[发明专利]一种基于图像分割的局部路面附着系数估计方法

说明书

本发明公开了一种基于图像分割的局部路面附着系数估计方法，步骤1：离线预训练图像分割网络，具体包括：a.利用CARLA软件采集不同天气状况的路面图像，b.对采集的不同天气状况的路面图像进行局部标注，形成局部路面附着系数估计的数据集，c.利用深度学习的手段搭建图像分割的深度学习算法网络模型，d.利用局部路面附着系数估计的数据集对图像分割的深度学习算法网络框架进行端到端的训练。步骤2：获取实时路面图像，对路面局部附着系数实时估计，具体包括：a.利用车载摄像头采集实时路面图像，b.用预训练好的图像分割网络对实时获取的图像进行分类并定位不同类别，形成实时路况图，c.根据路面类型对实时路况图进行局部路面附着系数估计。

技术领域

本发明属于图像分割领域，尤其涉及到一种基于图像分割的局部路面附着系数估计方法。

背景技术

较好的估计路面附着系数一直是一个非常具有挑战性的问题。路面附着系数不仅影响车辆的动力性和制动行能，而且还影响着汽车行驶时的操作稳定性，实时准确的辨别出路面附着系数，可以很大程度改善车辆行驶时的安全性和舒适性。随着工业向着智能化的不断推进，路面附着系数的准确估计也会很大程度影响着智能车辆和机器人等系统的路径规划与决策。由此可见，实时性高且准确的估计出路面附着系数可以极大改善车辆行驶的安全性性，同时也能提升智能系统的规划和决策的准确性。

目前，路面附着系数的估计方法主要有三类，一类是传统的基于车辆动力学参数识别的间接估计，第二类是通过传感器(声，光，温度传感器等)获取路面数据，根据传感器数据与路面附着系数的关系进行估计，第三类则是基于视觉传感器借助深度学习手段的路面直接估计路面附着系数。

采用动力建模的方法进行路面附着系数估计虽然准确可靠，但是由于模型较为复杂，需要获取很多车辆动力学参数，不能保证实时性；而且基于动力学估计的方法，需要车辆轮胎与路面接触才能估计，这样只能估计当前与轮胎接触的路面的附着系数，而不能对未来即将经过的路面进行路面附着系数预测，也就不能及时对车辆进行干预和控制。借助深度学习手段的基于视觉的方法虽然说能弥补基于动力学方法的缺陷，具有一定的超前预测性，然而只是估计路面整体的附着系数，并没有对路面局部进行附着系数估计，例如路面局部积水，局部积雪，局部结冰等。

发明内容

为了解决现有路面附着系数估计方法的缺陷，本发明提出了一种基于图像分割的局部路面附着系数估计方法。

本发明的技术步骤如下所述：

步骤1：离线预训练图像分割网络，具体包括：a.利用CARLA软件采集不同天气状况的路面图像，b.对采集的不同天气状况的路面图像进行局部标注，形成局部路面附着系数估计的数据集，c.利用深度学习的手段搭建图像分割的深度学习算法网络模型，d.利用局部路面附着系数估计的数据集对图像分割的深度学习算法网络框架进行端到端的训练。

步骤2：获取实时路面图像，对路面局部附着系数实时估计，具体包括：a.利用车载摄像头采集实时路面图像，b.用预训练好的图像分割网络对实时获取的图像进行分类并定位不同类别，形成实时路况图，c.根据路面类型对实时路况图进行局部路面附着系数估计。

进一步地，在上述步骤1a中，采集不同天气状况的路面图像，其中采集工具为CARLA模拟软件，采集的图像包括路面局部积水图像，路面局部积雪图像，路面局部结冰图像及正常沥青路面等。

进一步地，图像分割的深度学习算法网络模型包括利用残差结构搭建的基础网络结构，在基础网络上加上高度驱动的注意力模块，将此语义分割神经网络模型命名为H-ResNet,其中H代表高度驱动的注意力模块，ResNet代表由残差结构搭建的基础网络结构。

进一步地，深度学习算法网络模型为利用TensorFlow或Keras或Caffe2或PyTorch或MXNet深度学习框架搭建的语义分割算法网络。