一种基于图像处理的无人驾驶系统及方法技术方案

本发明专利技术涉及计算机视觉技术领域，具体为一种基于图像处理的无人驾驶系统及方法，一种基于图像处理的无人驾驶系统包括环境感知模块

【技术实现步骤摘要】
一种基于图像处理的无人驾驶系统及方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于图像处理的无人驾驶系统及方法
。

技术介绍

[0002]计算机视觉是一门研究如何使计算机“看懂”和理解视觉信息的学科
。
它旨在模仿人类视觉系统的工作方式，使计算机能够处理
、
分析和理解图像或视频数据
。
计算机视觉技术包括图像处理
、
图像分析
、
物体识别
、
目标跟踪等领域
。
[0003]无人驾驶系统是一种将计算机视觉技术应用于无人驾驶的创新
。
其目的是使自动驾驶车辆能够通过摄像头等传感器收集的图像数据来感知和理解道路环境，以便自主驾驶并做出决策
。
这样的系统旨在提高无人驾驶车辆的安全性
、
准确性和适应性，以使它们能够在复杂的交通环境中行驶
。
系统的核心任务包括图像采集
、
预处理
、
特征提取
、
目标检测与跟踪
、
道路场景理解
、
决策制定以及实时控制
。
通过这些步骤，基于图像处理的无人驾驶系统实现了自动驾驶车辆对复杂交通环境的感知与反应，从而提高了安全性和适应性
。
[0004]在现有的无人驾驶系统中，对周围环境的感知仅基于单一的传感器信息，造成环境感知结果准确性相对较低，无法有效应对复杂环境
>。
行驶决策和规划模块尚未充分利用增强学习等先进算法，导致在复杂环境下的应对反应不够灵活和高效
。
预测外部车辆和行人行为的精度有待提高，这在一定程度上限制了无人驾驶车辆在复杂环境中的运行性能
。
现有的个性化驾驶设置较为简单，仅限于基础的参数调节，未能深度理解及适应驾驶员和乘客的个性化需求
。
安全监测模块对道路环境的持续监测能力较弱，不足以支持高质量的道路维护和修复工作
。

技术实现思路

[0005]本专利技术的目的是解决现有技术中存在的缺点，而提出的一种基于图像处理的无人驾驶系统及方法
。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：一种基于图像处理的无人驾驶系统包括环境感知模块
、
规划决策模块
、
行为预测模块
、
场景理解模块
、
个性化驾驶模块
、
泊车辅助模块
、
安全监测模块；
[0007]所述环境感知模块采用基于深度学习的图像处理算法和多传感器融合技术，实时检测和分类道路上的交通标志和信号，识别和分析周围环境，生成环境感知结果；
[0008]所述规划决策模块基于环境感知结果，采用增强学习算法，实现自主驾驶的决策和规划，优化行驶路径并避免危险，生成决策和规划结果；
[0009]所述行为预测模块基于环境感知结果和决策和规划结果，采用机器学习方法，实现对外围车辆和行人的行为预测，生成行为预测结果；
[0010]所述场景理解模块根据环境感知结果和行为预测结果，运用图像语义分析算法进行场景理解和语义规划，生成场景理解结果和语义规划结果；
[0011]所述个性化驾驶模块基于场景理解结果，与驾驶员和乘客的行为
、
偏好和情感进行交互，通过自适应学习方法，自动调整车内设置以提供个性化驾驶和乘车体验，生成个性化设置结果；
[0012]所述泊车辅助模块根据环境感知结果和个性化设置结果，配合区域感知系统和车辆控制系统，实现自动泊车；
[0013]所述安全监测模块运用图像处理技术和环境感知结果，对道路进行持续监测，以支持路面维护和修复工作，生成安全监测报告
。
[0014]作为本专利技术的进一步方案，所述环境感知模块包括交通标志识别子模块
、
传感器融合子模块
、
障碍物检测子模块；
[0015]所述规划决策模块包括路径规划子模块
、
行驶策略优化子模块
、
危险避免子模块；
[0016]所述行为预测模块包括运动轨迹跟踪子模块
、
行为模式分析子模块
、
行为预测子模块；
[0017]所述场景理解模块包括语义解析子模块
、
关键元素提取子模块
、
语义规划子模块；
[0018]所述个性化驾驶模块包括行为分析子模块
、
偏好识别子模块
、
车辆参数调整子模块；
[0019]所述泊车辅助模块包括停车区域识别子模块
、
泊车策略规划子模块
、
车辆控制子模块；
[0020]所述安全监测模块包括图像分析子模块
、
道路状态检测子模块
、
安全反馈子模块
。
[0021]作为本专利技术的进一步方案，所述交通标志识别子模块基于高清摄像头数据，采用深度卷积神经网络，进行道路交通标志和信号的实时检测和分类，生成交通标志信息；
[0022]所述传感器融合子模块基于交通标志信息和来自不同传感器的原始数据，使用多传感器数据融合技术，整合并优化各传感器数据，生成融合后的环境数据；
[0023]所述障碍物检测子模块基于融合后的环境数据，利用
YOLO
物体检测算法，对道路上的车辆
、
行人和障碍物进行高效识别和分析，生成环境感知结果
。
[0024]作为本专利技术的进一步方案，所述路径规划子模块基于地图信息和环境感知结果，使用
Dijkstra
最短路径算法，计算车辆的最优行驶路线，生成最优路径规划；
[0025]所述行驶策略优化子模块基于最优路径规划和环境感知结果，运用模糊逻辑控制算法，对行驶策略进行实时优化，生成优化后的行驶策略；
[0026]所述危险避免子模块基于优化后的行驶策略和环境感知结果，采用障碍物回避算法，对危险情况进行预判，制定安全策略，生成决策和规划结果
。
[0027]作为本专利技术的进一步方案，所述运动轨迹跟踪子模块基于环境感知结果，采用
Kalman
滤波器技术，对周围车辆及行人的运动轨迹进行实时跟踪，生成运动轨迹数据；
[0028]所述行为模式分析子模块基于运动轨迹数据，利用时间序列分析方法，深入识别车辆和行人的行为模式及习惯，生成行为模式识别数据；
[0029]所述行为预测子模块基于环境感知结果
、
决策和规划结果以及行为模式识别数据，应用长短时记忆网络，预测外围车辆及行人在未来的行为趋势，生成行为预测结果
。
[0030]作为本专利技术的进一步方案，所述语义解析子模块基于环境感知结果，采用深度学习语义分析算法进行图像内场本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像处理的无人驾驶系统，其特征在于：所述基于图像处理的无人驾驶系统包括环境感知模块
、
规划决策模块
、
行为预测模块
、
场景理解模块
、
个性化驾驶模块
、
泊车辅助模块
、
安全监测模块；所述环境感知模块采用基于深度学习的图像处理算法和多传感器融合技术，实时检测和分类道路上的交通标志和信号，识别和分析周围环境，生成环境感知结果；所述规划决策模块基于环境感知结果，采用增强学习算法，实现自主驾驶的决策和规划，优化行驶路径并避免危险，生成决策和规划结果；所述行为预测模块基于环境感知结果和决策和规划结果，采用机器学习方法，实现对外围车辆和行人的行为预测，生成行为预测结果；所述场景理解模块根据环境感知结果和行为预测结果，运用图像语义分析算法进行场景理解和语义规划，生成场景理解结果和语义规划结果；所述个性化驾驶模块基于场景理解结果，与驾驶员和乘客的行为
、
偏好和情感进行交互，通过自适应学习方法，自动调整车内设置以提供个性化驾驶和乘车体验，生成个性化设置结果；所述泊车辅助模块根据环境感知结果和个性化设置结果，配合区域感知系统和车辆控制系统，实现自动泊车；所述安全监测模块运用图像处理技术和环境感知结果，对道路进行持续监测，以支持路面维护和修复工作，生成安全监测报告
。2.
根据权利要求1所述的基于图像处理的无人驾驶系统，其特征在于：所述环境感知模块包括交通标志识别子模块
、
传感器融合子模块
、
障碍物检测子模块；所述规划决策模块包括路径规划子模块
、
行驶策略优化子模块
、
危险避免子模块；所述行为预测模块包括运动轨迹跟踪子模块
、
行为模式分析子模块
、
行为预测子模块；所述场景理解模块包括语义解析子模块
、
关键元素提取子模块
、
语义规划子模块；所述个性化驾驶模块包括行为分析子模块
、
偏好识别子模块
、
车辆参数调整子模块；所述泊车辅助模块包括停车区域识别子模块
、
泊车策略规划子模块
、
车辆控制子模块；所述安全监测模块包括图像分析子模块
、
道路状态检测子模块
、
安全反馈子模块
。3.
根据权利要求2所述的基于图像处理的无人驾驶系统，其特征在于：所述交通标志识别子模块基于高清摄像头数据，采用深度卷积神经网络，进行道路交通标志和信号的实时检测和分类，生成交通标志信息；所述传感器融合子模块基于交通标志信息和来自不同传感器的原始数据，使用多传感器数据融合技术，整合并优化各传感器数据，生成融合后的环境数据；所述障碍物检测子模块基于融合后的环境数据，利用
YOLO
物体检测算法，对道路上的车辆
、
行人和障碍物进行高效识别和分析，生成环境感知结果
。4.
根据权利要求2所述的基于图像处理的无人驾驶系统，其特征在于：所述路径规划子模块基于地图信息和环境感知结果，使用
Dijkstra
最短路径算法，计算车辆的最优行驶路线，生成最优路径规划；所述行驶策略优化子模块基于最优路径规划和环境感知结果，运用模糊逻辑控制算法，对行驶策略进行实时优化，生成优化后的行驶策略；所述危险避免子模块基于优化后的行驶策略和环境感知结果，采用障碍物回避算法，
对危险情况进行预判，制定安全策略，生成决策和规划结果
。5.
根据权利要求2所述的基于图...

【专利技术属性】
技术研发人员：卢光云，黄卫，韦灵，邱晓萍，杨玉华，廖俊红，周勇文，覃仲欣，黄超叶，
申请(专利权)人：柳州工学院，
类型：发明
国别省市：