基于Resnet-101深度学习网络的路面类型识别研究.docx

?

?

基于Resnet-101深度学习网络的路面类型识别研究

?

?

叶向阳毛传龙王海升袁世龙

摘要：近年来，智能驾驶汽车已成为智能工业时代较有前景的发展方向，而作为智能车的关键技术的重要组成部分及重要研究方向之一，环境感知能为智能汽车的加速度控制、轨迹控制、燃油经济性的改善、安全性和舒适性的提高等方面提供重要依据。到目前为止，相较于由人工算法来提取的HOG、LBP等特征，深度学习能够提取到较为丰富的非人工提取的特征。本文基于迁移学习，通过Resnet-101深度学习网络实现对路面类型进行识别，训练所得的模型对本文给出的四种路面类型的识别准确率可达98.33%，相较于使用此前较为常用的Alexnet、GoogLenet等网络有着较为明显的提升，在相同的迭代次数的条件下，Resnet-101的准确率较高，且在道路实车试验中取得了良好的表现。

关键词：迁移学习卷积神经网络路面类型识别

ResearchonRoadTerrainRecognitionbasedonResnet-101DeepLearningNetwork

YeXiangyangMaoChuanlongWangHaishengYuanShilong

Abstract：Inrecentyears，intelligentvehiclehasbecomeamorepromisingdevelopmentdirectionintheeraofintelligentindustry.Asanimportantcomponentofthekeytechnologyofintelligentvehicleandoneoftheimportantresearchdirections，environmentperceptioncanprovideimportantbasisfor?accelerationcontrol，trajectorycontrol，improvementoffueleconomy，improvementofsafetyandcomfortofintelligentvehicle.Uptonow，comparedwithHOG，LBPandotherfeaturesextractedbyartificialalgorithms，depthlearningcanextractmoreabundantnon-artificialfeatures.Basedontransferlearning，thispaperrealizestherecognitionofroadsurfacetypesthroughResnet-101deeplearningnetwork.Therecognitionaccuracyofthefourroadsurfacetypesgiveninthispapercanreach98.33%withthetrainingmodel.ComparedwithAlexnetandGoogLenet，whicharecommonlyusedbefore，thismodelhasamoreobviousimprovement.Undertheconditionofthesamenumberofiterations，theaccuracyofResnet-101ishigher，andithasachievedgoodperformanceintheroadtest.

Keywords：transferlearning，convolutionalneuralnetworks，roadterrainrecognition

1前言

隨着智能车领域的逐渐发展，环境感知技术作为车辆行驶时决策控制以及路径规划的依据。而路面类型识别作为环境感知技术的一项重要指标，也逐渐引起了该领域学者的重视。在车辆行驶时，实时识别所在路面的类型，可以高效地帮助车辆提高行驶时的安全性、舒适性以及燃油经济性，同时也能为智能车决策控制以及路径规划提供重要依据，如文献[1]中依据路面类型的识别调整相应的悬架控制策略。

早在2005年，文献[2]便提出了基于破损密度因子特征的五种破损路面程度的识别方法。在此之后，文献[3]提出了基于车轮振动信号的路面类型识别方法;文献[4]提出了基于激光雷达信号的路面类型识