[发明专利]一种基于ReliefF-DBN的自动驾驶偏离处理方法

权利要求书

1.一种基于ReliefF-DBN的自动驾驶偏离处理方法，具体步骤如下，其特征在于：

步骤1，实时采集路面行驶图像：利用车载的实时图像采集系统采集车辆自动行驶时的路面行驶图像；

步骤2，获取模拟噪声环境数据：在采集的路面行驶图像中添加15％～25％的椒盐噪声，模拟在干扰环境下所采集信号受到的干扰；

步骤3，提取路面车道线图像：使用YOLOv3模型监测路面行驶图像中车道线，并分割出车道线图像；

步骤4，训练ReliefF-DBN车道线循迹模型：将车道线图像数据作为输入，对应的每张图像数据的行车匹配航向角作为输出，训练ReliefF-DBN模型，获得训练完成的车道线循迹模型；

步骤5，校准车辆速度和角度参数：结合角度传感器监测的车轮转向角、行车纵向速度，得到当前车辆运行的航向角度，最后根据步骤4中模型计算的匹配航向角度来校准行车速度和角度；

步骤6，开启车辆异常自动处理系统：启动车辆的避障、换道和紧急制动的功能。

2.根据权利要求1所述的一种基于ReliefF-DBN的自动驾驶偏离处理方法，其特征在于：步骤2中为采集图像添加椒盐噪声的过程可以表示为：

车辆在行驶过程中，有可能会受到极大的干扰，对此本发明通过添加的椒盐噪声来模拟车辆在恶劣环境下所受的干扰，添加椒盐噪声的公式为：

其中，I_max和I_min是路面行驶图像像素点的最大值和最小值，p为图像出现噪声的概率，p的取值范围为15％～25％，i_xy是采集图像像素点(x,y)的实际值，f(x,y)是添加椒盐噪声后的图像像素点值。

3.根据权利要求1所述的一种基于ReliefF-DBN的自动驾驶偏离处理方法，其特征在于：步骤3中提取路面车道线图像的过程可以表示为：

步骤3.1，对步骤2处理过的路面行驶图像进行平滑滤波处理；

步骤3.2，将3.1处理过的图像进行灰度化处理，并标注数据集将数据集转化为YOLO模式；

R、G、B分别表示图像中的红、绿、蓝三原色分量值，Gray是像素点灰度化后的值

步骤3.3，将数据集划分为训练样本和测试样本，训练YOLOv3模型，得到车道线YOLOv3检测模型；

步骤3.4，将待提取的车道线图像分别经过步骤3.1和步骤3.2后，输入到车道线YOLOv3检测模型，输出车道线检测数据。