[发明专利]一种基于LBP特征的卷积神经网络地面材质图像分类方法

说明书

本发明提供一种基于LBP特征的卷积神经网络地面材质图像分类方法，包括提取地表材质数据集，还包括以下步骤：生成基于LBP算子的地面材质识别模型；使用所述训练集中的图像对所述地面材质识别模型进行训练，生成优化后的地面材质识别模型；使用所述测试集中的图像对所述优化后的地面材质识别模型进行测试，并输出测试结果。本发明根据先验知识提出使用传统LBP特征描述子和深度学习模型法相结合的分类方法，即在训练卷积神经网络模型时，除了使用采集的原始图片进行训练，还使用了LBP描述子对地面材质图像进行特征工程‑提取图像的纹理特征加入到模型中，达到使模型快速拟合实际路面数据的目的。

技术领域

本发明涉及图像处理的技术领域，特别是一种基于LBP特征的卷积神经网 络地面材质图像分类方法。

背景技术

目前主流的地面材质识别方法是基于地面图像进行分类，对相机获取的地 面图像提取主要特征后选用合适的分类方法进行判别。无人驾驶控制领域大多 是基于单一路面状况进行决策，但实际应用场景往往要比理想场景更为复杂。 这时由于地面材质差异导致的误差将会影响车辆的控制精度。近年来，随着深 度学习算法在计算机视觉领域的应用研究发展，基于反向传播的各类神经网络 模型不断涌现，越来越多新模型在图像识别方面展现出比传统特征工程更大的 潜力。2012年Krizhevsky等人提出AlexNet模型，首次提出ReLU激活函数、 Dropout稀疏连接方法等，极大地促进了深度学习在图像领域的发展。随后出 现的VGGNet、GoogleLeNet等不断地提高深度学习模型在图像识别方面的精 准度和可靠性，逐渐开始代替发展了数十年的特征工程方法。地面材质识别方 法也有了新的可能性。

在汽车行驶时，影响行驶情况的除了路况、障碍物等因素外，地面的材质、 纹理、光滑度等也会影响车辆和地面之间的摩擦系数。以至于影响车辆的启动、 运行和刹车情况。这时地面材质差异导致的误差将会影响车辆的控制精度。在 数据量充足的情况下，使用当前深度学习领域主流的神经网络模型如VGG、 ResNet对地面材质识别能达到不错的准确率，但由于路面状况复杂，即使相 同类型的地面在不同地域也存在一定的差异，模型在实际用于无人驾驶路面检 测时往往和训练验证时有一定的差距。这时运用迁移学习的策略，使用实时采 集的数据继续对模型进行训练可以解决此问题。由于迁移学习需要一定量的新 数据对模型进行微调，无人车行驶又具有一定的实时性，这导致迁移学习不能 在现场采集足够的数据用来微调模型。因此给实时路面检测带来了困难和挑战。

基于深度学习方法的图像材质识别方法近年来非常火热，材质识别旨在识 别自然材质图像中的主要对象及其所属材料类别。

公开号为CN107341518A的发明专利申请公开了一种基于卷积神经网络的 图像分类方法，所述方法包括如下步骤：深层卷积神经网络的构建，深层卷积 神经网络的改进，深层卷积神经网络的训练及测试，优化网络参数。该方法的 缺点是网络深度不够，一般适用于图像中主体目标色彩、形状等差异较大的图 像分类，而对于地面材质、纹理等特征不敏感，识别效果较差。

发明内容

为了解决上述的技术问题，本发明提出了一种基于LBP特征的卷积神经 网络地面材质图像分类方法，根据先验知识提出使用传统LBP特征描述子和 深度学习模型法相结合的分类方法，即在训练卷积神经网络模型时，除了使用 采集的原始图片进行训练，还使用了LBP描述子对地面材质图像进行特征工 程-提取图像的纹理特征加入到模型中，达到使模型快速拟合实际路面数据的 目的。

本发明提供一种基于LBP特征的卷积神经网络地面材质图像分类方法，包 括提取地表材质数据集，还包括以下步骤：

步骤1：生成基于LBP算子的地面材质识别模型；

步骤2：使用所述训练集中的图像对所述地面材质识别模型进行训练，生 成优化后的地面材质识别模型；

步骤3：使用所述测试集中的图像对所述优化后的地面材质识别模型进行 测试，并输出测试结果。