【技术实现步骤摘要】
一种基于深度学习的视觉里程计及里程方法
本专利技术涉及轨道交通
，具体涉及一种基于深度学习的视觉里程计及里程方法。
技术介绍
轨道交通领域的里程计量通常依赖于对车轮旋转的计数，由于车轮半径存在机械误差，且在运行时尤其是启动、刹车和转弯时出现车轮打滑及空转现象，车轮计量里程的方式通常会带来难以消除的累计误差。视觉里程基于对现场环境的实际记录，可以像人眼一样观察车辆行进的速度和方向，以确定实际里程位置，几乎不产生累计误差。视觉里程技术广泛应用于自动驾驶、环境感知及地图测绘等领域。常用的视觉里程方法通常包括对特征点的识别、筛选、及分析比对。其缺点是对场景的要求较高，需要场景具有较多可被识别的特征点信息。然而对于一些光线较为昏暗，环境特征信息量较小，场景重复性强的环境，如轨道交通隧道中，前后帧中的特征极为相似，难以进行特征点的匹配。
技术实现思路
本专利技术的目的在于针对现有技术的缺陷和不足，提供一种设计合理的基于深度学习的视觉里程计及里程方法，其能够轨道交通隧道环境下稳定运行并实现较高精度的测量，...
【技术保护点】
1.一种基于深度学习的视觉里程计，其特征在于：它包含解码模块（1）、图像增强模块（2）、目标检测模块（3）、方向测定模块（4）、目标预测模块（5）、数据变换模块（6）和数据整合模块（7）；解码模块（1）与图像增强模块（2）连接，图像增强模块（2）与目标检测模块（3）连接，目标检测模块（3）分别与方向测定模块（4）和目标预测模块（5）连接，目标预测模块（5）与数据变换模块（6）连接，方向测定模块（4）以及数据变换模块（6）均与数据整合模块（7）连接。/n
【技术特征摘要】 【专利技术属性】
1.一种基于深度学习的视觉里程计，其特征在于：它包含解码模块（1）、图像增强模块（2）、目标检测模块（3）、方向测定模块（4）、目标预测模块（5）、数据变换模块（6）和数据整合模块（7）；解码模块（1）与图像增强模块（2）连接，图像增强模块（2）与目标检测模块（3）连接，目标检测模块（3）分别与方向测定模块（4）和目标预测模块（5）连接，目标预测模块（5）与数据变换模块（6）连接，方向测定模块（4）以及数据变换模块（6）均与数据整合模块（7）连接。
2.一种基于深度学习的视觉里程方法，其特征在于：它的步骤如下：
步骤（一）、将含有时间信息的视频流利用解码模块解码为带有时间戳的图片流；
步骤（二）、利用图像增强模块对解码后的带有时间戳的图片流进行图像增强；
步骤（三）、利用目标检测模块对增强后的带有时间戳的图片流进行目标检测；
步骤（四）、利用方向测定模块对目标检测后的结果进行分析，并测定方向；
步骤（五）、利用目标预测模块对目标检测的结果进行分析，并对未检测出的目标进行预测；
步骤（六）、利用数据变换模块对检测与预测目标进行分析，经过数据变换，得到里程信息；
步骤（七）、利用数据整合模块将步骤四和步骤六中的方向和里程信息进行整合。
3.根据权利要求2所述的一种基于深度学习的视觉里程方法，其特征在于：所述的图像增强模块基于深度学习针对轨道交通系统隧道环境进行训练，并根据实际隧道环境对图片进行亮度及对比度调整，以提高轨枕和道钉等标志物与周围环境之间的对比度，同时对里程标和标志牌荧光产生的过曝进行优化，以便于对其上喷涂内容的识别。
技术研发人员：刘晓亮，徐顺东，戴小燕，
申请(专利权)人：常州沃翌智能科技有限公司，
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。