[發(fā)明專(zhuān)利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111246569.2
• 申請(qǐng)日: 2021-10-26
• 公開(kāi)（公告）號(hào): CN113989554A
• 公開(kāi)（公告）日: 2022-01-28
• 發(fā)明（設(shè)計(jì)）人: 尹航
• 申請(qǐng)（專(zhuān)利權(quán)）人: 遼寧工程技術(shù)大學(xué)
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06V20/40;G06V20/58;G06N3/04;G06T3/40;G06T5/00;G06T7/11;G06T7/40;G06T7/90
• 代理公司: 北京華夏正合知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11017
• 代理人: 韓登營(yíng);張麗萍

本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法，具體步驟為：(1)對(duì)周?chē)h(huán)境信息進(jìn)行實(shí)時(shí)收集，并對(duì)其進(jìn)行圖像分類(lèi)；(2)構(gòu)建神經(jīng)網(wǎng)絡(luò)，并將圖像導(dǎo)入神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取；(3)對(duì)各組圖像數(shù)據(jù)進(jìn)行優(yōu)化拼接處理生成視頻數(shù)據(jù)；(4)對(duì)視頻數(shù)據(jù)進(jìn)行分析，并進(jìn)行風(fēng)險(xiǎn)預(yù)警；本發(fā)明能夠?qū)⑹占降膱D像數(shù)據(jù)進(jìn)行分組處理，降低信道占用率，提高圖像數(shù)據(jù)處理速率，節(jié)省圖像處理時(shí)間，能夠在用戶(hù)駕駛過(guò)程中進(jìn)行預(yù)測(cè)反饋，降低用戶(hù)在駕駛過(guò)程中出現(xiàn)意外的概率，保障用戶(hù)安全。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理的技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法。

背景技術(shù)

由于卷積神經(jīng)網(wǎng)絡(luò)的輸入層可以直接處理多維數(shù)據(jù)，所以卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)領(lǐng)域有廣泛的應(yīng)用，并且數(shù)字化不斷驅(qū)動(dòng)社會(huì)的發(fā)展，數(shù)據(jù)量大小也不同往日，各種海量數(shù)據(jù)不斷出現(xiàn)，對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)是個(gè)很大的挑戰(zhàn)，在圖像分類(lèi)方面，卷積神經(jīng)網(wǎng)絡(luò)以一種端到端的方式實(shí)現(xiàn)圖像從提取特征再到分類(lèi)的監(jiān)督學(xué)習(xí)過(guò)程，其中不可避免的會(huì)有大量特征冗余；因此，發(fā)明出一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法變得尤為重要。

中國(guó)專(zhuān)利號(hào)CN113469198A公開(kāi)了一種基于改進(jìn)的VGG卷積神經(jīng)網(wǎng)絡(luò)模型的圖像分類(lèi)方法，該發(fā)明雖然能夠提高圖像分類(lèi)精度，但是無(wú)法對(duì)用戶(hù)行駛進(jìn)行預(yù)測(cè)反饋，容易導(dǎo)致用戶(hù)在駕駛過(guò)程中出現(xiàn)意外，無(wú)法保障用戶(hù)安全；此外，現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法只能對(duì)圖像數(shù)據(jù)進(jìn)行統(tǒng)一處理，容易導(dǎo)致信道堵塞，降低圖像分類(lèi)速率，浪費(fèi)時(shí)間。

為此，需要提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法。

發(fā)明內(nèi)容

針對(duì)上述技術(shù)問(wèn)題，本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法，能夠?qū)⑹占降膱D像數(shù)據(jù)進(jìn)行分組處理，降低信道占用率，提高圖像數(shù)據(jù)處理速率，節(jié)省圖像處理時(shí)間；能夠在用戶(hù)駕駛過(guò)程中進(jìn)行預(yù)測(cè)反饋，降低用戶(hù)在駕駛過(guò)程中出現(xiàn)意外的概率，保障用戶(hù)安全。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛圖像分類(lèi)改進(jìn)方法，包括如下步驟：

S1、對(duì)周?chē)h(huán)境信息進(jìn)行實(shí)時(shí)收集，并對(duì)其進(jìn)行圖像分類(lèi)：環(huán)境采集設(shè)備對(duì)周?chē)h(huán)境信息進(jìn)行收集，并將采集到的環(huán)境信息通過(guò)數(shù)據(jù)轉(zhuǎn)換處理生成圖像數(shù)據(jù)，同時(shí)將對(duì)收集到的圖像數(shù)據(jù)進(jìn)行分類(lèi)存儲(chǔ)，并對(duì)分類(lèi)完成的圖像進(jìn)行預(yù)處理優(yōu)化；

S2、構(gòu)建神經(jīng)網(wǎng)絡(luò)，并將圖像導(dǎo)入神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取：終端處理模塊構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，同時(shí)對(duì)各組圖像數(shù)據(jù)進(jìn)行特征提取，并依據(jù)提取的特征數(shù)據(jù)對(duì)各組圖像數(shù)據(jù)進(jìn)行分類(lèi)更新；

S3、對(duì)各組圖像數(shù)據(jù)進(jìn)行優(yōu)化拼接處理生成視頻數(shù)據(jù)：卷積神經(jīng)網(wǎng)絡(luò)對(duì)各組圖像進(jìn)行分層優(yōu)化處理，并將優(yōu)化完成的圖像數(shù)據(jù)通過(guò)數(shù)據(jù)拼接處理生成視頻數(shù)據(jù)，并將其反饋給用戶(hù)；

S4、對(duì)視頻數(shù)據(jù)進(jìn)行分析，并進(jìn)行風(fēng)險(xiǎn)預(yù)警：卷積神經(jīng)網(wǎng)絡(luò)將生成的視頻數(shù)據(jù)傳輸至分析預(yù)警模塊，同時(shí)分析預(yù)警模塊對(duì)視頻數(shù)據(jù)進(jìn)行解析預(yù)測(cè)處理，并將預(yù)測(cè)結(jié)果實(shí)時(shí)反饋給用戶(hù)。

可選的，步驟S1中所述分類(lèi)存儲(chǔ)的具體步驟如下：

S11：將收集到的圖像數(shù)據(jù)按照前后左右進(jìn)行分組，并分別標(biāo)記為A、B、C、D；

S12：將各組圖像數(shù)據(jù)按照抓取時(shí)間先后進(jìn)行標(biāo)記，同時(shí)將標(biāo)記完成的數(shù)據(jù)依次導(dǎo)入云端數(shù)據(jù)庫(kù)中進(jìn)行存儲(chǔ)。

進(jìn)一步的，步驟S1中所述預(yù)處理優(yōu)化的具體步驟如下：

S13：對(duì)各組圖像數(shù)據(jù)分別進(jìn)行圖像增強(qiáng)、濾波和降噪預(yù)處理；

S14：對(duì)處理好的各組圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)去重處理，同時(shí)對(duì)去重完成的圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)無(wú)損壓縮處理。

可選的，步驟S2中所述分類(lèi)更新的具體步驟如下：