基于人工智能技术的道路选择方法、装置及可读存储介质
技术领域
本发明涉及神经网络领域,尤其涉及基于人工智能技术的道路选择方法、装置及可读存储介质。
背景技术
卷积神经网络是神经网络技术的一个分支,是一种前馈神经网络,其特点是通过模拟单个神经元对视觉刺激的反应,响应一部分范围内的像素,因而对大型图像处理有出色表现。通过对神经网络的训练,可以让神经网络识别道路,区域等。由于近年来神经网络技术的发展,对物体与区域识别准确率逐渐增高。
道路识别,是指驾驶人使用终端设备,通过对道路的识别,检测自己是不是在道路上。当前,现有的道路识别方法一般为利用摄像头或者定位系统对驾驶者所在的道路进行识别。但是,在对现有技术的研究和实践过程中,本发明的发明人发现,现有的利用道路识别问题的技术,存在道路识别率低与道路识别错误,不能根据已有的地图信息选择或判断相对应的道路的问题。
发明内容
本发明所要解决的技术问题在于,提供基于人工智能技术的道路选择方法、装置及可读存储介质,通过结合地图信息与现实的环境信息,实现准确识别道路分岔的目的。
为了解决上述技术问题,一方面,本发明的一个实施例提供了一种基于人工智能技术的道路选择方法、装置及可读存储介质,适于在计算设备中执行,至少包括如下步骤:
采集当前道路的待处理图像,并对所述待处理图像进行预处理得到目标图像。
调用预先训练的深度神经网络对所述目标图像进行特征提取,得到道路特征。
根据所述道路特征,判断当前道路是否出现道路分岔,若否,则重复执行上述步骤,若是,则执行下一步骤。
对所述目标图像中的每一个分岔路口进行一次标注,并计算每个一次标注的分岔路口与地图信息的匹配度。
若所述匹配度大于或等于第一阈值,则对该分岔路口进行二次标注。
若所述匹配度大于或等于第二阈值,且小于所述第一阈值,则调用所述深度神经网络对该分岔路口进行分类。若该分岔路口符合分类标准,则对该分岔路口进行二次标注,若该分岔路口不符合分类结果,则提示该分岔路口与所述地图信息不符。
若所述匹配度小于所述第二阈值,则提示该分岔路口与所述地图信息不符。
进一步地,所述对所述待处理图像进行预处理得到目标图像,具体为:
对所述待处理图像进行降噪处理,并对降噪处理后的待处理图像进行压缩,以使该待处理图像的大小适应所述深度神经网络,从而得到目标图像。
进一步地,所述道路特征包括道路的方向、分岔路口的数量,以及道路的经纬度。
进一步地,所述深度神经网络的训练步骤如下:
对采集的道路视频图像进行道路的分岔路口框选,得到若干样本图像,同时,获取非分岔路口的负样本图像。
设定深度神经网路的训练层数和训练函数。
分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练,得到分岔路口的分类标准。
对道路环境参数中的道路路口数据进行选择以提供正确的样本。提供所述样本相对照的负样本,利用深度神经网络确定深度神经网络的训练层数与训练函数。在计算设备中运行训练函数,得出分类的标准。
另一方面,本发明的一个实施例还提供了基于人工智能技术的道路选择装置,包括:
预处理模块,用于采集当前道路的待处理图像,并对所述待处理图像进行预处理得到目标图像;
特征提取模块,用于调用预先训练的深度神经网络对所述目标图像进行特征提取,得到道路特征;
分岔判断模块,用于根据所述道路特征,判断当前道路是否出现道路分岔,若否,则重复执行上述步骤,若是,则执行下一步骤;
标注模块,用于对所述目标图像中的每一个分岔路口进行一次标注,并计算每个一次标注的分岔路口与地图信息的匹配度;
所述标注模块,还用于若所述匹配度大于或等于第一阈值,则对该分岔路口进行二次标注;
所述标注模块,还用于若所述匹配度大于或等于第二阈值,且小于所述第一阈值,则调用所述深度神经网络对该分岔路口进行分类;若该分岔路口符合分类标准,则对该分岔路口进行二次标注,若该分岔路口不符合分类结果,则提示该分岔路口与所述地图信息不符;
所述标注模块,还用于若所述匹配度小于所述第二阈值,则提示该分岔路口与所述地图信息不符。
进一步地,所述对所述待处理图像进行预处理得到目标图像,具体为:
对所述待处理图像进行降噪处理,并对降噪处理后的待处理图像进行压缩,以使该待处理图像的大小适应所述深度神经网络,从而得到目标图像。
进一步地,所述道路特征包括道路的方向、分岔路口的数量,以及道路的经纬度。
进一步地,所述深度神经网络的训练步骤如下:
对采集的道路视频图像进行道路的分岔路口框选,得到若干样本图像,同时,获取非分岔路口的负样本图像;
设定深度神经网路的训练层数和训练函数;
分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练,得到分岔路口的分类标准。
对道路环境参数中的道路路口数据进行选择以提供正确的样本;提供所述样本相对照的负样本,利用深度神经网络确定深度神经网络的训练层数与训练函数;在计算设备中运行训练函数,得出分类的标准。
又一方面,本发明的一个实施例还提供了基于人工智能技术的道路选择装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于人工智能技术的道路选择方法。
又一方面,本发明的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于人工智能技术的道路选择方法。
相比于现有技术,本发明实施例的有益效果在于:
本发明的实施例提供的基于人工智能技术的道路选择方法、装置及可读存储介质,所述方法适于在计算设备中执行,至少包括如下步骤:采集道路图像,对图像处理得目标图像;调用神经网络对目标图像进行特征提取,得到道路特征;根据道路特征,判断道路是否分岔,若否,重复上述步骤,若是,执行下一步骤;对目标图像中的岔口一次标注,计算一次标注岔口与地图信息的匹配度;若匹配度大于或等于第一阈值,对该岔口二次标注;若所述匹配度大于或等于第二阈值,且小于所述第一阈值,则调用神经网络对岔口分类;若岔口符合分类标准,对该岔口二次标注,若岔口不符分类结果,提示岔口与地图不符。本发明基于深度神经网络的车辆辅助驾驶系统通过结合地图信息与现实的环境信息,实现了准确识别道路分岔的目的。
附图说明
图1是本发明的一个实施例提供的基于人工智能技术的道路选择方法的流程示意图;
图2是本发明的一个实施例提供的基于人工智能技术的道路选择方法的另一流程示意图;
图3是本发明的一个实施例提供的基于人工智能技术的道路选择方法中深度神经网络的训练步骤的流程示意图;
图4是本发明的另一实施例提供的基于人工智能技术的道路选择方法装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,以使本发明的优点和特征能更易于被本领域技术人员理解,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
本发明第一实施例:
请参阅图1-3。
如图1-3所示,本实施例提供的一种基于人工智能技术的道路选择方法,适于在计算设备中执行,至少包括如下步骤:
S101、采集当前道路的待处理图像,并对所述待处理图像进行预处理得到目标图像。
其中,所述对所述待处理图像进行预处理得到目标图像,具体为:对所述待处理图像进行降噪处理,并对降噪处理后的待处理图像进行压缩,以使该待处理图像的大小适应所述深度神经网络,从而得到目标图像。
S102、调用预先训练的深度神经网络对所述目标图像进行特征提取,得到道路特征。
其中,所述道路特征,包括道路的方向、分岔路口的数量,以及道路的经纬度。所述深度神经网络的训练步骤如图3所示:对采集的道路视频图像进行道路的分岔路口框选,得到若干样本图像,同时,获取非分岔路口的负样本图像。设定深度神经网路的训练层数和训练函数。分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练,得到分岔路口的分类标准。
S103、根据所述道路特征,判断当前道路是否出现道路分岔,若否,则重复执行上述步骤,若是,则执行下一步骤。
需要说明的是,所述道路分岔的判断过程,需要收集的信息有:现实之中和地图之中路口的所在区域,所在区域的参数包括但不限于经纬度,路口的数目,路口的朝向,各个路口之间的距离与位置关系。
S104、对所述目标图像中的每一个分岔路口进行一次标注,并计算每个一次标注的分岔路口与地图信息的匹配度。
需要说明的是,用于计算所述匹配度的参数包含:道路四周的景色与环境,道路的取向,道路的分叉区域。
S104a、若所述匹配度大于或等于第一阈值,则对该分岔路口进行二次标注。
需要说明的是,所述二次标注的数据与所述一次标注的数据会经由处理器进行处理,所述处理器使用英特尔的CPU,包括但不限于I7系列,经由处理器进行处理的数据继续经由所述深度神经网络进行处理。
S104b、若所述匹配度大于或等于第二阈值,且小于所述第一阈值,则调用所述深度神经网络对该分岔路口进行分类。若该分岔路口符合分类标准,则对该分岔路口进行二次标注,若该分岔路口不符合分类结果,则提示该分岔路口与所述地图信息不符。
需要说明的是,所述提示该分岔路口与所述地图信息不符的提醒方式包括通过声音信号或者光信号进行提醒,所述声音信号采用铃声的方式,由驾驶人选择在数据系统铃声库的铃声进行确定,所述光信号的亮度与颜色有驾驶人选择在数据系统样式库的样式类型进行确定。
S104c、若所述匹配度小于所述第二阈值,则提示该分岔路口与所述地图信息不符。
需要说明的是,所述提示方式与所述提示该分岔路口与所述地图信息不符的提醒方式类似,包括通过声音信号或者光信号进行提醒,但是驾驶人不允许采用与所述提示该分岔路口与所述地图信息不符的提醒方式相同的声音信号或者光信号作为提示该分岔路口与所述地图信息不符的提示方式。
本实施例公开了基于人工智能技术的道路选择方法,包括:采集道路图像,对图像处理得目标图像。调用神经网络对目标图像进行特征提取,得到道路特征。根据道路特征,判断道路是否分岔,若否,重复上述步骤,若是,执行下一步骤。对目标图像中的岔口一次标注,计算一次标注岔口与地图信息的匹配度。若匹配度大于或等于第一阈值,对该岔口二次标注。若所述匹配度大于或等于第二阈值,且小于所述第一阈值,则调用神经网络对岔口分类。若岔口符合分类标准,对该岔口二次标注,若岔口不符分类结果,提示岔口与地图不符。本实施例基于深度神经网络的车辆辅助驾驶系统通过结合地图信息与现实的环境信息,实现了准确识别道路分岔的目的。
本发明第二实施例:
请参阅图4,本实施例提供的一种基于人工智能技术的道路选择装置,包括以下模块:
预处理模块401,用于采集当前道路的待处理图像,并对所述待处理图像进行预处理得到目标图像。
其中,所述对所述待处理图像进行预处理得到目标图像,具体为:对所述待处理图像进行降噪处理,并对降噪处理后的待处理图像进行压缩,以使该待处理图像的大小适应所述深度神经网络,从而得到目标图像。
特征提取模块402,用于调用预先训练的深度神经网络对所述目标图像进行特征提取,得到道路特征。
其中,所述道路特征包括道路的方向、分岔路口的数量,以及道路的经纬度。所述深度神经网络的训练步骤如下:对采集的道路视频图像进行道路的分岔路口框选,得到若干样本图像,同时,获取非分岔路口的负样本图像。设定深度神经网路的训练层数和训练函数。分别将所述样本图像和所述负样本图像输入所述深度神经网络进行训练,得到分岔路口的分类标准。
分岔判断模块403,用于根据所述道路特征,判断当前道路是否出现道路分岔,若否,则重复执行上述步骤,若是,则执行下一步骤。
需要说明的是,所述道路分岔的判断过程,需要收集的信息有:现实之中和地图之中路口的所在区域,所在区域的参数包括但不限于经纬度,路口的数目,路口的朝向,各个路口之间的距离与位置关系。
标注模块404,用于对所述目标图像中的每一个分岔路口进行一次标注,并计算每个一次标注的分岔路口与地图信息的匹配度。
需要说明的是,用于计算所述匹配度的参数包含:道路四周的景色与环境,道路的取向,道路的分叉区域。
所述标注模块,还用于若所述匹配度大于或等于第一阈值,则对该分岔路口进行二次标注。
需要说明的是,所述二次标注的数据与所述一次标注的数据会经由处理器进行处理,所述处理器使用英特尔的CPU,包括但不限于I7系列,经由处理器进行处理的数据继续经由所述深度神经网络进行处理。
所述标注模块,还用于若所述匹配度大于或等于第二阈值,且小于所述第一阈值,则调用所述深度神经网络对该分岔路口进行分类。若该分岔路口符合分类标准,则对该分岔路口进行二次标注,若该分岔路口不符合分类结果,则提示该分岔路口与所述地图信息不符。
需要说明的是,所述提示该分岔路口与所述地图信息不符的提醒方式包括通过声音信号或者光信号进行提醒,所述声音信号采用铃声的方式,由驾驶人选择在数据系统铃声库的铃声进行确定,所述光信号的亮度与颜色有驾驶人选择在数据系统样式库的样式类型进行确定。
所述标注模块,还用于若所述匹配度小于所述第二阈值,则提示该分岔路口与所述地图信息不符。
需要说明的是,所述提示方式与所述提示该分岔路口与所述地图信息不符的提醒方式类似,包括通过声音信号或者光信号进行提醒,但是驾驶人不允许采用与所述提示该分岔路口与所述地图信息不符的提醒方式相同的声音信号或者光信号作为提示该分岔路口与所述地图信息不符的提示方式。
本实施例公开了基于人工智能技术的道路选择装置,包括:采集道路图像,对图像处理得目标图像。调用神经网络对目标图像进行特征提取,得到道路特征。根据道路特征,判断道路是否分岔,若否,重复上述步骤,若是,执行下一步骤。对目标图像中的岔口一次标注,计算一次标注岔口与地图信息的匹配度。若匹配度大于或等于第一阈值,对该岔口二次标注。若所述匹配度大于或等于第二阈值,且小于所述第一阈值,则调用神经网络对岔口分类。若岔口符合分类标准,对该岔口二次标注,若岔口不符分类结果,提示岔口与地图不符。本发明基于深度神经网络的车辆辅助驾驶系统通过结合地图信息与现实的环境信息,实现了准确识别道路分岔的目的。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。