欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021116687678
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,包括如下步骤:S1:构建混合冰雪路面道路历史监控视频数据及其对应的环境参数数据集、实时车载视频数据及其对应的环境参数数据集和路面阴影图像数据集;

S2:离线训练,分别得到背景提取模型、路面区域分割模型、路面阴影检测与消除模型、路面状态识别模型,构建路面状态检测系统;

S3:在线识别,将各个站点监控设备录制的实时监控视频传输至路面状态检测系统1中,输出路面状态检测结果1并保存;

S4:车载摄像头实时拍摄前方道路视频,传输至路面状态检测系统2中,输出路面状态检测结果2,利用路面状态检测结果1修正路面状态检测结果2,得到最终的路面状态检测结果3,从而达到实时检测冰雪路面附着系数的目的;

S5:根据路面类型与路面附着系数映射关系,得到车辆前方的冰雪路面附着系数的实时估计值;

步骤2中所述的路面状态检测系统,训练步骤如下:

S2-1、利用混合高斯背景建模算法得到背景提取模型,使用背景提取模型从监控视频中获取静态背景,为路面区域分割做准备;

S2-2、对混合冰雪路面道路历史监控视频数据集进行标注,标注出路面区域和非路面区域,建立道路路面区域分割数据集,用于训练基于注意力机制的3D CNN卷积神经网络,得到路面区域分割模型;

S2-3、利用路面阴影数据集,训练基于全局信息分析的阴影DSC特征的阴影检测算法以检测路面的阴影部分,再训练基于循环生成对抗网络消除路面阴影,由此得到路面阴影检测与消除模型;

S2-4、对混合冰雪路面道路历史监控视频数据及其对应的环境参数数据集进行像素级的标注,构建路面状态数据集,同时利用数据增强技术对数据集进行扩增,训练多模块卷积神经网络,从而得到路面状态识别模型。

2.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于:所述步骤S1中,所述冰雪路面包括:松雪路面、雪板路面、雪浆路面、冰板路面、半融化冰板路面、黑冰路面;所述环境参数包括:太阳辐射强度、时刻、路面温度、空气温度、降水量、降雪量,其中利用路面监控设备、车载摄像头采集不同冰雪路面的视频数据,同时利用气象站采集不同视频数据对应的环境参数,利用手持相机及网络爬虫等方式采集不同路面状态下的阴影数据。

3.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S2-1中所述的背景提取模型采用混合高斯背景建模算法,具体步骤如下:Step1:采用多个单高斯模型对视频图像中每个像素点进行表述,其相应的数学表达式定义像素点的概率如式(1-1)所示:p(x)=*[ω

其中N为混合高斯模型中单高斯模型的个数,取值为3-5之间,ωStep2:为了使得每个新像素值I(x,y,t)匹配到合适的高速分布模型,将其与当前N个模型按式(1-3)进行比较;

其中,设

Step3:若像素点被判定为背景,则需要对各模式的权值系数进行更新,新的权值为式(1-4);

ω

其中,α∈(0,1)为系数更新过程中的学习因子,即更新的速度;

Step4:分别按照式(1-5)、式(1-6)对各模式的均值与方差进行更新;

μ

σ

其中,ρ为均值和方差的学习率,反应的是高斯分布参数的收敛速度,可由α计算得到式(1-7):Step5:若新像素点不满足任何高斯模型的匹配条件,则替换权重最小的高斯模型,即当前像素值为该模式的均值,权值为较小值,标准差为初始较大值;

Step6:根据ω

Step7:最后取前N个模型作为视频建模后背景进行组合,其中参数T为背景所占的比例,ω

4.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S2-2所述的基于注意力机制的3D CNN卷积神经网络;具体为:将3D CNN与双通道CBAM注意力机制模块融合,双通道注意力机制模块包括通道注意力机制和空间注意力机制。

5.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S2-3所述的循环生成对抗网络具体为:构建两个生成对抗网络,一个生成对抗网络用于实现含阴影的路面在阴影掩膜的指导下至消除阴影路面的转换,另一个生成对抗网络用于无阴影的路面在同一阴影掩膜的指导下至含阴影路面图像的重构,生成路面阴影检测与消除模型,最终实现对含阴影路面图像的阴影消除。

6.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S2-4所述的多模块卷积神经网络具体为:路面状态数据集用于训练基于残差结构的3D CNN卷积神经网络,环境参数用于训练全连接神经网络,最后由全连接层将基于残差结构的3D CNN和全连接神经网络进行连接,得到最终的路面状态识别结果,其中基于残差结构的3D CNN具体为:以前馈神经网络为基础,增加一个跳跃式的连接以此来绕过原始结构中的一部分。

7.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S2-4中所述的数据增强技术包括:平移转换、翻转改变、数据裁剪、多比例缩放、扭曲以及使用均值文件等方法。

8.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S3具体包括以下步骤:S3-1、将各站点监控设备实时录制的监控视频传输至路面状态检测系统1中;

S3-2、通过背景提取模型实现对视频静态背景的提取;

S3-3、从所提取的背景中加载路面分割模型完成路面区域的分割,将分割后的路面区域视频帧保存至本地;

S3-4、路面阴影检测与消除模型对路面区域数据中出现的阴影进行检测并消除,并将消除阴影后的路面区域视频帧保存至本地;

S3-5、路面状态识别模型加载出消除阴影的路面区域视频帧,对其状态进行识别,并用不同深度的颜色表示不同的路面状态,输出所监测路面段的状态图;

S3-6、保存输出的路面状态检测结果1。

9.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S4具体包括以下步骤:S4-1、将车载摄像头实时拍摄的前方道路视频传输至路面状态检测系统2中;

S4-2、通过背景提取模型实现对视频静态背景的提取;

S4-3、从所提取的背景中加载路面分割模型完成路面区域的分割,将分割后的路面区域视频帧保存至本地;

S4-4、路面阴影检测与消除模型对路面区域视频帧中出现的阴影进行检测并消除,并将消除阴影后的路面区域视频帧保存至本地;

S4-5、路面状态识别模型加载出消除阴影的路面区域视频帧,对其状态进行识别,并用不同深度的颜色表示不同的路面状态,输出路面状态检测结果2;

S4-6、利用路面状态检测结果1对路面状态检测结果2进行修正,得到最终的路面状态检测结果3。

10.根据权利要求1所述的基于视频数据的混合冰雪路面附着系数实时估计方法,其特征在于,步骤S5中所述的路面类型与路面附着系数映射关系具体如表1-1所示表1-1不同路面状态附着系数