一种基于卷积网络的图像识别系统技术方案

本发明专利技术公开了一种基于卷积网络的图像识别系统，涉及无人驾驶技术领域，包括采集模块、识别模块和呈现模块，所述识别模块包括提取单元、深度卷积神经网络模型，所述采集模块与所述提取单元连接，所述提取单元与所述深度卷积神经网络模型连接，所述深度卷积神经网络模型与所述呈现模块连接。本发明专利技术预测出相应视觉场景的图像语义数据，重建车辆周围的环境语义信息，而且减少局部信息丢失的同时增大感受也能包含更多的前后像素信息，提高环境光照识别分析的准确度，能有效帮助车辆在远灯照射致盲或者路面光照不佳的情况下，掌握周围的环境，有效避免交通事故的发生，适应性高。

【技术实现步骤摘要】
一种基于卷积网络的图像识别系统
本专利技术涉及无人驾驶
，具体来说，涉及一种基于卷积网络的图像识别系统。
技术介绍
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，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。汽车装备激光雷达开始主要用于无人驾驶系统，用激光雷达感知周围环境的障碍物。当无人驾驶的车辆不得不与周围环境发生碰撞时，由于激光雷达数据本身没有任何语义信息，往往会发生无选择的碰撞，如果能从激光雷达数据中提取语义信息，将可以帮助无人驾驶汽车做有选择的碰撞。检索中国专利技术专利CN201510292794.8公开了一种基于红外成像的图像识别系统，其由红外成像系统，与红外成像系统相连本文档来自技高网...

【技术保护点】
1.一种基于卷积网络的图像识别系统，其特征在于，包括采集模块(1)、识别模块(2)和呈现模块(3)，所述识别模块(2)包括提取单元(4)、深度卷积神经网络模型(5)，其中，所述采集模块(1)与所述提取单元(4)连接，所述提取单元(4)与所述深度卷积神经网络模型(5)连接，所述深度卷积神经网络模型(5)与所述呈现模块(3)连接，其中；/n所述采集模块(1)，用于采集街景图像数据并传输至所述提取单元；/n所述提取单元(4)，用于对获取的街景图像数据提取图像的语义分割图并作为所述深度卷积神经网络模型(5)的输入；/n所述深度卷积神经网络模型(5)，用于搭建深度卷积神经网络模型并对图像的语义分割图进行...

【技术特征摘要】
1.一种基于卷积网络的图像识别系统，其特征在于，包括采集模块(1)、识别模块(2)和呈现模块(3)，所述识别模块(2)包括提取单元(4)、深度卷积神经网络模型(5)，其中，所述采集模块(1)与所述提取单元(4)连接，所述提取单元(4)与所述深度卷积神经网络模型(5)连接，所述深度卷积神经网络模型(5)与所述呈现模块(3)连接，其中；
所述采集模块(1)，用于采集街景图像数据并传输至所述提取单元；
所述提取单元(4)，用于对获取的街景图像数据提取图像的语义分割图并作为所述深度卷积神经网络模型(5)的输入；
所述深度卷积神经网络模型(5)，用于搭建深度卷积神经网络模型并对图像的语义分割图进行识别分析，其中包括以下步骤：
标定深度卷积神经网络模型并训练确定深度卷积神经网络的损失函数；
获取从卷积层输出的辉光特征fG和经过小尺度的卷积滤波用来表示辉光位置的GM；
将获取的GM与fG的特征经过卷积滤波获取辉光的强度估计S；
将获取的特征级联起来卷积输出得到去辉光后的图像H；
获取图像H的透射率和环境光照作为识别图像进行输出；
所述呈现模块(3)，用于将获取的识别图像进行呈现。


2.根据权利要求1所述的基于卷积网络的图像识别系统，其特征在于，所述深度卷积神经网络模型(5)，还包括以下步骤：
获取训练数据库集；
设定深...

【专利技术属性】
技术研发人员：张欢，刘茂金，何灏，王明亮，贺龙钊，马康，辛育，王磊，邹鲁，郭富强，
申请(专利权)人：深圳朗道智通科技有限公司，
类型：发明
国别省市：广东;44