1.一种基于改进后BP神经网络车道线识别方法，其特征在于：其步骤为：(1)通过采集到的道路视频图像提取车道线颜色、纹理特征及边缘特征；

(2)利用BP神经网络完成特征的初步识别；

(3)基于遗传算法实现BP神经网络参数的优化；

(4)利用证据推理进行图像融合，获得图像识别结果即车道线识别结果；

其中，根据步骤(2)的识别过程为：

步骤1：参数初始化，完成BP神经网络和遗传算法相关参数的初始化；

步骤2：图像采集，原始图像获取并提取其颜色和纹理特征；

步骤3：特征值归一化处理，具体表达式为:步骤4：标记图像类别并作为训练样本输入到BP神经网络进行学习，同时利用遗传算法优化BP神经网络的参数，进而建立图像识别模型；

步骤5:采用已优化的BP神经网络进行计算，得到图像识别结果，即车道线识别结果；

其中，根据步骤(3)的优化过程为：

步骤1：个体编码，以BP神经网络权值作为编码对象，实现十进制编码，编码长度表示为:S＝m*S1+S1*S2，其中m*S1表示输入层和隐含层之间权重，S1*S2表示隐含层和输出层之间权重；

步骤2：构建适应度函数，通过个体解码，可以得到BP神经网络权值W1和W2，隐含层输出A1以及输出层输出A2，可分别表示为：A1＝tansig(W1*P)

A2＝purelin(W2*A1)

其中P表示输入变量矩阵；

2

其中适应度函数具体形式为：F＝1/Σ(T‑A2) ，其中T表示训练输出值；

步骤3：通过遗传操作，产生新的种群，将个体解码为BP神经网络权值，根据权值对训练样本进行学习，得到反馈误差，根据反馈误差实现反馈控制，最终获得BP神经网络的最优权值；

其中，根据步骤(4)的图像融合过程为：利用规则将多个证据体的置信函数组合起来，形成新置信函数并将其作为判决依据，通过证据理论用于图像融合，利用上述改进后的BP神经网络分类器以及遗传算法能够得到比较精确的图像识别模型；

在图像识别应用中，将各特征对应的识别结果结合起来进而得到完整图像信息，其表示为

2.根据权利要求1所述的一种基于改进后BP神经网络车道线识别方法，其特征在于：所述的遗传操作为选择、交叉和变异。