[发明专利]一种基于卷积神经网络的自动驾驶汽车前方物体检测方法

说明书

本发明属于计算机视觉中利用神经网络对图像中物体进行检测的领域，具体的说是一种基于卷积神经网络的自动驾驶汽车前方物体检测方法。本发明利用深度学习中的卷积神经网络(Faster RCNN)对摄像头拍摄出的图像进行目标物体提取、分类等工作，较好地提高了对自动驾驶车辆前方目标物的识别准确率。同时，本发明中改进了Faster RCNN模型的结构，将传统的卷积层、池化层堆叠的结构改成了CBLP块结构，并加入dropout层有效地避免了过拟合现象。卷积神经网络是仿造生物的视知觉机制构建的，图像处理属于半监督学习范围，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对像素进行学习且有稳定的效果。

技术领域

本发明属于计算机视觉中利用神经网络对图像中物体进行检测的领域，具体的说是一种基于卷积神经网络的自动驾驶汽车前方物体检测方法。

背景技术

近年来，由于全球范围内电控信息和技术的迅速发展，逐渐兴起的自动驾驶汽车正在成为各大汽车企业和高等学府的研究焦点。作为自动驾驶汽车的第一步，环境感知主要应用摄像头、雷达等传感器拍摄出的图像识别自动驾驶汽车附近的行人、车辆或其他障碍物。基于上述传感器检测出的这些障碍物信息，系统可以进一步规划出一条自动驾驶汽车可以行驶的区域范围，从而选择一条最佳的行驶轨迹，通过对整车的底盘系统进行控制实现车辆的自主驾驶。

目标检测与跟踪是近年来计算机视觉领域的热门研究课题，它融合了图像处理、模式识别、人工智能、自动控制等许多领域的前沿技术，在智能化交通系统、智能监控系统、工业检测、航天航空等诸多领域得到了广泛的应用。目前，检测算法分为基于视频图像的动态目标检测和基于图片的静态目标检测，基于静态图片的目标检测难点主要在于图片中的目标会因光照、视角以及目标内部等变化而产生变化，因此对检测结果产生影响。

自动驾驶汽车前方物体的检测综合利用摄像头、激光雷达、毫米波雷达等传感器对周围环境进行感知。而视觉传感器摄像头的拍摄效果很容易受到拍摄角度、环境清晰度和目标物体重叠等因素的干扰，无法保证百分之百的查全率和查准率。而在自动驾驶汽车中，准确且快速地检测出车辆前方障碍物是进行后续决策行为的基础，因此计算机图像处理技术在自动驾驶汽车中起着十分重要的作用。

发明内容

本发明提供了一种旨在利用深度学习中的卷积神经网络(Faster RCNN)对摄像头拍摄出的图像进行目标物体提取、分类等工作，较好地提高了对自动驾驶车辆前方目标物的识别准确率的基于卷积神经网络的自动驾驶汽车前方物体检测方法，解决已有的图像处理算法存在的问题。

本发明技术方案结合附图说明如下：(该部分同权利要求书，权利要求书写好了再补充)

本发明的有益效果为：

1)本发明中的网络深度并没有达到Alexnet网络和VGG网络的深度，但也同样达到了较高的检测准确率，且训练的时间也不是很长。因此该发明中改进的网络结构可以应用在CPU等常规计算机上，对计算机硬件要求没有那么高，扩展了Faster RCNN的实用性；

2)本发明中基于改进的Faster RCNN结构，增加了CBLP块结构，可以使图像特征提取具有规则性和可扩展性，即当有大量的数据输入时，可以在该网络结构的基础上通过叠加CBLP块结构更加完整地提取出图像特征，因此该网络结构具有更好的应用性；

3)在实际训练该卷积神经网络时，由于增加了CBLP块，网络深度增大，但不需要像其他网络一样考虑由于网络深度增大带来的过拟合现象，即对待不同问题不需要改变网络结构，可以通过dropout层中神经元抑制因子的值来抑制一部分神经元，使其不参与对输入图片的特征提取，可以有效地防止过拟合现象。

附图说明

图1为本发明的模型训练和检测算法流程图；

图2为本发明改进后的卷积神经网络结构图；