[发明专利]一种路面状态识别方法

说明书

本发明涉及一种路面状态识别方法，包括：S1、获取路面图像视频；S2、从路面图像视频中提取路面图像帧，得到多个路面图像；S3、对路面图像进行预处理，得到处理后的路面图像；S4、对处理后的路面图像进行标签化，得到路面图像样本集；S5、基于卷积神经网络，利用线性与非线性结合的激活函数，构建路面状态识别模型；S6、利用路面图像样本集对路面状态识别模型进行训练，得到训练好的路面状态识别模型；S7、采集实际路面图像，将实际路面图像输入训练好的路面状态识别模型，得到对应的路面状态识别结果。与现有技术相比，本发明采用线性与非线性结合的激活函数，能够有效提高卷积神经网络的泛化能力，以提高路面状态识别的准确性。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种路面状态识别方法。

背景技术

随着自动驾驶技术的快速发展，路面状态识别已经成为自动驾驶技术的重要组成部分，传统的路面状态识别采用构建路面模型的方式，通过检测轮胎振动的时序波形，以判别当前的路面状态，这种方法需要预先将搭载有加速度传感器的车辆在多个路面上分别行驶，以构建路面模型，其设计操作过程复杂，不便于快速地识别路面状态。

现有技术考虑借助深度学习方法，通过对路面图像进行分析处理，以实现路面状态的识别。因此，只需一个分类识别模型就能够方便快速地进行路面状态识别，然而路面图像中包含多个非线性数据，现有的卷积神经网络中对于非线性数据的表达能力不足，即泛化能力不足，这会导致路面状态识别准确率不高。

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快速准确的路面状态识别方法，通过改进激活函数，以提高卷积神经网络的泛化能力，从而提高路面状态识别的准确率。

本发明的目的可以通过以下技术方案来实现：一种路面状态识别方法，包括以下步骤：

S1、获取路面图像视频；

S2、根据预设的采样率，从路面图像视频中提取路面图像帧，得到多个路面图像；

S3、对路面图像进行预处理，得到处理后的路面图像；

S4、对处理后的路面图像进行标签化，得到路面图像样本集；

S5、基于卷积神经网络，利用线性与非线性结合的激活函数，构建路面状态识别模型；

S6、利用路面图像样本集对路面状态识别模型进行训练，得到训练好的路面状态识别模型；

S7、采集实际路面图像，并将实际路面图像输入训练好的路面状态识别模型，得到对应的路面状态识别结果。

进一步地，所述步骤S3中对路面图像进行预处理具体包括以下步骤：

S31、对路面图像进行路面局部图像提取；

S32、去除模糊的路面图像；

S33、对路面图像进行光照强度统一化处理。

进一步地，所述步骤S31具体是对路面图像进行感兴趣区域提取，以得到路面局部图像。

进一步地，所述感兴趣区域具体为路面图像中127x127矩形像素点。

进一步地，所述步骤S33具体是利用同态滤波对路面图像进行光照强度同一化处理，以改善路面图像的明暗不均匀。

进一步地，所述步骤S4中标签化具体是将处理后的路面图像对应标定为干燥路面、潮湿路面、积雪路面、泥泞路面和其他路面。

进一步地，所述步骤S5中激活函数具体为：

其中，a为可变的超参数，x为特征值。