一种基于深度神经网络的车辆测距方法技术

本发明专利技术公开了一种基于深度神经网络的车辆测距方法，包括：S1、采集目标车辆图像，并提取所述目标车辆的图像坐标；S2、建立预测网络，加载包含所述目标车辆的图像坐标的训练样本，通过深度神经网络模型对所述样本进行训练，以计算得到所述预测网络的网络模型参数；S3、将所述目标车辆的图像坐标作为上述训练后的预测网络的输入，通过前向传播算法预测目标车辆距离。本发明专利技术的优点在于：不需要事先知道摄像头的距地高度和俯仰角数据；提高了总体识别正确率与训练时间；不用事先建立测距的几何模型，解决了人工建模的拟合程度较低的问题；解决了传统基于几何测距所带来的繁琐；解决了先建模后预测的测距精度不够高的问题。

A Vehicle Ranging Method Based on Deep Neural Network

【技术实现步骤摘要】
一种基于深度神经网络的车辆测距方法
本专利技术涉及车联网领域，具体涉及一种基于深度神经网络的车辆测距方法。
技术介绍
保持汽车驾驶时的自动性、舒适性和安全性是智能汽车一直追求的目标。为保障驾车安全、发展汽车防撞技术十分关键。世界各国对汽车防撞技术的研究和发展投入了大量的人力、物力和财力。而这一技术的核心却是车辆测距技术。汽车必须凭借传感器测量前方车辆的距离，并迅速反馈给汽车，以在危机的情况下，通过报警或自动进行某种预先设定的操作如紧急制动等，来避免由于驾驶员疲劳、疏忽、误判断所造成的交通事故。根据奔驰公司对各类交通事故的研究表明：若驾驶员能够提早一秒意识到有事故危险并采取相应的正确措施，则绝大多数的交通事故将可以避免。由此可见，测距技术对保障行车安全，提高汽车智能化水平有重要意义。当前检测车辆前方障碍物的做法分成两大类：一是利用激光雷达、毫米波雷达等这类主动传感器，主要通过传感器获取前方障碍物的距离信息；二是利用摄像头这种被动传感器，通过对图像的分析和理解，从而获取障碍物的距离。其中，通过单目视觉对前方车辆实现测距是实时、低成本的有效方法。现有专利技术中，基于单目视觉的车辆测距的方法分成检测和测距。这些测距方法都是根据检测出的目标车辆的图像坐标，然后建立几何模型等，最后计算前方车辆距离。现有技术中的方法有一个共同的缺点是都需要对单目摄像头的安装有一定要求，需要测定摄像头高度和俯仰角。实际中，通过手动测量摄像头相对地平面的绝对高度和俯仰角往往精度都不够高，而所有这些方法都需要基于使用高度和俯仰角作为车辆测距的输入数据，一旦这些数据不够精确，那么接下来的测距方法也会受到很大影响。另外，在实际产业应用中，如果每台单目测距设备都需要如此繁琐的安装，那么对于应用的广泛性也就受到了很大程度的限制。
技术实现思路
针对上述问题，本专利技术主要解决现有因单目摄像头安装繁琐并由此带来的测距精度不够高的问题。本专利技术提出了一种基于深度神经网络的车辆测距方法，该方法可以使得汽车仅仅通过单目摄像头就能实时获取前方车辆的高精度距离信息，以使得单目视觉能在汽车辅助驾驶、无人驾驶等领域得到更普遍的应用。具体的，本专利技术提出一种基于深度神经网络的车辆测距方法，包括：S1、采集目标车辆图像，并提取所述目标车辆的图像坐标；S2、建立预测网络，加载包含所述目标车辆的图像坐标的训练样本，通过深度神经网络模型对所述样本进行训练，以计算得到所述预测网络的网络模型参数；S3、将所述目标车辆的图像坐标作为上述训练后的预测网络的输入，通过前向传播算法预测目标车辆距离。优选的，所述步骤S2，包括：(1)加载训练样本，并进行样本特征增强和样本归一化；(2)深度神经网络参数初始化，并训练深度神经网络模型，直至满足终止条件；(3)保存模型参数，得到最终模型。优选的，所述样本特征增强包括：通过非线性映射函数将原始四维数据升至任意的大于四维的特征数据。优选的，所述深度神经网络模型包括输入层、隐藏层、输出层。优选的，所述隐藏层包括两层隐藏层，第一层隐藏层设置m层过滤器，并使用激活函数Relu函数进行第一层隐藏层的输出，第二层隐藏层设置n层过滤器，并使用激活函数Relu函数进行第二层隐藏层的输出，其中，m>n>20。优选的，所述输出层仅包含线性映射单元，没有激活函数。优选的，所述模型训练的初始化优化算法采用Adam算法，所述模型训练结果的评价标准采用平均绝对百分误差。优选的，所述训练中，采用Adam算法作为前三分之一轮数的损失函数优化算法，在后三分之二轮数的损失函数优化过程中使用随机梯度下降算法。优选的，所述训练中，使用动量学习率策略和学习率衰减策略；其中，动量学习率ΔWt：其中，γ为动量因子,α为学习率,为梯度，t代表当前轮数；学习率衰减为：其中，dr为衰减率；ds为衰减周期。优选的，所述训练中，采用丢弃正则化方法来处理所述深度神经网络模型的过拟合状态。本专利技术的优点在于：相比于现有的技术，首先，本专利技术提出的方法对摄像头的安装几乎没有特殊要求，不需要事先知道摄像头的距地高度和俯仰角数据；模型训练部分首先通过结合不同的损失函数优化算法来加速收敛，调整学习率策略以及批尺寸(BatchSize)，提高了总体识别正确率与训练时间。最后针对深度卷积神经网络中易于出现的过拟合现象使用正则化、DropOut算法进行了处理。另外，因为本专利技术提出的方法是通过神经网络对真实数据进行学习获得的非线性映射函数，故利用学习获得的模型进行距离的预测，所以不用事先建立测距的几何模型，因此这就解决了人工建模的拟合程度较低的问题。综上，本专利技术的优点包括两方面：一是解决了传统基于几何测距所带来的繁琐；二是解决了先建模后预测的测距精度不够高的问题。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了根据本专利技术实施方式的一种基于深度神经网络的车辆测距方法流程图。图2示出了根据本专利技术实施方式的模型训练流程图。图3示出了Adam算法与随机梯度下降算法在小样本集上的训练误差曲线图。图4示出了本专利技术采用的损失优化算法流程图。图5示出了不同的学习率对模型的收敛情况的影响示意图。图6示出了不同的拟合状态示意图。图7示出了本专利技术使用的DropOut方法示意图。图8示出了本专利技术车辆距离预测示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。如图1所示，本专利技术提供一种基于深度神经网络的车辆测距方法，包括：S1、采集目标车辆图像，并提取所述目标车辆的图像坐标；S2、建立预测网络，加载包含所述目标车辆的图像坐标的训练样本，通过深度神经网络模型对所述样本进行训练，以计算得到所述预测网络的网络模型参数；S3、将所述目标车辆的图像坐标作为上述训练后的预测网络的输入，通过前向传播算法预测目标车辆距离。以下从八个方面具体介绍本专利技术方案的技术细节：1、深度神经网络深度神经网络是机器学习诸多算法中的一类。它的核心思想是将特征的提取过程加入训练的过程中，能够按照层级结构提取低阶到高阶的特征，将特征进行更好的表示，利用在分层架构中的不同的信息处理阶段建立多层次结构。深度学习的崛起，背后的支撑是硬件性能的大幅度提示以及大数据时代的样本量急剧增长。深度神经网络采用的训练过程为：(1)前向传播的特征提取与预测计算。利用多层结构进行特征提取，这些方式中的参数的数量非常多，保证特征提取的泛化性。(2)后向传播的参数调整计算。在进行正向传播后，会将得到的结果与实际结果进行误差计算，将得到的误差反向传播，对损失函数进行损失函数优化，调整特征提取的多层结构中的参数，保证误差能够进一步下降。2、算法总体流程由于本专利技术使用的深度学习技术是基于学习的算法，故算法在流程上分为训练与预测两部分，需要先进行训练，得出模型后进行预测。本专利技术开始首先判断是否有已本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的车辆测距方法，其特征在于，包括：S1、采集目标车辆图像，并提取所述目标车辆的图像坐标；S2、建立预测网络，加载包含所述目标车辆的图像坐标的训练样本，通过深度神经网络模型对所述样本进行训练，以计算得到所述预测网络的网络模型参数；S3、将所述目标车辆的图像坐标作为上述训练后的预测网络的输入，通过前向传播算法预测目标车辆距离。

【技术特征摘要】
1.一种基于深度神经网络的车辆测距方法，其特征在于，包括：S1、采集目标车辆图像，并提取所述目标车辆的图像坐标；S2、建立预测网络，加载包含所述目标车辆的图像坐标的训练样本，通过深度神经网络模型对所述样本进行训练，以计算得到所述预测网络的网络模型参数；S3、将所述目标车辆的图像坐标作为上述训练后的预测网络的输入，通过前向传播算法预测目标车辆距离。2.根据权利要求1所述的一种基于深度神经网络的车辆测距方法，其特征在于，所述步骤S2，包括：(1)加载训练样本，并进行样本特征增强和样本归一化；(2)深度神经网络参数初始化，并训练深度神经网络模型，直至满足终止条件；(3)保存模型参数，得到最终模型。3.根据权利要求2所述的一种基于深度神经网络的车辆测距方法，其特征在于，所述样本特征增强包括：通过非线性映射函数将原始四维数据升至任意的大于四维的特征数据。4.根据权利要求2所述的一种基于深度神经网络的车辆测距方法，其特征在于，所述深度神经网络模型包括输入层、隐藏层、输出层。5.根据权利要求4所述的一种基于深度神经网络的车辆测距方法，其特征在于，所述隐藏层包括两层隐藏层，第一层隐藏层设置m层过滤器，并使用激活函数Relu...

【专利技术属性】
技术研发人员：郭佳奇，李庆，梁艳菊，常嘉义，
申请(专利权)人：中科院微电子研究所昆山分所，
类型：发明
国别省市：江苏,32