CN112464820A - 一种无人车辆智能识别方法 - Google Patents
一种无人车辆智能识别方法 Download PDFInfo
- Publication number
- CN112464820A CN112464820A CN202011369624.2A CN202011369624A CN112464820A CN 112464820 A CN112464820 A CN 112464820A CN 202011369624 A CN202011369624 A CN 202011369624A CN 112464820 A CN112464820 A CN 112464820A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vehicles
- vehicle
- convolution neural
- convolution
- 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 title claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 10
- 210000004209 hair Anatomy 0.000 claims description 6
- 239000011521 glass Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种无人车辆智能识别方法,车辆控制器计算所辖通信区域内任意两车之间的碰撞概率,车辆碰撞风险即二维平面上车间距离落于绝对安全距离和相对安全距离的次数;车辆MCU设定道路行人属性中选择具代表性的、适合本行人识别的属性,包括人体四肢、躯干、头部、面部生物特征以及穿着颜色、上衣、下衣、鞋子相关属性;构建一个深度学习模型,深度学习模型采用卷积神经网络模型;车辆控制器通过与路侧单元通信获取路侧单元所辖区域车辆的参数,计算整条路的车辆碰撞风险,进行信息发布,推送给路侧单元所辖车辆事故预警信息。本发明与传统的识别方法相比,采用卷积神经网络方法与不采用深度学习的方法相比体现出更好的识别率。
Description
技术领域
本发明涉及无人车模式识技术领域,具体涉及一种无人车辆智能识别方法。
背景技术
目前,无人驾驶车辆模式识别算法计算量非常大,对计算单元的性能要求非常高,这使得产品化、小型化的难度较大。所以在芯片或FPGA上解决双目的计算问题难度比较大。
国际上很多研究机构或厂商,绝大多数是使用服务器来进行图像处理与计算的,也有部分将算法进行简化后,使用FPGA进行处理,这就使效果受到较大程度影响,存在很多噪点与空洞,这对后续的计算不利,存在安全风险。现实中,往往离线处理行人特征、车辆避障、交通标志是很简单的,但是在无人车上需要能在有限的时间里识别出来,并且考虑道路中可能有的光线变化、遮挡等问题。
发明内容
本发明的目的在于克服上述现有技术的缺陷,在深度学习和属性学习的基础上将两者结合,提出一种无人车辆智能识别方法。
本发明采用的技术方案如下:一种无人车辆智能识别方法,包括如下步骤:
1)车辆控制器计算所辖通信区域内任意两车Ti,j、Ti,j-1之间的碰撞概率p=f(Ti,j,Ti,j-1),车辆碰撞风险即二维平面上车间距离落于绝对安全距离和相对安全距离的次数;
2)车辆MCU设定道路行人属性中选择具代表性的、适合本行人识别的属性,包括人体四肢、躯干、头部、面部生物特征以及穿着颜色、上衣、下衣、鞋子相关属性;
3)构建一个深度学习模型,深度学习模型采用卷积神经网络模型;
5)将测试样本xt输入训练完毕的卷积神经网络得到优选特征,将优选特征输入训练完毕的各属性分类器得到样本具有属性ak的后验概率p(ak|xt),结合属性类别映射关系表,通过贝叶斯公式得到类别yj后验概率p(yj|xt),贝叶斯公式为:(N为属性个数),最大的概率对应的类别作为样本的识别类别,样本的识别类别为
6)车辆控制器通过与路侧单元通信获取路侧单元所辖区域车辆的参数,计算整条路的车辆碰撞风险,进行信息发布,推送给路侧单元所辖车辆事故预警信息。
进一步,人体生物特征具体包括大人、小孩、长发、短发、男人,女人;穿着服装相关包括:带帽,戴眼镜,大衣,风衣,西服,中搂,马甲,POLO衫,T恤,背心,女小衫,连衣裙,连衣裤,下装,长裤,中裤,7分裤,9分裤,短裤,热裤,超短裙,短裙,中裙,长裙。
进一步,所述卷积神经网络模型具体为:首先将卷积神经网络的卷积核大小、网络层数、特征图数的预设值分别为3、3、10,然后将卷积神经网络的学习效率设为2、批训练样本数量设为3,将训练图像输入到传统卷积神经网络,通过1到80次迭代找出最大正确率,由于训练图像已知是车辆样本或非车辆样本,因此可通过训练图像训练得到卷积神经网络模型;将测试图像进行预处理后输入到训练得到的卷积神经网络模型中,根据输出的神经网络特征是否准确识别出车辆来计算正确率;基于测试图像,分别调整卷积神经网络的卷积核大小、网络层数、特征图数,根据卷积神经网络输出的神经网络特征是否准确识别出车辆来计算当前参数下的卷积神经网络的正确率,从而确定最优卷积神经网络的卷积核大小、网络层数、特征图数,得到最优卷积神经网络;在网络层数为3、隐含层输出特征图数为10的基础上,调整卷积神经网络的卷积核大小分别为3、5、7、9、11,将测试图像输入到当前参数设置时的卷积神经网络,根据输出的神经网络特征是否准确识别出车辆以计算当前参数设置时的卷积神经网络的正确率,选取正确率最高所对应的卷积核大小,作为最优卷积神经网络的参数。
本发明的有益效果是:本发明与传统的行人识别方法相比,采用卷积神经网络方法与不采用深度学习的方法相比体现出更好的识别率,能够提取图像的优选特征,且由于卷积神经网络的训练过程是无监督的,降低了人工标注训练样本的成本。本发明与传统的使用低层特征数据进行识别相比,具有更好的语义表达能力,并在有光线、视角等因素影响的情况下体现出更好的识别效果。
附图说明
下面结合附图和具体实施方式对本发明进一步详细说明。
图1是本发明所述基于深度学习与属性学习相结合的无人车辆识别方法流程示意图。
具体实施方式
以下结合附图对发明的实施做出进一步说明。
一种无人车辆智能识别方法,包括如下步骤:
1)车辆控制器计算所辖通信区域内任意两车Ti,j、Ti,j-1之间的碰撞概率p=f(Ti,j,Ti,j-1),车辆碰撞风险即二维平面上车间距离落于绝对安全距离和相对安全距离的次数;
2)车辆MCU设定道路行人属性中选择具代表性的、适合本行人识别的属性,包括人体四肢、躯干、头部、面部生物特征以及穿着颜色、上衣、下衣、鞋子相关属性;
3)构建一个深度学习模型,深度学习模型采用卷积神经网络模型;
5)将测试样本xt输入训练完毕的卷积神经网络得到优选特征,将优选特征输入训练完毕的各属性分类器得到样本具有属性ak的后验概率p(ak|xt),结合属性类别映射关系表,通过贝叶斯公式得到类别yj后验概率p(yj|xt),贝叶斯公式为:(N为属性个数),最大的概率对应的类别作为样本的识别类别,样本的识别类别为
6)车辆控制器通过与路侧单元通信获取路侧单元所辖区域车辆的参数,计算整条路的车辆碰撞风险,进行信息发布,推送给路侧单元所辖车辆事故预警信息。
进一步,人体生物特征具体包括大人、小孩、长发、短发、男人,女人;穿着服装相关包括:带帽,戴眼镜,大衣,风衣,西服,中搂,马甲,POLO衫,T恤,背心,女小衫,连衣裙,连衣裤,下装,长裤,中裤,7分裤,9分裤,短裤,热裤,超短裙,短裙,中裙,长裙。
进一步,所述卷积神经网络模型具体为:首先将卷积神经网络的卷积核大小、网络层数、特征图数的预设值分别为3、3、10,然后将卷积神经网络的学习效率设为2、批训练样本数量设为3,将训练图像输入到传统卷积神经网络,通过1到80次迭代找出最大正确率,由于训练图像已知是车辆样本或非车辆样本,因此可通过训练图像训练得到卷积神经网络模型;将测试图像进行预处理后输入到训练得到的卷积神经网络模型中,根据输出的神经网络特征是否准确识别出车辆来计算正确率;基于测试图像,分别调整卷积神经网络的卷积核大小、网络层数、特征图数,根据卷积神经网络输出的神经网络特征是否准确识别出车辆来计算当前参数下的卷积神经网络的正确率,从而确定最优卷积神经网络的卷积核大小、网络层数、特征图数,得到最优卷积神经网络;在网络层数为3、隐含层输出特征图数为10的基础上,调整卷积神经网络的卷积核大小分别为3、5、7、9、11,将测试图像输入到当前参数设置时的卷积神经网络,根据输出的神经网络特征是否准确识别出车辆以计算当前参数设置时的卷积神经网络的正确率,选取正确率最高所对应的卷积核大小,作为最优卷积神经网络的参数。本发明通过构建一个含三层隐层的卷积神经网络,采用反卷积方法对网络进行训练,并结合了属性学习的概念,将从卷积神经网络得到的优选特征输入各属性分类器,得到样本具有属性的后验概率,再结合属性类别映射关系得到类别的后验概率,从而判断样本所属类别。实验表明,本发明方法的识别准确率为85%以上,方法与没有采用深度学习的方法相比较,由于可以提取更优选的特征,提高了分类准确率。并且由于属性相比于低层特征具有更好的语义表达性能,且对光线、视角的不敏感性,使得算法的识别效果更好。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (3)
1.一种无人车辆智能识别方法,其特征在于,包括如下步骤:
1)车辆控制器计算所辖通信区域内任意两车Ti,j、Ti,j-1之间的碰撞概率p=f(Ti,j,Ti,j-1),车辆碰撞风险即二维平面上车间距离落于绝对安全距离和相对安全距离的次数;
2)车辆MCU设定道路行人属性中选择具代表性的、适合本行人识别的属性,包括人体四肢、躯干、头部、面部生物特征以及穿着颜色、上衣、下衣、鞋子相关属性;
3)构建一个深度学习模型,深度学习模型采用卷积神经网络模型;
5)将测试样本xt输入训练完毕的卷积神经网络得到优选特征,将优选特征输入训练完毕的各属性分类器得到样本具有属性ak的后验概率p(ak|xt),结合属性类别映射关系表,通过贝叶斯公式得到类别yj后验概率p(yj|xt),贝叶斯公式为:(N为属性个数),最大的概率对应的类别作为样本的识别类别,样本的识别类别为
6)车辆控制器通过与路侧单元通信获取路侧单元所辖区域车辆的参数,计算整条路的车辆碰撞风险,进行信息发布,推送给路侧单元所辖车辆事故预警信息。
2.根据权利要求1所述的一种无人车辆智能识别方法,其特征在于,人体生物特征具体包括大人、小孩、长发、短发、男人,女人;穿着服装相关包括:带帽,戴眼镜,大衣,风衣,西服,中搂,马甲,POLO衫,T恤,背心,女小衫,连衣裙,连衣裤,下装,长裤,中裤,7分裤,9分裤,短裤,热裤,超短裙,短裙,中裙,长裙。
3.根据权利要求1所述的一种无人车辆智能识别方法,其特征在于,所述卷积神经网络模型具体为:首先将卷积神经网络的卷积核大小、网络层数、特征图数的预设值分别为3、3、10,然后将卷积神经网络的学习效率设为2、批训练样本数量设为3,将训练图像输入到传统卷积神经网络,通过1到80次迭代找出最大正确率,由于训练图像已知是车辆样本或非车辆样本,因此可通过训练图像训练得到卷积神经网络模型;将测试图像进行预处理后输入到训练得到的卷积神经网络模型中,根据输出的神经网络特征是否准确识别出车辆来计算正确率;基于测试图像,分别调整卷积神经网络的卷积核大小、网络层数、特征图数,根据卷积神经网络输出的神经网络特征是否准确识别出车辆来计算当前参数下的卷积神经网络的正确率,从而确定最优卷积神经网络的卷积核大小、网络层数、特征图数,得到最优卷积神经网络;在网络层数为3、隐含层输出特征图数为10的基础上,调整卷积神经网络的卷积核大小分别为3、5、7、9、11,将测试图像输入到当前参数设置时的卷积神经网络,根据输出的神经网络特征是否准确识别出车辆以计算当前参数设置时的卷积神经网络的正确率,选取正确率最高所对应的卷积核大小,作为最优卷积神经网络的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011369624.2A CN112464820A (zh) | 2020-11-30 | 2020-11-30 | 一种无人车辆智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011369624.2A CN112464820A (zh) | 2020-11-30 | 2020-11-30 | 一种无人车辆智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464820A true CN112464820A (zh) | 2021-03-09 |
Family
ID=74804861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011369624.2A Pending CN112464820A (zh) | 2020-11-30 | 2020-11-30 | 一种无人车辆智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464820A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113353102A (zh) * | 2021-07-08 | 2021-09-07 | 重庆大学 | 一种基于深度强化学习的无保护左转弯驾驶控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992142A (zh) * | 2015-06-03 | 2015-10-21 | 江苏大学 | 一种基于深度学习和属性学习相结合的行人识别方法 |
CN105513425A (zh) * | 2016-01-18 | 2016-04-20 | 江苏大学 | 一种车辆碰撞风险算法及事故预警方法 |
CN106951872A (zh) * | 2017-03-24 | 2017-07-14 | 江苏大学 | 一种基于无监督深度模型与层次属性的行人再识别方法 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN111209790A (zh) * | 2018-11-21 | 2020-05-29 | 福特全球技术公司 | 使用相邻车辆的姿态观察进行路面表征 |
-
2020
- 2020-11-30 CN CN202011369624.2A patent/CN112464820A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992142A (zh) * | 2015-06-03 | 2015-10-21 | 江苏大学 | 一种基于深度学习和属性学习相结合的行人识别方法 |
CN105513425A (zh) * | 2016-01-18 | 2016-04-20 | 江苏大学 | 一种车辆碰撞风险算法及事故预警方法 |
CN106951872A (zh) * | 2017-03-24 | 2017-07-14 | 江苏大学 | 一种基于无监督深度模型与层次属性的行人再识别方法 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN111209790A (zh) * | 2018-11-21 | 2020-05-29 | 福特全球技术公司 | 使用相邻车辆的姿态观察进行路面表征 |
Non-Patent Citations (1)
Title |
---|
彭清等: "卷积神经网络在车辆识别中的应用", 《计算机科学与探索》, no. 02, 31 December 2018 (2018-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113353102A (zh) * | 2021-07-08 | 2021-09-07 | 重庆大学 | 一种基于深度强化学习的无保护左转弯驾驶控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018107979A1 (zh) | 一种基于级联回归的多姿态的人脸特征点检测方法 | |
CN107038422B (zh) | 基于空间几何约束深度学习的疲劳状态识别方法 | |
CN104850825A (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
CN104463100B (zh) | 基于面部表情识别模式的智能轮椅人机交互系统及方法 | |
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN109344825A (zh) | 一种基于卷积神经网络的车牌识别方法 | |
CN109815826A (zh) | 人脸属性模型的生成方法及装置 | |
CN112801015B (zh) | 一种基于注意力机制的多模态人脸识别方法 | |
CN106529504B (zh) | 一种复合时空特征的双模态视频情感识别方法 | |
CN100416596C (zh) | 用贝叶斯网络分类器图像判别特征点位置的方法 | |
CN104408469A (zh) | 基于图像深度学习的烟火识别方法及系统 | |
CN108830246B (zh) | 一种交通环境行人多维运动特征视觉提取方法 | |
CN110462633A (zh) | 一种人脸识别的方法、装置和电子设备 | |
CN109558825A (zh) | 一种基于数字视频图像处理的瞳孔中心定位方法 | |
CN102096823A (zh) | 基于高斯模型和最小均方差的人脸检测方法 | |
CN111967363B (zh) | 一种基于微表情识别和眼动追踪的对情绪预测的方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN107944399A (zh) | 一种基于卷积神经网络目标中心模型的行人重识别方法 | |
CN111008583A (zh) | 一种利用肢体特征辅助的行人和骑车人姿态估计方法 | |
CN108629336A (zh) | 基于人脸特征点识别的颜值计算方法 | |
CN105426882B (zh) | 一种人脸图像中快速定位人眼的方法 | |
CN105975932A (zh) | 基于时间序列shapelet的步态识别分类方法 | |
CN108830237A (zh) | 一种人脸表情的识别方法 | |
CN111881802B (zh) | 基于双分支时空图卷积网络的交警手势识别方法 | |
CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 |
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 |