技术领域
[0001] 本实用新型
实施例涉及卷积神经网络技术领域，具体涉及一种卷积神经网络路况监测器。
背景技术
[0002] 卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的
前馈神经网络(FeedforwardNeuralNetworks)，是
深度学习(deeplearning)的代表
算法之一。卷积神经网络仿造
生物的视知觉机制构建，可以进行
监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如
像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
[0003] 利用卷积神经网络的路况监测系统可以通过给驾驶员提醒和指导来降低交通事故的发生率。基于视觉的道路检测是驾驶员辅助系统的关键，能够为障碍物检测提供线索，而且是无人驾驶中场景理解的
基础，有利于路径规划。
[0004] 通常，道路可以分为结构化道路和非结构化道路。结构化道路是指具有明显的道路标识线、清晰的道路边界、特殊的
颜色信息的道路，如高速公路、城市道路等，其道路检测问题可以简化为道路标识线检测问题，相关技术研究已经非常成熟。非结构化道路指结构化程度较低，没有清晰的车道线和道路边界的道路，针对非结构化道路的检测方法尚处于研究阶段。
[0005] 由于道路环境复杂多变以及光线、
水渍、阴影、复杂障碍物等因素的影响，道路区域和非道路区域更加难以区分，而应用在该监测器中卷积神经网络的
输入层则无法实现准确的对路况图像的一维数组或二维数组的时间
频谱采样，并由于光线、水渍、阴影、复杂障碍物等因素的影响，卷积神经网络的卷积层对于输入数据的特征提取将出现偏差，道路监测的鲁棒性和实用性降低。实用新型内容
[0006] 为此，本实用新型实施例提供一种卷积神经网络路况监测器，解决了由于光线、水渍、阴影、复杂障碍物等因素的影响，卷积神经网络的卷积层对于输入数据的特征提取将出现偏差，道路监测的鲁棒性和实用性降低的问题。
[0007] 为了实现上述目的，本实用新型的实施方式提供如下技术方案：
[0008] 一种卷积神经网络路况监测器，包括安装在壳体上的用于获取路况原始图像的摄像机阵列组，用于遮挡在摄像机阵列组的光学路径上偏光过滤片，且偏光过滤片通过
角度转动装置安装在壳体上，以及安装在摄像机阵列组背侧的若干个自
编码器。
[0009] 作为本实用新型的一种优选方案，所述摄像机阵列组至少包括一个主摄像机和一个副摄像机组，所述副摄像机组由若干个固定拍摄角度的微型相机组成，所述主摄像机和副摄像机组设置在同一直径的球面上。
[0010] 作为本实用新型的一种优选方案，若干个所述自编码器的数量和摄像机阵列组的数量相同。
[0011] 作为本实用新型的一种优选方案，所述偏光过滤片呈弧形，所述偏光过滤片的圆心角为120°。
[0012] 作为本实用新型的一种优选方案，所述角度转动装置包括安装在壳体上的
舵机，所述偏光过滤片的顶部通过连接件连接舵机的
输出轴。
[0013] 作为本实用新型的一种优选方案，所述自编码器采用的是降噪自动编码器DA。
[0014] 本实用新型的实施方式具有如下优点：
[0015] 本实用新型中，将在偏振滤光片作用下副摄像机组拍摄的图像作为对比图像，并提取特征向编码器添加一个表达编码作为主摄像机拍摄的特征规则，由于偏光过滤片作用下副摄像机组拍摄的原始图像过滤了光线的影响，在后续的图像
叠加卷积的过程中能够清晰的判断主摄像机拍摄的图像的具体特征内容，从而提高二次卷积的准确度。
附图说明
[0016] 为了更清楚地说明本实用新型的实施方式或
现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0017] 本
说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本实用新型可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本实用新型所能产生的功效及所能达成的目的下，均应仍落在本实用新型所揭示的技术内容得能涵盖的范围内。
[0018] 图1为本实用新型实施方式中路况监测器结构示意图图；
[0019] 图2为本实用新型实施方式中摄像机阵列组结构示意图；
[0020] 图3为本实用新型实施方式中偏光过滤片结构示意图。
[0021] 图中：
[0022] 1-壳体；2-摄像机阵列组；3-偏光过滤片；4-角度转动装置；5-自编码器；
[0023] 201-主摄像机；202-副摄像机；
[0024] 401-舵机；402-连接件。
具体实施方式
[0025] 以下由特定的具体实施例说明本实用新型的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本实用新型的其他优点及功效，显然，所描述的实施例是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
[0026] 如图1、图2和图3所示，本实用新型提供了一种卷积神经网络路况监测器，包括安装在壳体1上的用于获取路况原始图像的摄像机阵列组2，用于遮挡在摄像机阵列组2的光学路径上偏光过滤片3，且偏光过滤片3通过角度转动装置4安装在壳体1上，以及安装在摄像机阵列组2背侧的若干个自编码器5。
[0027] 本实用新型通过摄像机阵列组2进行路况原始图像的采集，摄像机阵列组2至少包括一个主摄像机201和一个副摄像机组202，主摄像机201用于采集路况的整体，并动态的形成图像截图，主摄像机201截取的图像通过自编码器5进行卷积神经网络的第一卷积神经网络的输入，副摄像机组202由若干个固定拍摄角度的微型相机组成，主摄像机201和副摄像机组202设置在同一直径的球面上，副摄像机组202用于对路况原始图像的二次采集，并采集在偏光过滤片3作用下的路况原始图像，并通过与之连接的自编码器5对图形进行特征提取；
[0028] 自编码器5是一个3层或者大于3层的神经网络，由三部分组成，编码器(encoder)、隐含层(hidden)和
解码器(decoder)。
[0029] 自编码器5将输入表达X编码为一个新的表达Y，然后再将Y解码回X。这是一个利用主摄像机和副摄像机组图像组合提取输入数据的非监督学习算法，使用反向传播算法来训练网络使得输出等于输入。
[0030] 例如，当自编码器5对主摄像机和副摄像机组拍摄的数据进行数据分析时，隐含层
节点数d比输入层节点数n小时，就可以得到一个输入的压缩表达式，进而将在偏振滤光片作用下副摄像机组202拍摄的图像作为对比图像，并提取特征向编码器添加一个表达X编码作为主摄像机201拍摄的特征规则，由于偏光过滤片3作用下副摄像机组202拍摄的原始图像过滤了光线的影响，在后续的图像叠加卷积的过程中能够清晰的判断主摄像机201拍摄的图像的具体特征内容，从而提高二次卷积的准确度。
[0031] 当d比n大时，添加一些限制，比如稀疏限制，会得到类似于稀疏编码的结果。
[0032] 若干个自编码器5的数量和摄像机阵列组2的数量相同。
[0033] 偏光过滤片3呈弧形，偏光过滤片3的圆心角为120°。
[0034] 角度转动装置4包括安装在壳体1上的舵机401，偏光过滤片3的顶部通过连接件402连接舵机401的输出轴。
[0035] 自编码器5采用的是降噪自动编码器DA，降噪自编码器5在自编码器5的基础上，在输入中加入随机噪声再传递给自编码器5，通过自编码器5来重建出无噪声的输入。
[0036] 加入随机噪声的方式有很多种。该过程随机的把输入的一些位(最多一半位)设置为0，这样降噪自编码器5就需要通过没有被污染的位来猜测被置为零的位。能够从数据的抽样部分预测整体数据的任何子集是在该抽样中能够找到变量联合分布的充分条件(Gibbs抽样的理论依据)，这说明去噪自编码器5能够从理论上证明潜在表示能够获取到输入的所有有效特征。
[0037] 进一步地，本实用新型中的若干个微型相机的拍摄角度根据卷积网络自编码器5的二维卷积神经网络的输入层算法确定的感受野决定。
[0038] 虽然，上文中已经用一般性说明及具体实施例对本实用新型作了详尽的描述，但在本实用新型基础上，可以对之作一些
修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本实用新型精神的基础上所做的这些修改或改进，均属于本实用新型要求保护的范围。
