[发明专利]一种无人驾驶场景中的路况识别与决策的集成方法

说明书

本发明公开了一种无人驾驶场景中的路况识别与决策的集成方法，涉及计算机图像处理技术领域。它的步骤为：将路况真实场景的图片数据集进行像素尺寸归一化，得到同等维度同等大小的路况场景图片的规整化训练数据集，对该路况图片规整化数据训练集进行路况种类标注，并利用卷积神经网络对路况图片进行识别分类训练；采取人工拍摄、机械拍摄并采集当前路况照片；根据路况照片，利用训练好的路况识别卷积神经网络进行路况识别，根据得到的路况种类生成无人驾驶决策意见并返回给无人驾驶控制系统。能够通过路况场景图片实现路况识别种类并提供决策信息给无人驾驶控制系统。

技术领域

本发明涉及计算机图像处理技术领域，具体涉及一种能够基于卷积神经网络进行路况场景图片中的路况识别与决策的集成技术方案。

背景技术

在计算机图像处理领域中，基于深度残差学习的卷积神经网络可以进行图片的目标检测。文献1“Deep Residual Learning for Image Recognition”公开了一种基于深度残差的卷积神经网络的技术。该技术首先训练使用33个深度残差卷积层和一个平均池化层提取图像的特征，并利用柔软最大函数获得图片的属于各个分类的概率值，最终对比得到该图片中路况的类别。

文献1公开的技术虽然能够获得图片内容的分类值，但是当该方法应用于无人驾驶场景下的路况识别与决策时，具有如下缺点：该方法只能对路况进行识别，而不能根据识别的路况信息进行决策并提供给无人驾驶控制系统，因此无法直接用于无人驾驶控制系统的开发中。

参考文献：

[1]Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun，“Deep ResidualLearning for Image Recognition”，from Microsoft Research。

发明内容

(一)解决的技术问题

本发明的目的在于提供一种无人驾驶场景中的路况识别与决策的集成方法，以解决上述背景技术中提出的深度残差的卷积神经网络存在的缺点问题，针对深度残差的卷积神经网络不能对路况种类进行决策并传输给无人驾驶控制系统的缺点，提供一种有效的集成化的既能检测路况的存在区域并识别路况的种类，又能对路况的材质和质量进行推断以便对路况进行后续处理的技术方案。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种无人驾驶场景中的路况识别与决策的集成方法，它包含以下步骤：

(a)将路况真实场景的图片数据集进行像素尺寸归一化，得到同等维度同等大小的路况场景图片的规整化训练数据集，包括数据训练集和测试集，对该路况图片规整化数据训练集进行路况种类标注，并利用卷积神经网络对路况图片进行识别分类训练；

(b)采取人工拍摄、机械拍摄并采集当前路况照片；

(c)根据(b)步骤提供的路况照片，利用(a)步骤训练好的路况识别卷积神经网络进行路况识别，包括道路开裂、道路积水、道路障碍和道路正常；

(d)根据(c)步骤得到的路况种类生成无人驾驶决策意见并返回给无人驾驶控制系统，包括可通行和通行受阻两种决策意见；该步骤实现了根据路况种类生成无人驾驶决策意见，是解决背景技术中文献1中的缺点的关键步骤。

(三)有益效果

与现有技术相比，采用上述技术方案后，本发明有益效果为：

在采用相同的无人驾驶场景路况图片数据集的情况下，对路况场景图片中的路况进行识别，不仅可以识别图片中的路况种类，还可以根据已识别路况的信息进一步生成用于指导无人驾驶的决策意见并返回给无人驾驶控制系统。

附图说明

图1是本发明的流程图；