[發明專利]基于深度學習與傳統算法結合的車輛環境識別方法和系統

有效

• 申請號: 201711270959.7
• 申請日: 2017-12-05
• 公開（公告）號: CN108021891B
• 公開（公告）日: 2020-04-14
• 發明（設計）人: 綦科
• 申請（專利權）人: 廣州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/13;G06T7/136
• 代理公司: 北京市盈科律師事務所 11344
• 代理人: 江錦利

1.一種基于深度學習與傳統算法結合的車輛環境識別方法，其特征在于，包括以下步驟：

點云信息和視頻信息采集：通過雷達和攝像頭分別采集車輛環境的點云信息和視頻信息；

視頻信息置信度評估：以視頻信息中視頻圖像均方誤差、峰值信噪比、偏色值、干擾度、清晰度、明暗度為參數設置視頻信息的置信度函數進行量化評估，得到視頻信息的置信度；

點云信息置信度評估：以點云信息中點云噪聲點數量、點云噪聲點最大偏離度、點云噪聲點平均偏離度，以及點云空洞數量、點云空洞最大半徑、點云空洞平均半徑為參數設置點云信息的置信度函數進行量化評估，得到點云信息的置信度；

算法模塊選擇：判斷視頻信息的置信度大于第一預定閾值或點云信息的置信度大于第二預定閥值，則將視頻信息/點云信息送入傳統算法模塊進行處理，否則，送入深度學習模塊進行處理；

點云信息和視頻信息整合：對處理后視頻信息和點云信息進行信息融合；

目標識別及結果輸出：利用融合后的信息進行目標識別,并輸出識別結果。

2.根據權利要求1所述的基于深度學習與傳統算法結合的車輛環境識別方法，其特征在于，算法模塊選擇步驟中，對視頻信息的置信度進行如下歸一化：

其中，cp是視頻信息歸一化后的置信度評估值，c1是視頻圖像均方誤差，c2是峰值信噪比，c3是偏色值，c4是干擾度，c5是清晰度，c6是明暗度，wc1,wc2,wc3,wc4,wc5,wc6為權重系數，且wc1+wc2+wc3+wc4+wc5+wc6＝1。

3.根據權利要求2所述的基于深度學習與傳統算法結合的車輛環境識別方法，其特征在于，算法模塊選擇步驟中，對點云信息的置信度進行如下歸一化：

其中，sp是點云信息歸一化后的置信度評估值，s1是點云噪聲點數量，s2是點云噪聲點最大偏離度，s3是點云噪聲點平均偏離度，s4是點云空洞數量，s5是點云空洞最大半徑，s6是點云空洞平均半徑，ws1,ws2,ws3,ws4,ws5,ws6為權重系數，且ws1+ws2+ws3+ws4+ws5+ws6＝1。

4.根據權利要求3所述的基于深度學習與傳統算法結合的車輛環境識別方法，其特征在于，算法模塊選擇步驟中包括：

將送入深度學習模塊的視頻信息對應的歸一化后的置信度評估值，與深度學習算法庫中設定的視頻信息歸一化置信度調度閾值區間作比較，調度相應的深度學習算法作為本次視頻信息處理的方法；

將送入深度學習模塊的點云信息對應的歸一化后的置信度評估值，與深度學習算法庫中設定的點云信息歸一化置信度調度閾值區間作比較，調度相應的深度學習算法作為本次點云信息處理的方法。

5.根據權利要求4所述的基于深度學習與傳統算法結合的車輛環境識別方法，其特征在于，算法模塊選擇步驟中包括：

將送入傳統算法模塊的視頻信息對應的歸一化后的置信度評估值，與傳統算法庫中設定的視頻信息歸一化置信度調度閾值區間作比較，調度相應的傳統算法作為本次視頻信息處理的方法；

將送入傳統算法模塊的點云信息對應的歸一化后的置信度評估值，與傳統算法庫中設定的點云信息歸一化置信度調度閾值區間作比較，調度相應的傳統算法作為本次點云信息處理的方法。

6.根據權利要求5所述的基于深度學習與傳統算法結合的車輛環境識別方法，其特征在于，所述深度學習算法庫中的深度學習算法包括SSD算法、VGG-16算法、Faster-RCNN算法、YOLO算法、Overfeat算法。

7.根據權利要求6所述的基于深度學習與傳統算法結合的車輛環境識別方法，其特征在于，所述傳統算法庫中的傳統算法包括固定閾值前景提取算法、自適應閾值前景提取算法、混合高斯背景建模算法、邊緣檢測算法、角點檢測算法、特征分類算法。