CN112162560A - 基于非线性字典的回归误差抗干扰导航控制系统 - Google Patents
基于非线性字典的回归误差抗干扰导航控制系统 Download PDFInfo
- Publication number
- CN112162560A CN112162560A CN202011076983.9A CN202011076983A CN112162560A CN 112162560 A CN112162560 A CN 112162560A CN 202011076983 A CN202011076983 A CN 202011076983A CN 112162560 A CN112162560 A CN 112162560A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- layer
- navigation system
- vehicle
- nonlinear
- 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
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 241000283070 Equus zebra Species 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000036039 immunity Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种基于非线性字典的回归误差抗干扰导航控制系统。所述辅助导航系统包括车辆导航系统控制器﹑高速采集摄像头、WIFI信号传输器和信号处理器等﹐摄像头通过实时记录汽车行驶环境信息,由于汽车行驶过程的状态不确定性,会导致摄像头采集信息质量差等问题。针对现有方法不足,使用Discriminative Multi‑Layer Dictionary Learning based on Regression Error(RE‑DMDL)通过将回归误差项融入目标函数,并通过一个非负的松弛变量进一步增大不同类样本之间的“标签距离”,使用字典对图像进行非线性降维,增强了分类结果的抗干扰能力,对路面信息进行识别,经处理后供车辆驾驶员参考或直接送给车辆操作控制系统控制车辆的运行。
Description
技术领域
本发明涉及交通信息处理、辅助驾驶技术等领域,特别设计基于非线性字典的回归误差抗干扰导航控制系统。
背景技术
从20世纪70年代开始,美国、英国、德国等发达国家开始进行无人驾驶汽车的研究,在可行性和实用化方面都取得了突破性的进展。中国从20世纪80年代开始进行无人驾驶汽车的研究,国防科技大学在1992年成功研制出中国第一辆真正意义上的无人驾驶汽车。
由于无人车技术存在许多的不确定性,因此,无人车技术目前还处于测试阶段。但是随着我国交通运输业发展很快,目前全国公路总里程达到450万公里;全国取得机动车驾驶资格人数超3.34亿人。交通运输业的发展也带动了对导航系统的需求,目前智能导航系统技术受到越来越多学者的关注,目前智能车导航系统在十字、丁字等交通路口走错车道时并不能获得导航系统的提前警示,于是最终不得不多走冤枉路或违反交通规则,违反交通规则的后果是轻则罚款、扣分,重则发生交通事故。
发明内容
为了解决上述存在问题。本发明提出一种基于非线性字典的回归误差抗干扰导航控制系统。为达此目的:
基于非线性字典的回归误差抗干扰导航控制系统,具体步骤如下:
所述车辆导航系统在对应的机动车辆内设置车辆导航系统,所述机动车辆在对应的车道路面上行驶,车辆摄像头对路面的特殊符号进行记录,信号设置区内的左转弯车道与直行车道之间的标示线和斑马线等标志,所述车辆导航系统包括车辆导航系统控制器、摄像头和信号处理器,所述车辆导航系统控制器通过连接线与摄像头和信号处理器相连,使用RE-DMDL对采集信息进行识别,利用RE-DMDL的非线性的降维与抗干扰识别能力,对图像关键信息进行分割识别,实现车辆导航系统的辅助控制;
所述RE-DMDL旨在逐层的字典学习中增强表示系数的判别性,通过回归误差最小化使得表示系数增强,多层字典学习表示为:
X=D1(D2(...(DNZ))) (1)
其中,Di表示第i层字典,Z表示稀疏系数,X表示输入图像;
所述导航控制系统信息识别的方法的多层字典学习第k层的目标函数计算公式为:
其中,Di表示第i层字典,Zk表示第k层稀疏系数,X表示输入图像,Wk,bk是转换矩阵和转换向量,α,β代表调节参数;
所述多层字典学习的分类器参数计算公式为:
WZ=YZN(ZN TZN+I)-1 (5)
其中,ZN是第N层字典的稀疏系数,I是标签矩阵;
所述RE-DMDL涉及基础字典学习,对于单层字典学习过程涉及到稀疏分解,此过程对采集的信号进行去噪,增加系统的抗干扰能力,系数分解的计算公式为:
其中,D是字典,Z是稀疏系数,t是稀疏系数的非零值个数。
作为本发明进一步改进,所述信号处理器为WIFI信号处理器(3)、Zigbee信号处理器(4)和Bluetooth信号处理器(5),所述车辆导航系统能够接收和处理基于无线技术的无线交通信号。
本发明基于非线性字典的回归误差抗干扰导航控制系统,有益效果在于:
1.本发明利用RE-DMDL算法,增加了系统的鲁棒性和抗干扰能力。
2.本发明使用多层分类字典,增加了系统的识别准确率。
3.本发明算法复杂度低,实时性强。
4.本发明硬件系统实现简单,成本低。
附图说明
图1某十字路口路面车道示意图;
图2 RE-DMDL训练流程图;
具体实施方式
本发明提出一种基于非线性字典的回归误差抗干扰导航控制系统。
下面结合附图1和2与具体实施方式对本发明进一步描述:
作为本发明进一步改进,所述车辆导航系统在对应的机动车辆6内设置车辆导航系统,所述机动车辆6在对应的车道路面上行驶,车辆摄像头对路面的特殊符号进行记录,信号设置区内的左转弯车道与直行车道之间的标示线和斑马线等标志,所述车辆导航系统包括车辆导航系统控制器1、摄像头2和信号处理器,所述车辆导航系统控制器1通过连接线与摄像头2和信号处理器相连。使用RE-DMDL对采集信息进行识别,利用RE-DMDL的非线性的降维与抗干扰识别能力,对图像关键信息进行分割识别,实现车辆导航系统的辅助控制。
此外,信号处理器为WIFI信号处理器3、Zigbee信号处理器4和Bluetooth信号处理器5,所述车辆导航系统能够接收和处理基于无线技术的交通信号。
RE-DMDL旨在逐层的字典学习中增强表示系数的判别性,通过回归误差最小化使得表示系数增强,多层字典学习表示为:
X=D1(D2(...(DNZ))) (1)
其中,Di表示第i层字典,Z表示稀疏系数,X表示输入图像。
多层字典学习第k层的目标函数计算公式为:
其中,Di表示第i层字典,Zk表示第k层稀疏系数,X表示输入图像,Wk,bk是转换矩阵和转换向量,α,β代表调节参数。
多层字典学习的分类器参数计算公式为:
WZ=YZN(ZN TZN+I)-1 (5)
其中,ZN是第N层字典的稀疏系数,I是标签矩阵。
RE-DMDL涉及基础字典学习,对于单层字典学习过程涉及到稀疏分解,此过程对采集的信号进行去噪,增加系统的抗干扰能力,系数分解的计算公式为:
Y≈DZ s.t.||Z||0<t (6)
其中,D是字典,Z是稀疏系数,t是稀疏系数的非零值个数。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.基于非线性字典的回归误差抗干扰导航控制系统,具体步骤如下,其特征在于:
所述车辆导航系统在对应的机动车辆(6)内设置车辆导航系统,所述机动车辆(6)在对应的车道路面上行驶,车辆摄像头对路面的特殊符号进行记录,信号设置区内的左转弯车道与直行车道之间的标示线和斑马线等标志,所述车辆导航系统包括车辆导航系统控制器(1)、摄像头(2)和信号处理器,所述车辆导航系统控制器(1)通过连接线与摄像头(2)和信号处理器相连,使用RE-DMDL对采集信息进行识别,利用RE-DMDL的非线性的降维与抗干扰识别能力,对图像关键信息进行分割识别,实现车辆导航系统的辅助控制;
所述RE-DMDL旨在逐层的字典学习中增强表示系数的判别性,通过回归误差最小化使得表示系数增强,多层字典学习表示为:
X=D1(D2(...(DNZ))) (1)
其中,Di表示第i层字典,Z表示稀疏系数,X表示输入图像;
所述导航控制系统信息识别的方法的多层字典学习第k层的目标函数计算公式为:
其中,Di表示第i层字典,Zk表示第k层稀疏系数,X表示输入图像,Wk,bk是转换矩阵和转换向量,α,β代表调节参数;
所述多层字典学习的分类器参数计算公式为:
WZ=YZN(ZN TZN+I)-1 (5)
其中,ZN是第N层字典的稀疏系数,I是标签矩阵;
所述RE-DMDL涉及基础字典学习,对于单层字典学习过程涉及到稀疏分解,此过程对采集的信号进行去噪,增加系统的抗干扰能力,系数分解的计算公式为:
Y≈DZ s.t.||Z||0<t (6)
其中,D是字典,Z是稀疏系数,t是稀疏系数的非零值个数。
2.根据权利要求1所述的基于非线性字典的回归误差抗干扰导航控制系统,其特征在于:所述信号处理器为WIFI信号处理器(3)、Zigbee信号处理器(4)和Bluetooth信号处理器(5),所述车辆导航系统能够接收和处理基于无线技术的无线交通信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076983.9A CN112162560A (zh) | 2020-10-10 | 2020-10-10 | 基于非线性字典的回归误差抗干扰导航控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076983.9A CN112162560A (zh) | 2020-10-10 | 2020-10-10 | 基于非线性字典的回归误差抗干扰导航控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112162560A true CN112162560A (zh) | 2021-01-01 |
Family
ID=73867904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011076983.9A Pending CN112162560A (zh) | 2020-10-10 | 2020-10-10 | 基于非线性字典的回归误差抗干扰导航控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112162560A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065429A (zh) * | 2021-03-22 | 2021-07-02 | 洪璐 | 一种基于北斗的电力应急抢险车辆监控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663896A (zh) * | 2010-10-01 | 2012-09-12 | 株式会社电装 | 车辆行驶辅助装置 |
CN103217162B (zh) * | 2013-03-21 | 2015-11-11 | 西安电子科技大学 | 采用稀疏表示的脉冲星累积脉冲轮廓时间延迟测量方法 |
CN105551244A (zh) * | 2015-12-08 | 2016-05-04 | 重庆云途交通科技有限公司 | 一种动态路径规划方法 |
US9953427B2 (en) * | 2014-06-10 | 2018-04-24 | Ramot At Tel-Aviv University Ltd. | Method and system for processing an image |
US20190025848A1 (en) * | 2017-05-05 | 2019-01-24 | Hrl Laboratories, Llc | Attribute aware zero shot machine vision system via joint sparse representations |
CN110675307A (zh) * | 2019-08-19 | 2020-01-10 | 杭州电子科技大学 | 基于vslam的3d稀疏点云到2d栅格图的实现方法 |
CN111027582A (zh) * | 2019-09-20 | 2020-04-17 | 哈尔滨理工大学 | 基于低秩图学习的半监督特征子空间学习方法及装置 |
CN111551186A (zh) * | 2019-11-29 | 2020-08-18 | 福瑞泰克智能系统有限公司 | 一种车辆实时定位方法、系统及车辆 |
-
2020
- 2020-10-10 CN CN202011076983.9A patent/CN112162560A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663896A (zh) * | 2010-10-01 | 2012-09-12 | 株式会社电装 | 车辆行驶辅助装置 |
CN103217162B (zh) * | 2013-03-21 | 2015-11-11 | 西安电子科技大学 | 采用稀疏表示的脉冲星累积脉冲轮廓时间延迟测量方法 |
US9953427B2 (en) * | 2014-06-10 | 2018-04-24 | Ramot At Tel-Aviv University Ltd. | Method and system for processing an image |
CN105551244A (zh) * | 2015-12-08 | 2016-05-04 | 重庆云途交通科技有限公司 | 一种动态路径规划方法 |
US20190025848A1 (en) * | 2017-05-05 | 2019-01-24 | Hrl Laboratories, Llc | Attribute aware zero shot machine vision system via joint sparse representations |
CN110675307A (zh) * | 2019-08-19 | 2020-01-10 | 杭州电子科技大学 | 基于vslam的3d稀疏点云到2d栅格图的实现方法 |
CN111027582A (zh) * | 2019-09-20 | 2020-04-17 | 哈尔滨理工大学 | 基于低秩图学习的半监督特征子空间学习方法及装置 |
CN111551186A (zh) * | 2019-11-29 | 2020-08-18 | 福瑞泰克智能系统有限公司 | 一种车辆实时定位方法、系统及车辆 |
Non-Patent Citations (3)
Title |
---|
WANG NANNAN等: "Face Sketch-photo Synthesis under Multi-dictionary Sparse Representation Framework", 《2011 SIXTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 * |
盛秀杰等: "基于数据字典的导航地图质量检测软件", 《计算机应用》 * |
赵杰: "基于多层字典学习的分类算法研究", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065429A (zh) * | 2021-03-22 | 2021-07-02 | 洪璐 | 一种基于北斗的电力应急抢险车辆监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310583B (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
CN105938560B (zh) | 一种基于卷积神经网络的车型精细分类系统 | |
CN111814623A (zh) | 一种基于深度神经网络的车辆车道偏离视觉检测方法 | |
CN110795821A (zh) | 一种基于场景区分的深度强化学习训练方法及系统 | |
CN106372577A (zh) | 一种基于深度学习的交通标志自动识别与标注方法 | |
Suhweil et al. | Smart controlling for traffic light time | |
CN105260712A (zh) | 一种车辆前方行人检测方法及系统 | |
CN107985189A (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
CN110599497A (zh) | 一种基于深度神经网络的可行驶区域分割方法 | |
CN111046723B (zh) | 一种基于深度学习的车道线检测方法 | |
CN106710228A (zh) | 一种客货分道交通参数监测系统的实现方法 | |
CN112162560A (zh) | 基于非线性字典的回归误差抗干扰导航控制系统 | |
Lee et al. | An intelligent driving assistance system based on lightweight deep learning models | |
Tahir et al. | Object detection in autonomous vehicles under adverse weather: a review of traditional and deep learning approaches | |
CN106295546A (zh) | 一种基于视频的交通标志检测与识别方法 | |
Kong et al. | Lightweight traffic sign recognition algorithm based on cascaded CNN | |
CN117037081A (zh) | 基于机器学习的交通监控方法、装置、设备及介质 | |
Tahir et al. | Image recognition based autonomous driving: a deep learning approach | |
Zaman et al. | A CNN-based path trajectory prediction approach with safety constraints | |
Bailke et al. | Traffic sign classification using CNN | |
CN112050825A (zh) | 基于lgc-mdl非线性信息抗干扰识别的导航控制系统 | |
Visaria et al. | Tsrsy-traffic sign recognition system using deep learning | |
TWM618607U (zh) | 自動化交通轉向量化調查報告產出系統 | |
Zhang | YOLO Series Target Detection Technology and Application | |
CN114299414B (zh) | 一种基于深度学习的车辆闯红灯识别判定方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |
|
RJ01 | Rejection of invention patent application after publication |