[发明专利]基于路面颠簸情况和道路类型识别的自动调速方法与系统

权利要求书

1.一种基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于，包括识别颠簸路况、识别道路类型和自动调速，

所述识别颠簸路况包括以下步骤：

步骤A1、通过三轴加速度计采集车辆行驶在不同道路时的振动信号；

步骤A2、对采集到的振动信号进行相应的去噪，然后通过经验模态分解(EMD)得到本征模式的函数分量；

步骤A3、进行能量提取，进一步的能量为每个本征模式函数分量的能量；通过分解得到的本征模式的函数分量计算第一特征向量；

步骤A4、将归一化的第一特征向量编码后输入到颠簸情况分类器中进行训练；

步骤A5、采集未知道路的振动信号，经过前面相同计算方法得到第二特征向量，将编码后的第二特征向量输入到颠簸情况分类器中得到颠簸情况分类信息；

所述识别道路类型包括以下步骤：

步骤B1、通过摄像头采集不同道路的图像；

步骤B2、对采集到的图像裁剪后通过灰度共生矩阵(GLCM)计算，得到第三特征向量，其中特征向量为图像的熵，能量，对比度，相关性；

步骤B3、将得到的第三特征向量输入到支持向量机(SVM)中进行训练得到道路类型分类器；

步骤B4、采集未知道路的图像，将图像裁剪，取奇数个分割的图像进行灰度共生矩阵(GLCM)计算得到第四特征向量组，其中特征向量为图像的熵，能量，对比度，相关性；

步骤B5、将第四特征向量组中的向量分别输入到道路类型分类器，统计不同分类结果的总和，取和最大的道路类型作为未知道路的分类结果；

所述自动调速方法为：

步骤C、将颠簸情况分类信息和道路类型分类信息反馈给智能行车系统进行车速上限调整。

2.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于：所述步骤A2中经验模态分解(EMD)包括以下步骤：

A21、找到信号x(t)的局部极大值和极小值；

A22、把原始信号x(t)减去第一阶固有的模式函数c₁(t)，则得到残余量r₁(t)；

A23、对r₁(t)重复步骤A21至A22，从高频到低频可以依次得到一系列的IMF分量c_i(t)和残余项r_n(t)，原始数据x(t)可以重构为

其中：余项r_n(t)为信号的平均趋势，每个IMF分量c_i(t)为信号固有的谐波成分。

3.根据权利要求2所述的基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于：所述步骤A22中经验模态分解(EMD)后的每个固有的模式函数必须满足以下两个条件：

a.整个数据长度中极值点的数量与过零点的数量必须相等或最多差一个；

b.在任一时间点上，信号局部最大值确定的上包络线和局部最小值确定的下包络线的均值为零。

4.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于：所述步骤A3中还包括以下步骤：

A31、对所述本征模式的函数分量计算相应的能量。

5.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于：所述步骤B3还包括以下步骤：

B31、将特征对应值进行处理，然后输入到支持向量机中进行训练。

6.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于：所述振动信号为三轴加速度计中采集的Z轴信号。

7.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于：通过对振动信号分解得到的本征模式的函数分量提取的特征向量为归一化能量向量。

8.根据权利要求1所述的基于路面颠簸情况和道路类型识别的自动调速方法，其特征在于：所述步骤A4中颠簸情况分类器为隐马尔科夫模型，隐马尔科夫模型是统计模型，它用来描述一个含有隐含未知参数的马尔科夫过程，是马尔科夫链的一种。