CN103745241A - 一种基于自学习算法的智能驾驶方法 - Google Patents

Abstract

本发明涉及自学习算法应用技术领域，特别涉及一种基于自学习算法的智能驾驶方法。其方法通过对高清摄像头摄取的图像进行分析并对图像之间的差距进行分析，来判断达到智能控制的目的，在驾驶过程中所遇到的场景，通过分析图像给出控制指令，达到智能驾驶的目的。本发明的方法能够大大降低了车祸发生的几率。

Description

一种基于自学习算法的智能驾驶方法

技术领域

本发明涉及自学习算法应用技术领域，特别涉及一种基于自学习算法的智能驾驶方法。

背景技术

虚拟现实中的“现实”是泛指在物理意义上或功能意义上存在于世界上的任何事物或环境，它可以是实际上可实现的，也可以是实际上难以实现的或根本无法实现的。而“虚拟”是指用计算机生成的意思。因此，虚拟现实是指用计算机生成的一种特殊环境，人可以通过使用各种特殊装置将自己“投射”到这个环境中，并操作、控制环境，实现特殊的目的，即人是这种环境的主宰。

航天和航空技术方面的应用数字图像处理技术在航天和航空技术方面的应用，除了喷气推进实验室对月球、火星照片的处理之外，另一方面的应用是在飞机遥感和卫星遥感技术中。许多国家每天派出很多侦察飞机对地球上有兴趣的地区进行大量的空中摄影。

伴随着交通越来越发达、智能化的今天，汽车走进越来越多的家庭，传统的雷达技术是通过计算电磁波遇到障碍物返回来所用的时间判断与障碍物的距离，无法判断障碍物的具体属性，虚拟现实技术智能化技术目前在现实生活中的应用，比如行车自动驾驶方面，还没有相应的方法，而采用虚拟现实技术智能化技术则能够提高驾驶的智能化。

发明内容

为了解决现有技术的问题，本发明提供了一种基于自学习算法的智能驾驶方法，通过摄像机连续拍摄的图像，通过实时的分析进行场景识别。

所述技术方案如下：

一种基于自学习算法的智能驾驶方法，包括以下步骤：

A、通过多个车载摄像头实时获取车辆前方的场景，将得到的图像放在临时缓存文件中，等待处理；

B、横向分析图像的内容；

C、纵向分析图像内容判断障碍物的动作：动作是通过前后图像之间的关键角色的灰度差值来综合分析；

D、根据横向比较和纵向比较得出的结果，通过自学习算法，在数据库中检索符合的场景；

E、根据得出的结论和设置的工作模式，将结果反馈，从而采取措施起到智能驾驶的作用。

步骤B中横向分析图像的内容的具体方法是：根据图像分割算法，将图像中的关键元素分割出来，再对此关键元素进行分析，可以将障碍物分类，根据目前图像的边界识别可以得出障碍物的大体轮廓，根据轮廓数据对比角色库数据来确认该障碍物。

步骤D中的自学习算法的具体方法是：

D1：将最易发生事故的场景数据作为目标，将得到的分析对比结果作为初始值，将最易出事故的场景和最不易出事故的场景之间的联系作为路线，权值自定义；

D2：搜索原理，每个粒子即代表分析结果，这样每个粒子都按照目标去搜索，当搜索规定的次数之后，最接近目标的那个或者收敛最快的粒子群就是比较容易发生事故的图像来源区，需要进行采取措施或者重点分析和反馈；

D3：如果始终找不到最优，或者所有的粒子群都不收敛离目标越来越远，说明设置参数有问题，需要在界面修改；

D4：找到最容易发生事故的场景之后，需要将所有粒子群进行初始化，把目标值设为上次搜索到的监控的参数值；

D5：返回结果，进行优化。

本发明提供了一种基于自学习算法的智能驾驶方法，是通过摄像机连续拍摄的图像，通过实时的分析进行场景识别。在特殊情况下，比如，两辆车迎面将要相撞，人的反应速度是需要相对长的时间的，而相对速度是很快的，而通过分析两幅连续图像之间的差别即可判断出场景从而即刻采取措施。一般人反应过来到采取措施大约在4s左右，而智能驾驶用几百毫秒就完成了，大大降低了车祸发生的几率。

用户可以在系统界面上设置相机的摄像频率和清晰度，后台会根据设置变换分析图像的方法。采用了分析图像提取关键信息的技术。采用通过改进的自学习优化算法搜索数据库场景并分析目前场景的所属分类。采用了通过图像之间的内容差别和目前的车速计算障碍物的种类和移动方向。

本发明的方法实施后的功能特点如下：

1、慢速避险功能：是指在速度较慢，有相对充分的反应时间的情况下，对图像进行详细分析并通过智能搜索数据库或网络数据来判断目前的场景和应该采取的措施，这种情况是在代替人类驾驶的情况下，比如：车辆自主停车或者自主驾驶；

2、快速避险功能：在车辆高速行驶的情况下，遇到紧急情况时，一般通过前后两张图像即可判断前面的场景，可以通过当前的速度和图像的内容变化来判断障碍物的移动方向、速度、判断相撞的几率有多大。在极端情况下，智能系统直接操控车辆，比人的反应速度快；

3、辅助驾驶功能：该功能可以根据驾驶员的设置，系统对驾驶起到提醒的作用，比如道路上的测速摄像头、交通牌、交通信号灯等；

4、自主驾驶功能：在该模式下，所有车载摄像头均工作，并且实时的传回图像，系统根据图像得到的结果在数据库中进行智能检索，通过智能学习算法如果能找到相似场景便做出相应判断，如果没有类似场景数据，正确处理后将该场景数据追加入数据库。车辆可以在该模式下一定速度上进行无人驾驶，具备避让故障、识别车道、交通灯、自主停车等功能。

具体实现原理：

通过车载摄像机通过不停的拍摄前面的场景，分析不同情况下的场景并采取措施或者给驾驶员反馈信息。通过摄像机拍摄图像，进行图像分析反馈结果，代替了雷达电磁波搜索障碍物，通过图像分析更精确的分析出面对的真障碍物或者假障碍物。系统分为自主模式和辅助模式，自主模式是完全无人的情况下做出智能判断，这种模式对系统的要求很高；辅助模式是通过分析向驾驶员反馈信息的模式。

自主模式：根据设置的参数，读取车辆目前的车速，通过摄像机摄取图像，将得到的图像进行内容分析，比如障碍物的边界处理，通过多张图像判断障碍物的移动方向和速度，通过障碍物和自己的速度计算极端相撞和避让情况下的时间，采取措施。

辅助模式：这种情况下，根据摄取的图像进行分析，将分析结果反馈给驾驶员或者报警，这种模式系统的负荷虽然不如自主模式的大，但是用到了智能算法，准确程度和反应效率比自主模式要求松些。

这两种模式都有慢速避险和快速避险两种功能，并且可以智能切换，应用在实际驾驶中的不同场景。

本发明提供的技术方案带来的有益效果是：

通过分析两幅连续图像之间的差别即可判断出场景从而即刻采取措施，一般人反应过来到采取措施大约在4s左右，而本方法进行智能驾驶用几百毫秒就完成了，大大降低了车祸发生的几率。

附图说明

图1为本发明的一种基于自学习算法的智能驾驶方法的系统架构图；

图2为本发明的一种基于自学习算法的智能驾驶方法的改进的自学习算法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一

附图1是该系统的工作流程图，根据用户传入的模式和设定的参数工作，首先是截取图像（位图图像），按时间顺序根据进行图像的分割、锐化，本系统采用的梯度算法是Roberts算子，将分析结果运行自学习算法进行智能优化，然后在数据库中进行对比，根据对比结果进行反馈或者给出操作命令。

附图2是系统中的关键子系统，根据多个摄像机拍摄的多对图像，进行横向、纵向处理将处理结果保存，通过该优化系统进行智能学习。

本实施例的一种基于自学习算法的智能驾驶方法，包括以下步骤：

A、通过多个车载摄像头实时获取车辆前方的场景，将得到的图像放在临时缓存文件中，等待处理；

B、横向分析图像的内容；根据图像分割算法，将图像中的关键元素分割出来，再对此关键元素进行分析，可以将障碍物分类，根据目前图像的边界识别可以得出障碍物的大体轮廓，根据轮廓数据对比角色库数据来确认该障碍物；

C、纵向分析图像内容判断障碍物的动作：动作是通过前后图像之间的关键角色的灰度差值来综合分析；

D、根据横向比较和纵向比较得出的结果，通过自学习算法，在数据库中检索符合的场景；

E、根据得出的结论和设置的工作模式，将结果反馈，从而采取措施起到智能驾驶的作用。

本实施例中的自学习算法是在受到鸟群采蜜寻找食物的最佳搜索路径启发，通过加入方向、路线、权值等参数，进行学习优化，从而尽快找到最优目标：

第一步：将最易发生事故的场景数据作为目标，将得到的分析对比结果作为初始值，将最易出事故的场景和最不易出事故的场景之间的联系作为路线，权值可自定义。

第二步：搜索原理，每个粒子即代表分析结果，这样每个粒子都按照目标去搜索，当搜索规定的次数之后，最接近目标的那个或者收敛最快的粒子群就是比较容易发生事故的图像来源区，需要进行采取措施或者重点分析和反馈。

第三步：如果始终找不到最优，或者所有的粒子群都不收敛离目标越来越远，说明设置参数有问题，需要在界面修改。

第四步：找到最容易发生事故的场景之后，需要将所有粒子群进行初始化，把目标值设为上次搜索到的监控的参数值。

第五步：返回结果，进行优化

序号	变量名	含义	备注
				1	vpeed	粒子群速度	整体的速度
2	BestSpeed	最佳粒子群速度
				3	Weight	安全等级
4	Pbest[]	目标参数
				5	Present[]	当前位置参数
6	P	方向

表一 自学习算法关键参数

关键算法代码：

While(i<101)

{

peed[] = Weight * bestSpeed+ rand() * (pbest[] - present[]) *P；

bestSpeed=max(single[])；

Single[] = Speed[]；

present[] = present[] + Speed；

i++；

}

以上是本发明改造的自学习优化算法的原理，用在辅助驾驶模式下。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于自学习算法的智能驾驶方法，包括以下步骤：

A、通过多个车载摄像头实时获取车辆前方的场景，将得到的图像放在临时缓存文件中，等待处理；

B、横向分析图像的内容；

C、纵向分析图像内容判断障碍物的动作：动作是通过前后图像之间的关键角色的灰度差值来综合分析；

D、根据横向比较和纵向比较得出的结果，通过自学习算法，在数据库中检索符合的场景；

E、根据得出的结论和设置的工作模式，将结果反馈，从而采取措施起到智能驾驶的作用。

2.根据权利要求1所述的一种基于自学习算法的智能驾驶方法，其特征在于，所述步骤B中横向分析图像的内容的具体方法是：根据图像分割算法，将图像中的关键元素分割出来，再对此关键元素进行分析，可以将障碍物分类，根据目前图像的边界识别可以得出障碍物的大体轮廓，根据轮廓数据对比角色库数据来确认该障碍物。

3.根据权利要求1所述的一种基于自学习算法的智能驾驶方法，其特征在于，所述步骤D中的自学习算法的具体方法是：

D1：将最易发生事故的场景数据作为目标，将得到的分析对比结果作为初始值，将最易出事故的场景和最不易出事故的场景之间的联系作为路线，权值自定义；

D2：搜索原理，每个粒子即代表分析结果，这样每个粒子都按照目标去搜索，当搜索规定的次数之后，最接近目标的那个或者收敛最快的粒子群就是比较容易发生事故的图像来源区，需要进行采取措施或者重点分析和反馈；

D3：如果始终找不到最优，或者所有的粒子群都不收敛离目标越来越远，说明设置参数有问题，需要在界面修改；

D4：找到最容易发生事故的场景之后，需要将所有粒子群进行初始化，把目标值设为上次搜索到的监控的参数值；

D5：返回结果，进行优化。

Images