【技术实现步骤摘要】
一种基于深度学习的路面障碍物智能识别设备
本专利技术属于智能交通设备
，特别涉及一种基于深度学习的路面障碍物智能识别设备。
技术介绍
在现有的路面(包括沥青混凝土路面、水泥混凝土路面、砖石路面等不同材质路面)中常会出现不同的障碍物(例如：塑料类、金属类、木质类、玻璃类、橡胶类、石质类等)，若驾驶员在驾驶车辆行驶过程中，不能完全集中注意力，极易与这些障碍物发生碰撞，若利用人工智能技术对障碍物进行有效识别，进行辅助驾驶，则可极大避免碰撞的发生；经检索专利申请公布号：CN107493488A，基于FasterR-CNN模型的视频内容物智能植入方法，包括：解帧得到视频声音文件、视频帧图像和植入内容物帧图像；检测识别每个视频帧包含的内容物，并对视频帧文件进行镜头切分；对每个镜头选择内容物体作为内容物植入区域；精确定位内容物植入区域的顶点并追踪其移动，确定单个镜头中每一帧图像中内容物植入区域的位置；对镜头中内容物植入区域进行遮挡检测，若存在遮挡，则对运动前景自动精确分割；将植入内容物插入视频帧中内容物植入区域的位置，若上一...
【技术保护点】
1.一种基于深度学习的路面障碍物智能识别设备，其特征在于包括图像获取部件、图像输送增强去杂部件、基于深度学习的障碍物分级部件、基于深度学习方法的障碍物动静态判定部件、基于深度学习方法的障碍物预警部件，智能识别是基于深度学习理论的模型对预处理后的视频图像信息进行障碍物的识别判定，最终实现障碍物的分级和动静态判定；/n深度学习包括以下方法：/n(1)基于卷积运算的神经网络系统，即卷积神经网络；/n(2)基于多层神经元的自编码神经网络；/n(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。/n
【技术特征摘要】
1.一种基于深度学习的路面障碍物智能识别设备，其特征在于包括图像获取部件、图像输送增强去杂部件、基于深度学习的障碍物分级部件、基于深度学习方法的障碍物动静态判定部件、基于深度学习方法的障碍物预警部件，智能识别是基于深度学习理论的模型对预处理后的视频图像信息进行障碍物的识别判定，最终实现障碍物的分级和动静态判定；
深度学习包括以下方法：
(1)基于卷积运算的神经网络系统，即卷积神经网络；
(2)基于多层神经元的自编码神经网络；
(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。
2.根据权利要求1所述的一种基于深度学习的路面障碍物智能识别设备，其特征在于基于深度学习理论的模型为FasterR-CNN模型，是一个七层及以下的神经网络，卷积神经网络前向传播的步骤为：取图片数据集样本(X,Yp)，将X输入网络，计算相应的实际输出Op；
后向传播步骤：计算结果输出OP与理论输出YP之差，依据极小化误差法对原有网络进行权矩阵调整，依次定义单元数目输入层为N、中间层为L和输出层为M、X＝(x0，x1，…，xn)为加到网络的输入向量，H＝(h0,h1,…,hl,)为中间层输出向量，Y＝(yo，y1…ym)为网络实际输出向量，D＝(do,d1…,dm)是目标输出向量，Vij权值表示单元i与隐单元j之间的关系，Wjk表示权值隐单元j与输出单元k之间的关系，θk表示输出单元阈值，表示隐含单元阈值；
卷积神经网络训练过程如下：
(1)由样本图片集中随机选取特定数目的异物图像为训练集；
(2)初始化精度控制参数ε和学习率α，并将Vij和Wjk设置为接近0的随机值；
(3)从训练集取X输入到网络，并得到它的输出向量D，其为获取的目标；
(4)计算其中间层向量H和网络实际输出向量Y，公式如下：
(5)输出向量与目标向量的元素yk和dk数值比较，测算输出误差项M个：
δk＝(dk-yk)*yk*(1-yk)
中间层隐式单元中计算出L个误差项式：
(6)顺次算出各个权值调整量，公式如下：
ΔWjk(n)＝(α/(1+L))*(ΔWjk(n-1)+1)*δk*hj
ΔVjk(n)＝(α/(1+N))*(ΔVjk(n-1)+1)*δk*hj
(7)微调权值公式：
Wjk(n+1)＝Wjk(n)+ΔWjk(n)
Vij(n+1)＝Vij(n)+ΔVij(n)
(8)k每经过1到M后，判定指标精度是否满足:E<ε；若不满足，则退到步骤(3)，反之，进入下一步，其中E为总误差函数：
3.根据权利要求1所述的一种基于深度学习的路面障碍物智能识别设备，其特征在于所述...
【专利技术属性】
技术研发人员：孟祥涛，陈庆村，李新亮，王德印，彭洪啸，焦双健，童贤存，李洪珍，刘晓珑，邱友义，
申请(专利权)人：山东沂蒙交通发展集团有限公司，
类型：发明
国别省市：山东;37
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。