基于路測圖像與改進(jìn)ResNet50 網(wǎng)絡(luò)的自動駕駛場景天氣識別算法

摘要：為了充分利用自動駕駛汽車路測圖像數(shù)據(jù)，增加行駛過程中對天氣情況識別的準(zhǔn)確性，提出了一種基于改進(jìn)ResNet50 網(wǎng)絡(luò)的自動駕駛場景天氣識別算法。該算法將SE 模塊與ResNet50 網(wǎng)絡(luò)相結(jié)合，通過在ResNet50 網(wǎng)絡(luò)4 組模塊內(nèi)加入SE 模塊，以便更好地?cái)M合通道間復(fù)雜的魯棒性?；谧詣玉{駛汽車路測圖像數(shù)據(jù)對所提算法進(jìn)行Python 編程實(shí)現(xiàn)，結(jié)果表明：SE 模塊的加入能夠增加算法的魯棒性和準(zhǔn)確性，提高了自動駕駛的天氣識別精度。

關(guān)鍵詞：自動駕駛；路測圖像；ResNet50 網(wǎng)絡(luò)；SE 模塊；天氣識別算法

0 前言

隨著自動駕駛技術(shù)的蓬勃發(fā)展，自動駕駛技術(shù)呈現(xiàn)出蓬勃向上的新格局，基于圖像處理算法的目標(biāo)識別技術(shù)也日趨成熟。然而，由于在惡劣天氣條件下，自動駕駛汽車的天氣識別算法表現(xiàn)不佳，無法控制汽車及時采取相應(yīng)的措施，因此極易引發(fā)安全問題，導(dǎo)致交通事故發(fā)生，影響了自動駕駛技術(shù)的發(fā)展。

1 自動駕駛天氣識別算法現(xiàn)狀

目前在自動駕駛場景中，自動駕駛汽車在天氣識別方面，使用比較廣泛的天氣識別算法是基于深度學(xué)習(xí)領(lǐng)域的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。ELHOSEINY 等［1］利用新的天氣特征數(shù)據(jù)集，使用CNN 研究了圖像中的天氣分類，實(shí)現(xiàn)了82.2% 的歸一化分類準(zhǔn)確率。LU 等［2］利用新的天氣特征來標(biāo)記圖像為晴天或陰天的協(xié)作學(xué)習(xí)方法，并融合了數(shù)據(jù)驅(qū)動的CNN 特征和精心選擇的天氣特征，豐富了訓(xùn)練數(shù)據(jù)，模型準(zhǔn)確率提高了7%～8%。ZHU 等［3］通過預(yù)訓(xùn)練和微調(diào)2 個階段建立了極端天氣識別模型，以獲得與極端天氣事件相關(guān)的特征，該模型通過在預(yù)訓(xùn)練階段使用GoogLeNet 模型訓(xùn)練ILSVRC-2012 數(shù)據(jù)集，獲得ILSVRC 模型，再通過Weather Dataset 進(jìn)一步微調(diào)，可以識別94.5%的天氣情況。ZHU 等［4］訓(xùn)練GoogLeNet 模型時使用一種新的對偶微調(diào)策略，并且對初始模型進(jìn)行微調(diào)，使模型精度提高了0.72%，且大幅優(yōu)化了模型體量。余穎舜等［5］提出了一種融合了元學(xué)習(xí)Reptile 算法與知識蒸餾技術(shù)的訓(xùn)練方法來訓(xùn)練YOLOv4 算法，在保證YOLOv4 算法速度的同時提升算法精度。李冰村等［6］提出了一種客觀的冰雹樣本標(biāo)記方法，并采用支持向量機(jī)、決策樹及樸素貝葉斯3 種機(jī)器學(xué)習(xí)方法，分別對冰雹頻繁發(fā)生的貴州省威寧地區(qū)冰雹天氣過程進(jìn)行了建模分析。羅輝等［7］針對神經(jīng)網(wǎng)絡(luò)模型負(fù)樣本種類多、數(shù)量少、具體形態(tài)比較隨機(jī)的情況，提出模型迭代升級策略，提升了模型的可靠性和穩(wěn)定性。

雖然上述學(xué)者提出的天氣識別算法可以較準(zhǔn)確地識別出天氣狀況，但是這些算法都要求在高性能服務(wù)器中對大量數(shù)據(jù)集進(jìn)行訓(xùn)練，計(jì)算較復(fù)雜且耗時較長，尤其是將其應(yīng)用到自動駕駛場景時，仍然存在識別效果差、效率低等問題，且在算法實(shí)現(xiàn)時缺少自動駕駛汽車的真實(shí)路測數(shù)據(jù)。針對以上問題，本文基于自動駕駛汽車的真實(shí)路測數(shù)據(jù)，對ResNet50 網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出了改進(jìn)ResNet50 網(wǎng)絡(luò)的自動駕駛場景天氣識別算法，通過真實(shí)路測數(shù)據(jù)對改進(jìn)后的算法進(jìn)行訓(xùn)練，以提高天氣識別精度。