基于卷积神经网络的高架识别辅助定位方法技术

本发明专利技术公开了一种基于卷积神经网络的高架识别辅助定位方法，包括如下步骤：S1：组建卷积神经网络，采集高架相关的数据集；S2：将数据集输入卷积神经网络进行训练，获取卷积神经网络的参数；S3：通过GPS初步确认当前位置在高架附近；S4：触发图像采集，对当前场景进行图像数据的采集；S5：将采集后的图像数据输入卷积神经网络进行推理计算，分析判断当前场景的具体位置。本发明专利技术在GPS定位出车辆在高架桥附近时，通过卷积神经网络自动识别出车辆具体位置，从而进行车辆定位修正；卷积神经网络采用基于单张图片的视觉算法，对图片数量及画质要求低；准确度高，鲁棒性好；成本低，实用性强。

Auxiliary location method of viaduct recognition based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的高架识别辅助定位方法
本专利技术涉及一种定位方法，尤其涉及一种基于卷积神经网络的高架识别辅助定位方法。
技术介绍
高架桥是现代交通系统中的重要组成部分，极大缓解了地面道路的运营压力，上下车道分离提高了城市的运行效率。GPS，全球定位系统，主要利用与卫星通信，获取位置信息，同时根据基准站的精确位置，采用差分方法对地面位置进行纠正计算。即便如此，由于受到如星历误差、电离层延迟、对流层延迟以及气候等的影响，仍会产生几米到几十米的误差，无法进行精确定位。大型城市(如北上广)由于道路复杂性，司机日常出行对导航系统有着极大的依赖。而目前的导航系统普遍无法进行高架上下道路的识别或者识别准确率不高，使得导航系统出现错误道路规划且须手动修正，影响驾驶安全，降低导航体验。因此，亟需可靠的高架道路识别辅助定位方法，帮助进行道路修正。对高架上下道路进行识别的现有方法主要有：1、气压计：利用不同高度气压不同的原理，进行高架上下道路的区分。2、GPS道路匹配：根据GPS定位轨迹与电子地图中的道路网进行比较，根据一定算法搜索出与行车本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的高架识别辅助定位方法，其特征在于，包括如下步骤：/nS1：组建卷积神经网络，采集高架相关的数据集；/nS2：将数据集输入卷积神经网络进行训练，获取卷积神经网络的参数；/nS3：通过GPS初步确认当前位置在高架附近；/nS4：触发图像采集，对当前场景进行图像数据的采集；/nS5：将采集后的图像数据输入卷积神经网络进行推理计算，分析判断当前场景的具体位置。/n

【技术特征摘要】
1.一种基于卷积神经网络的高架识别辅助定位方法，其特征在于，包括如下步骤：
S1：组建卷积神经网络，采集高架相关的数据集；
S2：将数据集输入卷积神经网络进行训练，获取卷积神经网络的参数；
S3：通过GPS初步确认当前位置在高架附近；
S4：触发图像采集，对当前场景进行图像数据的采集；
S5：将采集后的图像数据输入卷积神经网络进行推理计算，分析判断当前场景的具体位置。


2.如权利要求1所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述卷积神经网络依次包括输入层、隐藏层和输出层，所述隐藏层包括卷积层、池化层、批正则化层和全连接层；所述卷积层、池化层和批正则化层为基本单元层，所述基本单元层至少为一层；所述全连接层设置在基本单元层之后。


3.如权利要求2所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述步骤S2中获取的卷积神经网络的参数包括卷积层的卷积核权重和批正则化层的归一化参数。


4.如权利要求3所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述步骤S5具体包括：
S51：将图像数据在输入层进行数据标准化；
S52：将标准化后的图像数据输入隐藏层进行计算得到特征向量；
S53：通过输出层进行交叉熵将特征向量转换为各特征类别的概率值；
S54：将概率值最高的特征类别作为位置特征，判断当前场景是在高架上、高架下、上行匝道上或下行匝道上。


5.如权利要求4所述的基于...

【专利技术属性】
技术研发人员：韩晗，姚吉顺，宁波，郭鑫，
申请(专利权)人：上海赛可出行科技服务有限公司，
类型：发明
国别省市：上海;31