一种路面状态识别方法与流程

本发明涉及图像处理
技术领域：
，尤其是涉及一种路面状态识别方法。
背景技术：
：随着自动驾驶技术的快速发展，路面状态识别已经成为自动驾驶技术的重要组成部分，传统的路面状态识别采用构建路面模型的方式，通过检测轮胎振动的时序波形，以判别当前的路面状态，这种方法需要预先将搭载有加速度传感器的车辆在多个路面上分别行驶，以构建路面模型，其设计操作过程复杂，不便于快速地识别路面状态。现有技术考虑借助深度学习方法，通过对路面图像进行分析处理，以实现路面状态的识别。因此，只需一个分类识别模型就能够方便快速地进行路面状态识别，然而路面图像中包含多个非线性数据，现有的卷积神经网络中对于非线性数据的表达能力不足，即泛化能力不足，这会导致路面状态识别准确率不高。技术实现要素：本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种快速准确的路面状态识别方法，通过改进激活函数，以提高卷积神经网络的泛化能力，从而提高路面状态识别的准确率。本发明的目的可以通过以下技术方案来实现：一种路面状态识别方法，包括以下步骤：s1、获取路面图像视频；s2、根据预设的采样率，从路面图像视频中提取路面图像帧，得到多个路面图像；s3、对路面图像进行预处理，得到处理后的路面图像；s4、对处理后的路面图像进行标签化，得到路面图像样本集；s5、基于卷积神经网络，利用线性与非线性结合的激活函数，构建路面状态识别模型；s6、利用路面图像样本集对路面状态识别模型进行训练，得到训练好的路面状态识别模型；s7、采集实际路面图像，并将实际路面图像输入训练好的路面状态识别模型，得到对应的路面状态识别结果。进一步地，所述步骤s3中对路面图像进行预处理具体包括以下步骤：s31、对路面图像进行路面局部图像提取；s32、去除模糊的路面图像；s33、对路面图像进行光照强度统一化处理。进一步地，所述步骤s31具体是对路面图像进行感兴趣区域提取，以得到路面局部图像。进一步地，所述感兴趣区域具体为路面图像中127x127矩形像素点。进一步地，所述步骤s33具体是利用同态滤波对路面图像进行光照强度同一化处理，以改善路面图像的明暗不均匀。进一步地，所述步骤s4中标签化具体是将处理后的路面图像对应标定为干燥路面、潮湿路面、积雪路面、泥泞路面和其他路面。进一步地，所述步骤s5中激活函数具体为：其中，a为可变的超参数，x为特征值。进一步地，所述步骤s6具体是采用msgd(mini-stochasticgradientdescent，小批量随机梯度下降)算法进行路面状态识别模型的训练，其中，最大训练周期为2000次，每5个周期进行一次数据验证，当验证精度连续10次不下降时提前结束训练。与现有技术相比，本发明通过建立线性与非线性相结合的激活函数，相比于传统的relu激活函数，当特征值≥0时，relu激活函数仅仅简单表现为线性形式，而本发明的激活函数表现为非线性的对数形式，以此增加了激活函数的非线性，提高了对于非线性数据的表达能力，能够有效提高卷积神经网络的泛化能力，从而保证路面状态识别模型的识别准确度，实现快速准确识别路面状态的目的。附图说明图1为本发明的方法流程示意图；图2为实施例中路面状态识别模型构建过程示意图；图3为本发明中激活函数的数学形状图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。如图1所示，一种路面状态识别方法，包括以下步骤：s1、获取路面图像视频；s2、根据预设的采样率，从路面图像视频中提取路面图像帧，得到多个路面图像；s3、对路面图像进行预处理，得到处理后的路面图像；s4、对处理后的路面图像进行标签化，得到路面图像样本集；s5、基于卷积神经网络，利用线性与非线性结合的激活函数，构建路面状态识别模型；s6、利用路面图像样本集对路面状态识别模型进行训练，得到训练好的路面状态识别模型；s7、采集实际路面图像，并将实际路面图像输入训练好的路面状态识别模型，得到对应的路面状态识别结果。如图2所示，本实施例应用上述方法构建路面识别模型的具体过程为：(1)图像提取：从车载视频中提取图像帧，得到包含道路路况的路面图像，并存储至存储设备；(2)路面感兴趣区域提取：用于排除图片中车辆、树木等对影响路况识别的区域，仅提取路面的局部图像，以建立路面状态数据集，具体是选取车载视频中车头为对称中心基面，以正前方127x127矩形像素点为感兴趣的区域；(3)去除模糊图像：以去除质量较差的图片；(4)光照强度统一化处理：应用同态滤波对图片光照强度进行统一化处理，用于改善图像的明暗不均匀，提高识别精度；(5)标签标定：用于对图像依据其代表的路面状态进行标签化，分别标定为干燥路面、潮湿路面、积雪路面、泥泞路面和其他路面。(6)基于卷积神经网络结构，构建路面状态识别模型，设置网络结构超参数，本实施例采用的网络超参数如表1所示：表1层类型特征图步长卷积核池化层1输入127x127x3---2卷积32@127x641x25x5x1-3归一化32@127x64---4池化32@127x641x1-2x25卷积64@127x321x23x3x32-6归一化64@127x32---7池化64@127x321x1-2x28卷积128@127x161x21x1x64-9归一化128@127x16---10池化128@127x161x1-2x211全连接128@1x1---12全连接2048@1x1---13输出5@1x1---(7)采用线性与非线性结合的函数作为卷积神经网络的gai-relu激活函数：其中，a为可变的超参数，x为特征值，当a＝0时，gai-relu激活函数的形式与传统的relu激活函数相似，当a＜0时，gai-relu激活函数与传统的relu激活函数都取0值；其数学形状如图3所示，从图3可知，在x≥0时，gai-relu激活函数表现为非线性的曲线形式，相比于传统的relu激活函数，能够更好地进行非线性数据的表达，以此提高卷积神经网络的泛化能力；将gai-relu激活函数运用于路面状态识别模型中的激活环节。(8)在本实施例中，路面状态识别模型采用msgd(小批量随机梯度下降)算法进行训练。(9)运行网络进行预测：将不同类别的道路图像和通用数据集图像分成训练集、验证集以及测试集后，输入改进激活函数的卷积神经网络进行训练，最大训练周期设置为2000次，每5个周期进行一次数据验证，当验证精度连续10次不下降时提前结束训练，其中，通用数据集图像采用牛津大学自动驾驶数据集。(10)结果分析：本实施例还将本发明的激活函数与其他激活函数进行对比，结果证实本发明所公开的激活函数模型有效提高了卷积神经网络的泛化能力，提高了卷积神经网络预测的正确率，即能提高路面状态识别的准确性。当前第1页12