(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210279146.9 (22)申请日 2022.03.22 (65)同一申请的已公布的文献号 申请公布号 CN 114359877 A (43)申请公布日 2022.04.15 (73)专利权人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 刘海鸥　刘佳　陈慧岩　毛飞鸿　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 杜阳阳 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 106882180 A,2017.0 6.23 US 2020242382 A1,2020.07.3 0 王世峰等.基 于机器学习的车辆路面类型识 别技术研究. 《兵工学报》 .2017,(第08 期), Jia Liu et al. .Slip Estimati on for Autonomous Tracked Vehicles via Mac hine Learning. 《IEEE Xplore》 .2021, 刘秋等.基 于卷积神经网络的路面识别及半 主动悬架控制. 《兵工学报》 .2020,(第08 期), 审查员 赵亚丽 (54)发明名称 基于融合特征的无人履带车辆道路类型识 别方法和系统 (57)摘要 本发明涉及一种基于融合特征的无人履带 车辆道路类型识别方法和系统， 属于道路类型识 别技术领域。 本发明通过采用图像深度特征提取 网络模型提取路面图像的深度特征， 鲁棒性强， 面对干扰时也能准确识别。 并且， 本发明采用道 路类型识别模型基于深度特征和统计特征融合 得到的特征， 进行道路类型的识别， 即使在夜间 行驶或光照过 强导致图像质量不佳时， 也能利用 振动特征实现准确识别。 权利要求书2页 说明书11页 附图5页 CN 114359877 B 2022.05.27 CN 114359877 B 1.一种基于融合特 征的无人履带车辆道路类型识别方法， 其特 征在于， 包括： 获取待识别道路的路面图像和当前的车辆垂向加速度数据； 所述当前车辆垂向加速度 数据包括： 垂直加速度的时域信号、 垂直加速度的频域信号和垂直加速度的功率谱密度信 号； 将所述待识别道路上的路面图像输入至图像深度 特征提取网络模型， 得到待识别道路 路面图像的深度特征； 所述图像深度特征提取网络模型包括： 多个网络块、 全局池化层和 softmax层； 每一所述网络块均包括： 卷积+Relu层、 深度可分离卷积+Relu层、 卷积层和相加 层； 提取当前的车辆垂向加速度 数的统计特征， 并融合所述深度特征和所述统计特征得到 第一融合特 征； 将所述第一融合特征输入至道路类型识别模型， 得到道路类型识别结果； 所述道路类 型识别模型为基于及其学习分类算法得到的网络模型。 2.根据权利要求1所述的基于融合特征的无人履带车辆道路类型识别方法， 其特征在 于， 所述图像深度特 征提取网络模型的构建过程 为： 获取历史路面图像； 基于MobileNetV2网络框架采用迁移学习建立第一卷积神经网络模型； 采用所述历史路面图像训练和测试所述第 一卷积神经网络模型， 得到第 二卷积神经网 络模型； 基于所述第二卷积神经网络模型生成所述图像深度特 征提取网络模型。 3.根据权利要求2所述的基于融合特征的无人履带车辆道路类型识别方法， 其特征在 于， 所述基于所述第二卷积神经网络模型生成图像深度特 征提取网络模型， 具体包括： 将所述第二卷积神经网络模型中的输出层和与所述softmax层连接的全连接层去除。 4.根据权利要求2所述的基于融合特征的无人履带车辆道路类型识别方法， 其特征在 于， 所述道路类型识别模型的构建过程 为： 获取历史车辆垂向加速度数据； 所述历史车辆垂向加速度 数据为车辆行驶历史中不同 工况下的车辆垂向加速度数据； 采用所述图像深度特 征提取网络模型提取 所述历史路面图像的深度特 征； 提取所述历史车辆垂向加速度 数据的统计特征， 并融合所述历史路面图像的深度 特征 和所述历史车辆垂向加速度数据的统计特 征得到第二融合特 征； 将所述第二融合特 征和道路类型 标签生成数据样本对； 采用所述数据样本对训练和 测试机器学习分类算法， 得到道路类型识别模型。 5.根据权利要求1所述的基于融合特征的无人履带车辆道路类型识别方法， 其特征在 于， 获取待识别道路的路面图像和当前的车辆垂向加速度数据， 之后还 包括： 对所述待识别道路的路面图像和所述当前的车辆垂向加速度数据进行 预处理。 6.一种基于融合特 征的无人履带车辆道路类型识别系统， 其特 征在于， 包括： 数据获取模块， 用于获取待识别道路的路面图像和当前的车辆垂向加速度数据； 所述 当前车辆垂向加速度数据包括： 垂直加速度的时域信号、 垂直加速度的频域信号和垂直加 速度的功率谱密度信号； 深度特征提取模块， 用于将所述待识别道路上的路面图像输入至图像深度特征提取网权　利　要　求　书 1/2 页 2 CN 114359877 B 2络模型， 得到待识别道路路面图像的深度特征； 所述图像深度特征提取网络模型包括： 多个 网络块、 全局池化层和softmax层； 每一所述网络块均包括： 卷积+Relu层、 深度可分离卷积+ Relu层、 卷积层和相加层； 特征融合模块， 用于提取当前的车辆垂向加速度数的统计特征， 并融合所述深度特征 和所述统计特 征得到第一融合特 征； 道路类型识别模块， 用于将所述第一融合特征输入至道路类型识别模型， 得到道路类 型识别结果； 所述道路类型识别模型为基于及其学习分类算法得到的网络模型。 7.根据权利要求6所述的基于融合特征的无人履带车辆道路类型识别系统， 其特征在 于， 还包括特征提取网络构建模块； 所述特 征提取网络构建模块包括： 路面图像获取 单元， 用于获取历史路面图像； 第一网络构建单元， 用于基于MobileNetV2网络框架采用迁移学习建立第一卷积神经 网络模型； 第二网络构建单元， 用于采用所述历史路面图像训练和测试所述第 一卷积神经网络模 型， 得到第二卷积神经网络模型； 特征提取网络构建单元， 用于基于所述第 二卷积神经网络模型生成所述图像深度 特征 提取网络模型。 8.根据权利要求7所述的基于融合特征的无人履带车辆道路类型识别系统， 其特征在 于， 所述特 征提取网络构建单 元包括： 去除子单元， 用于将所述第二卷积神经网络模型中的输出层和与所述softmax层连接 的全连接层去除。 9.根据权利要求7所述的基于融合特征的无人履带车辆道路类型识别系统， 其特征在 于， 还包括道路类型识别模型构建模块； 所述道路类型识别模型构建模块包括： 加速度数据获取单元， 用于获取历史车辆垂向加速度数据； 所述历史车辆垂向加速度 数据为车辆行驶历史中不同工况 下的车辆垂向加速度数据； 深度特征提取单元， 用于采用所述图像深度 特征提取网络模型提取所述历史路面图像 的深度特 征； 融合特征单元， 用于提取所述历史车辆垂向加速度数据的统计特征， 并融合所述历史 路面图像的深度特 征和所述历史车辆垂向加速度数据的统计特 征得到第二融合特 征； 样本对生成单 元， 用于将所述第二融合特 征和道路类型 标签生成数据样本对； 道路类型识别模型构建单元， 用于采用所述数据样本对训练和测试机器学习分类算 法， 得到道路类型识别模型。 10.根据权利要求6所述的基于 融合特征的无人履带车辆道路类型识别系统， 其特征在 于， 还包括： 数据预处理单元， 用于对所述待识别道路的路面图像和所述当前的车辆垂向加速度 数 据进行预处理。权　利　要　求　书 2/2 页 3 CN 114359877 B 3