论文部分内容阅读
摘要：近些年来，自动驾驶汽车很受大家的欢迎，但是在雨雪雾这种异常天气下自动驾驶汽车对交通标志牌的识别还存在着很大的难度以及还没有较高的准确度，所以对此方面进行深入研究是很有必要的。
关键词：自动驾驶、雨雪雾、异常天气、交通标志识别、STM32核心板、WIFI数传模块
在近些年来，随着全球科学技术的发展，在很大程度上推动了世界汽车领域的技术大变革，进而促进了无人驾驶技术的出现和发展。然而对于我们关心的无人自动驾驶技术来说，在异常天气下对交通标志的识别无疑是一个需要克服的重大难题，所以我们团队针对异常天气下的交通标志识别展开了如下研究。
自动驾驶技术一般情况下可以分为环境感知、决策规划和车辆控制三大部分。目前，自动驾驶相关的公司大都已经做到了自动驾驶汽车在正常天气状况下的控制，但在恶劣天气环境（主要是雨、雪、雾天气）下，自动驾驶能力就会被大大削弱，并且还存在着不少较难突破的技术难题。另外我们从前几年来公安部交管局发布的可靠数据获知，近年来我国汽车持有量也在迅速增长，单从2006年的5千万增长到2016年的1.84亿辆，复合增长率就高达14%。根据国家信息中心不完全统计，2020年我国汽车保有量已达到2.5亿辆，然而随着汽车数量越来越多，事故发生率也大大增加，仅2019年一年国内发生了5.04万件交通案件，导致2.5万人丧生以及4.68万人不同程度受伤，特别是在雨雪雾等极端恶劣天气下，交通事故的发生率要比平常要多20%左右。因为在雨雪雾等恶劣天气下空气能见度低、视线差，所以导致自动驾驶汽车不能很好地识别交通标志，这是造成交通事故的一个重要因素。相关数据显示，传统汽车在恶劣天气环境下的事故数量占到总事故数量很大的比例，尤其是在大雨、雾天、大雪天这种比较恶劣的条件下，都会造成对交通标志的识别错误。对于正处于研发阶段的自动驾驶汽车而言，就更是如此。即便是正常天气，像谷歌、福特这种高科技企业研发的自动驾驶汽车也会有对交通标志错误识别的情况，再加上雨雪雾这种恶劣天气的干扰，系统就会变得更加地不稳定。在自动驾驶的三大部分中，环境感知系统受这种雨雪雾极端恶劣天气的影响最为严重。环境感知系统主要依赖于摄像头、激光雷达和毫米波雷达等各种传感器对周围环境的扫描来处理并获得车辆运行的数字环境。本来每种感知设备都会有其自己特有的属性和一些不可避免的局限性，如果再遇到雨雪雾这种恶劣天气，感知能力就会受到很大程度上的削弱甚至说是丧失。所以对异常天气下的交通标志识别进行深入研究有很大的需要。
首先为了模仿最真实的无人驾驶汽车的运行状态，我们选择了一套市面上评价不错的智能小车配件组装了一台智能避障小车，小车采用STM32核心板及L293D驱动扩展板作为驱动，还配备了抗干扰马达、舵机、超声波传感器、红外避障等监测重要模块。在小车运动过程中通过WIFI数传摄像头模块将摄像头的画面，也就是模拟过异常天气的交通标志牌，传到电脑终端或者手机终端，通过拍照截图功能将所拍到的交通标志保存下来，然后通过我们改进的算法进行处理并识别，会很大程度提高雨雪雾等恶劣天气下交通标志识別的准确度。在实验过程中为了真实模仿雨雪雾等恶劣天气下的交通标志的情形，我们对于不同的恶劣天气进行不同方法的模拟情景：其中对于“雨”天气，我们在交通标志前上方进行洒水操作;对于“雾”天气，我们采用在交通标志下方放置一台空气加湿器，通过不断的喷出水雾来高度模拟雾天气;对于“雪”天气，我们通过在交通标志牌的上方不断地撒与雪花大小以及薄厚程度相似的泡沫来模仿。
接下来就是我们对传回来的交通标志牌进行算法处理以及识别的内容。交通标志识别包括两个关键的步骤：其一是对交通标志的有效区域进行检测;其二是对获取得到的有效区域进行分类和识别。我们了解到如果运用基于梯度下降算法的深层网络就会帮助我们从众多的数据中学习并且得到很多高维又复杂的非线性的特征，因而基于梯度下降算法的深层网络就成为了我们进行雨雪雾异常天气下交通标志牌识别图像识别的首要选择。在传统对图像进行识别的系统中，一般都是通过手工设计出来的一些特征提取器来帮助完成特征提取任务然后再对一些不相关的信息进行消除，如果使用这种方法的话，不仅效率会变得低下，客观性也会较差。 基于梯度下降算法的深层网络，则可以直接将WIFI数传模块传回来的原始图像或是经过一些简单预处理的图像作为系统输入，之后再通过构建多个隐含层，从低维度特征至高维度特征，逐层抽取出来，再将边缘局部的组合形成纹理，纹理再构成区域，那么区域最终就会形成我们所想要的目标。
我们的具体做法是先要使用传统的暗原色估计算法对雨雪雾异常天气下的交通标志图像作去异常处理后出现的光环效应，设计出一种多尺度的窗口的自适应暗原色估计算法，之后再通过对WIFI数传模块传回来的图像进行边缘检测处理并根据景深边缘信息改变所设计窗口的尺寸进而会得到自适应效果的暗原色估计图。除此之外，还要针对含雨雪雾异常天气下交通标志图像进行去异常处理之后出现的明亮区域失真现象，设计出一种具有自适应效应的透射率修复的图像算法。然后再针对传统识别算法中对异常天气下交通标志识别正确率较低的问题，引入神经网络来对异常天气下的交通标志进行识别。
总而言之，整个过程可以总结为通过组装的智能避障小车来模拟真实的无人驾驶汽车状态，然后通过不同的操作比如洒水、泼洒泡沫以及放置空气加湿器来分别模仿自动驾驶过程中的雨雪雾异常天气。在这种环境中，在小车路线前方放置特制的交通标志牌，进而让小车搭载的WIFI数传模块将在模拟的异常天气下的交通标志图像传回来，然后运用进行基于梯度下降算法的深层网络对传回来的图像作深一步的处理，以达到想要的结果。
关键词：自动驾驶、雨雪雾、异常天气、交通标志识别、STM32核心板、WIFI数传模块
在近些年来，随着全球科学技术的发展，在很大程度上推动了世界汽车领域的技术大变革，进而促进了无人驾驶技术的出现和发展。然而对于我们关心的无人自动驾驶技术来说，在异常天气下对交通标志的识别无疑是一个需要克服的重大难题，所以我们团队针对异常天气下的交通标志识别展开了如下研究。
自动驾驶技术一般情况下可以分为环境感知、决策规划和车辆控制三大部分。目前，自动驾驶相关的公司大都已经做到了自动驾驶汽车在正常天气状况下的控制，但在恶劣天气环境（主要是雨、雪、雾天气）下，自动驾驶能力就会被大大削弱，并且还存在着不少较难突破的技术难题。另外我们从前几年来公安部交管局发布的可靠数据获知，近年来我国汽车持有量也在迅速增长，单从2006年的5千万增长到2016年的1.84亿辆，复合增长率就高达14%。根据国家信息中心不完全统计，2020年我国汽车保有量已达到2.5亿辆，然而随着汽车数量越来越多，事故发生率也大大增加，仅2019年一年国内发生了5.04万件交通案件，导致2.5万人丧生以及4.68万人不同程度受伤，特别是在雨雪雾等极端恶劣天气下，交通事故的发生率要比平常要多20%左右。因为在雨雪雾等恶劣天气下空气能见度低、视线差，所以导致自动驾驶汽车不能很好地识别交通标志，这是造成交通事故的一个重要因素。相关数据显示，传统汽车在恶劣天气环境下的事故数量占到总事故数量很大的比例，尤其是在大雨、雾天、大雪天这种比较恶劣的条件下，都会造成对交通标志的识别错误。对于正处于研发阶段的自动驾驶汽车而言，就更是如此。即便是正常天气，像谷歌、福特这种高科技企业研发的自动驾驶汽车也会有对交通标志错误识别的情况，再加上雨雪雾这种恶劣天气的干扰，系统就会变得更加地不稳定。在自动驾驶的三大部分中，环境感知系统受这种雨雪雾极端恶劣天气的影响最为严重。环境感知系统主要依赖于摄像头、激光雷达和毫米波雷达等各种传感器对周围环境的扫描来处理并获得车辆运行的数字环境。本来每种感知设备都会有其自己特有的属性和一些不可避免的局限性，如果再遇到雨雪雾这种恶劣天气，感知能力就会受到很大程度上的削弱甚至说是丧失。所以对异常天气下的交通标志识别进行深入研究有很大的需要。
首先为了模仿最真实的无人驾驶汽车的运行状态，我们选择了一套市面上评价不错的智能小车配件组装了一台智能避障小车，小车采用STM32核心板及L293D驱动扩展板作为驱动，还配备了抗干扰马达、舵机、超声波传感器、红外避障等监测重要模块。在小车运动过程中通过WIFI数传摄像头模块将摄像头的画面，也就是模拟过异常天气的交通标志牌，传到电脑终端或者手机终端，通过拍照截图功能将所拍到的交通标志保存下来，然后通过我们改进的算法进行处理并识别，会很大程度提高雨雪雾等恶劣天气下交通标志识別的准确度。在实验过程中为了真实模仿雨雪雾等恶劣天气下的交通标志的情形，我们对于不同的恶劣天气进行不同方法的模拟情景：其中对于“雨”天气，我们在交通标志前上方进行洒水操作;对于“雾”天气，我们采用在交通标志下方放置一台空气加湿器，通过不断的喷出水雾来高度模拟雾天气;对于“雪”天气，我们通过在交通标志牌的上方不断地撒与雪花大小以及薄厚程度相似的泡沫来模仿。
接下来就是我们对传回来的交通标志牌进行算法处理以及识别的内容。交通标志识别包括两个关键的步骤：其一是对交通标志的有效区域进行检测;其二是对获取得到的有效区域进行分类和识别。我们了解到如果运用基于梯度下降算法的深层网络就会帮助我们从众多的数据中学习并且得到很多高维又复杂的非线性的特征，因而基于梯度下降算法的深层网络就成为了我们进行雨雪雾异常天气下交通标志牌识别图像识别的首要选择。在传统对图像进行识别的系统中，一般都是通过手工设计出来的一些特征提取器来帮助完成特征提取任务然后再对一些不相关的信息进行消除，如果使用这种方法的话，不仅效率会变得低下，客观性也会较差。 基于梯度下降算法的深层网络，则可以直接将WIFI数传模块传回来的原始图像或是经过一些简单预处理的图像作为系统输入，之后再通过构建多个隐含层，从低维度特征至高维度特征，逐层抽取出来，再将边缘局部的组合形成纹理，纹理再构成区域，那么区域最终就会形成我们所想要的目标。
我们的具体做法是先要使用传统的暗原色估计算法对雨雪雾异常天气下的交通标志图像作去异常处理后出现的光环效应，设计出一种多尺度的窗口的自适应暗原色估计算法，之后再通过对WIFI数传模块传回来的图像进行边缘检测处理并根据景深边缘信息改变所设计窗口的尺寸进而会得到自适应效果的暗原色估计图。除此之外，还要针对含雨雪雾异常天气下交通标志图像进行去异常处理之后出现的明亮区域失真现象，设计出一种具有自适应效应的透射率修复的图像算法。然后再针对传统识别算法中对异常天气下交通标志识别正确率较低的问题，引入神经网络来对异常天气下的交通标志进行识别。
总而言之，整个过程可以总结为通过组装的智能避障小车来模拟真实的无人驾驶汽车状态，然后通过不同的操作比如洒水、泼洒泡沫以及放置空气加湿器来分别模仿自动驾驶过程中的雨雪雾异常天气。在这种环境中，在小车路线前方放置特制的交通标志牌，进而让小车搭载的WIFI数传模块将在模拟的异常天气下的交通标志图像传回来，然后运用进行基于梯度下降算法的深层网络对传回来的图像作深一步的处理，以达到想要的结果。