CN111310675A - 基于卷积神经网络的高架识别辅助定位方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的高架识别辅助定位方法，包括如下步骤：S1：组建卷积神经网络，采集高架相关的数据集；S2：将数据集输入卷积神经网络进行训练，获取卷积神经网络的参数；S3：通过GPS初步确认当前位置在高架附近；S4：触发图像采集，对当前场景进行图像数据的采集；S5：将采集后的图像数据输入卷积神经网络进行推理计算，分析判断当前场景的具体位置。本发明在GPS定位出车辆在高架桥附近时，通过卷积神经网络自动识别出车辆具体位置，从而进行车辆定位修正；卷积神经网络采用基于单张图片的视觉算法，对图片数量及画质要求低；准确度高，鲁棒性好；成本低，实用性强。

Description

基于卷积神经网络的高架识别辅助定位方法

技术领域

本发明涉及一种定位方法，尤其涉及一种基于卷积神经网络的高架识别辅助定位方法。

背景技术

高架桥是现代交通系统中的重要组成部分，极大缓解了地面道路的运营压力，上下车道分离提高了城市的运行效率。GPS，全球定位系统，主要利用与卫星通信，获取位置信息，同时根据基准站的精确位置，采用差分方法对地面位置进行纠正计算。即便如此，由于受到如星历误差、电离层延迟、对流层延迟以及气候等的影响，仍会产生几米到几十米的误差，无法进行精确定位。大型城市(如北上广)由于道路复杂性，司机日常出行对导航系统有着极大的依赖。而目前的导航系统普遍无法进行高架上下道路的识别或者识别准确率不高，使得导航系统出现错误道路规划且须手动修正，影响驾驶安全，降低导航体验。因此，亟需可靠的高架道路识别辅助定位方法，帮助进行道路修正。

对高架上下道路进行识别的现有方法主要有：

1、气压计：利用不同高度气压不同的原理，进行高架上下道路的区分。

2、GPS道路匹配：根据GPS定位轨迹与电子地图中的道路网进行比较，根据一定算法搜索出与行车轨迹最相近的道路，并把车辆绑定到道路上进行纠偏。如果高架上下道路的经纬坐标不重合，则能够进行区分。

3、信噪比识别：利用行车视频，计算车辆运动过程中，图像信噪比的变化趋势来进行判断。

4、角度装置：通过手机感应汽车上下桥与水平面的角度，再查找交通资料库中的道路角度，两者进行比较，从而确认汽车到底是驶上天桥，还是继续在地面上行走。

上述几种方法最大缺点在于都是抓取瞬间信号进行测量，无法提供稳定的判断，受到诸多使用条件的限制，具体缺点如下：

1、气压计的方法：气压计测某个点的高度是非常不准的，因为天气、温度等原因会导致不同时刻同一地点气压不同。所以气压计无法直接给出准确测量高度，只能在同一时间和地点测量相对高度。在车辆在几秒之内短时间爬高情况下，高精度气压计能给出有效信号。而在实际路况中，如堵车，气压计的变化非常缓慢,无法给出信号；而一旦车辆已经爬升至高架上，气压计无法比对高架下的气压(反之亦然)；或者受温度、天气、地点，甚至读取频率的影响，误报率很高。

2、GPS道路匹配的方法：GPS的道路匹配算法只能改善车辆GPS经纬度定位不准，仍然无法给出车辆高度的信息。因此在车辆高架上下道路在经纬度不一致的时候，才能给出识别信号；而对于大部分高架上下道路经纬度一致的情况，GPS修正的方法无法给出有效识别信号，这也是目前导航系统的痛点。

3、信噪比识别的方法：该方法需要识别一个序列的诸多图像，从而进行信噪比趋势的连续判断。而一旦正常行驶，信噪比不发生变化时，则无法给出有效识别。此外，由于是一个序列诸多图像的连续识别，也受到图像拍摄速率和车速等影响。

4、角度感应：通过感应装置，计算汽车上下桥与水平面角度，再查找交通资料库中的道路角度，两者进行比较，从而确认汽车到底是驶上天桥，还是继续在地面上行走。一方面对智能手机硬件的依赖，且准确度无法保证；一方面严重依赖交通资料库，数据库维护成本极高,缺乏普遍适用性及独立性；且也属于瞬态测量，对非上下坡的状态无法识别。

因此，发明一种快速、稳定、准确地对高架信息进行分析判断的方法是非常有必要的。

发明内容

本发明要解决的技术问题是提供一种基于卷积神经网络的高架识别辅助定位方法，直接对图像特征进行识别，不受天气、温度、车速、路况等的影响，能够快速、稳定、实时、准确地对高架信息进行分析判断，且成本较低。

本发明为解决上述技术问题而采用的技术方案是提供一种基于卷积神经网络的高架识别辅助定位方法，包括如下步骤：S1：组建卷积神经网络，采集高架相关的数据集；S2：将数据集输入卷积神经网络进行训练，获取卷积神经网络的参数；S3：通过GPS初步确认当前位置在高架附近；S4：触发图像采集，对当前场景进行图像数据的采集；S5：将采集后的图像数据输入卷积神经网络进行推理计算，分析判断当前场景的具体位置。

进一步的，所述卷积神经网络依次包括输入层、隐藏层和输出层，所述隐藏层包括卷积层、池化层、批正则化层和全连接层；所述卷积层、池化层和批正则化层为基本单元层，所述基本单元层至少为一层；所述全连接层设置在基本单元层之后。

进一步的，所述步骤S2中获取的卷积神经网络的参数包括卷积层的卷积核权重和批正则化层的归一化参数。

进一步的，所述步骤S5具体包括：S51：将图像数据在输入层进行数据标准化；S52：将标准化后的图像数据输入隐藏层进行计算得到特征向量；S53：通过输出层进行交叉熵将特征向量转换为各特征类别的概率值；S54：将概率值最高的特征类别作为位置特征，判断当前场景是在高架上、高架下、上行匝道上或下行匝道上。

进一步的，所述隐藏层包括依次设置的卷积层、池化层、批正则化层和全连接层，所述步骤S52具体包括：S521：卷积层将标准化后的图像数据与卷积核权重进行卷积运算得到卷积后的图形数据；S522：池化层对卷积后的图形数据进行池化运算，所述池化运算包括最大值池化和均值池化；S523：批正则化层通过归一化参数对池化运算的结果进行批量归一化；S524：全连接层将批量归一化得到的多维度的特征向量展开为一维的特征向量。

进一步的，所述步骤S2中卷积神经网络的训练包括如下步骤：S21：对数据集中的图像数据设定判断结果标签；每张图像的标签为该图像对应的位置，包括高架上、高架下、上行匝道上和下行匝道上；S22：将卷积神经网络的卷积核权重和归一化参数进行初始化，设定卷积核权重和归一化参数的初始值；S23：将数据集中的图像数据送入卷积神经网络，将计算结果与设定的判断结果标签进行对比，计算误差值；S24：将该误差从输出层向隐藏层反向传播，直至传播到输入层；在反向传播的过程中，计算梯度下降的距离；S25：若梯度下降距离小于设定阈值，则设定的卷积核权重和归一化参数合理，保存卷积核权重和归一化参数；S26：若梯度下降距离大于设定阈值，则设定的卷积核权重和归一化参数不合理，调整卷积核权重和归一化参数，重复步骤S23-S25，直到得到合理的卷积核权重和归一化参数。

本发明对比现有技术有如下的有益效果：本发明提供的基于卷积神经网络的高架识别辅助定位方法，当GPS定位出车辆在高架桥附近时，通过卷积神经网络自动识别出车辆是处于高架桥上、高架桥下的状态，以及上下匝道过程，从而进行车辆定位修正，以及道路规划导航的修正；卷积神经网络采用基于单张图片的计算机视觉算法，对图片数量及画质要求低；准确度高，速度快，鲁棒性好，且不受天气、温度、路况、车速、道路等的影响；成本低，实用性强。

附图说明

图1为本发明实施例中基于卷积神经网络的高架识别辅助定位方法流程图；

图2为本发明实施例中卷积神经网络推理计算流程图；

图3为本发明实施例中卷积神经网络训练流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

本发明实施例中基于卷积神经网络的高架识别辅助定位方法，主要应用于移动设备终端，移动设备终端可以是具有GPS定位功能的手机或行车记录仪等。当GPS初步判断出当前位置是在高架附近，触发图像采集，对当前场景进行数据采集，然后对图像进行算法处理及计算，综合返回更加详细的地理位置信息，确认当前车辆位于高架上还是高架下，或者正在上高架，还是准备下高架。

图1为本发明实施例中基于卷积神经网络的高架识别辅助定位方法流程图。

请参见图1，本发明提供的基于卷积神经网络的高架识别辅助定位方法，包括如下步骤：

S1：组建卷积神经网络，采集高架相关的数据集；

S2：将数据集输入卷积神经网络进行训练，获取卷积神经网络的参数；获取的卷积神经网络的参数包括卷积层的卷积核权重和批正则化层的归一化参数；

S3：通过GPS初步确认当前位置在高架附近；

S4：触发图像采集，对当前场景进行图像数据的采集；

S5：将采集后的图像数据输入卷积神经网络进行推理计算，分析判断当前场景的具体位置。

具体的，本发明提供的基于卷积神经网络的高架识别辅助定位方法，卷积神经网络依次包括输入层、隐藏层和输出层，所述隐藏层包括卷积层、池化层、批正则化层和全连接层；所述卷积层、池化层和批正则化层为基本单元层，所述基本单元层至少为一层；所述全连接层设置在基本单元层之后。根据应用场景的复杂程度，可进行深度调节，也可进行层数增减。

请参见图2，本发明提供的基于卷积神经网络的高架识别辅助定位方法，所述步骤S5具体包括：

S51：将图像数据在输入层进行数据标准化；

对于输入图片x，首先进行数据标准化：

其中，

为图像的均值，std代表图像的标准差。

S52：将标准化后的图像数据输入隐藏层进行计算得到特征向量，隐藏层包括卷积层、池化层、批正则化层和全连接层，具体包括：

S521：卷积层将标准化后的图像数据与卷积核权重进行卷积运算得到卷积后的图形数据；假设X的维度为4x4x6，与维度为3x3x32的卷积核权重进行卷积运算，输出结果维度为2x2x32。卷积运算公式如下：

其中，z_xy表示某一层的输出，f(x_i,y_j)为输入的某一元素，kernel_u,v为权重值。

经过多层卷积运算，可提取出图片的高层语义特征，从而对其进行高精度分析判断。

S522：池化层对卷积后的图形数据进行池化运算，所述池化运算包括最大值池化和均值池化；最大值池化，在对应窗口中取最大值，作为输出。最大值池化运算公式如下：

S523：批正则化层通过归一化参数对池化运算的结果进行批量归一化；是对

本层输出进行计算处理作为下一层的输入。其中，x_i为输入，y_i为第i个样本对应输出。m代表输入层的样本数量。γ和β为神经网络学习获得的归一化参数，一般初始值设置为0-1之间的随机值。批正则化运算过程如下：

S524：全连接层将批量归一化得到的多维度的特征向量展开为一维的特征向量，如将M*N*K展开成1*1*F。

S53：通过输出层进行交叉熵将特征向量转换为各特征类别的概率值；y_i为某一类别对应的输出特征值，所有类别的概率值总和为1，特征类别的概率值计算公式为：

S54：将概率值最高的特征类别作为位置特征，判断当前场景是在高架上、高架下、上行匝道上或下行匝道上。

请参见图3，步骤S2中卷积神经网络的训练包括如下步骤：

S21：对数据集中的图像数据设定判断结果标签；每张图像的标签为该图像对应的位置，包括高架上、高架下、上行匝道上和下行匝道上；

S22：将卷积神经网络的卷积核权重和归一化参数进行初始化，设定卷积核权重和归一化参数的初始值；

S23：将数据集中的图像数据送入卷积神经网络，将计算结果与设定的判断结果标签进行对比，计算误差值；误差值是通过损失函数计算的：给定一张图像，送入卷积神经网络，卷积神经网络给出这张图片所属类别如高架上、高架下、上行匝道上或者下行匝道上并给出所属类别的概率值，结果与判断结果标签进行误差计算，即为误差损失值。通过初始算法不断进行迭代训练数据，逐步降低损失值，得到优化后的算法。

S24：将该误差从输出层向隐藏层反向传播，直至传播到输入层；在反向传播的过程中，计算梯度下降的距离；

S25：若梯度下降距离小于设定阈值，则设定的卷积核权重和归一化参数合理，保存卷积核权重和归一化参数；

S26：若梯度下降距离大于设定阈值，则设定的卷积核权重和归一化参数不合理，调整卷积核权重和归一化参数，重复步骤S23-S25，直到得到合理的卷积核权重和归一化参数。

对于某一层，设输入为a^[l-1]，输出为a^[l]，w^l和b^[l]分别为卷积核权重和偏置项，g^[l]为激活函数。正向传播计算公式为：

z^[l]＝w^[l]a^[l-1]+b^[l]

a^[l]＝g^[l](z^[l])

反向传播过程，计算公式为：

dz^l＝da^l·g^[l]-1(z^l)

da^[l-1]＝w^[l]-1·dz^[l]

dw^[l]＝dz^[l]·a^[l-1]

db^[l]＝dz^[l]

其中d代表求导计算。

综上所述，本发明提供的基于卷积神经网络的高架识别辅助定位方法，当GPS定位出车辆在高架桥附近时，通过卷积神经网络自动识别出车辆是处于高架桥上、高架桥下的状态，以及上下匝道过程，从而进行车辆定位修正，以及道路规划导航的修正；卷积神经网络采用基于单张图片的计算机视觉算法，对图片数量及画质要求低；准确度高，速度快，鲁棒性好，且不受天气、温度、路况、车速、道路等的影响；成本低，实用性强。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (6)

1.一种基于卷积神经网络的高架识别辅助定位方法，其特征在于，包括如下步骤：

S1：组建卷积神经网络，采集高架相关的数据集；

S2：将数据集输入卷积神经网络进行训练，获取卷积神经网络的参数；

S3：通过GPS初步确认当前位置在高架附近；

S4：触发图像采集，对当前场景进行图像数据的采集；

S5：将采集后的图像数据输入卷积神经网络进行推理计算，分析判断当前场景的具体位置。

2.如权利要求1所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述卷积神经网络依次包括输入层、隐藏层和输出层，所述隐藏层包括卷积层、池化层、批正则化层和全连接层；所述卷积层、池化层和批正则化层为基本单元层，所述基本单元层至少为一层；所述全连接层设置在基本单元层之后。

3.如权利要求2所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述步骤S2中获取的卷积神经网络的参数包括卷积层的卷积核权重和批正则化层的归一化参数。

4.如权利要求3所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述步骤S5具体包括：

S51：将图像数据在输入层进行数据标准化；

S52：将标准化后的图像数据输入隐藏层进行计算得到特征向量；

S53：通过输出层进行交叉熵将特征向量转换为各特征类别的概率值；

S54：将概率值最高的特征类别作为位置特征，判断当前场景是在高架上、高架下、上行匝道上或下行匝道上。

5.如权利要求4所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述隐藏层包括依次设置的卷积层、池化层、批正则化层和全连接层，所述步骤S52具体包括：

S521：卷积层将标准化后的图像数据与卷积核权重进行卷积运算得到卷积后的图形数据；

S522：池化层对卷积后的图形数据进行池化运算，所述池化运算包括最大值池化和均值池化；

S523：批正则化层通过归一化参数对池化运算的结果进行批量归一化；

S524：全连接层将批量归一化得到的多维度的特征向量展开为一维的特征向量。

6.如权利要求3所述的基于卷积神经网络的高架识别辅助定位方法，其特征在于，所述步骤S2中卷积神经网络的训练包括如下步骤：

S21：对数据集中的图像数据设定判断结果标签；每张图像的标签为该图像对应的位置，包括高架上、高架下、上行匝道上和下行匝道上；

S22：将卷积神经网络的卷积核权重和归一化参数进行初始化，设定卷积核权重和归一化参数的初始值；

S23：将数据集中的图像数据送入卷积神经网络，将计算结果与设定的判断结果标签进行对比，计算误差损失值；

S24：将该误差损失值从输出层向隐藏层反向传播，直至传播到输入层；在反向传播的过程中，计算梯度下降的距离；

S25：若梯度下降距离小于设定阈值，则设定的卷积核权重和归一化参数合理，保存卷积核权重和归一化参数；

S26：若梯度下降距离大于设定阈值，则设定的卷积核权重和归一化参数不合理，调整卷积核权重和归一化参数，重复步骤S23-S25，直到得到合理的卷积核权重和归一化参数。

Images