CN113870246A - 一种基于深度学习的障碍物探测和识别方法 - Google Patents

一种基于深度学习的障碍物探测和识别方法 Download PDF

Info

Publication number
CN113870246A
CN113870246A CN202111193947.5A CN202111193947A CN113870246A CN 113870246 A CN113870246 A CN 113870246A CN 202111193947 A CN202111193947 A CN 202111193947A CN 113870246 A CN113870246 A CN 113870246A
Authority
CN
China
Prior art keywords
layer
convolutional
neural network
obstacle
convolutional neural
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
Application number
CN202111193947.5A
Other languages
English (en)
Inventor
杨惠昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong New Space Time Polytron Technologies Inc
Original Assignee
Guangdong New Space Time Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong New Space Time Polytron Technologies Inc filed Critical Guangdong New Space Time Polytron Technologies Inc
Priority to CN202111193947.5A priority Critical patent/CN113870246A/zh
Publication of CN113870246A publication Critical patent/CN113870246A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉技术领域，尤其为一种基于深度学习的障碍物探测和识别方法，包括卷积神经网络建立模块、图像采集模块和车载导航系统。本发明通过图像采集模块对行驶车辆前方获取的障碍物图形输入到训练好的卷积神经网络中，然后分别经积神经网络中的卷积层、池化层、全连接层和分类器层进行深度学习识别，可保证最终对障碍物探测和识别得到的障碍物图形信息更加精准化，最后车载导航系统根据卷积神经网络中识别得到的精准障碍物图形信息，并确定行驶车辆转换行驶角度的备用线路与最初行驶路线之间夹角角度，避开障碍物，进而提高了该车辆在行驶时的安全性，同时也更加满足人们的使用需求，适合推广。

Description

一种基于深度学习的障碍物探测和识别方法
技术领域
本发明涉及计算机视觉技术领域，具体为一种基于深度学习的障碍物探测和识别方法。
背景技术
无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物。无人驾驶汽车主要零部件包括激光雷达、单/双目摄像头、超声波雷达、毫米波雷达和主控系统等。作为无人驾驶汽车的“眼睛”，可以利用双目摄像头的成像视差来测算周围物体和汽车之间的距离，同时也被用来识别车道线、红绿灯和各种交通指示牌，以及周围的行人和车辆等物体。作为无人驾驶汽车感知外界环境的最主要途径之一，摄像头在无人驾驶中发挥着重要的作用，对摄像头采集的图像进行精确的识别和检测，是无人驾驶汽车安全的重要保证。
而目前的无人驾驶汽车在对障碍物探测和识别时，很难针对障碍物的获取图形信息进行深度学习识别，导致对障碍物的探测和识别精确度较低，从而降低了车辆行驶时的安全性。为此，本发明提供一种基于深度学习的障碍物探测和识别方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习的障碍物探测和识别方法，解决了目前的无人驾驶汽车在对障碍物探测和识别时，很难针对障碍物的获取图形信息进行深度学习识别，导致对障碍物的探测和识别精确度较低的问题。
(二)技术方案
本发明为了实现上述目的具体采用以下技术方案：
一种基于深度学习的障碍物探测和识别方法，包括卷积神经网络建立模块、图像采集模块和车载导航系统，该障碍物探测和识别方法包括以下步骤：
步骤A、通过卷积神经网络建立模块构建卷积神经网络的网络架构,其中网络架构包括依次连接的卷积层、池化层、全连接层和分类器层，而卷积神经网络建立模块与图像采集模块电性连接，使得图像采集模块对车辆前方障碍物获取的图像信息输入训练好的卷积神经网络建立模块中，并且分别通过卷积神经网络建立模块中的卷积层、池化层、全连接层和分类器层进行识别，得到最终的特征图形；
步骤B、然后将卷积神经网络建立模块与车载导航系统电性连接，使得卷积神经网络建立模块对障碍物识别最终的特征图形输入到车载导航系统中，而车载导航系统根据收到障碍物识别的最终特征图形信息，并确定行驶车辆转换行驶角度的备用线路与最初行驶路线之间夹角角度，避开障碍物。
进一步地，卷积层具体为：将图形采集模块中获取的障碍物图片信息依次输入三次不同大小卷积核的卷积层中，得到三组不同大小的卷积层特征图，其中第一次卷积层中的卷积核大小为5×5、过滤器数为20、卷积步长为1和卷积填充为1；第二次卷积层中的卷积核大小为4×4、过滤器数为40、卷积步长为1和卷积填充为1；第三次卷积层中的卷积核大小为3×3、过滤器数为60、卷积步长为1和卷积填充为1。
进一步地，池化层具体为：将三组不同大小的卷积层特征图依次输入到相同大小的池化层中进行处理，得到三组不同大小的池化层特征图。
进一步地，池化层对三次不同大小的卷积层特征图处理具体为：池化层均采用池化核大小为2×2、滤波器数为20和池化步长为2分别对三组不同大小的卷积层进行采样处理。
进一步地，全连接层具体为：将三组不同大小的池化层特征图分别输入全连接层，连接所有的特征，得到三组不同的输出值输入至分类器层中，通过分类器层遍历分类结果，找到最大值，获得全连接层对应的权值。
进一步地，分类器层具体为：将特征图中的每张特征图都乘以对应的权值，并且得到新的特征图，然后累加这组新的特征图，通过分类器层中对数据归一化处理，得到最终的特征图结果。
(三)有益效果
与现有技术相比，本发明提供了一种基于深度学习的障碍物探测和识别方法，具备以下有益效果：
本发明，通过图像采集模块对行驶车辆前方获取的障碍物图形输入到训练好的卷积神经网络中，然后分别经积神经网络中的卷积层、池化层、全连接层和分类器层进行深度学习识别，可保证最终对障碍物探测和识别得到的障碍物图形信息更加精准化，最后车载导航系统根据卷积神经网络中识别得到的精准障碍物图形信息，并确定行驶车辆转换行驶角度的备用线路与最初行驶路线之间夹角角度，避开障碍物，进而提高了该车辆在行驶时的安全性，同时也更加满足人们的使用需求，适合推广。
附图说明
图1为本发明实施例中的一种基于深度学习的障碍物探测和识别方法的使用流程图。
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，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。
实施例
如图1所示，本发明一个实施例提出的一种基于深度学习的障碍物探测和识别方法，包括卷积神经网络建立模块、图像采集模块和车载导航系统，该障碍物探测和识别方法包括以下步骤：
步骤A、通过卷积神经网络建立模块构建卷积神经网络的网络架构,其中网络架构包括依次连接的卷积层、池化层、全连接层和分类器层，而卷积神经网络建立模块与图像采集模块电性连接，使得图像采集模块对车辆前方障碍物获取的图像信息输入训练好的卷积神经网络建立模块中，并且分别通过卷积神经网络建立模块中的卷积层、池化层、全连接层和分类器层进行识别，得到最终的特征图形；
步骤B、然后将卷积神经网络建立模块与车载导航系统电性连接，使得卷积神经网络建立模块对障碍物识别最终的特征图形输入到车载导航系统中，而车载导航系统根据收到障碍物识别的最终特征图形信息，并确定行驶车辆转换行驶角度的备用线路与最初行驶路线之间夹角角度，避开障碍物。
在一些实施例中，卷积层具体为：将图形采集模块中获取的障碍物图片信息依次输入三次不同大小卷积核的卷积层中，得到三组不同大小的卷积层特征图，其中第一次卷积层中的卷积核大小为5×5、过滤器数为20、卷积步长为1和卷积填充为1；第二次卷积层中的卷积核大小为4×4、过滤器数为40、卷积步长为1和卷积填充为1；第三次卷积层中的卷积核大小为3×3、过滤器数为60、卷积步长为1和卷积填充为1。
在一些实施例中，池化层具体为：将三组不同大小的卷积层特征图依次输入到相同大小的池化层中进行处理，得到三组不同大小的池化层特征图。
在一些实施例中，池化层对三次不同大小的卷积层特征图处理具体为：池化层均采用池化核大小为2×2、滤波器数为20和池化步长为2分别对三组不同大小的卷积层进行采样处理。
在一些实施例中，全连接层具体为：将三组不同大小的池化层特征图分别输入全连接层，连接所有的特征，得到三组不同的输出值输入至分类器层中，通过分类器层遍历分类结果，找到最大值，获得全连接层对应的权值。
在一些实施例中，分类器层具体为：将特征图中的每张特征图都乘以对应的权值，并且得到新的特征图，然后累加这组新的特征图，通过分类器层中对数据归一化处理，得到最终的特征图结果。
本发明实施例中的一种基于深度学习的障碍物探测和识别方法，通过图像采集模块对行驶车辆前方获取的障碍物图形输入到训练好的卷积神经网络中，然后分别经积神经网络中的卷积层、池化层、全连接层和分类器层进行深度学习识别，可保证最终对障碍物探测和识别得到的障碍物图形信息更加精准化，最后车载导航系统根据卷积神经网络中识别得到的精准障碍物图形信息，并确定行驶车辆转换行驶角度的备用线路与最初行驶路线之间夹角角度，避开障碍物，确保行驶安全稳定。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于深度学习的障碍物探测和识别方法，包括卷积神经网络建立模块、图像采集模块和车载导航系统，其特征在于：该障碍物探测和识别方法包括以下步骤：
步骤A、通过卷积神经网络建立模块构建卷积神经网络的网络架构,其中网络架构包括依次连接的卷积层、池化层、全连接层和分类器层，而卷积神经网络建立模块与图像采集模块电性连接，使得图像采集模块对车辆前方障碍物获取的图像信息输入训练好的卷积神经网络建立模块中，并且分别通过卷积神经网络建立模块中的卷积层、池化层、全连接层和分类器层进行识别，得到最终的特征图形；
步骤B、然后将卷积神经网络建立模块与车载导航系统电性连接，使得卷积神经网络建立模块对障碍物识别最终的特征图形输入到车载导航系统中，而车载导航系统根据收到障碍物识别的最终特征图形信息，并确定行驶车辆转换行驶角度的备用线路与最初行驶路线之间夹角角度，避开障碍物。
2.根据权利要求1所述的一种基于深度学习的障碍物探测和识别方法，其特征在于：卷积层具体为：将图形采集模块中获取的障碍物图片信息依次输入三次不同大小卷积核的卷积层中，得到三组不同大小的卷积层特征图，其中第一次卷积层中的卷积核大小为5×5、过滤器数为20、卷积步长为1和卷积填充为1；第二次卷积层中的卷积核大小为4×4、过滤器数为40、卷积步长为1和卷积填充为1；第三次卷积层中的卷积核大小为3×3、过滤器数为60、卷积步长为1和卷积填充为1。
3.根据权利要求2所述的一种基于深度学习的障碍物探测和识别方法，其特征在于：池化层具体为：将三组不同大小的卷积层特征图依次输入到相同大小的池化层中进行处理，得到三组不同大小的池化层特征图。
4.根据权利要求3所述的一种基于深度学习的障碍物探测和识别方法，其特征在于：池化层对三次不同大小的卷积层特征图处理具体为：池化层均采用池化核大小为2×2、滤波器数为20和池化步长为2分别对三组不同大小的卷积层进行采样处理。
5.根据权利要求3所述的一种基于深度学习的障碍物探测和识别方法，其特征在于：全连接层具体为：将三组不同大小的池化层特征图分别输入全连接层，连接所有的特征，得到三组不同的输出值输入至分类器层中，通过分类器层遍历分类结果，找到最大值，获得全连接层对应的权值。
6.根据权利要求5所述的一种基于深度学习的障碍物探测和识别方法，其特征在于：分类器层具体为：将特征图中的每张特征图都乘以对应的权值，并且得到新的特征图，然后累加这组新的特征图，通过分类器层中对数据归一化处理，得到最终的特征图结果。
CN202111193947.5A 2021-10-13 2021-10-13 一种基于深度学习的障碍物探测和识别方法 Pending CN113870246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111193947.5A CN113870246A (zh) 2021-10-13 2021-10-13 一种基于深度学习的障碍物探测和识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111193947.5A CN113870246A (zh) 2021-10-13 2021-10-13 一种基于深度学习的障碍物探测和识别方法

Publications (1)

Publication Number Publication Date
CN113870246A true CN113870246A (zh) 2021-12-31

Family

ID=78999199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111193947.5A Pending CN113870246A (zh) 2021-10-13 2021-10-13 一种基于深度学习的障碍物探测和识别方法

Country Status (1)

Country Link
CN (1) CN113870246A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049885A (zh) * 2022-08-16 2022-09-13 之江实验室 一种存算一体卷积神经网络图像分类装置及方法
CN117705124A (zh) * 2024-02-05 2024-03-15 青岛冠成软件有限公司 一种物流机器人的路径规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049885A (zh) * 2022-08-16 2022-09-13 之江实验室 一种存算一体卷积神经网络图像分类装置及方法
CN115049885B (zh) * 2022-08-16 2022-12-27 之江实验室 一种存算一体卷积神经网络图像分类装置及方法
CN117705124A (zh) * 2024-02-05 2024-03-15 青岛冠成软件有限公司 一种物流机器人的路径规划方法
CN117705124B (zh) * 2024-02-05 2024-05-03 青岛冠成软件有限公司 一种物流机器人的路径规划方法

Similar Documents

Publication Publication Date Title
CN109556615B (zh) 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
Han et al. Research on road environmental sense method of intelligent vehicle based on tracking check
CN107972662B (zh) 一种基于深度学习的车辆前向碰撞预警方法
CN110531376B (zh) 用于港口无人驾驶车辆的障碍物检测和跟踪方法
US20180074506A1 (en) Systems and methods for mapping roadway-interfering objects in autonomous vehicles
CN113313154A (zh) 一体化融合多传感器自动驾驶智能感知装置
CN110103953B (zh) 用于辅助车辆的驾驶控制的方法、设备、介质和系统
CN110588653A (zh) 自主车辆的控制系统、控制方法以及控制器
Gavrila et al. Real time vision for intelligent vehicles
TW201937399A (zh) 用於識別和定位運輸工具周圍的物體的系統和方法
CN113792566A (zh) 一种激光点云的处理方法及相关设备
CN112512887B (zh) 一种行驶决策选择方法以及装置
CN113870246A (zh) 一种基于深度学习的障碍物探测和识别方法
CN114442101B (zh) 基于成像毫米波雷达的车辆导航方法、装置、设备及介质
CN112198877B (zh) 一种基于5g网络的无人驾驶车辆的控制方法及系统
CN115705780A (zh) 关联被感知和映射的车道边缘以进行定位
KR20230120974A (ko) 레이더를 사용하여 로컬화 및 차선 검출을 위한 연석 기반의 특징 추출
CN113432615B (zh) 基于多传感器融合可驾驶区域的检测方法、系统和车辆
CN116486359A (zh) 一种面向全天候的智能车环境感知网络自适应选择方法
CN113611008B (zh) 一种车辆行驶场景采集方法、装置、设备及介质
Lai et al. Sensor fusion of camera and MMW radar based on machine learning for vehicles
CN114862964A (zh) 传感器自动标定方法及电子设备和存储介质
GB2593482A (en) A method for associating a traffic light detection for an at least partially autonomous motor vehicle, as well as an assistance system
CN112861657A (zh) 一种无人车经召停靠方法、终端设备及存储介质
KR20210100777A (ko) 차량의 위치를 결정하는 장치 및 그의 동작 방법

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