CN111178237A - 一种路面状态识别方法 - Google Patents
一种路面状态识别方法 Download PDFInfo
- Publication number
- CN111178237A CN111178237A CN201911373412.9A CN201911373412A CN111178237A CN 111178237 A CN111178237 A CN 111178237A CN 201911373412 A CN201911373412 A CN 201911373412A CN 111178237 A CN111178237 A CN 111178237A
- Authority
- CN
- China
- Prior art keywords
- road surface
- surface image
- image
- state recognition
- recognition model
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种路面状态识别方法,包括:S1、获取路面图像视频;S2、从路面图像视频中提取路面图像帧,得到多个路面图像;S3、对路面图像进行预处理,得到处理后的路面图像;S4、对处理后的路面图像进行标签化,得到路面图像样本集;S5、基于卷积神经网络,利用线性与非线性结合的激活函数,构建路面状态识别模型;S6、利用路面图像样本集对路面状态识别模型进行训练,得到训练好的路面状态识别模型;S7、采集实际路面图像,将实际路面图像输入训练好的路面状态识别模型,得到对应的路面状态识别结果。与现有技术相比,本发明采用线性与非线性结合的激活函数,能够有效提高卷积神经网络的泛化能力,以提高路面状态识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种路面状态识别方法。
背景技术
随着自动驾驶技术的快速发展,路面状态识别已经成为自动驾驶技术的重要组成部分,传统的路面状态识别采用构建路面模型的方式,通过检测轮胎振动的时序波形,以判别当前的路面状态,这种方法需要预先将搭载有加速度传感器的车辆在多个路面上分别行驶,以构建路面模型,其设计操作过程复杂,不便于快速地识别路面状态。
现有技术考虑借助深度学习方法,通过对路面图像进行分析处理,以实现路面状态的识别。因此,只需一个分类识别模型就能够方便快速地进行路面状态识别,然而路面图像中包含多个非线性数据,现有的卷积神经网络中对于非线性数据的表达能力不足,即泛化能力不足,这会导致路面状态识别准确率不高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速准确的路面状态识别方法,通过改进激活函数,以提高卷积神经网络的泛化能力,从而提高路面状态识别的准确率。
本发明的目的可以通过以下技术方案来实现:一种路面状态识别方法,包括以下步骤:
S1、获取路面图像视频;
S2、根据预设的采样率,从路面图像视频中提取路面图像帧,得到多个路面图像;
S3、对路面图像进行预处理,得到处理后的路面图像;
S4、对处理后的路面图像进行标签化,得到路面图像样本集;
S5、基于卷积神经网络,利用线性与非线性结合的激活函数,构建路面状态识别模型;
S6、利用路面图像样本集对路面状态识别模型进行训练,得到训练好的路面状态识别模型;
S7、采集实际路面图像,并将实际路面图像输入训练好的路面状态识别模型,得到对应的路面状态识别结果。
进一步地,所述步骤S3中对路面图像进行预处理具体包括以下步骤:
S31、对路面图像进行路面局部图像提取;
S32、去除模糊的路面图像;
S33、对路面图像进行光照强度统一化处理。
进一步地,所述步骤S31具体是对路面图像进行感兴趣区域提取,以得到路面局部图像。
进一步地,所述感兴趣区域具体为路面图像中127x127矩形像素点。
进一步地,所述步骤S33具体是利用同态滤波对路面图像进行光照强度同一化处理,以改善路面图像的明暗不均匀。
进一步地,所述步骤S4中标签化具体是将处理后的路面图像对应标定为干燥路面、潮湿路面、积雪路面、泥泞路面和其他路面。
进一步地,所述步骤S5中激活函数具体为:
其中,a为可变的超参数,x为特征值。
进一步地,所述步骤S6具体是采用MSGD(Mini-Stochastic gradient descent,小批量随机梯度下降)算法进行路面状态识别模型的训练,其中,最大训练周期为2000次,每5个周期进行一次数据验证,当验证精度连续10次不下降时提前结束训练。
与现有技术相比,本发明通过建立线性与非线性相结合的激活函数,相比于传统的ReLU激活函数,当特征值≥0时,ReLU激活函数仅仅简单表现为线性形式,而本发明的激活函数表现为非线性的对数形式,以此增加了激活函数的非线性,提高了对于非线性数据的表达能力,能够有效提高卷积神经网络的泛化能力,从而保证路面状态识别模型的识别准确度,实现快速准确识别路面状态的目的。
附图说明
图1为本发明的方法流程示意图;
图2为实施例中路面状态识别模型构建过程示意图;
图3为本发明中激活函数的数学形状图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示,一种路面状态识别方法,包括以下步骤:
S1、获取路面图像视频;
S2、根据预设的采样率,从路面图像视频中提取路面图像帧,得到多个路面图像;
S3、对路面图像进行预处理,得到处理后的路面图像;
S4、对处理后的路面图像进行标签化,得到路面图像样本集;
S5、基于卷积神经网络,利用线性与非线性结合的激活函数,构建路面状态识别模型;
S6、利用路面图像样本集对路面状态识别模型进行训练,得到训练好的路面状态识别模型;
S7、采集实际路面图像,并将实际路面图像输入训练好的路面状态识别模型,得到对应的路面状态识别结果。
如图2所示,本实施例应用上述方法构建路面识别模型的具体过程为:
(1)图像提取:从车载视频中提取图像帧,得到包含道路路况的路面图像,并存储至存储设备;
(2)路面感兴趣区域提取:用于排除图片中车辆、树木等对影响路况识别的区域,仅提取路面的局部图像,以建立路面状态数据集,具体是选取车载视频中车头为对称中心基面,以正前方127x127矩形像素点为感兴趣的区域;
(3)去除模糊图像:以去除质量较差的图片;
(4)光照强度统一化处理:应用同态滤波对图片光照强度进行统一化处理,用于改善图像的明暗不均匀,提高识别精度;
(5)标签标定:用于对图像依据其代表的路面状态进行标签化,分别标定为干燥路面、潮湿路面、积雪路面、泥泞路面和其他路面。
(6)基于卷积神经网络结构,构建路面状态识别模型,设置网络结构超参数,本实施例采用的网络超参数如表1所示:
表1
层 | 类型 | 特征图 | 步长 | 卷积核 | 池化层 |
1 | 输入 | 127x127x3 | - | - | - |
2 | 卷积 | 32@127x64 | 1x2 | 5x5x1 | - |
3 | 归一化 | 32@127x64 | - | - | - |
4 | 池化 | 32@127x64 | 1x1 | - | 2x2 |
5 | 卷积 | 64@127x32 | 1x2 | 3x3x32 | - |
6 | 归一化 | 64@127x32 | - | - | - |
7 | 池化 | 64@127x32 | 1x1 | - | 2x2 |
8 | 卷积 | 128@127x16 | 1x2 | 1x1x64 | - |
9 | 归一化 | 128@127x16 | - | - | - |
10 | 池化 | 128@127x16 | 1x1 | - | 2x2 |
11 | 全连接 | 128@1x1 | - | - | - |
12 | 全连接 | 2048@1x1 | - | - | - |
13 | 输出 | 5@1x1 | - | - | - |
(7)采用线性与非线性结合的函数作为卷积神经网络的Gai-ReLU激活函数:
其中,a为可变的超参数,x为特征值,当a=0时,Gai-ReLU激活函数的形式与传统的ReLU激活函数相似,当a<0时,Gai-ReLU激活函数与传统的ReLU激活函数都取0值;
其数学形状如图3所示,从图3可知,在x≥0时,Gai-ReLU激活函数表现为非线性的曲线形式,相比于传统的ReLU激活函数,能够更好地进行非线性数据的表达,以此提高卷积神经网络的泛化能力;
将Gai-ReLU激活函数运用于路面状态识别模型中的激活环节。
(8)在本实施例中,路面状态识别模型采用MSGD(小批量随机梯度下降)算法进行训练。
(9)运行网络进行预测:将不同类别的道路图像和通用数据集图像分成训练集、验证集以及测试集后,输入改进激活函数的卷积神经网络进行训练,最大训练周期设置为2000次,每5个周期进行一次数据验证,当验证精度连续10次不下降时提前结束训练,其中,通用数据集图像采用牛津大学自动驾驶数据集。
(10)结果分析:本实施例还将本发明的激活函数与其他激活函数进行对比,结果证实本发明所公开的激活函数模型有效提高了卷积神经网络的泛化能力,提高了卷积神经网络预测的正确率,即能提高路面状态识别的准确性。
Claims (8)
1.一种路面状态识别方法,其特征在于,包括以下步骤:
S1、获取路面图像视频;
S2、根据预设的采样率,从路面图像视频中提取路面图像帧,得到多个路面图像;
S3、对路面图像进行预处理,得到处理后的路面图像;
S4、对处理后的路面图像进行标签化,得到路面图像样本集;
S5、基于卷积神经网络,利用线性与非线性结合的激活函数,构建路面状态识别模型;
S6、利用路面图像样本集对路面状态识别模型进行训练,得到训练好的路面状态识别模型;
S7、采集实际路面图像,并将实际路面图像输入训练好的路面状态识别模型,得到对应的路面状态识别结果。
2.根据权利要求1所述的一种路面状态识别方法,其特征在于,所述步骤S3中对路面图像进行预处理具体包括以下步骤:
S31、对路面图像进行路面局部图像提取;
S32、去除模糊的路面图像;
S33、对路面图像进行光照强度统一化处理。
3.根据权利要求2所述的一种路面状态识别方法,其特征在于,所述步骤S31具体是对路面图像进行感兴趣区域提取,以得到路面局部图像。
4.根据权利要求3所述的一种路面状态识别方法,其特征在于,所述感兴趣区域具体为路面图像中127x127矩形像素点。
5.根据权利要求2所述的一种路面状态识别方法,其特征在于,所述步骤S33具体是利用同态滤波对路面图像进行光照强度同一化处理,以改善路面图像的明暗不均匀。
6.根据权利要求1所述的一种路面状态识别方法,其特征在于,所述步骤S4中标签化具体是将处理后的路面图像对应标定为干燥路面、潮湿路面、积雪路面、泥泞路面和其他路面。
8.根据权利要求1所述的一种路面状态识别方法,其特征在于,所述步骤S6具体是采用MSGD算法进行路面状态识别模型的训练,其中,最大训练周期为2000次,每5个周期进行一次数据验证,当验证精度连续10次不下降时提前结束训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373412.9A CN111178237A (zh) | 2019-12-27 | 2019-12-27 | 一种路面状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373412.9A CN111178237A (zh) | 2019-12-27 | 2019-12-27 | 一种路面状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178237A true CN111178237A (zh) | 2020-05-19 |
Family
ID=70655665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911373412.9A Pending CN111178237A (zh) | 2019-12-27 | 2019-12-27 | 一种路面状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178237A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950468A (zh) * | 2020-08-14 | 2020-11-17 | 广东工业大学 | 一种基于卷积神经网络的交通状况检测方法、系统及存储介质 |
CN112109713A (zh) * | 2020-09-25 | 2020-12-22 | 闽江学院 | 混凝土箱梁搬运装置及控制方法 |
CN112990333A (zh) * | 2021-03-27 | 2021-06-18 | 上海工程技术大学 | 一种基于深度学习的天气多分类识别方法 |
CN113887532A (zh) * | 2021-11-17 | 2022-01-04 | 安徽省公共气象服务中心 | 一种基于场景分类的高速公路积雪图像识别与订正方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN110222634A (zh) * | 2019-06-04 | 2019-09-10 | 河海大学常州校区 | 一种基于卷积神经网络的人体姿态识别方法 |
-
2019
- 2019-12-27 CN CN201911373412.9A patent/CN111178237A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN110222634A (zh) * | 2019-06-04 | 2019-09-10 | 河海大学常州校区 | 一种基于卷积神经网络的人体姿态识别方法 |
Non-Patent Citations (2)
Title |
---|
DJORK-ARN´E CLEVERT ET AL: "FAST AND ACCURATE DEEP NETWORK LEARNING BY EXPONENTIAL LINEAR UNITS (ELUS)" * |
LUSHAN CHENG ET: "Road surface condition classification using deep learning" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950468A (zh) * | 2020-08-14 | 2020-11-17 | 广东工业大学 | 一种基于卷积神经网络的交通状况检测方法、系统及存储介质 |
CN112109713A (zh) * | 2020-09-25 | 2020-12-22 | 闽江学院 | 混凝土箱梁搬运装置及控制方法 |
CN112990333A (zh) * | 2021-03-27 | 2021-06-18 | 上海工程技术大学 | 一种基于深度学习的天气多分类识别方法 |
CN113887532A (zh) * | 2021-11-17 | 2022-01-04 | 安徽省公共气象服务中心 | 一种基于场景分类的高速公路积雪图像识别与订正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178237A (zh) | 一种路面状态识别方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
CN108304813B (zh) | 一种智能识别圆形交通信号灯状态的方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN105512684A (zh) | 基于主成分分析卷积神经网络的车标自动识别方法 | |
CN112862849B (zh) | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 | |
CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN111242955B (zh) | 基于全卷积神经网络的道路表面裂缝图像分割方法 | |
CN111951232A (zh) | 一种金属粉末注射成型外观缺陷检测方法及系统 | |
CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
CN109741322A (zh) | 一种基于机器学习的能见度测量方法 | |
CN112001901A (zh) | 基于卷积神经网络的苹果缺陷检测方法及系统 | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN111507226A (zh) | 道路图像识别模型建模方法、图像识别方法及电子设备 | |
CN106296691A (zh) | 基于图像分析的路面病害识别方法 | |
Vaiyapuri et al. | Automatic Vehicle License Plate Recognition Using Optimal Deep Learning Model. | |
CN112183325A (zh) | 基于图像对比的公路车辆检测方法 | |
CN115439456A (zh) | 一种病理图像中对象检测识别方法及装置 | |
CN113160078B (zh) | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 | |
CN113888477A (zh) | 网络模型的训练方法、金属表面缺陷检测方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |