CN105740793B - 基于路面颠簸情况和道路类型识别的自动调速方法与系统 - Google Patents
基于路面颠簸情况和道路类型识别的自动调速方法与系统 Download PDFInfo
- Publication number
- CN105740793B CN105740793B CN201610053132.XA CN201610053132A CN105740793B CN 105740793 B CN105740793 B CN 105740793B CN 201610053132 A CN201610053132 A CN 201610053132A CN 105740793 B CN105740793 B CN 105740793B
- Authority
- CN
- China
- Prior art keywords
- road
- road type
- condition
- feature vector
- automatic speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动控制技术领域,尤其涉及一种基于路面颠簸情况和道路类型识别的自动调速方法与系统。本发明提供一种基于路面颠簸情况和道路类型识别的自动调速方法与系统,能动态识别道路颠簸情况和道路类型并反馈智能行车系统进行速度上限调整。本发明能动态识别道路颠簸情况和道路类型并反馈给智能行车系统,行车系统可根据识别结果自动调节速度上限,防止事故发生和保证乘客乘坐的舒适度。
Description
技术领域
本发明涉及自动控制技术领域,尤其涉及一种基于路面颠簸情况和道路类型识别的自动调速方法与系统。
背景技术
随着人们生活水平的提高,汽车越来越成为人们必不可少的交通工具,智能汽车系统也成了国内研究的热门。司机驾驶汽车时对车速的控制往往依靠道路的拥堵情况,当道路不拥堵时司机往往按照自己习惯的速度行驶,司机会依靠自己的经验进行速度的调节。但是当司机错误估计了道路本身的路况时,包括道路坑洼程度和摩擦系数,过快的车速将会是交通事故的隐患。另一方面,当司机在依靠经验驾驶时,多数情况下司机考虑更多的是自身舒适程度,并没有考虑到乘客乘坐的舒适程度和适合当前路况的行驶速度。当汽车行驶在颠簸路面时,过快的车速不仅会给乘客造成不适的感觉,而且会对汽车的使用寿命造成严重的影响。同时,在摩擦系数过小的路面上高速行驶容易发生交通事故。所以,需要一种能对道路颠簸程度与道路材质进行识别的系统,能根据这两种识别结果反馈给智能汽车行车系统,系统根据得到的道路颠簸程度与道路材质的识别结果进行最大车速限制,不仅可以防止事故发生也可以保证乘客的乘坐舒适度。
动态的识别路况颠簸情况和道路类型,并及时反馈,这一问题亟待解决。
发明内容
针对现有技术中存在的缺陷或不足,本发明所要解决的技术问题是:提供一种基于路面颠簸情况和道路类型识别的自动调速方法与系统,能动态识别道路颠簸情况和道路类型并反馈智能行车系统进行速度上限调整。
为了实现上述目的,本发明采取的技术方案为提供一种基于路面颠簸情况和道路类型识别的自动调速方法与系统,包括识别颠簸路况和识别道路类型。
所述识别颠簸路况包括以下步骤:
步骤A1、通过三轴加速度计采集车辆行驶在不同道路时的振动信号;
步骤A2、对采集到的振动信号进行相应的去噪,然后通过经验模态分解(EMD)得到本征模式的函数分量;
步骤A3、进行能量提取,进一步的能量为每个本征模式分量能量;通过分解得到的本征模式的函数分量计算第一特征向量;
步骤A4、将归一化的第一特征向量编码后输入到颠簸情况分类器中进行训练;
步骤A5、对采集未知道路的振动信号,经过计算得到第二特征向量,将编码后的第二特征向量输入到颠簸情况分类器中得到颠簸情况分类信息;
所述识别道路类型包括以下步骤:
步骤B1、通过摄像头采集道路的图像;
步骤B2、对采集到的图像裁剪后进行分解,得到第三特征向量;
步骤B3、采集未知道路的图像,对采集的图像用灰度共生矩阵(GLCM)法得到特征向量,其中特征向量为图像的熵,能量,对比度,相关性;
步骤B4、将得到的图像特征向量输入到支持向量机(SVM)中进行训练,得到道路类型分类器;
步骤B5、采集未知道路的图像,经过裁剪后计算得到第四特征向量组,将第四特征向量组输入到道路类型分类器,得到分类结果;
所述自动调速方法为:
步骤C、对将颠簸情况分类信息和道路类型分类信息反馈给智能行车系统进行车速上限调整。
作为本发明的进一步改进,所述步骤A2中经验模态分解(EMD)包括以下步骤:
A21、找到信号x(t)的局部极大值和极小值;
A22、把原始信号x(t)减去第一阶固有的模式函数c1(t),则得到残余量r1(t);
A23、对r1(t)重复以上筛选过程,从高频到低频可以依次得到一系列的IMF分量ci(t)和残余项rn(t),原始数据x(t)可以重构为
其中:余项rn(t)为信号的平均趋势,每个IMF分量ci(t)为信号固有的谐波成分。
作为本发明的进一步改进,所述步骤A22中经验模态分解(EMD)后的每个固有模式函数必须满足以下两个条件:
a.整个数据长度中极值点的数量与过零点的数量必须相等或最多差一个;
b.在任一时间点上,信号局部最大值确定的上包络线和局部最小值确定的下包络线的均值为零。
作为本发明的进一步改进,所述步骤A3中通过振动信号分解得到的本征模式的函数分量进一步得到归一化能量向量所对应的道路颠簸情况识别步骤为:
A31、对所述振动信号进行经验模态分解(EMD)得到本征模式的函数分量;
A32、对所述本征模式的函数分量计算相应的能量;
A33、将所述能量归一化作为特征向量编码后输入到隐马尔科夫模型中进行训练;
A34、采集未知道路振动信号,经过对信号的分析得到归一化能量,编码后作为特征向量输入到隐马尔科夫模型中得到分类结果。
作为本发明的进一步改进,所述步骤B3中通过道路图像分解得到的特征向量所对应的道路类型识别步骤为:
B31、对所述道路图像裁剪后用灰度共生矩阵(GLCM)得到特征向量,特征向量对应值分别为熵,能量值,对比度,相关性;
B32、将特征对应值进行处理,然后输入到支持向量机中进行训练;
B33、采集未知道路类型的图像,经过灰度共生矩阵(GLCM)处理后得到特征向量;
B34、将纹理特征向量组中向量分别输入到训练好的支持向量机SVM中识别,统计不同分类结果的总和,取和最大的道路类型作为未知道路的分类结果。
作为本发明的进一步改进,所述振动信号为三轴加速度计中采集的Z轴信号。
作为本发明的进一步改进,通过对振动信号分解得到的本征模式的函数分量提取的特征向量为归一化能量向量。
作为本发明的进一步改进,所述步骤A4中颠簸情况分类器为隐马尔科夫模型,隐马尔科夫模型是统计模型,它用来描述一个含有隐含未知参数的马尔科夫过程,是马尔科夫链的一种。
一种使用基于路面颠簸情况识别和道路类型识别的自动调速方法的系统,包括:
路面振动采集模块,用于采集原始振动信号,包括加速度传感器;
振动信号处理模块,用于对原始振动信号进行去噪、分解得到本征模式函数,包括去噪模块和信号分解模块;
振动特征提取模块,对得到的本征模式函数进行计算相对应的特征值;
振动信号训练、识别模块,用于对不同路面的振动信号进行训练和识别;
道路图像采集模块,用于采集道路图像;
图像特征提取模块,用于图像的特征提取;
道路类型训练、识别模块,用于对不同道路类型进行训练和识别;速度调节模块,通过对道路颠簸识别的结果对车速进行调整。
本发明的有益效果是:本发明能动态识别道路颠簸情况和道路类型并反馈给智能行车系统,行车系统可根据识别结果自动调节速度上限,防止事故发生和保证乘客乘坐的舒适度。
附图说明
图1是本发明的道路颠簸类型识别方法流程图;
图2是本发明的道路类型识别方法流程图;
图3是本发明的隐马尔科夫模型示意图;
图4是本发明平坦颠簸类型训练曲线示意图;
图5是本发明普通砖石路颠簸类型训练曲线示意图;
图6是本发明减速带颠簸类型训练曲线示意图;
图7是本发明平坦样本输入不同颠簸类型分类器对数似然概率示意图;
图8是本发明普通砖石路样本输入不同颠簸类型分类器对数似然概率示意图;
图9是本发明减速带样本输入不同颠簸类型分类器对数似然概率示意图;
图10是本发明的总模块图;
图11是本发明振动特征提取模块的的结构示意图;
图12是本发明振动信号处理模块的结构示意图;
图13是本发明振动信号训练识别模块的结构示意图;
图14是本发明道路类型识别所使用的改进型SVM流程图;
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
本发明包括如下步骤:通过三轴加速度计采集车辆行驶在不同道路时的振动信号;对采集到的振动信号进行相应的去噪,然后通过经验模态分解(EMD)得到本征模式的函数分量;对每个本征模式分量进行能量提取,组合起来作为能量向量;将归一化的能量向量编码后输入到颠簸情况分类器中进行训练;采集未知道路的振动信号,经过计算得到能量向量,将编码后的能量向量输入到颠簸情况分类器中得到颠簸情况分类信息;同时,通过摄像头采集不同道路的图像;对采集到的图像裁剪后通过灰度共生矩阵(GLCM)计算,得到纹理特征向量;将得到的纹理特征向量输入到支持向量机(SVM)中进行训练得到道路类型分类器;采集未知道路的图像,将图像裁剪,取奇数个分割的图像进行灰度共生矩阵(GLCM)计算得到纹理向量组;将纹理向量组中的向量分别输入到道路类型分类器,统计不同分类结果的总和,取和最大的道路类型作为未知道路的分类结果。将颠簸情况分类信息和道路类型分类信息反馈给行车系统进行车速上限调整。
如图1至图12所示,本发明提供一种基于路面颠簸情况和道路类型识别的自动调速方法,路面颠簸情况的识别包括如下步骤:
步骤A1、通过三轴加速度计采集车辆行驶在不同道路时的振动信号;本实施例中,可以通过将加三轴速度计固定于车身,用于提取车辆通过一段道路时的车身随颠簸路面的振动情况,其中用于提取特征值的振动信号主要为Z轴加速度变化值;
步骤A2、对采集到的振动信号进行相应的去噪,然后通过经验模态分解(EMD)得到本征模式的函数分量;
步骤A3、进行能量提取,进一步的能量为每个本征模式分量能量;通过分解得到的本征模式的函数分量计算第一特征向量;
步骤A4、将归一化的第一特征向量编码后输入到颠簸情况分类器中进行训练,其中每一种颠簸类型训练成一种隐马尔科夫模型(HMM)。分类器为一组训练好的隐马尔科夫模型(HMM);
步骤A5、采集未知道路的振动信号,经过EMD分解后对不同本征模式函数分量进行能量提取,归一化后的能量向量作为第二特征向量,将编码后的第二特征向量输入到颠簸情况分类器中得到颠簸情况分类信息;
由于提取得到的振动信号是非线性、非平稳信号。所以要对其进行经验模态分解(EMD)。
经验模态分解(EMD)后的每个固有模式函数必须满足以下两个条件:
1.整个数据长度中极值点的数量与过零点的数量必须相等或最多差一个;
2.在任一时间点上,信号局部最大值确定的上包络线和局部最小值确定的下包络线的均值为零;
优选地,经验模态分解法(EMD)的具体实施步骤如下:
1.找到信号x(t)的局部极大值和极小值。通过三次样条差值函数将所有的极大值点连接起来作为上包络曲线。同样,通过三次样条差值函数将所有的极小值点连接起来作为下包络曲线。其中,上下包络的平均值记作m1(t),令h1(t)=x1(t)-m1(t),若h1(t)不满足IMF的两个必要条件,则把h1(t)看作新的原始信号,即x(t),进行第二次操作,重复k次,直到h1k(t)满足IMF必要条件
h1(k-1)(t)-m1k(t)=h1k(t)
将c1(t)=h1k(t)记为信号x(t)的第一阶IMF。
采用停止准则对筛分过程进行约束,以前后两个h1(k-1)(t)和h1k(t)的标准差SD来判断,即
2.把原始信号x(t)减去第一阶固有的模式函数c1(t),则得到残余量r1(t)。
x(t)-c1(t)=r1(t)
3.对r1(t)重复以上筛选过程,从高频到低频可以依次得到一系列的IMF分量ci(t)和残余项rn(t),原始数据x(t)可以重构为:
其中:余项rn(t)为信号的平均趋势,每个IMF分量ci(t)为信号固有的谐波成分。通常,EMD分解出来的前几个IMF分量往往集中了原始信号中最显著、最重要的信息。
进一步的,在一个实施例中,本征模式函数分量所对应的特征为能量。
当车辆以一定的速度经过不同的路面时,不同的颠簸程度会对振动信号中的一些频段所对应的能量产生影响,本征模式函数的幅值也是各不相同的。因此,可以将本征模式函数分量对应的能量作为特征来进行道路颠簸程度的识别。
进一步地,能量的计算为
进一步地,离散信号的能量计算为
其中ci(t)为本征模式函数分量,N为信号长度
对信号能量进行归一化处理,并构造能量特征向量
T=[E1/E,E2/E...EN/E]
其中E为信号总能量。
其中第一特征向量,第二特征向量都是基于此方法得到。
本实施例中,隐马尔科夫模型是统计模型,它用来描述一个含有隐含未知参数的马尔科夫过程。
隐马尔科夫模型是马尔科夫链的一种,它的隐藏状态不能直接观察到,但能通过观测向量序列观察到,每个观测向量都是通过某些概率密度分布表现为各种状态,每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以,隐马尔科夫模型是一个双重随机过程,具有一定状态数的隐马尔科夫链和显示随机函数集。
图1中,状态1,2,3为隐藏态是模型的实际状态,但是不可直接观察。
y1,y2,y3为观察序列,是直接的观察值。
a12,a21,a23为状态间的转移概率
b1,b2,b3是隐藏态相对应的产生观察态的概率,称为发射概率。
隐马尔科夫模型的三个基本问题:
问题一:给定观察值序列O=O1O2..OT和模型θ(A,B,π),计算P(O|θ)。
问题二:给定观察值序列O=O1O2..OT和模型θ(A,B,π),求取最可能得到的观察值Q=q1q2..qT。
问题三:已知观察序列的情况下,调整模型参数(A,B,π)以得到最大化P(O|θ)。
在本实例中,需要解决的问题只有问题一和问题三。
其中训练颠簸情况分类器需要解决隐马尔科夫模型中的问题三,即对每一种识别的情况建立一个隐马尔科夫模型。
解决问题三,需要采用基于前后向过程的Baum-Welch算法。其基本思想是:用参数(A,B,π)来表示P(O|θ),并令然后经过推导得出各参数的重估计公式,然后根据这些重估计公式对θ的各个参数进行不断的修正以达到P(O|θ)的最大化。反复迭代过程使得θ的参数无限逼近真实值,即在得到观察值序列的情况下,得到最大化P(O|θ)的θ(A,B,π),即隐马尔科夫模型。
具体步骤如下:
首先定义辅助变量
γt(i)=P(qt=Si|O,θ)
ξt(i,j)=P(qt=Si,qt+1=Sj|O,θ)
辅助变量γt(i),ξt(i,j)满足如下等式:
π的重估计公式如下:
πi=γ1(i),1≤i≤N
aij的重估计公式:
离散观察值的状态输出概率bj的重估计公式:
对未知道路的颠簸程度识别需要解决隐马尔可夫模型中的问题一。
对于问题一的解决方法需要计算P(O|θ),可通过隐马尔科夫模型的定义得到如下通用定义公式:
应用前后向算法(Forward-Backward)可对此公式进行迭代求解。该算法的主要思路是通过前向和后向的两次迭代过程计算两个辅助变量αt(i)=P(O1O2..Ot,qt=Si|θ)和βt(i)=P(Ot+1Ot+2..OT|qt=Si,θ)的值。
辅助变量中前向计算αt(i)的迭代过程如下:
1.初始化:
a1(i)=πibi(O1),1≤i≤N
2.迭代:
3.结束:
后向计算βt(i)的迭代过程如下:
1.初始化:
βt(i)=1,1≤i≤N
2.迭代:
对于任何的1≤t≤T都有
前后向算法解决了对于训练好的单个隐马尔科夫模型得到未知分类观察值的概率问题。对于本实例中的解决方法是,对于N个不同的分类训练N个隐马尔科夫模型,将未知分类的观察值依次输入这N个隐马尔科夫模型中,得到最大概率的隐马尔可夫模型即可认定为本未知观察值的类型。
例如在一个具体的实施例中,以车速36km/h采集100个平坦样本、100个砖石路样本和100个减速带的振动信号,按照上述公式计算得到的特征向量,将特征向量输入隐马尔科夫模型中进行训练,所得到的振动信号训练曲线如图3、图4、图5所示:
按照Baum-Welch算法,训练一般循环30~50步就可以收敛。概率收敛时所达到的概率分别为-250、-1100和-950。
道路类型识别包括如下步骤:
步骤B1、通过摄像头采集不同道路的图像;
步骤B2、对采集到的图像裁剪后进行灰度共生矩阵(GLCM)计算,得到第三特征向量;
步骤B3、将得到的第三特征向量输入到支持向量机(SVM)中进行训练得到道路类型分类器;
步骤B4、采集未知道路的图像,将图像分割,取奇数个分割的图像进行灰度共生矩阵(GLCM)计算得到第四特征向量组,其中特征向量为图像的熵,能量,对比度,相关性;
步骤B5、将第四特征向量组中的向量分别输入到道路类型分类器(SVM),统计不同分类结果的总和,取和最大的道路类型作为未知道路的分类结果。
灰度共生矩阵是通过计算图像的灰度信息得到其共生矩阵,然后通过这个共生矩阵得到矩阵的部分特征值来代表图像的部分纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图像的局部模式和它们排列规则的基础。灰度共生矩阵是图像中相距为d的两个灰度像素同时出现的联合概率分布。
所以,灰度共生矩阵提取的特征适合于表示不同道路类型。
灰度共生矩阵实质是从图像灰度为i的像元(位置为x,y)出发,统计与其相距d,灰度为j的像元同时出现的频度P(i,j,d,θ).
P(i,j,d,θ)={[(x,y),(x+dx,y+dy)|f(x,y)=i,f(x+dx,y+dy)=j]}
其中x,y=0,1,2..N-1是图像的坐标。i,j=0,1..L-1是灰度级;dx,dy是坐标偏移量。d是矩阵的生成步长。θ是矩阵的生成方向。归一化后,p(i,j)=P(i,j)。
本实例中,所产生的特征向量为灰度共生矩阵的熵,能量,对比度,相关性;
熵是图像包含信息量的随机性度量:
能量是灰度共生矩阵各个元素值得平方和:
对比度是度量矩阵的值是如何分布和图像中局部变化的多少,反应了图像的清晰度和纹理的沟纹深浅:
相关性用来度量图像灰度级在行或列方向上的相似性:
其中
其中,第三特征向量与第四特征向量都是基于此方法得来。
支持向量机(SVM)是基于统计学习理论的一种机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。
SVM方法是通过一个非线性映射p,把样本空间映射到一个高维特征空间中,使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。
本发明所用到的道路类型分类器(SVM)为改进的SVM,训练阶段与传统SVM相同,识别阶段具体操作为,由摄像头采集图像进行裁剪,任意选出奇数个裁剪的图像进行纹理特征提取后分别输入SVM算法中进行分类。
统计各个不同分类的数量,输出结果为最多数量的分类结果。当有多个分类结果相同时,重新运行算法。
自动调速步骤包括:
步骤C、将颠簸情况分类信息和道路类型分类信息反馈给行车系统进行车速上限调整。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于,包括识别颠簸路况、识别道路类型和自动调速,
所述识别颠簸路况包括以下步骤:
步骤A1、通过三轴加速度计采集车辆行驶在不同道路时的振动信号;
步骤A2、对采集到的振动信号进行相应的去噪,然后通过经验模态分解(EMD)得到本征模式的函数分量;
步骤A3、进行能量提取,进一步的能量为每个本征模式函数分量的能量;通过分解得到的本征模式的函数分量计算第一特征向量;
步骤A4、将归一化的第一特征向量编码后输入到颠簸情况分类器中进行训练;
步骤A5、采集未知道路的振动信号,经过前面相同计算方法得到第二特征向量,将编码后的第二特征向量输入到颠簸情况分类器中得到颠簸情况分类信息;
所述识别道路类型包括以下步骤:
步骤B1、通过摄像头采集不同道路的图像;
步骤B2、对采集到的图像裁剪后通过灰度共生矩阵(GLCM)计算,得到第三特征向量,其中特征向量为图像的熵,能量,对比度,相关性;
步骤B3、将得到的第三特征向量输入到支持向量机(SVM)中进行训练得到道路类型分类器;
步骤B4、采集未知道路的图像,将图像裁剪,取奇数个分割的图像进行灰度共生矩阵(GLCM)计算得到第四特征向量组,其中特征向量为图像的熵,能量,对比度,相关性;
步骤B5、将第四特征向量组中的向量分别输入到道路类型分类器,统计不同分类结果的总和,取和最大的道路类型作为未知道路的分类结果;
所述自动调速方法为:
步骤C、将颠簸情况分类信息和道路类型分类信息反馈给智能行车系统进行车速上限调整。
2.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:所述步骤A2中经验模态分解(EMD)包括以下步骤:
A21、找到信号x(t)的局部极大值和极小值;
A22、把原始信号x(t)减去第一阶固有的模式函数c1(t),则得到残余量r1(t);
A23、对r1(t)重复步骤A21至A22,从高频到低频可以依次得到一系列的IMF分量ci(t)和残余项rn(t),原始数据x(t)可以重构为
其中:余项rn(t)为信号的平均趋势,每个IMF分量ci(t)为信号固有的谐波成分。
3.根据权利要求2所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:所述步骤A22中经验模态分解(EMD)后的每个固有的模式函数必须满足以下两个条件:
a.整个数据长度中极值点的数量与过零点的数量必须相等或最多差一个;
b.在任一时间点上,信号局部最大值确定的上包络线和局部最小值确定的下包络线的均值为零。
4.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:所述步骤A3中还包括以下步骤:
A31、对所述本征模式的函数分量计算相应的能量。
5.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:所述步骤B3还包括以下步骤:
B31、将特征对应值进行处理,然后输入到支持向量机中进行训练。
6.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:所述振动信号为三轴加速度计中采集的Z轴信号。
7.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:通过对振动信号分解得到的本征模式的函数分量提取的特征向量为归一化能量向量。
8.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:所述步骤A4中颠簸情况分类器为隐马尔科夫模型,隐马尔科夫模型是统计模型,它用来描述一个含有隐含未知参数的马尔科夫过程,是马尔科夫链的一种。
9.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法,其特征在于:所述步骤B5包括将多组不同位置图像对应的纹理特征向量输入到支持向量机中,统计不同结果出现的次数,取最大次数的结果作为识别结果。
10.一种使用如权利要求1所述的基于路面颠簸情况识别和道路类型识别的自动调速方法的系统,包括:
路面振动采集模块,用于采集原始振动信号,包括加速度传感器;
振动信号处理模块,用于对原始振动信号进行去噪、分解得到本征模式函数,包括去噪模块和信号分解模块;
振动特征提取模块,对得到的本征模式函数进行计算相对应的特征值;
振动信号训练、识别模块,用于对不同路面的振动信号进行训练和识别;
道路图像采集模块,用于采集道路图像;
图像特征提取模块,用于图像的特征提取;
道路类型训练、识别模块,用于对不同道路类型进行训练和识别;
速度调节模块,通过对道路颠簸识别的结果和道路类型的识别结果对车速上限进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053132.XA CN105740793B (zh) | 2016-01-26 | 2016-01-26 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053132.XA CN105740793B (zh) | 2016-01-26 | 2016-01-26 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740793A CN105740793A (zh) | 2016-07-06 |
CN105740793B true CN105740793B (zh) | 2019-12-20 |
Family
ID=56246603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610053132.XA Active CN105740793B (zh) | 2016-01-26 | 2016-01-26 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740793B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324590A (zh) * | 2016-09-12 | 2017-01-11 | 长沙普德利生科技有限公司 | 一种提高列车测速系统测量精度的方法及装置 |
CN106802675B (zh) * | 2016-12-21 | 2019-12-27 | 歌尔科技有限公司 | 一种车速自校准方法和装置以及一种智能设备 |
WO2018122586A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于舒适度的自动驾驶车速控制方法 |
CN106919915B (zh) * | 2017-02-22 | 2020-06-12 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
CN108304852B (zh) * | 2017-07-17 | 2022-09-13 | 腾讯科技(深圳)有限公司 | 道路路段类型的确定方法、装置以及存储介质、电子装置 |
CN107883975A (zh) * | 2017-10-25 | 2018-04-06 | 张逸哲 | 一种在导航路线中标识路面状况的方法及系统 |
CN109727334B (zh) * | 2017-10-30 | 2021-03-26 | 长城汽车股份有限公司 | 车辆所处地形的识别方法、装置及车辆 |
CN113793509B (zh) * | 2018-03-12 | 2024-04-16 | 深圳鼎然信息科技有限公司 | 基于运动传感器的路况分析方法、装置、设备及介质 |
CN109581874B (zh) * | 2018-12-29 | 2022-04-05 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN112129290A (zh) * | 2019-06-24 | 2020-12-25 | 罗伯特·博世有限公司 | 用于监测骑行设备的系统及方法 |
CN110399664B (zh) * | 2019-07-15 | 2023-11-21 | 北京天时行智能科技有限公司 | 一种驾驶速度的确定方法及装置 |
CN110986938B (zh) * | 2019-12-26 | 2023-09-12 | 斑马网络技术有限公司 | 颠簸道路识别方法、装置、及电子设备 |
CN111290397B (zh) * | 2020-03-12 | 2023-08-25 | 三一机器人科技有限公司 | 速度调节方法、装置、自动导航车及存储介质 |
CN111776020B (zh) * | 2020-06-16 | 2022-03-29 | 中国国家铁路集团有限公司 | 轨道曲线路况识别方法及装置 |
US11919537B2 (en) * | 2020-08-25 | 2024-03-05 | Baidu Usa Llc | IMU feedback based HD map speed limit adjustment system |
CN112581065A (zh) * | 2020-12-28 | 2021-03-30 | 圆通速递有限公司 | 基于道路路面情况降低易碎品运输破损率的方法和系统 |
DE102021211723A1 (de) | 2021-10-18 | 2023-04-20 | Psa Automobiles Sa | Probabilistisches Ermitteln einer höchstzulässigen Geschwindigkeit für ein Fahrzeug |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519577A (zh) * | 2011-12-05 | 2012-06-27 | 中国科学院深圳先进技术研究院 | 道路中路面的识别方法及系统 |
CN103050013A (zh) * | 2012-11-29 | 2013-04-17 | 江苏鸿信系统集成有限公司 | 基于车联网技术的车辆分级限速监控方法及其装置 |
CN103646298A (zh) * | 2013-12-13 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 一种自动驾驶方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8108119B2 (en) * | 2006-04-21 | 2012-01-31 | Sri International | Apparatus and method for object detection and tracking and roadway awareness using stereo cameras |
US8676494B2 (en) * | 2010-09-29 | 2014-03-18 | Navteq B.V. | Multi-dimensional road representation |
US8930116B2 (en) * | 2013-02-26 | 2015-01-06 | Ford Global Technologies, Llc | On-board real-time speed control setpoint variation using stochastic optimization |
-
2016
- 2016-01-26 CN CN201610053132.XA patent/CN105740793B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519577A (zh) * | 2011-12-05 | 2012-06-27 | 中国科学院深圳先进技术研究院 | 道路中路面的识别方法及系统 |
CN103050013A (zh) * | 2012-11-29 | 2013-04-17 | 江苏鸿信系统集成有限公司 | 基于车联网技术的车辆分级限速监控方法及其装置 |
CN103646298A (zh) * | 2013-12-13 | 2014-03-19 | 中国科学院深圳先进技术研究院 | 一种自动驾驶方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105740793A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740793B (zh) | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 | |
US20180307916A1 (en) | System and method for image analysis | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
US8725660B2 (en) | Applying non-linear transformation of feature values for training a classifier | |
CN108280415A (zh) | 基于智能移动终端的驾驶行为识别方法 | |
CN111539265B (zh) | 一种电梯轿厢内异常行为检测方法 | |
CN104200228B (zh) | 一种安全带识别方法与系统 | |
CN109117788A (zh) | 一种融合ResNet和LSTM的公交车厢拥挤度检测方法 | |
Wiranata et al. | Investigation of padding schemes for faster R-CNN on vehicle detection | |
CN114266977B (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
US20210142046A1 (en) | Deep face recognition based on clustering over unlabeled face data | |
CN108569297B (zh) | 一种车辆行驶工况的识别方法及系统 | |
CN113205026B (zh) | 一种基于Faster RCNN深度学习网络改进的车型识别方法 | |
CN103235954A (zh) | 一种基于改进AdaBoost算法的地基云图识别方法 | |
KR101921071B1 (ko) | 다중 프레임에서의 센서 융합을 통한 3차원 객체의 포즈 추정 방법 및 이를 구비한 장치 | |
CN104318590A (zh) | 视频中的目标跟踪方法 | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
CN114492634B (zh) | 一种细粒度装备图片分类识别方法及系统 | |
CN109878290B (zh) | 一种基于ai技术的智能车载空调控制方法及系统 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN109727334B (zh) | 车辆所处地形的识别方法、装置及车辆 | |
CN106355198A (zh) | 一种模糊支持向量机隶属度函数的获取方法 | |
CN114022705B (zh) | 一种基于场景复杂度预分类的自适应目标检测方法 | |
US20220270351A1 (en) | Image recognition evaluation program, image recognition evaluation method, evaluation apparatus, and evaluation system | |
CN108364027B (zh) | 一种快速的前向多车型车辆检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |