【技术实现步骤摘要】
道路状况检测方法及系统
本专利技术涉及安全辅助驾驶与智能交通
,尤其涉及一种道路状况检测方法及系统。
技术介绍
随着轨道交通里程的不断增加和行车速度的不断提升,列车运行状况中内外部环境信息的采集、传递和处理越来越成为列车安全运行的关键。但是在行车过程中,即便是很小的障碍物都会导致行车事故的发生。例如在行车过程中由于对周边出现山体滑坡、泥石流塌方等造成的沙石拥堵,桥梁隧道悬挂物脱落的警报失误,或作业人员及设备滞留在轨道上等现象,皆容易对高速行驶中的列车及乘客的生命财产造成重大威胁。而目前,将计算机视觉和图像技术应用于列车安全运行中已取得了长足的发展,但是对高速的列车而言,由于自身惯性大,制动距离较远,因此,相机与拍摄的物体距离会比较远,而虽然列车使用了超长焦相机使得拍摄远处的图片更加清晰,但目标障碍物在视野中的成像比较小,不利于轨道交通障碍物的检测领域。而现有的轨道交通障碍物检测系统通常采用LeNet-5网络模型,对图像的不同部位进行卷积操作,提取特征和将检测结果与图像进行映射,以实现图像的分类。然而LeNet-5网络模型规定输入的图像的像素大小必须为32x32,但针对超长焦相机采集的图像的像素大小往往大于32x32,例如256x256,若继续使用原LeNet-5网络模型,则需要将图像缩放至32x32像素大小。但是当检测目标在图像中占的面积比较小时,缩放容易导致检测目标在图像中“丢失”,最终导致LeNet-5网络模型分类效果不理想,易将道路存在障碍物的图像认定为道路不存在障碍物的图像,将道路不存在 ...
【技术保护点】
1.一种道路状况检测方法,其特征在于,包括:/n获取道路样本图像集,所述道路样本图像集包括道路上存在障碍物的第一道路样本图像、用于标记图像存在障碍物的第一标记信息、道路上不存在障碍物的第二道路样本图像和用于标记图像不存在障碍物的第二标记信息;/n根据所述道路样本图像集对道路状况检测模型进行训练,将所述第一道路样本图像与所述第一标记信息相关联,并将所述第二道路样本图像与所述第二标记信息相关联,其中,所述第一道路样本图像和所述第二道路样本图像均为指定像素大小下的图像,所述道路状况检测模型包括:输入层、至少三个卷积层、至少三个池化层、至少两个全连接层和输出层;/n根据指定像素大小,获取道路目标图像;/n将指定像素大小的道路目标图像输入至所述道路状况检测模型,以得到道路上是否存在障碍物的检测结果。/n
【技术特征摘要】
1.一种道路状况检测方法,其特征在于,包括:
获取道路样本图像集,所述道路样本图像集包括道路上存在障碍物的第一道路样本图像、用于标记图像存在障碍物的第一标记信息、道路上不存在障碍物的第二道路样本图像和用于标记图像不存在障碍物的第二标记信息;
根据所述道路样本图像集对道路状况检测模型进行训练,将所述第一道路样本图像与所述第一标记信息相关联,并将所述第二道路样本图像与所述第二标记信息相关联,其中,所述第一道路样本图像和所述第二道路样本图像均为指定像素大小下的图像,所述道路状况检测模型包括:输入层、至少三个卷积层、至少三个池化层、至少两个全连接层和输出层;
根据指定像素大小,获取道路目标图像;
将指定像素大小的道路目标图像输入至所述道路状况检测模型,以得到道路上是否存在障碍物的检测结果。
2.根据权利要求1所述的道路状况检测方法,其特征在于,所述道路状况检测模型为基于LeNet-5网络模型改进后的卷积神经网络模型;
在所述第一道路样本图像和所述第二道路样本图像的指定像素大小均为256*256的情况下,
所述道路状况检测模型包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和输出层。
3.根据权利要求2所述的道路状况检测方法,其特征在于,所述第一卷积层的卷积核大小为7*7,所述第二卷积层和所述第三卷积层的卷积核大小均为5*5。
4.根据权利要求2所述的道路状况检测方法,其特征在于,所述第一全连接层或/和第二全连接层中包括dropout层,用于将所述第一全连接层或/和第二全连接层中的部分神经元进行随机丢弃,以防止所述卷积神经网络模型过拟合。
5.根据权利要求1所述的道路状况检测方法,其特征在于,在所述根据所述道路样本图像集对所述道路状况检测模型进行训练的步骤之前,所述方法还包括:
对所述第一道路样本图像和所述第二道路样本图像进行增广处理。
6.根据权利要求1所述的道路状况检测方法,其特征在于,所述根据所述道路样本图像集对所述道路状况检测模型进行训练的步骤,包括:
根据所述道路状况检测模型的训练结果,修改所述道路状况检测模型的参数,所述参...
【专利技术属性】
技术研发人员:邓远志,
申请(专利权)人:昆山研祥智能科技有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。