一种基于智能图像识别的无人驾驶方法

摘要: 本发明涉及无人驾驶,更具体地说,本发明涉及一种基于智能图像识别的无人驾驶方法。背景技术:1、在无人驾驶技术领域,随着科技的不断发展,人们对交通安全和出行效率的要...
一种基于智能图像识别的无人驾驶方法

本发明涉及无人驾驶,更具体地说,本发明涉及一种基于智能图像识别的无人驾驶方法。

背景技术:

1、在无人驾驶技术领域,随着科技的不断发展,人们对交通安全和出行效率的要求日益提高,无人驾驶技术应运而生。传统的驾驶方式依赖驾驶员的操作,易受疲劳、情绪等人为因素影响,导致交通事故频发。而无人驾驶技术能够通过各种传感器和智能算法,实现车辆的自主驾驶,极大地提高了驾驶的安全性和舒适性。

2、当前,部分无人驾驶技术采用简单的传感器和算法,仅能实现基本的行驶功能,如保持车道、跟车行驶等。这些技术在复杂路况下表现不佳,无法准确识别交通标志、信号灯以及其他道路物体,难以应对各种突发情况。

3、为了提高无人驾驶的准确性和可靠性,一些研究引入了图像识别技术。然而,现有的基于图像识别的无人驾驶方法仍存在诸多问题:一方面,图像采集和处理的精度不高,预处理算法难以有效去除噪声和增强图像特征,使得后续的图像信息提取出现偏差,影响决策的准确性;另一方面,决策分析不够全面和智能,在速度控制、信号灯判断以及碰撞预警等方面缺乏综合考虑,难以根据实时路况和车辆状态做出最优决策,在速度调整时,未充分考虑道路坡度、前车速度和距离等因素,导致车辆行驶不平稳;在信号灯判断时,难以准确预测车辆能否安全通过路口,容易出现急刹车或闯红灯的情况;在碰撞预警方面,仅依靠简单的距离判断,无法准确计算碰撞时间,难以提前采取有效的避让措施。

4、有鉴于此,本文提出一种基于智能图像识别的无人驾驶方法,通过多摄像头多角度采集车辆周边图像数据,结合高精度的预处理、信息提取和智能的决策分析算法,实现车辆在复杂路况下的安全、稳定行驶,有效解决了背景技术中提到的问题。

技术实现思路

1、有鉴于此,本发明提出一种基于智能图像识别的无人驾驶方法,通过多摄像头多角度采集车辆周边图像数据,结合高精度的预处理、信息提取和全面智能的决策分析算法,实现车辆在复杂路况下的安全、稳定行驶,有效解决了背景技术中提到的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于智能图像识别的无人驾驶方法,包括车载图像采集系统、车载计算单元、数据分析平台、车辆控制单元、定位导航系统和通信单元。车载图像采集系统负责采集车辆周边图像数据;车载计算单元处理图像和数据计算;数据分析单元用于数据分析与决策,车辆控制单元依决策控制车辆;定位导航系统提供位置和路线规划;通信单元实现车内外信息交互。具体步骤如下:

3、s1、车辆启动后,车载图像采集系统中的多个摄像头开始工作,多角度采集彩色图像数据i,定位导航系统获取车辆实时位置坐标(xi,yi),结合高精度地图得到车辆所在路段的道路限速v和道路坡度α;

4、s2、车载计算单元对采集的图像进行预处理操作;

5、s3、车载计算单元对预处理后的图像进行图像信息提取;

6、s4、数据分析平台通过提取的图像信息进行决策分析,

7、s5、车载图像采集系统在车辆行驶中实时监测,一旦出现意外情况,车辆控制单元控制车辆平稳停车,并采取安全措施,拉起手刹、开启危险警示灯;

8、s6、车辆安全到达目的地后生成车辆行驶日志。

9、优选的,所述预处理操作具体为:对采集到的彩色图像i进行灰度化处理,对于每一幅彩色图像i,其像素点的灰度值:igray(i,j)=0.299×ir(i,j)+0.587×ig(i,j)+0.114×ib(i,j),其中,ir(i,j)、ig(i,j)以及ib(i,j)分别是像素点的红、绿以及蓝通道值;经过灰度化处理后,得到灰度图像igray(i,j)。

10、优选的,所述预处理操作具体为:采用高斯滤波对灰度图像进行处理,对于灰度图像igray(i,j),其滤波后的图像其滤波后的图像if(i,j)中像素点(i,j)的值的计算方式为:其中,g(m,n)是高斯核的系数,k是高斯核的半径,经过滤波处理后,得到去噪后的图像if(i,j)。

11、优选的,所述预处理操作具体为:对去噪后的图像if(i,j)进行直方图均衡化处理,其均衡化后的图像:其中cdf是累积分布函数,n是图像的总像素数,经过直方图均衡化处理后,得到增强后的图像ie(i,j)。

12、优选的,所述图像信息提取如下:车载计算单元将增强后的图像ie(i,j)输入到深度学习模型中,得到交通标志的信息tsign、交通信号灯信息tlight、其他物体位置坐标(xobj,yobj)、其他物体速度vobj以及运动方向θob。

13、优选的,所述决策分析如下:数据分析平台进行速度分析决策,具体如下步骤:

14、ss1、数据分析平台对交通标志信息tsign分析得到限速值vsign,并根据限速值vsign和道路限速v,初步确定车辆目标速度:vtarget=min(vsign,v);

15、ss2、当检测到前方有车辆,车载计算单元计算本车与前方车辆的相对距离其中,(xobj-f,yobj-f)表示前车位置坐标,同时计算相对速度vrel=vtarget-vf,其中vf表示前车速度;

16、ss3、数据分析平台设立安全距离阈值ddef,当d<=ddef且vrel>0时,车辆控制单元进行速度调整,调整后的车辆速度vt=vtarget-k×vrel,,k为速度调整系数,用于控制调整幅度。

17、优选的,所述决策分析如下:数据分析平台进行速度分析决策,当道路为上坡时,车载计算单元计算上坡速度调整量△vup=k1×sin(α)×vtarget;当道路为下坡时,车载计算单元计算下坡速度调整量△vdown=k2×sin(α)×vtarget;其中k1、k2为与坡度相关的速度调整系数,α表示道路坡度,vtarget表示车辆目标速度;车辆控制单元再进行速度调整,调整后的车辆速度

18、优选的,所述决策分析如下:数据分析平台进行信号灯分析决策,数据分析平台根据交通信号灯信息tlight进行判断,当tlight处于红灯状态且车辆距离停止线距离ds-l满足车辆控制单元控制车辆停车,其中,vtarget表示车辆目标速度,ds-s表示安全停车距离,amax表示车辆最大制动加速度,trea表示无人驾驶响应时间;当tlight处于绿灯状态,车载计算单元计算车辆到达路口停止线所需的时间同时获取黄灯时间tyellow和绿灯剩余时间tgreen,若ta<=tgreen,车辆控制单元控制车辆正常行驶;若ta>tgreen+tyellow,,车辆控制单元控制车辆减速停车。

19、优选的,所述决策分析如下:数据分析平台进行碰撞分析决策,当图像信息中出现其他物体出现时,车载计算单元根据车辆位置坐标(xi,yi)、目标速度vtarget、其他物体位置坐标(xobj,yobj)、其他物体速度vobj以及运动方向θobj,计算相对距离并计算其他物体速度在x轴方向的分量为vobj-x=vobjcos(θobj),在y轴方向的分量为vobj-y=vobjsin(θobj),计算相对速度在x轴的分量为相对速度同时计算碰撞时间ttc=dr÷vr,数据分析平台建立碰撞阈值ttcdef,并进行分析判断,当ttcdef>=ttc,车载计算单元计算出计算所需加速度车辆控制单元执行减速操作。

20、本发明的技术效果和优点:

21、1、本发明通过车载图像采集系统多角度采集彩色图像数据,结合定位导航系统获取车辆实时位置、道路限速和坡度等信息,经车载计算单元预处理、信息提取后,数据分析平台进行综合决策分析。这种多系统协同工作的方式,能够全面获取车辆周边环境信息,使决策更加精准,有效避免了单纯依赖单一信息导致的决策失误,保障车辆在各种路况下都能保持合理速度行驶,提高了行驶安全性和稳定性;

22、2、本发明在图像预处理环节,依次进行灰度化、高斯滤波和直方图均衡化处理。灰度化处理将彩色图像转化为便于后续处理的灰度图像;高斯滤波有效去除图像噪声,提升图像质量;直方图均衡化增强了图像的对比度和特征。这些预处理操作相互配合,使得后续输入深度学习模型进行图像信息提取时,能够更准确地识别交通标志、信号灯、其他物体的位置、速度和运动方向等信息,提高了图像识别的精度,为无人驾驶的决策提供了可靠的数据支持;

23、3、本发明在决策分析方面,针对不同的路况和车辆状态制定了全面的决策策略。在速度分析决策中,不仅考虑交通标志和道路限速,还结合前车距离和速度、道路坡度进行动态调整;在信号灯分析决策中,能根据信号灯状态和车辆与停止线的距离、速度等信息,合理判断车辆是否停车或正常行驶;在碰撞分析决策中,通过精确计算相对距离、速度分量和碰撞时间,并与预设阈值对比,提前采取减速操作。这些策略使得车辆在复杂路况下能及时做出正确反应,有效降低了交通事故的发生概率,提升了无人驾驶的安全性。