无人车信号识别算法优化方法及装置的制造方法
【技术领域】
[0001] 本发明涉及无人车道路信号识别领域，尤其涉及一种识别算法优化方法及装置。
【背景技术】
[0002] 环境识别一直是无人车技术的核心问题和挑战。其中，信号识别尤为重要。甚至可 以说容不得一点错误。行车安全是大众对无人车的最直接怀疑。灯号，限速，道路故障，整套 信号系统完全针对有人驾驶设计，使得人工识别的可靠率极高。现实中，驾驶者可能漏看一 些信号，但是只要看清信号，误读的可能性几乎没有。
[0003] 信号识别可以说是无人车技术最难超越传统驾驶的区域。信号的标示位置可能是 变化的。比如左转道的提示可以标示于路面，也可以是指示牌。这些对于人工驾驶不是难 题，对无人车却是一个问题。对于一些固有的信息，在已知的路段，无人车可以预存道路信 息。但是这个解法对于变动的信号，比如灯号或者临时信号，比如前方车祸，道路封闭这样 的重要信息，仍然依赖强大而稳定的人工智能。
[0004] 如果大众对信号漏读可以一定程度的容忍，毕竟人有时候也无法注意全部的道路 信息。误读却是一个人几乎没有而人工智能仍然存在的问题。极端的例子，在光线复杂情况 下，红灯被读作绿灯，哪怕只有万分之一的概率，只要出现必然会引起公众的注意。而目前 的识别准确度，还只能停留在千分之一的数量级。为了让无人车能和正常车辆共用道路，信 号识别可信度是一个不容回避的问题。
[0005] 本篇介绍的方法有两个积极的作用。其一，通盘比较几种非常热门的识别方法。其 二，对于各种方法的可信度提出一种数量评估。需要特别注意，这个方法离实际应用还比 较远。它可以在数量上横向比较各方法，这只是万里长征第一步。如何利用这种量化了的识 别不确定性，使得识别准确度提高，或者有效规避错误风险，仍需要进一步研究和探讨。现 实环境中最理想的情况是无人车运行在闭环上，除非无法通过某路段，无人车始终不偏离 固定路线。这种固定的场景最利于积累有代表性的训练集，也最大程度减少智能识别的次 数，同时便于各种识别参数的微调。可以从这个简单的情况入手，降低难度同时更便于大众 接受无人车。
【发明内容】
[0006] 为此，需要提供一种信号识别算法的优化方法，解决无人车信号识别可靠程度不 够的问题。
[0007] 为实现上述目的，发明人提供了一种无人车信号识别算法优化方法，其特征在于， 包括如下步骤，使用训练图片对识别算法进行训练，获取训练结果，用未训练图片测试识别 算法，获取测试结果；
[0008] 根据所述测试结果计算熵函数，将所述训练结果与熵函数加权评分，获取不同识 别算法的得分，选取得分最尚的识别算法作为最优识别算法。
[0009] 具体地，根据所述测试结果计算熵函数中熵函数计算公式为：
[0010]
[0011]其中p代表的是概率，而G代表各种可能的分类结果，χ代表所述测试结果。
[0012] 进一步地，所述识别算法包括SVM算法、Boosting算法和GPC算法。
[0013] -种无人车信号识别算法优化装置，包括训练模块、测试模块、熵函数计算模块、 最优选择模块；
[0014] 所述训练模块用于使用训练图片对识别算法进行训练，获取训练结果；
[0015] 所述测试模块用于使用未训练图片测试识别算法，获取测试结果；
[0016] 所述熵函数计算模块用于根据所述测试结果计算熵函数；
[0017] 所述最优选择模块用于将所述训练结果与熵函数加权评分，获取不同识别算法的 得分，选取得分最高的识别算法作为最优识别算法。
[0018] 其中，无人车信号指的是无人车在道路行驶过程中可能遇到的图片信号，如需要 识别的指示牌、信号灯等。
[0019] 区别于现有技术，上述技术方案通过计算识别算法的为训练图片测试结果，计算 熵函数，得到识别算法可靠程度的客观量化结果，解决了无人车信号识别可靠程度不够的 问题。
【附图说明】
[0020] 图1为本发明【具体实施方式】所述的方法流程图；
[0021] 图2为本发明【具体实施方式】所述的识别结果示意图；将禁止标志从货车停车标志 分离后的分类方法性能。需要注意的是，不同的分类方法组合的分类质量区分度不高。 (Classification performance when separating stop sign from the lorries prohibited signs.Note that different class combinations were found to yield classfiers of similar quality.)
[0022] 图3为本发明【具体实施方式】所述的前方施工标示算法熵分布示意图；五种分类方 法的标准化熵直方图，分类方法经过禁止标志和施工标志进行训练，并用不曾见过的道路 工程类500实例图片测试。更高的标准化熵意味着更多的不确定性输出。请注意，对于在SE、 GP方法中的平均归一化的熵比其他的高。（Normalised entropy histograms of the marginal probabilities for five classifiers trained on the road sign classes stop and lorries prohibited and tested on 500 instances of the unseen class raodworks ahead. Higher normalised entropy implies more uncertainty in classifier output. Note that the mean normalised entropy for the SE GPC is higher than that of the others.)
[0023] 图4为本发明【具体实施方式】所述的不同标示算法熵分布示意图；标准化熵的均值 和标准差(包括标准误差），每一个方法都经过随机词库和测试数据集的重新采样。如图所 示给出了用包括禁止标志和货车禁止标志测试的方法，在5个不同的从未见过的路标进行 测试的结果 "Mean and standard deviation normalised entropies (including standard errors)from ten iterations of classifier training and testing,each with a randomly created dictionary and both training and test datasets resampled. Results are persented for classifiers trained on the road sign classes stop and lorries prohibited and tested on five different unseen classes as shown)
[0024] 图5为本发明【具体实施方式】所述的算法训练结果示意图；分类方法混淆度（真为 真、真为假、假为假)对标准化熵的累积频率曲线。该实例中分类方法已经通过500个背景图 样中及500个交通灯的训练，并用1000个实例进行测试的结果。请注意，分类方法有更大的 确定性便有着较低的标准化熵。更自省的分类方法在分类一个很难处理的实例时具有较高 的不确定性(正如看到其输出的较大的标准化熵）。因此，在上述给定的标准化熵的阈值大 的方法有较低的可信度，因为输出被认为是不明确的。这是因为无人车实例中一个错误的 决定都可能是灾难性的。（附图彩色最佳效果）（Cumulative frequency plots of classf ication confusion(true positives , true nagatives, false positives and false nagatives)against normalised entropy.The classifiers have been trained on 500 tr