一种基于ReliefF-DBN的自动驾驶偏离处理方法

摘要

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。

说明书

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

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；

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。

进一步，步骤4中训练ReliefF-DBN车道线循迹模型的过程可以表示为：

车辆在行驶过程中需要通过车道线来匹配行车的角度，以此来调整行车的自动驾驶路线，作为训练数据集，需要人为的为车道线图像标注行车的匹配航向角，利用数据集来训练ReliefF-DBN车道线循迹。

步骤4.1，通过步骤3提取图像中的车道线数据，并标注行车的匹配航向角，得到车道线数据集；

步骤4.2，将车道线数据作为输入，行车的匹配航向角作为输出，利用ReliefF算法计算得到每一维车道线数据对于匹配航向角的重要性权重：

步骤4.2.1初始化每一维车道线数据重要性权重W[A]＝0，A＝1,2,...,a，a为车道线维数

步骤4.2.2在训练集u(i)中随机选出一维车道线数据值E

步骤4.2.3在训练集中找出k个和E最近邻的车道线数据H

步骤4.2.4在训练集中找出k个和E不同类的最近邻车道线数据M

步骤4.2.5计算车道线数据重要性权重：

式中p(C)表示第C类行车匹配航向角的概率；Class(E)表示E所属的匹配航向角类别；m是样本个数；diff(A,R

重复步骤4.2.2至步骤4.2.5可得每一维车道线数据的重要性权重W[A]，若重要性权重小于0.5，则删除该维的车道线数据，删除后的车道线数据和行车匹配航向角组成新的数据集D。

步骤4.3，使用新建立的数据集D，将删除后的车道线数据作为输入，行车匹配航向角作为输出训练DBN网络，DBN网络中受限玻尔兹曼机参数的训练更新规则如下：

Δω

Δa

Δb

式中，Δω

进一步，步骤5中校准车辆速度和角度参数的过程可以表示为：

首先，通过实时图像采集系统采集车道线图像；再经过步骤3提取路面行驶图像中的车道线图像，并分割出车道线图像；然后将车道线图数据输入到训练完成的ReliefF-DBN车道线循迹模型中，输出行车的匹配航向角度；最后根据当前车辆运行的航向角度，控制系统控制车辆的速度和转向角来匹配航向角度。

本发明一种基于ReliefF-DBN的自动驾驶偏离处理方法，有益效果：本发明的技术效果在于：

1.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；

2.本发明利用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；

3.本发明利用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。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提出了一种基于ReliefF-DBN的自动驾驶偏离处理方法，旨在提高自动驾驶技术的行车精度，同时提高算法模型再恶劣环境中的稳定性和鲁棒性。图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。

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

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。

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4中训练ReliefF-DBN车道线循迹模型的过程可以表示为：

车辆在行驶过程中需要通过车道线来匹配行车的角度，以此来调整行车的自动驾驶路线，作为训练数据集，需要人为的为车道线图像标注行车的匹配航向角，利用数据集来训练ReliefF-DBN车道线循迹。

步骤4.1，通过步骤3提取图像中的车道线数据，并标注行车的匹配航向角，得到车道线数据集；

步骤4.2，将车道线数据作为输入，行车的匹配航向角作为输出，利用ReliefF算法计算得到每一维车道线数据对于匹配航向角的重要性权重：

步骤4.2.1初始化每一维车道线数据重要性权重W[A]＝0，A＝1,2,...,a，a为车道线维数

步骤4.2.2在训练集u(i)中随机选出一维车道线数据值E

步骤4.2.3在训练集中找出k个和E最近邻的车道线数据H

步骤4.2.4在训练集中找出k个和E不同类的最近邻车道线数据M

步骤4.2.5计算车道线数据重要性权重：

式中p(C)表示第C类行车匹配航向角的概率；Class(E)表示E所属的匹配航向角类别；m是样本个数；diff(A,R

重复步骤4.2.2至步骤4.2.5可得每一维车道线数据的重要性权重W[A]，若重要性权重小于0.5，则删除该维的车道线数据，删除后的车道线数据和行车匹配航向角组成新的数据集D。

步骤4.3，使用新建立的数据集D，将删除后的车道线数据作为输入，行车匹配航向角作为输出训练DBN网络，DBN网络中受限玻尔兹曼机参数的训练更新规则如下：

Δω

Δa

Δb

式中，Δω

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5中校准车辆速度和角度参数的过程可以表示为：

首先，通过实时图像采集系统采集车道线图像；再经过步骤3提取路面行驶图像中的车道线图像，并分割出车道线图像；然后将车道线图数据输入到训练完成的ReliefF-DBN车道线循迹模型中，输出行车的匹配航向角度；最后根据当前车辆运行的航向角度，控制系统控制车辆的速度和转向角来匹配航向角度。

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。当检测到前面存在障碍物时，车辆减速运行，并判断是否可以实现避障，若能避障则换道避障行驶，若不能成功避障则启动停车模式，同时将路面情况发送给后台人员，实施人工干预。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。