CN108445866B - 基于卷积神经网络的ldw误漏报测试方法及测试*** - Google Patents

基于卷积神经网络的ldw误漏报测试方法及测试*** Download PDF

Info

Publication number
CN108445866B
CN108445866B CN201810206344.6A CN201810206344A CN108445866B CN 108445866 B CN108445866 B CN 108445866B CN 201810206344 A CN201810206344 A CN 201810206344A CN 108445866 B CN108445866 B CN 108445866B
Authority
CN
China
Prior art keywords
ldw
alarm
false
neural network
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810206344.6A
Other languages
English (en)
Other versions
CN108445866A (zh
Inventor
杨为
张翔
唐小林
张书晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201810206344.6A priority Critical patent/CN108445866B/zh
Publication of CN108445866A publication Critical patent/CN108445866A/zh
Application granted granted Critical
Publication of CN108445866B publication Critical patent/CN108445866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于卷积神经网络的LDW误漏报测试方法：S1，设置摄像头；S2，设定最大横向距离L，并平均离散化为n个类；S3，采集实时图像A并输入到深度卷积神经网络模型，计算获得车道边线的实际距离di；S4，判断LDW***是否误报或漏报；S5，统计LDW***的误作率；一种测试***，包括图像采集装置、车载数据采集机构、分析器、运算处理器；所述图像采集装置连接分析器，所述运算处理器分别与分析器、车载数据采集机构连接。有益效果：本方法操作简单，识别速度快、识别精度高，对各路况的车道都适用；本测试***可以最简化地仅设置图像采集装置、车载数据采集机构、分析器和运算处理器，无需另设车道边线标尺即可全自动识别偏离情况。

Description

基于卷积神经网络的LDW误漏报测试方法及测试***
技术领域
本发明涉及汽车行驶报警***测试技术领域，具体的说，涉及一种基于卷积神经网络的LDW误漏报测试方法及测试***。
背景技术
车道偏离预警***(LDW)是指在车辆即将偏离预定行驶轨道时，***给予驾驶员报警的驾驶辅助***，尤其是现今无人驾驶车上，LDW可以为汽车的方向起到重要作用，因此，LDW的正确率对汽车安全行驶无比重要。
现有的测试LDW误报、漏报多采用人工测试，单纯的人眼在判断车道偏离时精度不够，造成测试出的结果也不一定达到标准；而一些电子识别路况的测试装置也是基于设有路面标尺的道路进行测试，对于无标尺的道路无法应用。
现有技术的缺点：缺少一种完全自主识别车到边线距离且判断LDW误漏报的方法。
发明内容
本发明的目的是提供一种基于卷积神经网络的LDW误漏报测试方法及测试***，完全应用于任意道路且无需设置标尺，识别精度高，测试速度快。
为达到上述目的，本发明采用的具体技术方案如下：
一种基于卷积神经网络的LDW误漏报测试方法，采用下列步骤：
S1，设置摄像头，令摄像头的采集图像为车身一侧到车道边线的路面图像；
S2，设定车身一侧到车道边线的最大横向距离L，并平均离散化该最大横向距离L为n个类；
S3，汽车行驶过程中所述摄像头采集实时图像A，并输入该实时图像A到深度卷积神经网络模型，所述深度卷积神经网络模型计算获得该时刻车身一侧到车道边线的实际距离di；
S4，运算处理器根据当前车速和LDW***工作状态判断所述实际距离di中LDW***是否误报或漏报；
S5，统计测试时间T内LDW***的误作率，并输出该误作率数据。
通过上述设计，只需预先训练好深度卷积神经网络模型，则任意道路都能快速识别车到边线的距离，再输入最大横向距离L就能判断汽车是否偏离，从而判断LDW误漏报情况，获得LDW的误作率。本方法操作简单，识别速度快、识别精度高，对各路况的车道都适用。
进一步描述，所述深度卷积神经网络模型依次为3个卷积层、2个全连接层、softmax层。
所述每个卷积层后均依次设置有Normalization层和Pooling层；
所述每个全连接层后均设置有Dropout层。
更进一步描述，所述最大横向距离L为1-2米；
令n＝322，其中，将最大横向距离L等距划分为320段，每一段的界限分别为0、1、…、320，共321个类，未识别到边线的情况为第322个类；
所述softmax层输出322个概率向量，最大的概率向量所对应的类即为实际距离di。
通过上述设计，softmax层输出的概率向量逐一对应划分的322类，比如，0类为车离边线距离为0，321类为车离边线距离为最大横向距离L，322类为未识别到车道边线，每一类对应车到边线的距离，从而判断是否偏离。
更进一步描述，步骤S4运算处理器判断是否误报或漏报的具体步骤如下：
S4.1，获取当前车速和实际距离di；
S4.2，判断当前车速是否大于行驶车速v，是，进入下一步，否则结束本次判断；
S4.3，判断汽车是否转向，是，进入S4.4，否则进入S4.5；
S4.4，读取LDW***是否报警，是，则该报警为误报，否则结束本次判断；
S4.5，根据所述实际距离di判断汽车是否偏离，并读取LDW***是否报警：若偏离时LDW***未报警，则为漏报，若未偏离时LDW***报警，则该报警为误报。
所述步骤S4.5的判断标准为BS ISO 17361：2007。
车道偏离判断应满足下列要求：车速大于等于偏离行驶的车速下限；汽车非转向。则通过上述设计，车速达到下限值时，汽车转向LDW报警即为误报，汽车非转向再判断偏离情况下LDW的报警是否误漏报。
一种测试***，包括图像采集装置，采集车侧面路况；
车载数据采集机构，实时读取车速、LDW是否报警；
分析器，采用深度卷积神经网络模型计算汽车车身一侧到车道边线的实际距离di；
运算处理器，判断实际距离di是否应该报警，并结合LDW的报警信息判断LDW是否误报、漏报；
所述图像采集装置连接分析器，所述运算处理器分别与分析器、车载数据采集机构连接。
基于前叙的测试方法，本测试***可以最简化地仅设置图像采集装置、车载数据采集机构、分析器和运算处理器，无需另设车道边线标尺即可全自动识别偏离情况，且精度更高、速度更快。
进一步描述，所述图像采集装置为2个摄像头，并分别安装在汽车两侧最大车宽距离处；
所述摄像头的采集方向为垂直于汽车行驶方向，且采集镜头朝向道路面。
更进一步描述，所述摄像头的采集方向与道路面夹角为θ。
本发明的有益效果：只需预先训练好深度卷积神经网络模型，则任意道路都能快速识别车到边线的距离，再输入最大横向距离L就能判断汽车是否偏离，从而判断LDW误漏报情况，获得LDW的误作率。本方法操作简单，识别速度快、识别精度高，对各路况的车道都适用；基于前叙的测试方法，本测试***可以最简化地仅设置图像采集装置、车载数据采集机构、分析器和运算处理器，无需另设车道边线标尺即可全自动识别偏离情况，且精度更高、速度更快。
附图说明
图1是测试方法的流程示意图
图2是实施例中深度卷积神经网络模型的结构示意图
图3是运算处理器判断是否误报或漏报的流程示意图
图4是测试***的结构示意图
图5是图像采集装置的安装示意图
图6是汽车行驶路况示意图
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明：
如图1所示，一种基于卷积神经网络的LDW误漏报测试方法，采用下列步骤：
S1，设置摄像头，令摄像头的采集图像为车身一侧到车道边线的路面图像；
S2，设定车身一侧到车道边线的最大横向距离L，并平均离散化该最大横向距离L为n个类；
S3，汽车行驶过程中所述摄像头采集实时图像A，并输入该实时图像A到深度卷积神经网络模型，所述深度卷积神经网络模型计算获得该时刻车身一侧到车道边线的实际距离di，如图6所示；
S4，运算处理器根据当前车速和LDW***工作状态判断所述实际距离di中LDW***是否误报或漏报；
S5，统计测试时间T内LDW***的误作率，并输出该误作率数据。
所述最大横向距离L为1.5米；
n＝322，其中，将最大横向距离L等距划分为320段，每一段的界限分别为0、1、…、320，共321个类，未识别到边线的情况为第322个类；
所述softmax层输出322个概率向量，最大的概率向量所对应的类即为实际距离di。
如图2所示，本实施例中所述深度卷积神经网络模型依次为3个卷积层、2个全连接层、softmax层。
作为优选，所述每个卷积层后均依次设置有Normalization层和Pooling层；
所述每个全连接层后均设置有Dropout层。
如图3所示，步骤S4运算处理器判断是否误报或漏报的具体步骤如下：
S4.1，获取当前车速和实际距离di；
S4.2，判断当前车速是否大于行驶车速v，是，进入下一步，否则结束本次判断；
S4.3，判断汽车是否转向，是，进入S4.4，否则进入S4.5；
S4.4，读取LDW***是否报警，是，则该报警为误报，否则结束本次判断；
S4.5，根据所述实际距离di判断汽车是否偏离，并读取LDW***是否报警：若偏离时LDW***未报警，则为漏报，若未偏离时LDW***报警，则该报警为误报。
所述步骤S4.5的判断标准为BS ISO 17361：2007。
如图4所示，一种所述基于卷积神经网络的LDW误漏报测试方法的测试***，包括图像采集装置、车载数据采集机构、分析器、运算处理器；
所述图像采集装置连接分析器，所述运算处理器分别与分析器、车载数据采集机构连接。
如图5所示，本实施例中所述图像采集装置为2个摄像头，并分别安装在汽车两侧最大车宽距离处；
所述摄像头的采集方向为垂直于汽车行驶方向，且采集镜头朝向道路面。
所述摄像头的采集方向与道路面夹角为θ。

Claims (6)

1.一种基于卷积神经网络的LDW误漏报测试方法，其特征在于采用下列步骤：
S1，设置摄像头，令摄像头的采集图像为车身一侧到车道边线的路面图像；
S2，设定车身一侧到车道边线的最大横向距离L，并平均离散化该最大横向距离L为n个类；
S3，汽车行驶过程中所述摄像头采集实时图像A，并输入该实时图像A到深度卷积神经网络模型，所述深度卷积神经网络模型计算获得该时刻车身一侧到车道边线的实际距离di；
S4，运算处理器根据当前车速和LDW***工作状态判断所述实际距离di中LDW***是否误报或漏报；
S5，统计测试时间T内LDW***的误作率，并输出该误作率数据；
所述深度卷积神经网络模型依次为3个卷积层、2个全连接层、softmax层；
所述每个卷积层后均依次设置有Normalization层和Pooling层；
所述每个全连接层后均设置有Dropout层；
所述最大横向距离L为1-2米；
令n＝322，其中，将最大横向距离L等距划分为320段，每一段的界限分别为0、1、…、320，共321个类，未识别到边线的情况为第322个类；
所述softmax层输出322个概率向量，最大的概率向量所对应的类即为实际距离di。
2.根据权利要求1所述的基于卷积神经网络的LDW误漏报测试方法，其特征在于：步骤S4运算处理器判断是否误报或漏报的具体步骤如下：
S4.1，获取当前车速和实际距离di；
S4.2，判断当前车速是否大于行驶车速v，是，进入下一步，否则结束本次判断；
S4.3，判断汽车是否转向，是，进入S4.4，否则进入S4.5；
S4.4，读取LDW***是否报警，是，则该报警为误报，否则结束本次判断；
S4.5，根据所述实际距离di判断汽车是否偏离，并读取LDW***是否报警：若偏离时LDW***未报警，则为漏报，若未偏离时LDW***报警，则该报警为误报。
3.根据权利要求2所述的基于卷积神经网络的LDW误漏报测试方法，其特征在于：所述步骤S4.5的判断标准为BSISO 17361：2007。
4.一种根据权利要求1-3任一项所述基于卷积神经网络的LDW误漏报测试方法的测试***，包括图像采集装置，其特征在于还包括：
车载数据采集机构，实时读取车速、LDW是否报警；
分析器，采用深度卷积神经网络模型计算汽车车身一侧到车道边线的实际距离di；
运算处理器，判断实际距离di是否应该报警，并结合LDW的报警信息判断LDW是否误报、漏报；
所述图像采集装置连接分析器，所述运算处理器分别与分析器、车载数据采集机构连接。
5.根据权利要求4所述的测试***，其特征在于：所述图像采集装置为2个摄像头，并分别安装在汽车两侧最大车宽距离处；
所述摄像头的采集方向为垂直于汽车行驶方向，且采集镜头朝向道路面。
6.根据权利要求5所述的测试***，其特征在于：所述摄像头的采集方向与道路面夹角为θ。
CN201810206344.6A 2018-03-13 2018-03-13 基于卷积神经网络的ldw误漏报测试方法及测试*** Active CN108445866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810206344.6A CN108445866B (zh) 2018-03-13 2018-03-13 基于卷积神经网络的ldw误漏报测试方法及测试***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810206344.6A CN108445866B (zh) 2018-03-13 2018-03-13 基于卷积神经网络的ldw误漏报测试方法及测试***

Publications (2)

Publication Number Publication Date
CN108445866A CN108445866A (zh) 2018-08-24
CN108445866B true CN108445866B (zh) 2021-06-08

Family

ID=63194146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810206344.6A Active CN108445866B (zh) 2018-03-13 2018-03-13 基于卷积神经网络的ldw误漏报测试方法及测试***

Country Status (1)

Country Link
CN (1) CN108445866B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3085746B1 (fr) * 2018-09-06 2021-04-30 Renault Sas Procede de detection de faux positifs d’un dispositif de traitement d’image d’une camera
CN111660928B (zh) * 2019-03-06 2021-11-23 杭州海康威视数字技术股份有限公司 车道偏离预警方法、装置和电子设备
CN110346767A (zh) * 2019-05-31 2019-10-18 上海思致汽车工程技术有限公司 一种针对汽车变道辅助功能的测试方法和装置
CN114112424A (zh) * 2021-10-15 2022-03-01 华人运通(上海)自动驾驶科技有限公司 车辆adas***横向控制功能的检测方法、设备及存储介质
CN114323677A (zh) * 2021-12-13 2022-04-12 一汽奔腾轿车有限公司 一种车辆紧急避让实车测试***及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201812368U (zh) * 2010-08-24 2011-04-27 清华大学 车道偏离报警***的测试装置
CN102336163A (zh) * 2011-08-31 2012-02-01 同济大学 车辆偏航检测装置
CN103496367A (zh) * 2013-10-23 2014-01-08 惠州华阳通用电子有限公司 一种车道偏离报警的错报检测方法及装置
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609483B (zh) * 2017-08-15 2020-06-16 中国科学院自动化研究所 面向驾驶辅助***的危险目标检测方法、装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201812368U (zh) * 2010-08-24 2011-04-27 清华大学 车道偏离报警***的测试装置
CN102336163A (zh) * 2011-08-31 2012-02-01 同济大学 车辆偏航检测装置
CN103496367A (zh) * 2013-10-23 2014-01-08 惠州华阳通用电子有限公司 一种车道偏离报警的错报检测方法及装置
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法

Also Published As

Publication number Publication date
CN108445866A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108445866B (zh) 基于卷积神经网络的ldw误漏报测试方法及测试***
US10481609B2 (en) Parking-lot-navigation system and method
EP3223196A1 (en) A method and a device for generating a confidence measure for an estimation derived from images captured by a camera mounted on a vehicle
CN106774313A (zh) 一种基于多传感器的室外自动避障agv导航方法
CN104573646A (zh) 基于激光雷达和双目相机的车前行人检测方法及***
US20130080359A1 (en) Assisting vehicle guidance over terrain
CN102800207A (zh) 交通信号检测***和方法
KR101797589B1 (ko) 교차로의 교통량 검출장치 및 방법
DE102019118210A1 (de) Vorrichtung und Verfahren zur Kompensation eines Richtungswinkels
CN108573611A (zh) 一种限速标识融合方法以及限速标识融合***
CN107796373A (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN110599853A (zh) 驾校智能教学***及方法
DE102022125062A1 (de) System und verfahren zum detektieren von strassen- und fahrspurverbindungen an kreuzungen
EP2405383A1 (en) Assisting with guiding a vehicle over terrain
CN107826105A (zh) 半透明自动驾驶人工智能***及车辆
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
US11983918B2 (en) Platform for perception system development for automated driving system
Cai et al. Robust road lane detection from shape and color feature fusion for vehicle self-localization
CN109816736A (zh) 车辆摄像头的自动标定方法、***、车载控制设备
CN113799715B (zh) 车辆异常原因的确定方法、装置、通信设备及存储介质
US11267477B2 (en) Device and method for estimating the attention level of a driver of a vehicle
CN111832365A (zh) 车道标记确定方法及装置
DE102019217212B3 (de) Verfahren und Steuereinrichtung zur Überwachung eines Fahrzeugzwischenbereichs
CN115688254A (zh) 自动驾驶风险预测方法、装置、存储介质及电子设备
CN108399357A (zh) 一种人脸定位方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant