[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

说明书

本发明涉及一种基于深度神经网络图像识别的车辆定位方法，以及该深度神经网络的训练方法。所述训练方法包括道路标识图形设置、拍摄装置设置、图像样本采集、训练样本制作、深度神经网络搭建以及深度神经网络训练。其中图像样本采集过程在不同光照及天气条件下的多个时段内进行，能够提高深度神经网络的环境适应性。此外，在车辆前进方向和与前进方向垂直的方向上每隔一定角度拍摄一张采样图像，获得的训练样本数据量大，能够提高深度神经网络的训练精度，从而提高车辆定位的精度。

技术领域

本发明涉及图像识别及定位技术领域，具体为一种基于深度神经网络图像识别的车辆定位方法，以及该深度神经网络的训练方法。

背景技术

目前，公共交通车辆在进入站点前，司机仅靠目视来判断车辆与站点之间的距离，无法实现精确的进站路线规划和速度控制。为了能让车辆在进站前实现精确的进站路线规划和速度控制，需要精确定位车辆与站点之间的距离。目前，车辆定位技术主要采用GPS技术和高精地图匹配定位。

GPS技术在使用时存在以下几个问题：使用普通GPS模式定位时，定位误差达到米级，不能满足车辆靠站精度要求；若使用GPS的RTK模式，需要同时获取卫星信息和地面的参考定位信息，需要在道路沿线布设参考定位通信设备，设备成本以及使用成本较高；当车辆进入卫星信号较差路段例如密林，隧道内时，GPS信号容易丢失，从而失去定位信息。

高精地图匹配定位一般采用点云数据匹配或立体视觉匹配，需要预先建立地图数据并存储于车辆上，车辆运行时，通过外部激光雷达或摄像装置来获取车辆当前环境的点云数据或图像数据，并与预先存储的地图数据进行匹配。该定位方法地图制作成本以及匹配计算的软硬件成本较高。

因此，需要一种低成本、高精度的车辆定位方法，为车辆定位、进站路线规划以及速度控制提供可靠的数据支持。

发明内容

本发明提供了一种基于深度神经网络图像识别的车辆定位方法，以及该深度神经网络的训练方法。本发明通过增大训练样本量、优化神经网络参数，能够提高深度神经网络的训练精度，从而提高车辆的定位精度，且所需的设备成本和使用成本较低。

本发明第一方面提供了一种用于道路标识识别的深度神经网络训练方法，包括以下步骤：

(1)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；

(2)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；

(3)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一定范围内每隔一定角度拍摄一张所述道路标识图形的图像样本；

(4)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；

(5)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；

(6)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。

优选地，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。

优选地，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。

优选地，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。