[发明专利]一种行驶路况评价方法

说明书

本申请属于图像处理技术领域，特别是涉及一种行驶路况评价方法。如果BP神经网络初始权值和阈值选择不恰当，将会使得BP神经网络收敛不成功，预测效果差。本申请提供一种行驶路况评价方法，包括如下步骤：获取行驶路况图像；道路图像预处理；提取图像特征；建立初始反向传播神经网络结构，并设定该网络相关参数和函数，基于提取的图像特征利用编码方式产生初始参数，同时利用蝙蝠算法获得最优权值和阈值；通过蝙蝠算法‑反向传播算法得到的最优权值和阈值优化反向传播神经网络，并且经过训练得到满足性能要求的最佳反向传播神经网络结构；建立基于蝙蝠算法‑反向传播神经网络的路况评价模型，对行驶路况进行评价。对非结构化道路路况进行预测。

技术领域

本申请属于图像处理技术领域，特别是涉及一种行驶路况评价方法。

背景技术

环境感知现已成为国内外智能车辆发展的新趋势，通过车载传感系统和信息系统实现车、路和驾驶者等的信息智能交换，使车辆具备一定的智能环境感知能力，识别路径，分析当前道路状况，结合车辆位置，检测障碍物，提高行驶的安全性。随着智能小车在生活中的普及以及在一些特殊场合如反恐、巡查中的应用越来越多。

目前，对于行车道路状况的信息提取大部分是针对于典型的结构化道路，面对小型的非结构化道路，如城市胡同，交错的小街道等的很少，且关于路况对行车的影响并无过多研究。同时行车道路路况的评价大部分是针对于公路使用性能，如路面强度指数、抗滑指标等的分析，关于路况对行车的影响并没有太多研究。

BP神经网络是目前应用最广泛的神经网络模型之一，但BP算法存在收敛速度慢；局部极小化问题。而且如果BP神经网络初始权值和阈值选择不恰当，将会使得BP神经网络收敛不成功，进而预测效果很差。

发明内容

1.要解决的技术问题

基于目前，对于行车道路状况的信息提取大部分是针对于典型的结构化道路，面对小型的非结构化道路，如城市胡同，交错的小街道等的很少，且关于路况对行车的影响并无过多研究。BP神经网络是目前应用最广泛的神经网络模型之一，但BP算法存在收敛速度慢；局部极小化问题。而且如果BP神经网络初始权值和阈值选择不恰当，将会使得BP神经网络收敛不成功，进而预测效果很差的问题，本申请提供了一种行驶路况评价方法。

2.技术方案

为了达到上述的目的，本申请提供了一种行驶路况评价方法，所述方法包括如下步骤：

步骤1)：获取行驶路况图像；

步骤2)：道路图像预处理；

步骤3)：提取图像特征；

步骤4)：建立初始反向传播神经网络结构，并设定该网络相关参数和函数，基于提取的图像特征利用编码方式产生初始参数，同时利用蝙蝠算法获得最优权值和阈值；

步骤5)：通过蝙蝠算法-反向传播算法得到的最优权值和阈值优化反向传播神经网络，并且经过训练得到满足性能要求的最佳反向传播神经网络结构；

步骤6)：建立基于蝙蝠算法-反向传播神经网络的评价模型，对行驶路况进行评价。

可选地，所述步骤1)中路况图像中疑似障碍物的信息有如下表达式：

其中，采集的前方物体的初始高宽值分别为h₀和w₀，车体和疑似障碍物的距离初始值为d₀，动态障碍物判定系数为γ；

若采集图像中感兴趣区域内疑似障碍物物体在整幅图像中轮廓大小不变或者越来越小，则d≥d₀，即运动体和疑似障碍物距离保持不变或者原来越远，排除障碍物嫌疑，γ＝0；反之，轮廓变大，d＜d₀确定为动态障碍物，此时γ＝1。