所构建的模型进行优化，在算法层面采用Ma...

【技术特征摘要】
1.基于迁移学习的车道保持控制方法，其特征在于，包括以下具体步骤：S1，采集行车中视频数据和转向数据；S2，对S1收集的数据进行切分与转换；经过切分与转换之后的数据集分为训练集和测试集；S3，构建端到端的车道线保持控制模型，具体为：S31采用迁移学习的手段对模型进行初始化，利用基于ImageNet数据集训练的VGGNet作为特征提取网络，冻结VGG16的前8层权重；在卷积层和全连接层之间加入Flatten层；在此基础上，同时将VGG16原有的3个全连接层改为5个全连接层；再添加一个全连接层输出转向角度值，构建出端到端的车道保持控制模型；S32，对步骤31所构建的模型进行优化，在算法层面采用Max-pooling，BatchNormalization，TruncatedNormal方法进行模型优化；S4，采用S2所分出的训练集数据对S3所构建的模型进行训练，得到训练模型和权重参数；S5，车辆在行驶过程中，采用S4所得训练模型以及权重参数，根据车辆的行车记录仪所监测到路面信息实现车辆行驶车道的实时控制。2.根据权利要求1所述的基于迁移学习的车道保持控制方法，其特征在于，S1中，行车中视频数据来自行车记录仪中的视频，转向数据采用车辆行驶过程中的转向控制信号。3.根据权利要求1所述的基于迁移学习的车道保持控制方法，其特征在于，S2中，对S1中的视频数据采用H264/MKV格式以1280×720的分辨率进行编码。4.根据权利要求1所述的基于迁移学习的车道保持控制方法，其特征在于，S2中，对S1中的视...

【专利技术属性】
技术研发人员：侯俊，张阳，史孙航，刘欣晟，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61