买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南科技大学

摘要：本发明公开了一种基于语义分割的障碍物尺寸预测与不确定性分析方法，包括以下步骤：搭建基于语义分割的障碍物图像信息获取平台，获取障碍物的位置、最大像素宽度和最大像素高度；利用差分进化算法结合麻雀优化算法DE‑SSA优化广义回归神经网络GRNN的平滑因子，构建以障碍物最大像素宽度、最大像素高度和障碍物到摄像机的距离为输入参数，以障碍物最大实际宽度和最大实际高度为输出参数的障碍物尺寸预测模型，获得障碍物最大实际宽度和最大实际高度。本发明采用差分进化算法结合麻雀优化算法优化GRNN模型的光滑因子，解决了麻雀优化算法SSA容易陷入局部最优解的问题，能获得全局最优的光滑因子。

主权项：1.一种基于语义分割的障碍物尺寸预测与不确定性分析方法，其特征在于，包括以下步骤：步骤一：搭建基于语义分割的障碍物图像信息获取平台，从原始图像中分割出障碍物的区域，并获取障碍物的位置、最大像素宽度和最大像素高度；步骤二：利用差分进化算法结合麻雀优化算法DE-SSA优化广义回归神经网络GRNN的平滑因子，构建以障碍物最大像素宽度、最大像素高度和障碍物到摄像机的距离为输入参数，以障碍物最大实际宽度和最大实际高度为输出参数的障碍物尺寸预测模型；所述步骤二具体过程为：2-1确定GRNN模型的输入和输出参数：以障碍物的像素宽度w、像素高度h和障碍物到摄像机的距离L作为GRNN模型的输入参数，以障碍物的实际宽度W和实际高度H作为GRNN模型的输出参数；2-2输入和输出数据归一化：对输入和输出数据进行归一化处理，使得每个指标的数据范围在[-1,1]之间；2-3设置参数：设置的参数包括差分进化算法中比例因子下限beta-min、比例因子上限beta-max和交叉概率PCR；麻雀搜索算法SSA中变量数dim、最大迭代次数MaxIter、麻雀种群数量n、探索者的数量PD和侦察者的数量SD；2-4初始化麻雀种群：麻雀种群用n×dim维矩阵Q表示： 其中qn,dim表示第n只麻雀在第dim维时的位置信息；2-5执行差分进化算法的变异和交叉操作：将麻雀种群中每个个体初始化成不同的向量，随机选取多个不同的向量，通过向量之间的加减和缩放运算，得到区别于初始种群的变异个体，变异操作具体公式为：Vit+1＝Qr1t+beta·Qr2t-Qr3t式中，Vit+1为第i个变异个体，i∈1,2,…,n；beta为缩放因子，其取值范围为[beta_min,beta_max]，r1,r2,r3∈[1,n]，且r1≠r2≠r3；为了提高麻雀种群的多样性，交换变异向量Vi和目标向量Qi之间的部分信息，生成新的备选个体，同时也保留了变异个体与原个体之间的信息，交叉操作公式为： 式中，PCR为交叉概率；此处是一个分段函数，otherwise表示在其他情况下，目标向量等于新的变量组，没有变化；2-6计算适应度值并寻找最优适应度对应的个体：麻雀种群的适应度值F计算如公式为： 其中f为个体适应度值；对所有个体的适应度值进行排序，并找到最优适应度个体Qbest和最差适应度个体Qworst；2-7更新探索者的位置；所述步骤2-7中，当R＜ST时，说明在觅食区域周围没有捕食者，探索者开启搜索模式，引导种群向更优的适应度值逼近；当R≥ST时，说明种群边缘的麻雀发现捕食者并迅速发出报警信号，种群立即作出反捕食行为，探索者将所有的追随者带到安全区域觅食，探索者位置更新的数学模型为： 式中，t表示迭代的次数；j＝1,2,…,dim；表示第t次迭代后第i个麻雀第j维的位置；MaxIter表示为最大迭代次数；τ为0,1]范围内的随机数；R为[0,1]范围内的报警值；ST为[0.5,1]范围内的安全阈值；U为服从正态分布的随机数；ψ为1×dim的单位矩阵；2-8更新追随者的位置；所述步骤2-8中，探索者和追随者的身份是动态交互的，当追随者的能量越低，处在种群中的位置就越差，为了获得更高的能量，追随者总能找到提供最好食物的探索者，并通过竞争的方式争夺食物；追随者位置的数学模型为： 由于探索者、追随者和侦察者的位置是随着适应度值随时调换的，因此均采用来表示，式中，QP为当前探索者所占据的最优位置；Qworst为当前全局最差的位置；上标t+1表示第t次迭代；η为1×dim矩阵，其中每个元素随机赋值1或者-1，并且η+＝ηTηηT-1；当i＞n2时，适应度值低的第i个加入者没有获得食物，处于十分饥饿的状态，此时飞往其他地方觅食，以获得更多的能量；2-9更新侦察者的位置；所述步骤2-9中，当fi＞fg时，表明处于种群边缘的麻雀极易成为捕食者的目标，当边缘麻雀意识到危险时，会向安全位置靠拢；当fi＝fg时，表明位于中间位置的麻雀也意识到危险并向其他麻雀随机靠拢以躲避捕食者；侦察者位置更新的数学模型为： 式中，Qbest为当前的全局最优位置；β作为步长控制参数，是服从均值为0、方差为1的正态分布的随机数；K是[-1,1]的随机数；fi为第i个麻雀个体的适应度值，fg和fw分别为当前全局最佳和最差的适应度值；ε为最小的常数，以避免分母出现0；2-10判断是否满足最大迭代次数的条件，当t＜MaxIter时，返回步骤2-5；当t≥MaxIter时，结束循环并返回麻雀种群最优个体Qbest；2-11创建和训练GRNN模型并将麻雀种群最优个体Qbest设置到GRNN模型中；2-12采用GRNN模型进行预测，获得输出数据，并对输出数据进行反归一化，得到实际数据，最后进行误差分析；步骤三：采用非参数核密度估计NPKDE量化障碍物尺寸预测误差分布，如果障碍物实际尺寸值不在预测值的置信区间内，则反过来调整GRNN模型的光滑因子，直至障碍物实际尺寸在预测值的置信区间内；步骤四：将步骤一中得到的障碍物最大像素宽度、最大像素高度和通过测距传感器得到的障碍物到摄像机的距离输入到障碍物尺寸预测模型中，获得障碍物最大实际宽度和最大实际高度。

全文数据：

权利要求：

百度查询： 湖南科技大学 基于语义分割的障碍物尺寸预测与不确定性分析方法