[发明专利]一种基于深度学习和胎噪声谱图的汽车辅助系统及方法

说明书

本发明涉及一种基于深度学习和胎噪声谱图的汽车辅助系统及方法，系统与汽车上的行车电脑连接，该系统包括数据采集模块、计算机模块、反馈模块、本地网络模块和云端服务器，计算机模块分别与数据采集模块、反馈模块、行车电脑和本地网络模块连接，本地网络模块分别与反馈模块和云端服务器连接。与现有技术相比，本发明具有利用基于卷积神经网络的深度学习技术对路面图像和胎噪声进行自动识别和特征提取，识别精度和识别效率高，能很好的适应多变天气和路况，利用近红外摄像和彩色摄像头结合，能较好地提高不良光照和气象条件下的成像质量，利用声谱图对胎噪声信息进行分析，鲁棒性和通用性强，行车安全性和区域路况预报能力高等优点。

技术领域

本发明涉及一种汽车辅助系统及方法，尤其是涉及一种基于深度学习和胎噪声谱图的汽车辅助系统及方法。

背景技术

随着时代的发展和人们生活水平的提高，社会对于交通运输的需求日益增加，人们在享受快速发展的交通工具带来的便利的同时，交通事故也成为当今世界面临的严重问题之一。

路面结冰和路面防滑能力过差通常是恶性交通事故发生的主要原因，在车辆行驶过程中，对路面结冰状态和摩擦状态进行监测并实时反馈给驾驶员，能有效降低交通事故的发生率。

车辆行驶过程中的路面状态实时监测是当下智能交通领域的一大研究热点，国内外大量学者进行了路面状态自动识别方面的研究，论文“JiandongZhao,1HongqiangWu,1and LiangliangChen2.Road Surface State Recognition Based on SVM Optimizationand Image Segmentation Processing.Journal of Advanced Transportation”一文利用支持向量机预测道路表面状态，采用图像分割技术，输入特征包含灰度共生矩阵特征，RGB颜色矩阵特征，但是传统机器学习方法存在多种局限且在复杂环境下的识别效果不理想。基于传统机器学习的路面状态识别方法存在以下不足：1、基于传统机器学习的路面状态识别方法的特征提取工程由人工完成，需耗费大量时间；2、基于传统机器学习的路面状态识别方法在不同光照环境，尤其是夜晚及恶劣光照条件下并不能很好的预测路面状态；3、基于传统机器学习的路面状态识别方法算法鲁棒性较差；4、基于传统机器学习的路面状态识别方法采用图像信息对路面摩擦状态进行预测，效果并不理想。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习和胎噪声谱图的汽车辅助系统及方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习和胎噪声谱图的汽车辅助系统，所述的系统与汽车上的行车电脑连接，所述的系统包括数据采集模块、计算机模块、反馈模块、本地网络模块和云端服务器，所述的计算机模块分别与数据采集模块、反馈模块、行车电脑和本地网络模块连接，所述的本地网络模块分别与反馈模块和云端服务器连接，

所述的数据采集模块用于采集路面图像和胎噪声，所述的计算机模块基于深度学习算法对采集到的路面图像和胎噪声进行处理，并将处理得到的预测结果传输给本地网络模块、行车电脑和反馈模块，所述的预测结果包括路面结冰情况和路面摩擦状态，所述的本地网络模块用于将预测结果传输给云端服务器、从云端服务器获取天气情况并将天气情况传输给反馈模块和计算机模块，所述的云端服务器用于存储预测结果并向本地网络模块发送天气情况，所述的反馈模块用于将预测结果和天气情况反馈给驾驶员。

所述的数据采集模块包括一个近红外摄像头、一个彩色摄像头和一个麦克风，

所述的近红外摄像头用于采集车辆前方路面的近红外图像，所述的彩色摄像头用于采集车辆前方路面的彩色图像，所述的麦克风用于采集车胎与路面间摩擦的胎噪声。

所述的计算机模块包括数据存储模块和数据处理模块，所述的数据存储模块分别与数据采集模块和数据处理模块连接，所述的数据处理模块分别和反馈模块、行车电脑以及本地网络模块连接，