一种检测车辆偏转角度的方法技术

本发明专利技术公开了一种检测车辆偏转角度的方法，建立了可以检测车辆偏转角度的MCR‑CNN模型。该方法首先根据具体的检测环境确定MCR‑CNN模型中的CNN回归网络个数，然后制作车辆俯视图像数据集，再然后将图像数据集输入到多个CNN回归网络中进行训练，建立成MCR‑CNN模型，其次将待检测图像输入到MCR‑CNN模型中，得到多个检测结果，最后对比分析得到该图像对应的车辆偏转角度。本发明专利技术提供的方法能实现利用俯视图精确地检测出车辆的偏转角度，为无人驾驶的路径规划提供基础条件，提高智慧停车管理系统对已停放车辆偏转角度检测的精度。

A method of measuring vehicle deflection angle

【技术实现步骤摘要】
一种检测车辆偏转角度的方法
本专利技术属于车辆环境感知领域，涉及一种检测车辆偏转角度的方法。
技术介绍
随着地面上车辆的日益增多，交通枢纽的压力越来越大，停车难的问题越来越显著。因此，随之而来的就是智能交通网络和智慧停车管理系统的发展。其中智能交通网络中的重要一环——无人驾驶技术也在逐步发展着。在无人驾驶领域，面对越来越复杂的交通网络，提前预知目标物体的动作显得很有必要。而在智慧停车管理系统中，检测车辆的位置和姿态也是必不可少的一步。目前为了确保无人驾驶车辆对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取车辆周围环境的大量信息，具体来说包括：其他车辆的偏转角度，障碍物的位置、速度以及可能的行为，可行驶的区域，交通规则等。其中无人驾驶车辆检测路面其他车辆的偏转角度和智慧停车管理系统检测已停放车辆的偏转角度时，通常是通过融合激光雷达、相机、毫米波雷达等多种传感器的数据整合后得出车辆偏转角度的。而目前无论是无人驾驶车辆检测周围车辆的偏转角度，还是智慧停车管理系统检测已停放车辆的偏转角度，均是利用路面拍摄图像来分析目标车辆偏转角度的。利用路面拍摄图像分析车辆偏转角度易受到其他障碍物的干扰，给目标车辆偏转角度的检测造成很大困扰，因此对被测环境要求较高。如果是在车辆密集的停车场等复杂环境条件下对目标车辆偏转角度进行检测时，检测结果的误差会比较大。
技术实现思路
针对车辆偏转角度在检测时对被测环境要求较高、检测结果误差较大等技术问题，本专利技术的目的在于，提供一种基于多CNN(ConvolutionalNeuralNetworks)回归网络协作的MCR-CNN（Multi-collaborativeRegressionCNN）模型来检测车辆偏转角度的方法，将无人机、卫星等拍摄的车辆俯视图像输入到MCR-CNN模型中，MCR-CNN模型中的多个CNN回归网络对车辆俯视图像进行检测，得出多个检测结果，再对所有检测结果进行数据处理，得到图像中车辆的精确偏转角度。本专利技术所提供的技术方案如下所描述：一种检测车辆偏转角度的方法，采用的是基于多CNN回归网络协作的MCR-CNN模型进行检测，所述的MCR-CNN模型包含m个CNN回归网络，m个CNN回归网络分别为CNN1、CNN2、CNN3、…、CNNm，m为不小于3的正奇整数，检测时，所述的MCR-CNN模型中的m个CNN回归网络的检测结果分别为，然后对m个检测结果进行数据处理，得出车辆的偏转角度。进一步地，所述的MCR-CNN模型包含m个CNN回归网络，m个CNN回归网络采用相同的网络架构。进一步地，m个CNN回归网络采用m个不同的数据集进行训练，m个不同的数据集对应着m个不同的角度标签值组，其中第i个CNN回归网络在训练时采用第i个数据集，第i个数据集对应的角度标签值组为，其中。更进一步地，m个不同的角度标签值组中的前f个角度标签值组在标定时需进行修正，前f个角度标签值组中的所有角度标签值分别加上设定值，则所述的MCR-CNN模型中的第t个CNN回归网络在训练时采用第t个数据集，第t个数据集对应的角度标签值组为，其中，检测时，将所述的MCR-CNN模型中的前f个CNN回归网络的检测结果分别减去设定值。再进一步地，对m个检测结果进行数据处理的具体方法分为和两m>9种情况：情况Q1，当时，对m个检测结果进行数据处理的具体步骤为：步骤Q11：将m个检测结果按照不减的顺序排列，组成顺序统计量；步骤Q12：用宽度为d0的滑动窗口去覆盖顺序统计量，从滑动窗口的左端覆盖顺序统计量开始，依次向右滑动，直到滑动窗口覆盖顺序统计量为止，记下滑动窗口覆盖的顺序统计量个数最多的情况，以此时滑动窗口内顺序统计量的平均值作为车辆偏转角度结果，情况Q2，当m>9时,将检测获得的m个检测结果用莱以特准则对粗大误差给予剔除,然后求出余下检测结果的平均值,最后用表示车辆偏转角度。本专利技术与现有技术相比具有显著的优点和有益效果：（1）本专利技术提供的检测车辆偏转角度的方法是利用无人机、卫星等拍摄车辆图像来检测车辆偏转角度的。对被测环境的要求偏低，有效解决了利用地面拍摄图像来检测车辆偏转角度时，障碍物干扰较大的问题；因此，此方法适用的环境范围较广。（2）本专利技术创建多CNN回归网络协作的MCR-CNN模型，同一张图像通过MCR-CNN模型检测得出多个检测结果，再对比分析得出车辆偏转角度。有效解决了用一个CNN回归网络模型检测车辆偏转角度时误差较大的问题，MCR-CNN模型检测得出的车辆偏转角度误差较小，模型鲁棒性较强。（3）本专利技术可以根据现实的传感器精度和路径规划时所需要的检测精度来改变MCR-CNN模型中的CNN回归网络个数。并且对不同CNN回归网络个数的MCR-CNN模型给出了不同的数据处理方法，适用范围广。（4）本专利技术在创建数据集时，所有数据集的制作可以采用同一组照片，因此数据集制作简单方便。并且所述的MCR-CNN模型中的所有CNN回归网络可都采用相同的回归网络框架，模型简单，容易创建。（5）本专利技术在创建数据集对应的角度标签值组时，前f个角度标签值组需要进行修正。这样避免了角度标签值组在归一化之后，角度标签值组中的前后标签值的数量级相差太大的问题，大大减小了检测误差。附图说明图1为本专利技术所用的车辆角度检测坐标系；图2为一种CNN回归网络的网络架构示意图；图3为本专利技术提供的技术方案的流程图；图4为CNN1回归网络的检测误差分布；图5为CNN2回归网络的检测误差分布；图6为CNN3回归网络的检测误差分布；图7为由3个CNN回归网络组成的MCR-CNN模型检测车辆偏转角度误差分布。具体实施方式本专利技术的目的在于提供一种采用基于多CNN(ConvolutionalNeuralNetworks)回归网络协作的MCR-CNN（Multi-collaborativeRegressionCNN）模型来检测车辆偏转角度的方法，以车辆的俯视图像为检测对象来检测目标车辆的偏转角度，用来解决车辆偏转角度在检测时对被测环境要求较高、检测结果误差较大等技术问题。为了使本专利技术的专利技术目的、技术方案和有益效果更加清楚，下面将通过实施方式对本专利技术作进一步地详细描述。一种检测车辆偏转角度的方法，采用的是基于多CNN回归网络协作的MCR-CNN模型进行检测车辆偏转角度的，所述的MCR-CNN模型包含m个CNN回归网络，m个CNN回归网络分别为CNN1、CNN2、CNN3、…、CNNm，m为不小于3的正奇整数。例如，当车辆偏转角度的检测精度要求不高时，m可以确定为3，则此时所述的MCR-CNN模型中包含3个CNN回归网络，分别为CNN1、CNN2、CNN3。当然m也可以确定为5，则此时所述的MCR-CNN模型中包含5个CNN回归网络，分别为本文档来自技高网...

【技术保护点】
1.一种检测车辆偏转角度的方法，其特征在于，采用基于多CNN回归网络协作的MCR-CNN模型进行检测，所述的MCR-CNN模型包含m个CNN回归网络，m个CNN回归网络分别为CNN1、CNN2、CNN3、…、CNNm，m为不小于3的正奇整数，/n检测时，所述的MCR-CNN模型中的m个CNN回归网络的检测结果分别为

【技术特征摘要】
1.一种检测车辆偏转角度的方法，其特征在于，采用基于多CNN回归网络协作的MCR-CNN模型进行检测，所述的MCR-CNN模型包含m个CNN回归网络，m个CNN回归网络分别为CNN1、CNN2、CNN3、…、CNNm，m为不小于3的正奇整数，
检测时，所述的MCR-CNN模型中的m个CNN回归网络的检测结果分别为，然后对m个检测结果进行数据处理，得出车辆的偏转角
度。


2.根据权利要求1所述的检测车辆偏转角度的方法，其特征在于，所述的MCR-CNN模型中的m个CNN回归网络采用相同的网络架构。


3.根据权利要求1或2所述的检测车辆偏转角度的方法，其特征在于，m个CNN回归网络
采用m个不同的数据集进行训练，m个不同的数据集对应着m个不同的角度标签值组，其中第
i个CNN回归网络在训练时采用第i个数据集，第i个数据集对应的角度标签值组为，其中。


4.根据权利要求3所述的检测车辆偏转角度的方法，其特征在于，m个不同的角度标签
值组中的前f个角度标签值组在标定时需进行修正，前f个角度标...

【专利技术属性】
技术研发人员：陈国强，童文虎，刘梦超，周红鹏，白秉欣，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41