【技术实现步骤摘要】
本专利技术涉及交通，特别涉及一种交通锥桶智能识别及定位的方法。
技术介绍
1、随着城市化进程加速，高速公路成为城市间重要连接，而增加的汽车数量对其承载能力提出更高要求。在此背景下，交通锥桶作为高速公路养护的关键道具，其自动化收放可以降低人工成本、保障维护人员安全以及实现高速公路养护智能化的基础。实现交通锥桶智能识别及定位显得尤为关键。
2、目前，针对具有明显边缘特征的结构化道路(如城市道路和高速公路)的检测算法已相对成熟，但对于高速公路养护中临时设置的交通锥桶检测研究相对较少。现有交通锥桶检测方法主要分为两大类：一类是基于锥桶的颜色和结构特征，通过图像处理技术进行识别。如湖北汽车工业学院汽车工程师学院利用hsv色彩空间转换与漫水填充算法结合最小二乘法进行交通锥桶识别的方法展示出良好的效果，但是锥桶位置需保持平整。另一类侧重于神经网络算法和雷达检测算法的应用，如桂林电子科技大学提出的基于双层路由注意力的yolov8道路场景目标检测算法，通过改进骨干网络与引入特征提取模块和注意力机制，有效提升了复杂交通场景下的目标检测精度。在视觉定位领域，主要采用两种方法实现物体的空间坐标定位：单目相机的pnp估计和双目相机深度信息法。前者通过单目相机标定参数将投影信息从相机坐标系转换至像素坐标系，进而应用pnp算法估计相机相对于世界坐标系的位置及姿态。后者基于双目相机生成的深度图，依据双目立体视觉原理计算物体的三维坐标。
3、目前交通锥桶收放主要依靠人工或使用自动交通锥桶收放车进行辅助作业，相较于交通标志和交通信号灯的检测
4、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、本专利技术的目的在于提供一种交通锥桶智能识别及定位方法。该方法用于高速公路捕捉交通锥桶倒伏情况、辨别倒伏形态与定位交通锥桶位置，为交通锥桶摆放和回收提供图像和数据依据。
2、为实现上述目的，本专利技术提供了一种交通锥桶智能识别及定位方法，包括以下步骤：
3、步骤一、基于ga-pso混合优化bp神经网络算法对双目相机进行标定，获取左右相机之间转换关系；
4、步骤二、利用深度卷积生成对抗网络dcgan产生各种场景下的交通锥桶图像；
5、步骤三、对yolov8算法进行改进，包含骨干网络、颈部网络设计的优化及损失函数的调整，识别不同场景下交通锥桶，辨别倒伏形态；
6、步骤四、成功识别图像中的交通锥桶后，利用双目相机系统对交通锥桶进行定位。
7、优选地，上述技术方案中，步骤一基于ga-pso混合优化bp神经网络算法对双目相机进行标定包括：
8、(1)利用相机拍摄得到标定块的图片并进行预处理，并将左右相机的图像一一对应保存；
9、(2)将ga-pso混合优化算法计算得到的最优初始值和阈值赋予bp神经网络作为神经网络参数，映射图像特征与相机参数之间关系，设置训练样本个数，目标精度，最大迭代次数；
10、(3)通过额外的图像数据对优化后的参数进行验证调整，确保标定结果达到预期要求，获取左右相机之间转换关系，所述转换关系包括外参矩阵、相机内外参矩阵及畸变系数；
11、优选地，上述技术方案中，基于ga-pso混合优化bp神经网络算法模型包括：
12、1)建立bp神经网络：建立一个3层结构的bp神经网络，设置粒子群的个数与维数，使维数等于bp神经网络权值的个数以及位置与速度等参数；
13、2)计算每个个体适应度值：计算个体适应度值判断各个粒子是否处在合适位置，采用动态调整的方式对误差大的样本赋予更高的权重，提高困难样本的拟合能力，增强对交通锥桶不同状态下的训练集各种情况的适应性；误差函数e(w)具体表达式如式(1.1)所示：
14、
15、式中，yi，zi分别为第i个粒子的预测预测输出、实际结果；l为输入样本的总数；αi是自适应权重函数。αi表达式如式(1.2)所示：
16、
17、式中，ei是第i个样本的训练误差；mean(e)是所有样本训练误差的平均值；β是控制调整程度的参数；
18、3)动态选择概率选择粒子放入群p1和p2：计算当前种群适应度均值μ和方差σ2，并对每个粒子适应度值进行标准化e(w)norm，通过sigmoid函数将标准化适应值计算每个粒子动态选择概率pdyn，将动态选择概率pdyn与传统选择概率pfixed线性组合得到pfinal，通过pfinal概率选择粒子放入p1，剩余的放入p2；
19、4)在种群p1粒子进行速度更新时，通过ga算法中的交叉操作，新的速度更新公式具体式(1.3)所示：
20、
21、式中，va,i为粒子a在第i维度上的速度分量，vb,i为粒子b在第i维度上的速度分量；v′a,i、v′b,i为粒子速度交叉的结果；v″a、v″b为ga算法的交叉操作与pso速度更新规则结合新的速度更新公式；r1、r2为[0,1]之间变化加速度权重系数随机产生；c1、c2为加速度数，取2左右的随机值；ω为惯性权值；
22、5)在种群p1粒子进行速度更新时，通过ga算法中的变异操作，新的位置更新公式具体如下：
23、
24、式中，r3、r4为[0,1]的随机数；为速度更新之后的公式；k为迭代次数；f(k)为变异概率；x上、z下分别为当前粒子的上、下边界值；基于变异操作可使粒子跳出局部最优解；
25、6)比较种群p1和p2的适应度值，更新位置和速度；
26、7)判断算法是否到达终止条件，即达到最大进化次数或设定最小适应值；若达到要求，则进行步骤8)，否则返回步骤2)重复迭代；
27、8)将ga-pso混合优化算法计算得到的最优初始值和阈值赋予bp神经网络作为神经网络参数。
28、优选地，上述技术方案中，步骤二利用深度卷积生成对抗网络dcgan产生各种场景下的交通锥桶图像，包括以下步骤：
29、1)拍摄不同地理位置、不同道路类型和不同场景的交通锥桶图片，形成数据集；
30、2)构建dcgan模型，设计生成器和判别器的网络结构，设置适当超参数；生成器负责将随机噪声向量转换为逼真的交通锥桶图像，判别器负责区分生成的假图像和真实的图像；在训练过程中，采用对抗训练方式，交替训练生成器和判别器，以优化模型性能；设计损失函数指导模型学习，监控训练过程中的性能指标，确保模型能够有效地学习到交通锥桶图像的特征和分布；
31、3)验证生成图像的质量和多样性，调整模型参数和结构来进一步改进生成效果。
32、优选地，上述技术方案中，步骤三中对yolov8算法进行本文档来自技高网...
【技术保护点】
1.一种交通锥桶智能识别及定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤一基于GA-PSO混合优化BP神经网络算法对双目相机进行标定包括：
3.根据权利要求2所述的交通锥桶智能识别及定位方法，其特征在于，基于GA-PSO混合优化BP神经网络算法模型包括：
4.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤二利用深度卷积生成对抗网络DCGAN产生各种场景下的交通锥桶图像，包括以下步骤：
5.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤三中对YOLOv8算法进行改进，改进骨干网络设计包括：
6.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤三中对YOLOv8算法进行改进，改进颈部网络设计包括：
7.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤三中对YOLOv8算法进行改进，改进损失函数设计包括：
8.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤四对
9.根据权利要求8所述的交通锥桶智能识别及定位方法，其特征在于，步骤2)对左、右图像进行立体匹配获得视差图，包括以下步骤：
10.根据权利要求8所述的交通锥桶智能识别及定位方法，其特征在于，步骤3)计算物体在双目相机坐标系中的三维坐标，包括：
...【技术特征摘要】
1.一种交通锥桶智能识别及定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤一基于ga-pso混合优化bp神经网络算法对双目相机进行标定包括：
3.根据权利要求2所述的交通锥桶智能识别及定位方法，其特征在于，基于ga-pso混合优化bp神经网络算法模型包括：
4.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤二利用深度卷积生成对抗网络dcgan产生各种场景下的交通锥桶图像，包括以下步骤：
5.根据权利要求1所述的交通锥桶智能识别及定位方法，其特征在于，步骤三中对yolov8算法进行改进，改进骨干网络设计包括：
【专利技术属性】
技术研发人员：韦朋，赵文龙，陈义时，蒙艳玫，韦锦，杨志源，张长水，黄锦焕，黄亮，董振，
申请(专利权)人：广西大学，
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。