[发明专利]基于机器视觉的自动驾驶智能机障碍物识别方法

权利要求书

1.一种基于机器视觉的自动驾驶智能机障碍物识别方法，其特征在于，包括如下步骤：

S1.获取障碍物三维信息以及与智能机的距离：利用3D相机拍摄障碍物，利用深度学习技术获取障碍物的三维信息以及与智能机之间的距离；

S2.对障碍物的危险等级进行评估：根据障碍物的三维信息以及障碍物与智能机之间的距离，结合智能机的行驶速度，对障碍物的风险等级进行评估，将障碍物的风险等级设为与障碍物的长度、宽度以及高度均正相关，将障碍物的风险等级设为与障碍物距离智能机的距离负相关，将障碍物的风险等级设为与智能机的行驶速度正相关，将障碍物的三维信息对障碍物风险等级评估带来的影响值设为障碍物自身识别指标，将智能机与障碍物的距离对障碍物风险等级带来的影响值记为反应距离指标，将智能机的行驶速度对障碍物风险等级带来的影响值记为行驶速度指标，障碍物的风险值评估公式为：

Z_A＝0.5I_ZS+0.25I_FY+0.25I_SD；

式中：Z_A记为障碍物的风险值，I_ZS记为障碍物自身识别指标，I_FY记为反应距离指标，I_SD记为行驶速度指标；

其中：障碍物自身识别指标、反应距离指标以及行驶速度指标的评估公式分为如下：

(1)障碍物自身识别指标的评估公式：

式中：x、y以及z分别表示障碍物的长度、宽度和高度；

(2)反应距离指标的评估公式：

式中：L记为智能机与障碍物之间的距离；

(3)行驶速度指标的评估公式：

式中：v记为智能机的行驶速度；

根据以上公式计算的障碍物风险值对障碍物的危险等级进行回归分析，将障碍物的危险等级分为一级和二级，其中一级的危险程度大于二级的危险程度；

S3.根据障碍物的危险等级进行分级预警：根据障碍物的危险等级，将障碍物危险等级为一级的障碍物，设置提醒的距离为200米，并在距离障碍物200米以后令智能机做出相适应的减速和方向调整，将障碍物危险等级为二级的障碍物，设置提醒距离为100米，并在距离障碍物100以后做出相适应的减速和方向调整。

2.如权利要求1所述的一种基于机器视觉的自动驾驶智能机障碍物识别方法，其特征在于，障碍物风险值的回归分析方式为：

设置一个线性变换变量δ，令δ＝μ*Z_A+ξ，利用数据分析软件件，结合模拟训练的障碍物信息、智能机行驶速度以及智能机与障碍物之间的距离，对线性变量δ进行训练，求解出μ以及ξ；

利用求解出来的μ以及ξ代入δ的表达式，对障碍物的风险值Z_A进行线性变换后变成δ，将δ作为自变量代入函数其中u记为函数f的自变量，使得障碍物风险值进行归一处理，利用f(δ)的函数值对障碍物风险值进行二分类，当0≤f(δ)0.5时，将障碍物的危险等级划分为二级，当0.5≤f(δ)≤1时，将障碍物的危险等级划分为一级。

3.如权利要求1所述的一种基于机器视觉的自动驾驶智能机障碍物识别方法，其特征在于，在调整方向时，智能机方向盘调整角度与风险等级负相关，与最大调整角度正相关，方向盘的角度调整公式为：

Angle＝A₀-2.5Z_A；

式中：Angle记为方向盘调整角度，A₀记为最大调整角度。

4.如权利要求3所述的一种基于机器视觉的自动驾驶智能机障碍物识别方法，其特征在于，最大调整角度A₀是关于智能机行驶速度的分段表达式，最大调整角度的表达式为：

5.如权利要求1所述的一种基于机器视觉的自动驾驶智能机障碍物识别方法，其特征在于，所述S1中获取障碍物三维信息以及与智能机距离的具体步骤为：

A1：利用3D相机拍摄障碍物信息的图像，形成图像样本集；

A2：卷积神经网络的卷积层利用卷积核处理本地输入的图像样本集，移动数据窗口，完成全部运算好用进行第二层的卷积核运算；

A3：数据进入池化层进行降采样，进行网络参数数量的降低；

A4：利用全连接层将卷积层和池化层所学习的特征对样本标记空间进行分布映射，将训练的图像和学习到的特征数据的三维信息映射到标签空间，实现数据降维；

A5：利用粗略相似性损失函数、精确性损失函数以及softmax损失函数组成的综合损失函数来限制训练速度，减少标签的更新数量；

A6：基于密集视差图的紧凑环境表示法对动态障碍物进行柱状像素分离，利用空间曾正则化的语义对障碍物类别和运动信息在重建场景模型中获取捕捉障碍物的相关信息，生成提案区域并对提案区域进行分类；

A7：从提案区域内获取障碍物的三维信息、智能机行驶速度以及智能机与障碍物的距离。