一种基于图像处理和深度学习的汽车智能灯光调节系统的制作方法

本发明涉及照明与图像领域，具体涉及一种基于图像处理和深度学习的汽车智能灯光调节系统。
背景技术：
：随着经济的高速发展，道路交通愈发便利，越来越多的人购买了汽车，由此，道路交通安全问题也凸显而出。每年由于交通事故死亡的人数令人触目惊心，其中由于汽车灯光使用不规范所引起的交通事故也不在少数。而由于司机手动调节不够及时所引起的一些问题，主要包括汽车大灯的开关，夜间行车，远近光灯的切换，爬坡时上方光照不足引起的视野不佳等等，都为行车安全埋下了隐患。数字图像处理技术源于20世纪20年代，可以帮助人们更客观、准确地认识世界，人的视觉系统可以帮助人类从外界获取3/4以上的信息，而图像、图形又是所有视觉信息的载体，尽管人眼的鉴别力很高，可以识别上千种颜色，但很多情况下，图像对于人眼来说是模糊的甚至是不可见的，通过图象增强技术，可以使模糊甚至不可见的图像变得清晰明亮。深度学习起源于人工神经网络的研究，作为机器学习的一个分支，在图像分类检测方面具有很大的优势。本发明基于图像处理技术和深度学习，具体为一种基于图像处理和深度学习的汽车智能灯光调节系统。技术实现要素：针对以上技术问题，本发明提供一种基于图像处理和深度学习的汽车智能灯光调节系统以自动根据外界环境的变化进行汽车灯光的调整。一种基于图像处理和深度学习的汽车智能灯光调节系统，其特征在于，主要包括：定时装置，图像采集装置，图像处理模块。所述图像处理模块分别与图像采集装置和定时装置连接，图像采集装置实时拍摄车外环境，定时装置每隔一秒钟发送信号至图像处理模块，图像处理模块接收到信号后，自动对图像采集装置中拍摄的当前画面进行图像处理以及识别，根据当前图像的平均灰度值判断是否打开汽车大灯；在汽车大灯打开的前提下，根据图像处理模块的识别结果，自动切换远近光灯；在汽车大灯打开的前提下，根据图像处理模块的识别结果，自动调整大灯照射角度。所述图像采集装置，即汽车前置摄像头，与图像处理模块连接，安装于汽车车头部位。所述汽车大灯的自动开关，是由图像处理模块对当前图像进行灰度化处理，计算平均灰度，平均灰度由下式可得：其中h为所求得的平均灰度，p(x,y)为灰度化后图像中坐标为(x,y)处的像素值，m,n为当前图像的长和宽，若平均灰度h<100，则发送信号至汽车中控，打开汽车大灯，若平均灰度h>100，则发送信号至汽车中控，关闭汽车大灯。所述汽车大灯远近光灯的自动切换，是在汽车大灯打开的情况下，由图像处理模块对采集到的当前图像进行识别，识别过程使用深度学习的方法，本发明采用的网络模型为inception-v3网络模型。针对本发明对车辆检测的要求，对原网络进行一定修改，使得最后的输出为有车或无车两种结果，输入路况图片，训练得到本发明所需要的网络模型。该网络模型主要包括一个卷积核为3*3，步长为2的卷积层，一个卷积核为3*3，步长为1的卷积层，一个卷积核为3*3，步长为1，扩边层数为1的扩边卷积层，一个过滤器大小为3*3，步长为2的池化层，一个卷积核为3*3，步长为1的卷积层，一个卷积核为3*3，步长为2的卷积层，一个卷积核为3*3，步长为1的卷积层，之后经过共计10层的inception结构，进入过滤器为8*8的池化层，最后经过线性回归通过激活函数(softmax)进行输出。所述的inception-v3网络模型在训练过程中，softmax层将输出车辆检测结果，表达式如下：其中σ(z)i为概率分布，k为类别数目，在本发明中k为2，zi为输出中i类别对应的值。其次，针对本发明中判断有无车辆这一二分类问题，在inception-v3网络模型训练过程中，采用二分类交叉熵损失函数，使用梯度下降法更新权重参数，所述的损失函数定义如下：其中为期望值，yi为网络实际输出值,n是样本数，只有和yi是相等时，loss才为0，否则loss就是为一个正数。而且，概率相差越大，loss就越大。对网络参数进行随机初始化后，我们采用梯度下降算法反向更新权重值，每一次迭代计算梯度，然后对参数进行更新，如下：δθt＝-α*gt其中t为迭代次数，α为学习率，gt为梯度，θt为网络参数，f()为损失函数。当检测到图像中存在其他车辆时，则发送信号至汽车中控，切换大灯模式为近光，若未检测到图像中存在其他车辆，则发送信号至汽车中控，切换大灯模式为远光。所述汽车大灯照射角度的自动调整，是在汽车大灯打开的情况下，由图像处理模块对采集到的当前图像进行识别，借助车道线通过透视变换判断前方是否有弯道。具体的，对采集到的路况图像进行透视变换，将图像视角转换为鸟瞰图，保证检测的准确性，本发明中默认图像采集装置的最大水平仰角为12°，最大垂直仰角为90°，焦距为793mm，则二维坐标转三维坐标矩阵式子如下所示：其中w和h为截取图像区域的宽度和高度,在获得鸟瞰图之后，对图像中的车道线进行霍夫变换圆检测，如果检测到前方转弯，则调整车灯向转弯方向倾斜，照亮更多转弯方向的区域。附图说明：图1为本发明一种基于图像处理和深度学习的汽车智能灯光调节系统的框图图2为本发明一种基于图像处理和深度学习的汽车智能灯光调节系统的流程图图3为本发明一种基于图像处理和深度学习的汽车智能灯光调节系统中第一个inception结构图图4为本发明一种基于图像处理和深度学习的汽车智能灯光调节系统中第二个inception结构图图5为本发明一种基于图像处理和深度学习的汽车智能灯光调节系统中第三个inception结构图具体实施方式如图1所示，本发明一种基于图像处理和深度学习的汽车智能灯光调节系统包括定时装置，图像采集装置，图像处理模块，汽车中控以及汽车大灯。定时装置与图像处理模块连接，每隔一秒钟触发一次信号，使图像处理模块对采集到的当前图像进行图像预处理以及识别工作。图像采集装置，即汽车前置摄像头，安装于车头部位，与图像处理模块连接，实时拍摄车外环境及情况。图像处理模块包括图像预处理功能以及识别功能，与汽车中控连接，基于图像处理的结果，给中控发送信号控制汽车大灯的开关，远近光灯的切换以及照射角度的调整。如图2所示，在汽车启动后，图像采集装置自动打开开始工作，对车外情况进行拍摄，并将采集到的图像传输给相连的图像处理模块。之后定时器开始工作，每隔一秒钟触发一次信号，与之相连接的图像处理模块得到触发信号之后，自动对当前图像进行图像预处理，计算当前图像的平均灰度值h，平均灰度由下式可得：其中h为所求得的平均灰度，p(x,y)为灰度化后，图像中坐标为(x,y)处的像素值，m,n为当前图像的长和宽，若h<100，则判断当前车外光线不足，发送信号给中控，自动打开汽车大灯，若h>100，则判断当前车外光线充足，发送信号给中控，自动关闭汽车大灯。在汽车大灯打开的情况下，定时器触发图像处理模块对当前图像进行识别，当检测到当前图像中存在对向车辆或其他车辆时，则判断处于会车或跟车过程，发送信号至汽车中控，切换大灯模式为近光，若未检测到图像中存在其他车辆，则发送信号至汽车中控，切换大灯模式为远光。识别方法采用深度学习的方式，本发明采用的网络模型为inception-v3网络模型。针对本发明对车辆检测的要求，对原网络进行一定修改，使得最后的输出为有车或无车两种结果，输入路况图片，训练得到本发明所需要的网络模型。改进后的inception-v3网络模型结构如表1所示，表1inception-v3-1d网络结构类型卷积核/步长输入数据尺寸卷积层3*3/2299*299*1卷积层3*3/1149*149*32扩边卷积层3*3/1147*147*32池化层3*3/2147*147*64卷积层3*3/173*73*64卷积层3*3/271*71*80卷积层3*3/135*35*1923*inception如图335*35*2885*inception如图417*17*7682*inception如图58*8*1280池化层8*8/18*8*2048线性回归logits1*1*2048激活函数(softmax)classifier1*1*2该网络模型主要包括一个卷积核为3*3，步长为2的卷积层，一个卷积核为3*3，步长为1的卷积层，一个卷积核为3*3，步长为1，扩边层数为1的扩边卷积层，一个过滤器大小为3*3，步长为2的池化层，一个卷积核为3*3，步长为1的卷积层，一个卷积核为3*3，步长为2的卷积层，一个卷积核为3*3，步长为1的卷积层，之后经过共计10层的inception结构，进入过滤器为8*8的池化层，最后经过线性回归通过激活函数(softmax)进行输出。所述的inception-v3网络模型在训练过程中，softmax层将输出车辆检测结果，表达式如下：其中σ(z)i为概率分布，k为类别数目，在本发明中k为2，zi为输出中i类别对应的值。其次，针对本发明中判断有无车辆这一二分类问题，在inception-v3网络模型训练过程中，采用二分类交叉熵损失函数，使用梯度下降法更新权重参数，所述的损失函数定义如下：其中为期望值，yi为网络实际输出值,n是样本数，只有和yi是相等时，loss才为0，否则loss就是为一个正数。而且，概率相差越大，loss就越大。对网络参数进行随机初始化后，我们采用梯度下降算法反向更新权重值，每一次迭代计算梯度，然后对参数进行更新，如下：δθt＝-α*gt其中t为迭代次数，α为学习率，gt为梯度，θt为网络参数，f()为损失函数。同样在汽车大灯打开的情况下，由图像处理模块对采集到的当前图像进行识别，借助车道线通过透视变换判断前方是否有弯道。具体的，对采集到的路况图像进行透视变换，将图像视角转换为鸟瞰图，保证检测的准确性，本发明中默认图像采集装置的最大水平仰角为12°，最大垂直仰角为90°，焦距为793mm，则二维坐标转三维坐标矩阵式子如下所示：其中w和h为截取图像区域的宽度和高度,在获得鸟瞰图之后，对图像中的车道线进行霍夫变换圆检测，如果检测到前方转弯，则调整车灯向转弯方向倾斜，照亮更多转弯方向的区域。本发明一种基于图像处理和深度学习的汽车智能灯光调节系统，相比于当下的人为手动调节灯光，更加自动化，避免了人为手动调节带来的疲劳和迟钝，规范了夜间行车的灯光使用，消除了行车过程中由于灯光调节问题带来的安全隐患，一定程度上避免了交通事故的发生。当前第1页12