【技术实现步骤摘要】
基于深度学习车辙线识别的巡线返回导航方法
[0001]本专利技术涉及无人车巡视返回导航领域，尤其涉及一种基于深度学习图像车辙线识别的无人车巡线返回导航方法。
技术介绍
[0002]野外相对定位信息对于无人探测车在探实施过程中实现自动导航定位及远程遥操作具有重要作用。而在沙漠表面覆盖有一层松散的沙壤，沙壤主要由松散的粉末状细微颗粒组成，且几乎整个沙漠表面都覆盖着厚度不等的沙壤层，沙壤平均厚度4～5m，高地区平均厚10～20m，无规律的分布着大小形态不同的坑、岩石和斜坡，因此通过性较差，容易导致沙漠表面车车轮深陷其中，并且造成严重打滑，地表普通轮式里程计在沙漠表面环境严重失效。所以亟需一种方法可以保证沙漠表面车在行进过程中，可以实现较为准确的相对定位。视觉SLAM点特征使用最为广泛，在特征提取、匹配都比较成熟。单一点特征对于环境依赖较大，在纹理缺失等场景中表现不佳；而沙漠表面环境下沙漠表面车行驶之后存在“车辙”，车辙线是一个良好的线特征。故点特征与线特征相结合可以实现较好的特征互补。通过在沙漠表面车后端搭载双目相机，检测沙漠表面...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习车辙线识别的巡线返回导航方法，其特征在于，包括：步骤S1：对无人车俯视视角的车辙线进行数学抽象，采用车辙线的中心点及车辙线方向角的正余弦值来表示车辙线；步骤S2：对于训练集和测试集的图像，按照图像的默认坐标系标注每根车辙线的端点的坐标值；步骤S3：构建深度学习识别模型，模型结构包含一个编码
‑
解码模块，以及一个预测模块，其包含三个全卷积网络分支，分别预测车辙线中心点的高斯分布核，车辙线的中心点相对真实值的偏移量以及车辙线中心点的方向；步骤S4：模型从车辙线中心点预测分支的特征图上，查找具有高斯核分布特点的区域，并选取其中心；对于特征图上的多个高斯分布核，模型按照其中心点的值的大小进行排名，并选取前N个点作为备选的车辙线中心点；模型对备选的车辙线中心点对应的像素值进行筛选，把大于等于阈值的作为模型初步预测到的车辙线的中心点；模型根据初步预测的车辙线的中心点的坐标，查找相应的车辙线中心偏移预测分支生成的预测图上对应的坐标值的偏移量，并经过偏移量修正得到最终的车辙线中心点坐标的预测值。2.如权利要求1所述的基于深度学习车辙线识别的巡线返回导航方法，其特征在于，所述步骤S1中，无人车俯视视角中的车辙线近似为直线，对其端点取平均，得到车辙线的近似中心点，并采用车辙线的中心点及车辙线方向角的正余弦值来表示车辙线，作为无人车沿车辙线行进的导航依据。3.如权利要求1所述的基于深度学习车辙线识别的巡线返回导航方法，其特征在于，所述步骤S2中，对数据集进行以下一项或多项基于车辙线端点的数据增强方法：任意方向平移、任意比例缩小、任意角度旋转、任意剪切变形。4.如权利要求1所述的基于深度学习车辙线识别的巡线返回导航方法，其特征在于，所述模型采用基于无锚框构架的紧凑型单步法目标识别模型结构，用于直接预测车辙线的中心点及方向，同时取消对物体目标框的识别；所述步骤S3中，模型的输入是一个大小为512
×
512
×
3的彩色图像，经...
【专利技术属性】
技术研发人员：胡涛，郑博，曹涛，张翰墨，钱洲元，李木子，
申请(专利权)人：上海航天控制技术研究所，
类型：发明
国别省市：
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。