[发明专利]基于深度学习与传统算法结合的车辆环境识别方法和系统

权利要求书

1.一种基于深度学习与传统算法结合的车辆环境识别方法，其特征在于，包括以下步骤：

点云信息和视频信息采集：通过雷达和摄像头分别采集车辆环境的点云信息和视频信息；

视频信息置信度评估：以视频信息中视频图像均方误差、峰值信噪比、偏色值、干扰度、清晰度、明暗度为参数设置视频信息的置信度函数进行量化评估，得到视频信息的置信度；

点云信息置信度评估：以点云信息中点云噪声点数量、点云噪声点最大偏离度、点云噪声点平均偏离度，以及点云空洞数量、点云空洞最大半径、点云空洞平均半径为参数设置点云信息的置信度函数进行量化评估，得到点云信息的置信度；

算法模块选择：判断视频信息的置信度大于第一预定阈值或点云信息的置信度大于第二预定阀值，则将视频信息/点云信息送入传统算法模块进行处理，否则，送入深度学习模块进行处理；

点云信息和视频信息整合：对处理后视频信息和点云信息进行信息融合；

目标识别及结果输出：利用融合后的信息进行目标识别,并输出识别结果。

2.根据权利要求1所述的基于深度学习与传统算法结合的车辆环境识别方法，其特征在于，算法模块选择步骤中，对视频信息的置信度进行如下归一化：

其中，cp是视频信息归一化后的置信度评估值，c1是视频图像均方误差，c2是峰值信噪比，c3是偏色值，c4是干扰度，c5是清晰度，c6是明暗度，wc1,wc2,wc3,wc4,wc5,wc6为权重系数，且wc1+wc2+wc3+wc4+wc5+wc6＝1。

3.根据权利要求2所述的基于深度学习与传统算法结合的车辆环境识别方法，其特征在于，算法模块选择步骤中，对点云信息的置信度进行如下归一化：

其中，sp是点云信息归一化后的置信度评估值，s1是点云噪声点数量，s2是点云噪声点最大偏离度，s3是点云噪声点平均偏离度，s4是点云空洞数量，s5是点云空洞最大半径，s6是点云空洞平均半径，ws1,ws2,ws3,ws4,ws5,ws6为权重系数，且ws1+ws2+ws3+ws4+ws5+ws6＝1。

4.根据权利要求3所述的基于深度学习与传统算法结合的车辆环境识别方法，其特征在于，算法模块选择步骤中包括：

将送入深度学习模块的视频信息对应的归一化后的置信度评估值，与深度学习算法库中设定的视频信息归一化置信度调度阈值区间作比较，调度相应的深度学习算法作为本次视频信息处理的方法；

将送入深度学习模块的点云信息对应的归一化后的置信度评估值，与深度学习算法库中设定的点云信息归一化置信度调度阈值区间作比较，调度相应的深度学习算法作为本次点云信息处理的方法。

5.根据权利要求4所述的基于深度学习与传统算法结合的车辆环境识别方法，其特征在于，算法模块选择步骤中包括：

将送入传统算法模块的视频信息对应的归一化后的置信度评估值，与传统算法库中设定的视频信息归一化置信度调度阈值区间作比较，调度相应的传统算法作为本次视频信息处理的方法；

将送入传统算法模块的点云信息对应的归一化后的置信度评估值，与传统算法库中设定的点云信息归一化置信度调度阈值区间作比较，调度相应的传统算法作为本次点云信息处理的方法。

6.根据权利要求5所述的基于深度学习与传统算法结合的车辆环境识别方法，其特征在于，所述深度学习算法库中的深度学习算法包括SSD算法、VGG-16算法、Faster-RCNN算法、YOLO算法、Overfeat算法。

7.根据权利要求6所述的基于深度学习与传统算法结合的车辆环境识别方法，其特征在于，所述传统算法库中的传统算法包括固定阈值前景提取算法、自适应阈值前景提取算法、混合高斯背景建模算法、边缘检测算法、角点检测算法、特征分类算法。