[发明专利]一种基于深度神经网络图像识别的车辆定位方法

权利要求书

1.一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述方法包括：

道路标识图形设置步骤：在站点进站方向的路面设置道路标识图形，所述道路标识图形的标识点距离所述站点进站方向边缘的距离为L；

拍摄装置设置步骤：在车辆上安装拍摄装置，所述拍摄装置的光轴线与所述车辆车身的纵向对称中心线重合，所述拍摄装置的镜头光心到地面的距离为H；

图像样本采集步骤：在不同光照或天气条件下，使用所述拍摄装置对所述道路标识图形进行拍摄，分别在所述车辆的前进方向以及与所述车辆前进方向垂直的方向上，改变所述拍摄装置的光轴与路面的夹角角度，使得所述拍摄装置在其光轴与路面夹角呈5°到180°的范围内每隔5°拍摄一张所述道路标识图形的图像样本；

训练样本制作步骤：计算每张所述图像样本中所述道路标识图形的标识点在图像坐标系中的位置坐标，制作成标签集，并将每张所述图像样本与相应的标签集配对，形成训练样本；

深度神经网络搭建步骤：在目标识别分类深度神经网络的基础上，将所述网络最后的分类输出层修改为2个节点构成的输出层，以输出所述道路标识图形的标识点位置坐标；

深度神经网络训练步骤：将所述训练样本输入到所述深度神经网络进行训练。

2.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述图像样本采集步骤中，拍摄时间选择在晴天正午和晴天夜晚。

3.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述图像样本采集步骤中，拍摄时间选择在雨天正午和雨天夜晚。

4.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述图像样本采集步骤中，拍摄时间选择在雾天正午和雾天夜晚。

5.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述拍摄装置的镜头参数选择为，当所述道路标识图形全部出现在镜头画面中时，所述道路标识图形能够占据所述镜头画面20％以上的面积。

6.根据权利要求5所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述拍摄装置安装于所述车辆前部车顶位置，并指向所述车辆前进方向。

7.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述道路标识图形采用三角形，或矩形，或圆弧，或上述几何图形的组合。

8.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述道路标识图形采用条形码或二维码。

9.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述道路标识图形的标识点为其几何中心。

10.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述深度神经网络采用ResNet50网络，将所述网络最后的分类输出层替换为两层具有1024个节点的全连接层，所述全连接层后连接具有2个节点输出的输出层。

11.根据权利要求1所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述深度神经网络采用ResNet50网络，将所述网络最后的分类输出层替换为两层具有2048个节点的全连接层，所述全连接层后连接具有2个节点输出的输出层。

12.根据权利要求10或11所述的一种用于道路标识识别的深度神经网络训练方法，其特征在于，所述2个节点输出的浮点数据属于[0,1]的闭区间，将所述输出浮点数据与相应的图像宽度和高度相乘即可获得像素坐标。