一种基于改进的BP神经网络和帧差技术的道路识别技术
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用于车流量检测的虚拟检测线法需要提前对待检测的图 片或视频进行分析，确定图片或视频中路面位置信息，然后 以手动方式划定检测线，这种通过手动设定参数的方式效率 低无法做到智能化，目前大量交通监控摄像头探头是安装在 可控云台上的球机，随时可能转动，每次检测线参数都需要 随图片或视频的改变重新设定，无法通过手动设定方式实时 重新划定检测线，影响系统实时要求。以自动方式设定虚拟 检测线的位置，可实现系统智能识别出图片或视频中路面方 位，根据路面位置和走向智能设定检测线参数。
建立搜索自动步长 BP 神经网络并用学习样本数据进行 训练，网络收敛之后可以作为判定当前位置是否为车道的分 类器。实际识别道路时，输入统计当前扫描位置的白色像素 点数和连续的白色像素点段数归一化后的数据，网络输出值 就是当前扫描位置是否为车道的判决结果。
算法设计
算法步骤如下： （1）获取交通视频图像一帧图片，图片上下分 N 段， 扫描线平分 M 段，设扫描线线起始点位置处表示车辆占有长 度。 （2）初始化 BP 神经网络，用获得的学习样本进行训练。 （3）获得相邻两帧的帧差图像。 （4）采用高斯滤波方式排除噪声干扰点。 （5）使用迭代算法算得二值化阈值，帧差图像中像素 值大于二值化阈值的属于车辆位置，像素值小于二值化阈值 的属于背景位置。使用该阈值获得二值化图像，并去除图像 中的孤立点。 （6）从左向右和从右向左扫描定位左右旋转点，再通 过旋转扫描获得道路左右边界线，同时在旋转扫描线的交叉 位置标定起始点。过程如图 1（a）所示。 （6）以起始点为旋转点，道路左右边界线分别绕起始 点旋转外扩 3 度为开始和终止位置，以每次旋转 1 度为步长， 扫描整个道路区域。过程如图 1（b）所示。 平分当前扫描线为 M 区段，从起始点开始查找白色像 素段，找到白色像素段计算中心点到起始点距离 x，像素 段长度 LCount，如果像素段中心点位于第 i 个区段中，且 LCount>TL，则白线段数 LC（i）++。 将当前的 LC[M] 输入学习好的 BP 网络，获取 BP 网络 的输出结果。当 BP 网络的输出前一条扫描线结果为非道路 而从本次开始连续 3 次变为是道路时，记录当前扫描线的位 置为车道左边界线。当 BP 网络的输出前一条扫描线结果为 是道路而从本次开始连续三次变为非道路时，记录当前扫描 线的位置为车道右边界线。过程如图 1 所示。 （8）如果扫描完毕，识别出的车道线为 4 对左右边界线； 从左向右依次取相邻的右边界线和左边界线的中间位置为相 邻两车道的分界线，结束； 否则，n++，转（4）。
道路识别的主流方法是形态学和边缘检测技术，如文献 等介绍的方法，传统道路检测算法由于不能很好的排除路面 各种干扰所以的检测效果不能达到很好的预期。本文依据通 过动态物体识别静态路面这一思想，引入改进的神经网络作 为分类器，利用神经网络的容错特性排除帧差图像中的干扰， 提高识别准确率，提出一种基于改进的神经网络和帧差技术 识别道路位置的算法。
对于去孤立点后的二值化图像通过从左向右和从右向左 扫描定位左右旋转点，再通过旋转扫描获得道路左右边界线， 同时在旋转扫描线的交叉位置标定起始点用于接下来的旋转 扫描。
以起始点为旋转点，道路左右边界线分别绕起始点旋转 外扩 3°为开始和终止位置，以每次旋转 1°为步长，扫描 整个道路区域。按照视场由远到近的方向把扫描线划平分成 的 M 个区段，根据区段的大小设定相应的连续性阈值，统计 每个区段连续度大于阈值的白线段数。统计的数据作为 BP 神经网络的学习样本时，M 个区段的连续度大于阈值的白线 段数作为网络输入值，人工判定当前扫描位置是否为车道作 为网络目标输出值。
针对传统的道路检测方法存在流程繁杂，容易被干扰，检测效果不 令人满意等问题，本文依据有车辆通过的位置为路这一思想，利用识别 运动物体实现识别静态物体的思想，在此基础之上引入改进的神经网络 作为分类器，提出一种神经网络和帧差技术相结合的道路位置识别算法。 利用改进神经网络的学习能力，提高了道路位置检测的准确率。
自动较优步长 BP 算法
在 BP 网络中，当步长大时，权值的修改大，学习速率 快，但有可能产生振荡。当步长 h，学习速率慢但稳定性好。 在应用场景中，如何使学习步长随环境状态的变化智能改变， 使学习过程具有自适应性研究。
本文采用自动较优步长算法，首先设定步长和步长选择 向量。选择样本 P，先前计算输入信号、输出信号以及误差， 如果不误差在允许误差范围内，则计算每层神经元的梯度。 更换步长计算网络每层网络的输入和输出信号，计算样本误 差选取使样本误差最小的步长， 不断循环，直到样本误差在 允许误差范围内停止，完成样本学习 。
搜索较优步长 BP 算法 传统 BP 网络
BP 网 络， 是 1986 年 由 Rumelhart 和 McCelland 提 出的一种神经网络模型，最基本的 BP 网络由输入层、隐层 和输出层组成，按误差逆向传播进行训练，BP 网络模型包
括其输入输出模型、作用函数模型、误差计算模型和自学习 模型。
算法思想与分析
本文算法的思想是根据车辆运行轨迹识别道路位置，但 是针对基于累计帧差技术的道路识别方法需要大量输入图片 的问题，引入神经网络直接在相邻帧差图像上判定车道线， 利用神经网络良好的分类性能和抗干扰能力，可以将需要的 输入图片量减少到只要 2~4 帧，明显提高算法运行的效率和 稳定性。
算法思想如下： 将道路监控视频中相邻两帧图像采用帧差算法处理得到 帧差图像，对帧差图像进行滤波、消噪和平滑处理，使用阈 值分割得到帧差图像的二值图像，分割后白色像素部分表示 车辆所在位置，黑色像素部分表示路面背景位置。 为排除行人和其他干扰，考虑到行人和其他干扰面积比 较小，所以对得到的二值化图像进行去孤立点的操作，并根
◎ 201 万～ 500 万
中国科技信息 2018 年第 13 期·CHINA SCIENCE AND TECHNOLOGY INFORMATION Jul.2018 DOI：10.3969/j.issn.1001- 8972.2018.13.035
可实现度
可替代度
行业曲线
link
郇洪江 1 郇红艳 2
appraisement
industry
1. 江苏省生态环境监控中心；2. 阜阳师范学院 郇洪江（1983 －）男，江苏连云港人，江苏省生态环境监控中心（江苏省环境信 息中心），工程师，硕士，主要研究方向为环境信息、人工智能。
影响力
真实度 行业关联度
一种基于改进的 BP 神经网络和 帧差技术的道路识别技术
-96-
2018-13 (最终).indd 96
2018/6/26 19:59:05
CHINA SCIENCE AND TECHNOLOGY INFORMATION Jul.2018·中国科技信息 2018 年第 13 期
201 万～ 500 万◎
据图像距离摄像ห้องสมุดไป่ตู้位置的远近设定不同的阈值，可以有效的 去除干扰。
建立搜索自动步长 BP 神经网络并用学习样本数据进行 训练，网络收敛之后可以作为判定当前位置是否为车道的分 类器。实际识别道路时，输入统计当前扫描位置的白色像素 点数和连续的白色像素点段数归一化后的数据，网络输出值 就是当前扫描位置是否为车道的判决结果。
算法设计
算法步骤如下： （1）获取交通视频图像一帧图片，图片上下分 N 段， 扫描线平分 M 段，设扫描线线起始点位置处表示车辆占有长 度。 （2）初始化 BP 神经网络，用获得的学习样本进行训练。 （3）获得相邻两帧的帧差图像。 （4）采用高斯滤波方式排除噪声干扰点。 （5）使用迭代算法算得二值化阈值，帧差图像中像素 值大于二值化阈值的属于车辆位置，像素值小于二值化阈值 的属于背景位置。使用该阈值获得二值化图像，并去除图像 中的孤立点。 （6）从左向右和从右向左扫描定位左右旋转点，再通 过旋转扫描获得道路左右边界线，同时在旋转扫描线的交叉 位置标定起始点。过程如图 1（a）所示。 （6）以起始点为旋转点，道路左右边界线分别绕起始 点旋转外扩 3 度为开始和终止位置，以每次旋转 1 度为步长， 扫描整个道路区域。过程如图 1（b）所示。 平分当前扫描线为 M 区段，从起始点开始查找白色像 素段，找到白色像素段计算中心点到起始点距离 x，像素 段长度 LCount，如果像素段中心点位于第 i 个区段中，且 LCount>TL，则白线段数 LC（i）++。 将当前的 LC[M] 输入学习好的 BP 网络，获取 BP 网络 的输出结果。当 BP 网络的输出前一条扫描线结果为非道路 而从本次开始连续 3 次变为是道路时，记录当前扫描线的位 置为车道左边界线。当 BP 网络的输出前一条扫描线结果为 是道路而从本次开始连续三次变为非道路时，记录当前扫描 线的位置为车道右边界线。过程如图 1 所示。 （8）如果扫描完毕，识别出的车道线为 4 对左右边界线； 从左向右依次取相邻的右边界线和左边界线的中间位置为相 邻两车道的分界线，结束； 否则，n++，转（4）。
道路识别的主流方法是形态学和边缘检测技术，如文献 等介绍的方法，传统道路检测算法由于不能很好的排除路面 各种干扰所以的检测效果不能达到很好的预期。本文依据通 过动态物体识别静态路面这一思想，引入改进的神经网络作 为分类器，利用神经网络的容错特性排除帧差图像中的干扰， 提高识别准确率，提出一种基于改进的神经网络和帧差技术 识别道路位置的算法。
对于去孤立点后的二值化图像通过从左向右和从右向左 扫描定位左右旋转点，再通过旋转扫描获得道路左右边界线， 同时在旋转扫描线的交叉位置标定起始点用于接下来的旋转 扫描。
以起始点为旋转点，道路左右边界线分别绕起始点旋转 外扩 3°为开始和终止位置，以每次旋转 1°为步长，扫描 整个道路区域。按照视场由远到近的方向把扫描线划平分成 的 M 个区段，根据区段的大小设定相应的连续性阈值，统计 每个区段连续度大于阈值的白线段数。统计的数据作为 BP 神经网络的学习样本时，M 个区段的连续度大于阈值的白线 段数作为网络输入值，人工判定当前扫描位置是否为车道作 为网络目标输出值。
针对传统的道路检测方法存在流程繁杂，容易被干扰，检测效果不 令人满意等问题，本文依据有车辆通过的位置为路这一思想，利用识别 运动物体实现识别静态物体的思想，在此基础之上引入改进的神经网络 作为分类器，提出一种神经网络和帧差技术相结合的道路位置识别算法。 利用改进神经网络的学习能力，提高了道路位置检测的准确率。
自动较优步长 BP 算法
在 BP 网络中，当步长大时，权值的修改大，学习速率 快，但有可能产生振荡。当步长 h，学习速率慢但稳定性好。 在应用场景中，如何使学习步长随环境状态的变化智能改变， 使学习过程具有自适应性研究。
本文采用自动较优步长算法，首先设定步长和步长选择 向量。选择样本 P，先前计算输入信号、输出信号以及误差， 如果不误差在允许误差范围内，则计算每层神经元的梯度。 更换步长计算网络每层网络的输入和输出信号，计算样本误 差选取使样本误差最小的步长， 不断循环，直到样本误差在 允许误差范围内停止，完成样本学习 。
搜索较优步长 BP 算法 传统 BP 网络
BP 网 络， 是 1986 年 由 Rumelhart 和 McCelland 提 出的一种神经网络模型，最基本的 BP 网络由输入层、隐层 和输出层组成，按误差逆向传播进行训练，BP 网络模型包
括其输入输出模型、作用函数模型、误差计算模型和自学习 模型。
算法思想与分析
本文算法的思想是根据车辆运行轨迹识别道路位置，但 是针对基于累计帧差技术的道路识别方法需要大量输入图片 的问题，引入神经网络直接在相邻帧差图像上判定车道线， 利用神经网络良好的分类性能和抗干扰能力，可以将需要的 输入图片量减少到只要 2~4 帧，明显提高算法运行的效率和 稳定性。
算法思想如下： 将道路监控视频中相邻两帧图像采用帧差算法处理得到 帧差图像，对帧差图像进行滤波、消噪和平滑处理，使用阈 值分割得到帧差图像的二值图像，分割后白色像素部分表示 车辆所在位置，黑色像素部分表示路面背景位置。 为排除行人和其他干扰，考虑到行人和其他干扰面积比 较小，所以对得到的二值化图像进行去孤立点的操作，并根
◎ 201 万～ 500 万
中国科技信息 2018 年第 13 期·CHINA SCIENCE AND TECHNOLOGY INFORMATION Jul.2018 DOI：10.3969/j.issn.1001- 8972.2018.13.035
可实现度
可替代度
行业曲线
link
郇洪江 1 郇红艳 2
appraisement
industry
1. 江苏省生态环境监控中心；2. 阜阳师范学院 郇洪江（1983 －）男，江苏连云港人，江苏省生态环境监控中心（江苏省环境信 息中心），工程师，硕士，主要研究方向为环境信息、人工智能。
影响力
真实度 行业关联度
一种基于改进的 BP 神经网络和 帧差技术的道路识别技术
-96-
2018-13 (最终).indd 96
2018/6/26 19:59:05
CHINA SCIENCE AND TECHNOLOGY INFORMATION Jul.2018·中国科技信息 2018 年第 13 期
201 万～ 500 万◎
据图像距离摄像ห้องสมุดไป่ตู้位置的远近设定不同的阈值，可以有效的 去除干扰。