[發明專利]基于回聲狀態網絡的巡邏車高精度循跡方法

在審

• 申請號: 202011405929.4
• 申請日: 2020-12-04
• 公開（公告）號: CN112419345A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 趙平平;周曉宇;陳傳飛;薛巨峰;范東睿
• 申請（專利權）人: 鹽城中科高通量計算研究院有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/13;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 劉趁新

1.基于回聲狀態網絡的巡邏車高精度循跡方法，具體步驟如下，其特征在于：

步驟1，采集巡邏車行駛圖像數據：通過巡邏車上的實時圖像采集系統采集巡邏車行駛的路面圖像；

步驟2，為采集的圖像添加椒鹽噪聲：向步驟1中獲取的路面圖像中添加椒鹽噪聲，來模擬噪聲環境下所采集信號受到的干擾，加入20％～30％的椒鹽噪聲；

步驟3，檢測圖像中的車道線：使用Canny邊緣檢測算法檢測圖像中的車道線，并分割車道線；

步驟4，建立巡邏車以及車道線的循跡模型：將步驟3檢測到的車道線值作為輸入向量訓練回聲狀態網絡，使用回聲狀態網絡求解車道線的非線性循跡模型；

步驟5，采集巡邏路線上的異常情況：通過實時圖像采集系統采集巡邏路線上的人員求助和違法犯罪等緊急情況；

步驟6，開啟巡邏車駕駛中斷，當安全距離內出現巡邏異常時，系統啟動中斷處理機制，日志模塊記錄車載終端的異常情況。

2.根據權利要求1所述的基于回聲狀態網絡的巡邏車高精度循跡方法，其特征在于：步驟2中為采集圖像添加椒鹽噪聲的過程可以表示為：

所添加的椒鹽噪聲模型為：

其中，I_max和I_min是圖像像素點的最大值和最小值，p為圖像出現噪聲的概率，p的取值范圍為20％～30％，i_xy是采集圖像像素點(x,y)的實際值，f(x,y)是添加椒鹽噪聲后的圖像像素點值。

3.根據權利要求1所述的基于回聲狀態網絡的巡邏車高精度循跡方法，其特征在于：步驟3中檢測圖像中的車道線的過程可以表示為：

步驟3.1使用高斯平滑函數對路面圖像平滑濾波，抑制圖像中的椒鹽噪聲；

步驟3.2通過sobel算子計算一階偏導的有限差分來算出路面圖像梯度的幅值和方向；

步驟3.3沿著步驟3.2計算出的梯度方向對幅值進行非極大值抑制；

步驟3.4用雙閾值算法檢測并連接邊緣：選取兩個閾值設置閾值范圍，把小于閾值范圍梯度值的像素灰度值設為0，將大于閾值范圍的點標記賦值1，連接車道線的輪廓線，分割得到車道線的邊緣檢測線f₁(x,y)。

4.根據權利要求1所述的基于回聲狀態網絡的巡邏車高精度循跡方法，其特征在于：步驟4中建立巡邏車以及車道線循跡模型的過程可以表示為：

步驟4.1建立巡邏車和車道線循跡模型，巡邏車在行駛過程中涉及到左偏和右偏，當巡邏車在兩邊車道線右邊時，需要巡邏車往左方向偏，當巡邏車在兩邊車道線左邊時，需要巡邏車往右方向偏，將步驟3訓練樣本路面圖片的邊緣檢測線標注左右偏值E(i)；

步驟4.2初始化網路，路面圖片的邊緣檢測線組成樣本D(i)和巡邏車左右的偏值E(i)組成訓練樣本u(i)＝{D(i),E(i)}，將訓練樣本特征D(i)通過輸入連接權值矩陣Wⁱⁿ進入儲備池，E(i)經過反饋連接權值W^back進入儲備池，并根據下式的順序采集系統狀態和輸出狀態：

x(i+1)＝f(WⁱⁿD(i+1)+Wx(i)+W^backE(i)) (2)

E(i+1)＝f^out(W^outD(i+1),x(i+1),E(i)) (3)

其中，x(i)是初始值為0的系統參數，f()為儲備池節點的激勵函數，f^out()為儲備池輸出單元的激勵函數，W表示儲備池內部神經元的連接權值矩陣，W^out表示輸出值矩陣；

步驟4.3計算輸出值矩陣W^out：

其中，K是輸入層的神經元個數，N是儲備池神經元的個數，L是輸出層神經元個數，λ∈⁺表示正則化因子，||||表示歐式距離；

步驟4.3訓練得到的回聲狀態網絡作為巡邏車循跡路線模型，通過實時圖像采集系統和訓練完成的回聲狀態網絡精確計算巡邏車的左右偏值，校準巡邏車的行駛路線。

5.根據權利要求1所述的基于回聲狀態網絡的巡邏車高精度循跡方法，其特征在于：步驟5中采集巡邏路線上的異常情況的過程可以表示為：

首先通過實時圖像采集系統采集巡邏路線周圍的圖像，通過事件分類CNN模型對圖像進行識別分類，如果遇到人員求助和違法犯罪情況，巡邏車的巡邏處理系統將命令巡邏車停車，同時開啟視頻留證，上傳事件圖片至云端，提醒工作人員進行進一步的干預。