一种基于深度学习的无人驾驶汽车障碍物识别检测系统技术方案

本发明专利技术公开了一种基于深度学习的无人驾驶汽车障碍物识别检测系统，包括图像获取模块、深度计算模块、线路转换模块和引导出发模块，所述图像获取模块的输出端与深度计算模块的输入端连接，所述深度计算模块的输出端与线路转换模块的输入端连接，所述线路转换模块的输出端用户引导出发模块的输入端连接。本发明专利技术对障碍物图像深度加工处理，获取准确信息图像，对障碍物进行深度计算，并自动获取转换线路角度，准确避开障碍物，确保行驶安全稳定，适合进行推广。

【技术实现步骤摘要】
一种基于深度学习的无人驾驶汽车障碍物识别检测系统
本专利技术涉及车前障碍物检测识别
，尤其涉及一种基于深度学习的无人驾驶汽车障碍物识别检测系统。
技术介绍
无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物。无人驾驶汽车主要零部件包括激光雷达、单/双目摄像头、超声波雷达、毫米波雷达和主控系统等。作为无人驾驶汽车的“眼睛”，可以利用双目摄像头的成像视差来测算周围物体和汽车之间的距离，同时也被用来识别车道线、红绿灯和各种交通指示牌，以及周围的行人和车辆等物体。作为无人驾驶汽车感知外界环境的最主要途径之一，摄像头在无人驾驶中发挥着重要的作用，对摄像头采集的图像进行精确的识别和检测，是无人驾驶汽车安全的重要保证。现有的无人驾驶汽车障碍识别检测系统，对障碍的识别检测精确度较低，不能针对障碍物进行深度的计算，并转换合适的线路，导致汽车行驶的安全性较低；因此，我们提出了一种基于深度学习的无人驾驶汽车障碍物识别检测系统用于解决上述问题。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种基于深度学习的无人驾驶汽车障碍物识别检测系统。本专利技术提出的一种基于深度学习的无人驾驶汽车障碍物识别检测系统，包括图像获取模块、深度计算模块、线路转换模块和引导出发模块，所述图像获取模块的输出端与深度计算模块的输入端连接，所述深度计算模块的输出端与线路转换模块的输入端连接，所述线路转换模块的输出端用户引导出发模块的输入端连接。优选地，所述深度计算模块包括体积计算单元、距离计算单元和角度计算单元，且体积计算单元、距离计算单元和角度计算单元的输出端分别与线路转换模块的输入端连接，所述图像获取模块包括图片识别单元，所述图片识别单元的输出端连接有图片加工单元，所述图片加工单元的输出端连接有图像精修单元，所述图像精修单元恩多输出端连接有图像确定单元。优选地，所述图像获取模块用于对驾驶视线线路上障碍物进行拍摄，所述深度计算模块用于对获取的图像进行深度计算，获取障碍物基本信息和备用线路，且基本信息包括障碍物体积和障碍物与汽车之间的距离，所述线路转换模块用于接收深度计算模块给出的障碍物信息，并根据障碍物信息计算出备用线路转换角度，所述引导出发模块用于发出行驶命令。优选地，所述体积计算单元用于计算障碍物的高度、宽度和体积，所述距离计算单元用于计算行驶车辆与障碍物之间的相对距离，所述角度计算单元用于确定行驶车辆转换行驶角度确定备用线路与最初行驶路线之间夹角角度，避开障碍物。优选地，所述图像识别单元用于识别拍摄视频中障碍物所在地点，图像加工单元用于过滤视频图像中拍摄模糊的阴影，图像精修单元用于对视频图像中的障碍物清洗化处理，所述图像确定单元用于将精修过后的图片上传至深度计算模块。优选地，识别检测系统的运行方法包括以下步骤：S1、无人驾驶汽车通过图像获取模块获取行驶线路上的实时图像，并将图像上传至深度计算模块；S2、深度计算模块对接收的图像进行深度剖析计算，获得障碍物基本信息，并将障碍物基本信息上传至线路转换模块；S3、线路转换模块用于确定备用线路转换角度，并切换备用行驶路线，将备用线路信息上传至引导发出模块；S4、通过引导出发模块驱动无人驾驶汽车驶入备用行驶线路。本专利技术中，一种基于深度学习的无人驾驶汽车障碍物识别检测系统通过图像获取模块获取行驶线路上的视频图像，并对图像进行识别检测和加工处理，获得完整的障碍物影像，并将障碍物数据上传至深度计算模块，通过深度计算模块计算障碍物的体积和转换线路角度计算，并通过线路转换模块获得备用线路信息，通过引导发出模块命令汽车驶入备用线路；本专利技术对障碍物图像深度加工处理，获取准确信息图像，对障碍物进行深度计算，并自动获取转换线路角度，准确避开障碍物，确保行驶安全稳定，适合进行推广。附图说明图1为本专利技术提出的一种基于深度学习的无人驾驶汽车障碍物识别检测系统的原理框图；图2为本专利技术提出的一种基于深度学习的无人驾驶汽车障碍物识别检测系统的部分结构框图；图3为本专利技术提出的一种基于深度学习的无人驾驶汽车障碍物识别检测系统的部分结构框图。具体实施方式下面结合具体实施例对本专利技术作进一步解说。实施例参照图1-3，一种基于深度学习的无人驾驶汽车障碍物识别检测系统，包括图像获取模块、深度计算模块、线路转换模块和引导出发模块，图像获取模块的输出端与深度计算模块的输入端连接，深度计算模块的输出端与线路转换模块的输入端连接，线路转换模块的输出端用户引导出发模块的输入端连接。本实施例中，深度计算模块包括体积计算单元、距离计算单元和角度计算单元，且体积计算单元、距离计算单元和角度计算单元的输出端分别与线路转换模块的输入端连接，图像获取模块包括图片识别单元，图片识别单元的输出端连接有图片加工单元，图片加工单元的输出端连接有图像精修单元，图像精修单元恩多输出端连接有图像确定单元，图像获取模块用于对驾驶视线线路上障碍物进行拍摄，深度计算模块用于对获取的图像进行深度计算，获取障碍物基本信息和备用线路，且基本信息包括障碍物体积和障碍物与汽车之间的距离，线路转换模块用于接收深度计算模块给出的障碍物信息，并根据障碍物信息计算出备用线路转换角度，引导出发模块用于发出行驶命令，体积计算单元用于计算障碍物的高度、宽度和体积，距离计算单元用于计算行驶车辆与障碍物之间的相对距离，角度计算单元用于确定行驶车辆转换行驶角度确定备用线路与最初行驶路线之间夹角角度，避开障碍物，图像识别单元用于识别拍摄视频中障碍物所在地点，图像加工单元用于过滤视频图像中拍摄模糊的阴影，图像精修单元用于对视频图像中的障碍物清洗化处理，图像确定单元用于将精修过后的图片上传至深度计算模块，识别检测系统的运行方法包括以下步骤：S1、无人驾驶汽车通过图像获取模块获取行驶线路上的实时图像，并将图像上传至深度计算模块；S2、深度计算模块对接收的图像进行深度剖析计算，获得障碍物基本信息，并将障碍物基本信息上传至线路转换模块；S3、线路转换模块用于确定备用线路转换角度，并切换备用行驶路线，将备用线路信息上传至引导发出模块；S4、通过引导出发模块驱动无人驾驶汽车驶入备用行驶线路。以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无人驾驶汽车障碍物识别检测系统，包括图像获取模块、深度计算模块、线路转换模块和引导出发模块，其特征在于，所述图像获取模块的输出端与深度计算模块的输入端连接，所述深度计算模块的输出端与线路转换模块的输入端连接，所述线路转换模块的输出端用户引导出发模块的输入端连接。/n

【技术特征摘要】
1.一种基于深度学习的无人驾驶汽车障碍物识别检测系统，包括图像获取模块、深度计算模块、线路转换模块和引导出发模块，其特征在于，所述图像获取模块的输出端与深度计算模块的输入端连接，所述深度计算模块的输出端与线路转换模块的输入端连接，所述线路转换模块的输出端用户引导出发模块的输入端连接。


2.根据权利要求1所述的一种基于深度学习的无人驾驶汽车障碍物识别检测系统，其特征在于，所述深度计算模块包括体积计算单元、距离计算单元和角度计算单元，且体积计算单元、距离计算单元和角度计算单元的输出端分别与线路转换模块的输入端连接，所述图像获取模块包括图片识别单元，所述图片识别单元的输出端连接有图片加工单元，所述图片加工单元的输出端连接有图像精修单元，所述图像精修单元恩多输出端连接有图像确定单元。


3.根据权利要求1所述的一种基于深度学习的无人驾驶汽车障碍物识别检测系统，其特征在于，所述图像获取模块用于对驾驶视线线路上障碍物进行拍摄，所述深度计算模块用于对获取的图像进行深度计算，获取障碍物基本信息和备用线路，且基本信息包括障碍物体积和障碍物与汽车之间的距离，所述线路转换模块用于接收深度计算模块给出的障碍物信息，并根据障碍物信息计算出备用线路转换角度，所述引导出发模块用于发出行驶命令。

【专利技术属性】
技术研发人员：贾睿，崔升广，王智学，于洋，
申请(专利权)人：辽宁省交通高等专科学校，
类型：发明
国别省市：辽宁;21