[发明专利]基于GA-BP神经网络的障碍物尺寸预测系统及方法

权利要求书

1.一种基于GA-BP神经网络的障碍物尺寸预测系统，其特征在于，包括：

机器视觉模块，用于获取障碍物的像素尺寸信息；

距离测量模块，用于获取障碍物到摄像机的距离信息；

尺寸预测模块，尺寸预测模块与机器视觉模块、距离测量模块相连，基于障碍物的像素尺寸信息和障碍物到摄像机的距离信息预测障碍物实际尺寸参数；

误差调整模块，误差调整模块与尺寸预测模块相连，用于将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整尺寸预测模块中GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。

2.一种根据权利要求1所述的预测系统的基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，包括以下步骤：

步骤一：通过机器视觉模块获取障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a；

步骤二：通过距离测量模块获取障碍物到摄像机的距离L；

步骤三：将像素尺寸宽w、像素尺寸高h、像素面积a、障碍物到摄像机的距离L、障碍物实际尺寸宽W、实际尺寸高H以及实际面积A通过数据归一化处理，得到训练集和测试集；

步骤四：以像素尺寸宽w、像素尺寸高h、像素面积a以及障碍物到摄像机的距离L作为BP神经网络的输入参数，以障碍物实际尺寸宽W、实际尺寸高H以及实际面积A作为输出参数，并采用遗传算法优化BP神经网络的权值和阈值，通过步骤三得到的归一化后的训练集数据对模型进行训练，获得GA-BP神经网络的障碍物尺寸预测模型；

步骤五：将障碍物尺寸预测模型的数据经过反归一化处理后得到障碍物预测尺寸，即预测尺寸宽W、预测尺寸高H以及预测面积A；

步骤六：将预测尺寸值与障碍物实际尺寸值比较，经过误差分析并反馈到尺寸预测模块，调整GA-BP神经网络的训练次数、训练目标及学习速率参数，以获得最优的障碍物尺寸预测模型。

3.根据权利要求2所述的基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，所述步骤一具体过程为：

1-1)图像预处理：获取原始图像，将三通道彩色图像转换为三个单通道灰度图像，并将三个单通道图像从RGB空间转化成HSV空间，获得对比明显的灰度图像，采用加权平均法得到预处理图像；

1-2)阈值分割：将预处理后的图像按像素灰度幅度进行分割，并二值化，根据直方图谷底确定阈值法将目标区域分离出来；

1-3)Blob分析：首先计算连通域，将目标从像素级转换到连通分量级，接着对每个目标进行特征量计算，包括面积、周长、质心坐标特征，最终获得目标区域信息；

1-4)仿射变换：对图像进行平移和旋转的复合几何变换，校正图像的平移和旋转角度，使得每次在同一位置测量图像像素尺寸；

1-5)边缘提取：首先采用Gauss滤波器平滑图像，然后用一阶偏导的有限差分来计算梯度的幅值和方向，最后对梯度幅值进行非极大值抑制，以得到细化的边缘；

1-6)获得障碍物图像像素尺寸宽w、像素尺寸高h以及像素面积a。

4.根据权利要求2所述的基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，所述步骤四具体步骤如下：

4-1)构建BP神经网络障碍物尺寸预测模型，确定4个输入层节点、12个隐含层节点以及3个输出层节点；

4-2)采用遗传算法优化BP神经网络的权值和阈值，弥补BP神经网络容易陷入局部最优的缺陷：第一步，初始化遗传算法个体编码；第二步，将BP神经网络训练得到的误差作为适应度值；第三步，采用遗传算法的选择、交叉及变异操作对个体进行筛选；第四步，计算适应度值；第五步，判断是否达到最大迭代次数或者精度，如果没有达到，将转移第三步；第六步，最终获得BP神经网络最优的权值和阈值；

4-3)将获得的最优权值和阈值替换BP神经网络初始的权值和阈值，BP神经网络经训练后预测输出，最终获得基于GA-BP神经网络的障碍物尺寸预测模型。

5.根据权利要求2所述的基于GA-BP神经网络的障碍物尺寸预测方法，其特征在于，所述步骤六中，采用测试集的测试数据评估GA-BP神经网络模型性能的优劣，比较GA-BP神经网络模型的预测数据与测试数据，通过计算皮尔逊相关系数R²、均方根误差RMSE以及平均绝对百分比误差MAPE来评估障碍物尺寸预测模型的拟合程度，最后将结果反馈到障碍物尺寸预测模型，调整GA-BP神经网络的训练次数、训练目标及学习速率，当皮尔逊相关系数R²大于0.999、均方根误差RMSE小于5.573、平均绝对百分比误差MAPE小于2.84％则达到目标，使GA-BP神经网络模型达到最优。