[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

说明书

本发明公开的一种基于深度学习与传统算法结合的车辆环境识别方法，其主要包括点云信息和视频信息采集步骤、视频信息置信度评估和点云信息置信度评估步骤、算法模块选择步骤、点云信息和视频信息整合步骤、目标识别及结果输出步骤。本发明能够有效提高雷达和视频信息处理的精度和可靠性，使车辆环境识别的性能得到有效改善。

技术领域

本发明涉及车辆主动安全领域，尤其涉及一种深度学习与传统算法相结合的车辆环境识别系统和方法。

背景技术

车辆环境识别系统通常使用雷达及视频作为主要的感知传感器，进行车道检测、车辆行人目标识别等。其中，雷达的优点是探测目标数据准确度高以及能够获取目标物体速度信息，视频的优点是能够分辨和“看见”目标物体，通过将两者优势互补，可以提高车辆环境识别的精度和可靠性。

传统算法中，雷达和视频信息的处理一般通过滤波、分割、特征提取、匹配、目标识别等步骤，实现雷达和视频数据的应用。但是，基于传统算法的数据处理技术的性能会因为车辆行驶环境变化有大幅度的波动，如阴雨天、逆光、积水、路旁阴影等天气、照明和路况情况的变化，可能导致诸如：车道线误检、车辆行人误判、可行道路分割错误等情况，导致车辆环境识别的可靠性和可信度降低。

近年来，深度学习在目标识别、车道检测、可行道路分割等车辆环境识别领域不断发展，并取得了较高的识别精度和可靠性。但是，深度学习的不足在于计算耗时较长，如果所有点云数据和图像数据都采用深度学习技术进行处理，则较难满足实时环境识别的要求。

因此，结合深度学习和传统算法处理雷达和视频数据，使其实现有效互补，满足车辆环境识别的精度和实时性需求，对于车辆环境识别的性能有重要的改进作用。从而，如何合并使用深度学习和传统算法处理雷达和视频数据就成为一个重要的技术环节。

发明内容

本发明的目的是针对车辆环境识别系统中处理雷达和视频信息的传统算法的不足，公开一种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，将深度学习技术引入车辆环境识别，对可信度不同的雷达和视频信息采取不同的深度学习或传统算法相结合的处理方式，以提高信息处理的精度和可靠性，使车辆环境识别的性能得到有效改善。

本发明公开的一种基于深度学习与传统算法结合的车辆环境识别方法，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/点云信息的置信度大于第一预定阈值/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。

进一步的，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。

进一步的，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：