[发明专利]一种基于ReliefF-DBN的自动驾驶偏离处理方法

说明书

一种基于ReliefF‑DBN的自动驾驶偏离处理方法，该方法包括以下步骤：步骤1，实时采集路面行驶图像；步骤2，获取模拟噪声环境数据；步骤3，提取路面车道线图像；步骤4，训练ReliefF‑DBN车道线循迹模型；步骤5，校准车辆速度和角度参数；步骤6，开启车辆异常自动处理系统。本发明模拟了行车时的恶劣环境，在路面图像的基础上叠加了椒盐噪声，实现巡车辆的自动驾驶循迹功能，增强了车辆循迹的稳定性、可靠性和鲁棒性，并利用YOLOv3算法检测车道线的边缘线，可以精确的检测车道线，为循迹模型提供重要的车道线数据，同时使用ReliefF‑DBN模型训练车道线循迹模型，减少了车道线数据的输入维度，提高了循迹模型的运行速度和精确度。

技术领域

本发明涉及自动驾驶领域，特别是涉及一种基于ReliefF-DBN的自动驾驶偏离处理方法。

背景技术

随着工业技术的不断发展，自动驾驶技术已经成为全球汽车产业发展的重要战略方向，因其能够提高车辆的安全性、动力性、经济性和舒适性而受到学术界和工业界的广泛研究。准确可靠的自动驾驶技术是其推广应用的基础，为了实现自动驾驶，经过几十年的探索研究，自动驾驶技术：目前主要有“感知－决策－控制”方法和端到端自动驾驶方法。

其中，端到端自动驾驶方法所采用的算法主要包括深度学习和强化学习算法。虽然相比于强化学习算法，深度学习算法有着其效果受到训练集制约且无法进行多目标优化的缺点，但是由于强化学习算法难以处理图像等高维数据，早期的端到端自动驾驶方法均以深度学习为主，自动驾驶系统能够将路径输入信息与车辆当前位置进行匹配，完成基本的循迹功能。

发明内容

为解决上述问题，本发明在实时图像采集系统采集的路面图像基础上，为提高模型的稳定性和鲁棒性，通过添加椒盐噪声来模拟车辆行驶过程中的恶劣环境，首先通过YOLOv3网络检测并分割车道线，以此作为数据集来训练ReliefF-DBN车道线循迹模型，本发明提供一种基于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。

进一步，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。

进一步，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；