[發明專利]一種基于無損失函數的深度卷積神經網絡的路面類型估算方法

有效

• 申請號: 201811350944.6
• 申請日: 2018-11-14
• 公開（公告）號: CN109460738B
• 公開（公告）日: 2019-09-27
• 發明（設計）人: 靳立強;陳順瀟
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京遠大卓悅知識產權代理事務所(普通合伙) 11369
• 代理人: 姜美洋

本發明公開了一種基于無損失函數的深度卷積神經網絡的路面類型估算方法，包括步驟一、采集路面工況圖像，對路面類型進行標定并建立路面工況數據庫；對圖像基于無損失函數的深度卷積神經網絡進行訓練，獲取圖像特征并進行二值化哈希編碼與直方圖處理得到圖像的特征輸出向量；根據圖像的特征輸出向量及其對應的路面類型對支持向量機進行訓練并選定參數，確定路面類型判別函數；步驟二、采集待測路面工況圖像，并根據所述步驟一獲得待測路面的特征輸出向量，采用訓練好的支持向量機確定待測路面類型。簡化了卷積神經網絡深度學習模型對圖像的特征提取，并利用支持向量機進行圖像分類，大大減少了卷積訓練的難度，提高了分類效率。

技術領域

本發明涉及汽車動力總成控制領域，更具體的是，本發明涉及一種基于無損失函數的深度卷積神經網絡的路面類型估算方法。

背景技術

路面附著系數作為汽車主動安全控制策略的重要參數，假設能夠實時估算出參數值，控制系統可以根據當前路面工況和車輛行駛狀態實時調整控制策略，這樣可以避免因路況附著條件差而引發的交通事故，提高汽車的安全性、操穩性、經濟性以及舒適性。

目前，國內外的大部分學者都采用根據常用車載傳感器測量汽車在不同路面行駛時車身或車輪產生的運動響應來估算路面附著系數，但是該估算方法是在輪胎接觸路面之后估算路面附著系數，且各種方法或是夠識別的路面類型單一或是受限于估算條件或是受限于估算工況等。

近年來，得益于軟硬件技術的突飛猛進式的發展，視覺傳感器性能的提高以及價格的下降以及日新月異的圖像處理以及視覺技術，第一類估算方法的成本下降，基于機器視覺(例如圖像，視頻等)的主動路面識別技術逐漸成為研究熱點。

發明內容

本發明設計開發了一種基于無損失函數的深度卷積神經網絡的路面類型估算方法，簡化了卷積神經網絡深度學習模型對圖像的特征提取，并利用支持向量機進行圖像分類，大大減少了卷積訓練的難度，提高了分類效率。

本發明提供的技術方案為：

一種基于無損失函數的深度卷積神經網絡的路面類型估算方法，包括如下步驟：

步驟一、采集路面工況圖像，對路面類型進行標定并建立路面工況數據庫；對圖像基于無損失函數的深度卷積神經網絡進行訓練，獲取圖像特征并進行二值化哈希編碼與直方圖處理得到圖像的特征輸出向量；根據圖像的特征輸出向量及其對應的路面類型對支持向量機進行訓練并選定參數，確定路面類型判別函數；

步驟二、采集待測路面工況圖像，并根據所述步驟一獲得待測路面的特征輸出向量，采用訓練好的支持向量機確定待測路面類型。

優選的是，所述步驟一中，對圖像進行訓練之前，對圖像進行中值濾波以及白平衡預處理，減少數字圖像中的噪聲并校正有色偏的圖像。

優選的是，所述無損失函數的深度卷積神經網絡包括：第一層主成分分析、第二層主成分分析和第三層輸出層，其中，第一層主成分分析和第二層主成分分析均為卷積核訓練，第三層輸出層為通過哈希編碼與直方圖量化得到圖像的特征輸出向量。

優選的是，所述第一層主成分分析的卷積核訓練包括：

步驟1：取N張訓練圖像圖像像素尺寸為m×n，卷積核尺寸為k₁×k₂；

步驟2：對第i張圖片的每個像素點周圍取k₁×k₂大小的局部特征，對第i張圖像中所有的局部特征去均值化得

其中，x_i,j為第i張圖像中第j個向量化的局部特征，為第i張圖像中第j個向量化的局部特征去均值；

對N張訓練圖像進行局部特征去均值化得X：