CN110276322B - 一种结合车机闲散资源的图像处理方法及装置 - Google Patents
一种结合车机闲散资源的图像处理方法及装置 Download PDFInfo
- Publication number
- CN110276322B CN110276322B CN201910562835.9A CN201910562835A CN110276322B CN 110276322 B CN110276322 B CN 110276322B CN 201910562835 A CN201910562835 A CN 201910562835A CN 110276322 B CN110276322 B CN 110276322B
- Authority
- CN
- China
- Prior art keywords
- image
- scene
- detection
- image detection
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 332
- 230000000007 visual effect Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种结合车机闲散资源的图像处理方法及装置,该方法包括:定时检查车机中当前各硬件设备的使用状态参数,并基于所述使用状态参数获取所述车机的闲散资源参数;判断所述闲散资源参数是否满足所述车机运行指定场景检测算法的预设条件;若所述闲散资源参数满足所述预设条件,则在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测。基于本发明提供的方案,在车机与预设的图像检测单元之间进行互联,提供辅助图像处理功能,对预设的图像检测单元上的相关检测算法提供辅助,用以在提升检测精度的同时节约成本。
Description
技术领域
本发明涉及汽车技术领域,特别是涉及一种结合车机闲散资源的图像处理方法及装置。
背景技术
目前,在自动驾驶及辅助驾驶等领域,对于自动泊车或者主动安全功能中,多会用到目标检测算法辅助识别周边环境信息,而通用的目标检测算法则一般是通过机器学***衡,牺牲少量的精度来使速度达到实时性要求,从而无法在视觉算法的处理精度和实时性要求之间无法有效平衡。
发明内容
本发明提供了一种结合车机闲散资源的图像处理方法及装置以克服上述问题或者至少部分地解决上述问题。
根据本发明的一个方面,提供了一种结合车机闲散资源的图像处理方法,包括:
定时检查车机中当前各硬件设备的使用状态参数,并基于所述使用状态参数获取所述车机的闲散资源参数;
判断所述闲散资源参数是否满足所述车机运行指定场景检测算法的预设条件;
若所述闲散资源参数满足所述预设条件,则在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测。
可选地,所述在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测,包括:
获取输入至所述图像检测单元中经由影像处理器处理后的图像数据,在所述车机内运行所述场景检测算法识别所述图像数据的场景参数;
基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元采用所述图像检测模型对所述图像数据进行视觉检测后输出检测结果。
可选地,所述获取输入至所述图像检测单元中经由影像处理器处理后的图像数据,在所述车机内运行所述场景检测算法识别所述图像数据的场景参数,包括:
获取输入至所述图像检测单元中经由影像处理器处理后的图像数据;
在所述车机内运行所述场景检测算法对所述图像数据进行场景检测,识别出所述图像数据的场景类型、图像数据中目标检测物的大小及其数量、实时性要求和/或精度要求;
其中,所述场景类型包括所述图像数据中的天气类型和/或地理位置所处类型。
可选地,所述基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,包括:
基于所述场景参数根据预设规则在预先建立的多个图像检测模型中选取图像检测模型;和/或
将所述场景参数输入预设的分类模型,由所述分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数。
可选地,所述基于所述场景参数根据预设规则在预先建立的多个图像检测模型中选取图像检测模型,包括:
基于所述场景参数在预先建立的多个图像检测模型中选取与所述场景参数中的场景类型匹配的图像检测模型。
可选地,所述将所述场景参数输入预设的分类模型,由所述分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数之前,还包括:
构建分类模型;
收集不同场景的场景参数并匹配与所述场景对应的图像检测模型,分别将各场景的场景参数以及对应的图像检测模型作为所述分类模型的输入和输出训练所述分类模型。
可选地,所述基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型之前,还包括:
预先构建并训练对应多种场景的图像检测模型。
可选地,所述基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元采用所述图像检测模型对所述图像数据进行视觉检测后输出检测结果,包括:
基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元调用所述图像检测模型对应的图像检测模型配置文件,运行所述图像检测模型对所述图像数据进行视觉检测后输出检测结果。
根据本发明的另一个方面,还提供了一种结合车机闲散资源的图像处理装置,包括:
检查模块,配置为定时检查车机中当前各硬件设备的使用状态参数,并基于所述使用状态参数获取所述车机的闲散资源参数;
判断模块,配置为判断所述闲散资源参数是否满足所述车机运行指定场景检测算法的预设条件;
检测模块,配置为若所述闲散资源参数满足所述预设条件,则在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测。
可选地,所述检测模块还配置为,获取输入至所述图像检测单元中经由影像处理器处理后的图像数据,在所述车机内运行所述场景检测算法识别所述图像数据的场景参数;
基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元采用所述图像检测模型对所述图像数据进行视觉检测后输出检测结果。
可选地,所述检测模块还配置为,获取输入至所述图像检测单元中经由影像处理器处理后的图像数据;
在所述车机内运行所述场景检测算法对所述图像数据进行场景检测,识别出所述图像数据的场景类型、图像数据中目标检测物的大小及其数量、实时性要求和/或精度要求;
其中,所述场景类型包括所述图像数据中的天气类型和/或地理位置所处类型。
可选地,所述检测模块还配置为,基于所述场景参数根据预设规则在预先建立的多个图像检测模型中选取图像检测模型;和/或
将所述场景参数输入预设的分类模型,由所述分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数。
可选地,所述检测模块还配置为,基于所述场景参数在预先建立的多个图像检测模型中选取与所述场景参数中的场景类型匹配的图像检测模型。
可选地,所述装置还包括:第一构建模块,配置为构建分类模型;
收集不同场景的场景参数并匹配与所述场景对应的图像检测模型,分别将各场景的场景参数以及对应的图像检测模型作为所述分类模型的输入和输出训练所述分类模型。
可选地,所述装置还包括,第二构建模块,配置为预先构建并训练对应多种场景的图像检测模型。
可选地,所述检测模块还配置为,基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元调用所述图像检测模型对应的图像检测模型配置文件,运行所述图像检测模型对所述图像数据进行视觉检测后输出检测结果。
根据本发明的另一个方面,还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行上述任一项所述的结合车机闲散资源的图像处理方法。
本发明提供了一种结合车机闲散资源的图像处理方法及装置,在检查到当前车机中各硬件设备的具有满足预设条件的闲散资源时,才会在车机中运行场景检测算法,辅助预设的图像检测单元对实时输入至该图像检测单元的图像数据进行视觉检测。在本发明提供的方案中,主要利用车机的闲散资源,在车机与预设的图像检测单元之间进行互联,提供辅助图像处理功能,对预设的图像检测单元上的相关检测算法提供辅助,用以在提升检测精度的同时节约成本。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是根据本发明实施例的结合车机闲散资源的图像处理方法流程示意图;
图2是根据本发明优选实施例的结合车机闲散资源的图像处理方法流程示意图;
图3是根据本发明优选实施例的模型选取过程示意图;
图4是根据本发明实施例的结合车机闲散资源的图像处理装置结构示意图;
图5是根据本发明优选实施例的结合车机闲散资源的图像处理装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1是根据本发明实施例提供的结合车机闲散资源的图像处理方法流程示意图,参见图1可知,本发明实施例提供的结合车机闲散资源的图像处理方法可以包括:
步骤S102,定时检查车机中当前各硬件设备的使用状态参数,并基于上述使用状态参数获取该车机的闲散资源参数。其中,车机中的各硬件设备可以包括CPU、内存、网络带宽、硬盘等等设置于车机中的各硬件设备。在检查车机中当前各硬件设备的使用状态参数时,可以以固定时间间隔进行检查,也可以实时进行检查,具体主要是获取当前网络带宽、硬盘已使用存储空间以及内存使用状态等,进而推算出当前情况下没有使用的CPU处理能力、内存、网络带宽及硬盘空间等等车机的闲散资源参数。
步骤S104,判断上述闲散资源参数是否满足车机运行指定场景检测算法的预设条件。
在判断闲散资源参数是否满足车机运行指定场景检测算法的预设条件时,可以判断当前车机中各硬件资源如CPU处理能力、内存大小、网络带宽、硬盘空间等是否达到预设的运行指定场景检测算法对应的要求。该预设条件可以针对不同的实时性要求或是精度要求进行设置,本发明不做限定。
步骤S106,若上述闲散资源参数满足所述预设条件,则在车机内运行场景检测算法,辅助预设的图像检测单元对实时输入至该图像检测单元的图像数据进行视觉检测。
本发明实施例提供了一种结合车机闲散资源的图像处理方法,在检查到当前车机中各硬件设备的具有满足预设条件的闲散资源时,才会在车机中运行场景检测算法,辅助预设的图像检测单元对实时输入至该图像检测单元的图像数据进行视觉检测。在本发明实施例提供的方案中,利用车机(如IHU,Infotainment Head Unit,信息娱乐主机)的闲散资源,在车机与预设的图像检测单元之间进行互联,提供辅助图像处理功能,对预设的图像检测单元上的相关检测算法提供辅助,用以在提升检测精度的同时节约成本。
本实施例中提及的预设的图像检测单元可以是进行视觉检测算法的专有芯片或是处理器。其中,视觉检测算法可以是针对自动泊车场景的视觉检测算法,如车位线检测、移动物体检测、行人检测、静态障碍物(轮档、雪糕桶)等的检测;还可以是针对爱互动安全前视摄像头的视觉检测算法,如行人及车辆检测、车道线检测、红绿灯及限速标志检测等等。
上述步骤S106提及,如果车机的闲散资源满足车机运行指定场景检测算法的预设条件,则可以在车机内运行场景检测算法辅助图像检测单元进行视觉检测。进一步地,步骤S106可以包括:
S106-1,获取输入至图像检测单元中经由影像处理器处理后的图像数据,在车机内运行所述场景检测算法识别所述图像数据的场景参数。
本实施例中,需要图像检测单元进行视觉检测的图像数据是经由设置于车辆车身的图像采集装置(如摄像头)所采集的图像数据,而图像采集装置中可设置有影像处理器(Image Signal Processor,简称ISP)对前端图像传感器输出的信号做后期处理,主要功能有线性纠正、噪声去除、坏点去除、内插、白平衡、自动曝光控制等,依赖于ISP才能在不同的光学条件下都能较好的还原现场细节,ISP技术在很大程度上决定了摄像机的成像质量。ISP对于相机在逆光、光照变化(比如过隧道)等极端情况下的成像效果提供保障。对于车机来讲,当其自身条件满足预设条件时,通过获取经由影像处理器处理后的图像数据以运行指定场景检测算法识别该图像数据的场景参数,可以使得对图像数据的场景参数的识别结果更加准确。
可选地,上述步骤S106-1可进一步包括:获取输入至所述图像检测单元中经由影像处理器处理后的图像数据;在车机内运行所述场景检测算法对图像数据进行场景检测,识别出所述图像数据的场景类型、图像数据中目标检测物的大小及其数量、实时性要求和/或精度要求;其中,所述场景类型包括所述图像数据中的天气类型和/或地理位置所处类型。
举例来说,本发明实施例中车机所运行的场景检测算法,可以识别出图像数据中的场景参数至少可以包括以下之一:
1、天气相关参数,比如雨天、阴天、傍晚、雪天、光照强度等等;
2、地理位置类型参数,比如城市道路、乡下、高速环境等;
3、图像质量参数,比如图像是否模糊、图像清晰度、是否有拖影、是否有逆光、或者图像中是否有反光区域等;
4、目标检测的实时性及精度要求,比如视野中小物体目标的数量及速度,及本车速度等,结合起来判断。
例如,当视野中只有小物体但是没有近处物体时,对精度要求较高,速度要求较低;当视野中只有近处大物体时,对检测速度要求较高,但是检测精度要求较低。车速高时,实时性要求较高;车速低时,实时性要求较低。通过结合车速和视野中物体大小两者,可以使用一个简单的机器学习分类器(比如SVM或者adaboost等)进行输出对应的精度及速度要求,进而选择合适大小及精度的模型。
S106-2,基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由图像检测单元采用该图像检测模型对所述图像数据进行视觉检测后输出检测结果。
本实施例中的图像检测模型可以是针对不同的场景使用不同的深度学习或者机器学习模型,通过不同的场景特殊定制对应的模型可以使得视觉检测算法的精度更高,检测结果更加准确。深度学习模型主要为实现目标检测、跟踪及语义分割的各种卷积神经网络,常用的有SSD、Yolo、DeepLab等,主要的定制操作包括图片大小适配、输出类别适配、标注数据分布整理、训练参数设置及调整等等。
因此,可以预先构建并训练对应多种场景的图像检测模型。当上述步骤S106-2基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型之后,可以由图像检测单元调用该图像检测模型对应的图像检测模型配置文件,运行该图像检测模型对所述图像数据进行视觉检测后输出检测结果。
实际应用中,当基于车机运行的场景检测算法检测到当前图像数据的场景时,便根据目前的场景(可以是多类的组合)、速度及精度要求选择对应的图像检测模型进行检测。当连续的图像数据的场景发生变化时,图像检测模型的切换只需要在主程序中调用不同的图像检测模型配置文件及参数即可;多种场景下的图像检测模型及对应参数是提前训练好并预存在设备当中。
在图像检测模型的选取中,本发明实施例中可基于所述场景参数根据预设规则在预先建立的多个图像检测模型中选取图像检测模型;和/或将所述场景参数输入预设的分类模型,由分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数。
其中,根据预设规则进行图像检测模型的选取时,可以是基于所述场景参数在预先建立的多个图像检测模型中选取与所述场景参数中的场景类型匹配的图像检测模型。简单来讲,假设检测到为雨天,就使用针对雨天特殊训练及设置的模型去检测;检测到图像质量模糊,则使用针对模糊场景图片的模型去检测,逆光、拖影等情况也是一样。
对于相对复杂的场景来讲,可以将场景参数输入预设的分类模型,由所述分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数。而在此之前,可以先构建分类模型;收集不同场景的场景参数并匹配与所述场景对应的图像检测模型,分别将各场景的场景参数以及对应的图像检测模型作为所述分类模型的输入和输出训练所述分类模型。本实施例提供的定制的模型可能有很多种,比如检测到雪天+高速+拖影+视野中没有小目标,则会使用针对这种组合定制的模型进行检测。
图2示出了根据本发明优选实施例的结合车机闲散资源的图像处理方法流程示意图,参见图2可知,本实施例提供的方法可以包括:
S1,车机端定期检测车机闲散资源是否足够,即闲散资源是否满足运行执行场景检测算法的预设条件;若是,则执行步骤S202;若否,则继续重复进行检测,两次检测的间隔时间可根据场景检测的实时性进行判断,例如,场景检测功能可以在车机端每隔一定预设时间(30秒或者一分钟,根据车速自动调节,车速快则预设时间短,车速慢则预设时间长)运行一次,或是间隔其他时间,本发明不做限定。
S2,在车机内运行场景检测算法。
该步骤中,场景检测算法的对象是对摄像头输出的图像数据后,经由图像检测单元中ISP处理后的图像数据,假设针对任意一帧或多帧图像数据,当需要对该图像数据进行场景检测时,可以以无线连接的方式获取经由ISP输出的图像数据,或是由ISP将其输出的图像数据传输至车机端进行场景检测。
S3,车机基于ISP输出的图像数据执行场景检测算法时,如图3所示,可基于将场景检测结果(即图像数据的场景类型)、实时性要求以及精度要求等参数与已有的预先构建的多个图像检测模型进行数据匹配,以在多个场景检测模型中选取与当前参数相匹配的图像检测模型(图3中的模型x),或是将场景检测结果、实时性要求以及精度要求等参数输入预先构建的分类模型中,由分类模型输出最终所选取的图像检测模型,再将所选取的图像检测模型的类型传输至图像检测单元。
假设检测到图像数据对应的场景类型为雪天,且实时性要求和精度要求均较低,此时可使用针对雪天特殊训练及设置的模型去检测;假设检测到的图像为雨天+高速+视野中只有近处大物体,由于其参数较多,此时可将其输入至分类模型中,由分类模型选取对应该图像数据的进行视觉检测的图像检测模型。
S4,图像检测单元利用所选取的模型x对当前图像数据进行视觉检测,以辅助进行自动泊车或是安全驾驶。
在车机运行过程中,本发明实施例可根据场景检测结果切换模型、模型大小及精度,进而达到最终检测精度提升的效果。
基于同一发明构思,本发明实施例还提供了一种结合车机闲散资源的图像处理装置,如图4所示,本发明实施例提供的结合车机闲散资源的图像处理装置可以包括:
检查模块410,配置为定时检查车机中当前各硬件设备的使用状态参数,并基于所述使用状态参数获取所述车机的闲散资源参数;
判断模块420,配置为判断所述闲散资源参数是否满足所述车机运行指定场景检测算法的预设条件;
检测模块430,配置为若所述闲散资源参数满足所述预设条件,则在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测。
在本发明一可选实施例中,所述检测模块430还配置为,获取输入至所述图像检测单元中经由影像处理器处理后的图像数据,在所述车机内运行所述场景检测算法识别所述图像数据的场景参数;
基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元采用所述图像检测模型对所述图像数据进行视觉检测后输出检测结果。
在本发明一可选实施例中,所述检测模块430还配置为,获取输入至所述图像检测单元中经由影像处理器处理后的图像数据;
在所述车机内运行所述场景检测算法对所述图像数据进行场景检测,识别出所述图像数据的场景类型、图像数据中目标检测物的大小及其数量、实时性要求和/或精度要求;
其中,所述场景类型包括所述图像数据中的天气类型和/或地理位置所处类型。
在本发明一可选实施例中,所述检测模块430还配置为,基于所述场景参数根据预设规则在预先建立的多个图像检测模型中选取图像检测模型;和/或
将所述场景参数输入预设的分类模型,由所述分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数。
在本发明一可选实施例中,所述检测模块430还配置为,基于所述场景参数在预先建立的多个图像检测模型中选取与所述场景参数中的场景类型匹配的图像检测模型。
在本发明一可选实施例中,如图5所示,所述装置还包括:第一构建模块440,配置为构建分类模型;
收集不同场景的场景参数并匹配与所述场景对应的图像检测模型,分别将各场景的场景参数以及对应的图像检测模型作为所述分类模型的输入和输出训练所述分类模型。
在本发明一可选实施例中,如图5所示,所述装置还包括,第二构建模块450,配置为预先构建并训练对应多种场景的图像检测模型。
在本发明一可选实施例中,所述检测模块430还配置为,基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元调用所述图像检测模型对应的图像检测模型配置文件,运行所述图像检测模型对所述图像数据进行视觉检测后输出检测结果。
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行上述任一实施例所述的结合车机闲散资源的图像处理方法。
本发明实施例提供了一种结合车机闲散资源的图像处理方法,在检查到当前车机中各硬件设备的具有满足预设条件的闲散资源时,才会在车机中运行场景检测算法,辅助预设的图像检测单元对实时输入至该图像检测单元的图像数据进行视觉检测。在本发明实施例提供的方案中,利用车机的闲散资源,在车机与预设的图像检测单元之间进行互联,提供辅助图像处理功能,对预设的图像检测单元上的相关检测算法提供辅助,用以在提升检测精度的同时节约成本。
此外,本发明实施例还可以根据场景检测结果切换模型、模型大小及精度,进而达到最终检测精度提升的效果。
所属领域的技术人员可以清楚地了解到,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,为简洁起见,在此不另赘述。
另外,在本发明各个实施例中的各功能单元可以物理上相互独立,也可以两个或两个以上功能单元集成在一起,还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现,也可以采用软件或者固件的形式实现。
本领域普通技术人员可以理解:所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,其包括若干指令,用以使得一台计算设备(例如个人计算机,服务器,或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM),磁碟或者光盘等各种可以存储程序代码的介质。
或者,实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机,服务器,或者网络设备等的计算设备)来完成,所述程序指令可以存储于一计算机可读取存储介质中,当所述程序指令被计算设备的处理器执行时,所述计算设备执行本发明各实施例所述方法的全部或部分步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:在本发明的精神和原则之内,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案脱离本发明的保护范围。
Claims (8)
1.一种结合车机闲散资源的图像处理方法,包括:
定时检查车机中当前各硬件设备的使用状态参数,并基于所述使用状态参数获取所述车机的闲散资源参数;
判断所述闲散资源参数是否满足所述车机运行指定场景检测算法的预设条件;
若所述闲散资源参数满足所述预设条件,则在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测;其中
所述在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测,包括:
获取输入至所述图像检测单元中经由影像处理器处理后的图像数据,在所述车机内运行所述场景检测算法识别所述图像数据的场景参数;
基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元采用所述图像检测模型对所述图像数据进行视觉检测后输出检测结果;
所述获取输入至所述图像检测单元中经由影像处理器处理后的图像数据,在所述车机内运行所述场景检测算法识别所述图像数据的场景参数,包括:
获取输入至所述图像检测单元中经由影像处理器处理后的图像数据;
在所述车机内运行所述场景检测算法对所述图像数据进行场景检测,识别出所述图像数据的场景类型、图像数据中目标检测物的大小及其数量、实时性要求和/或精度要求;
其中,所述场景类型包括所述图像数据中的天气类型和/或地理位置所处类型。
2.根据权利要求1所述的方法,其中,所述基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,包括:
基于所述场景参数根据预设规则在预先建立的多个图像检测模型中选取图像检测模型;和/或
将所述场景参数输入预设的分类模型,由所述分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数。
3.根据权利要求2所述的方法,其中,所述基于所述场景参数根据预设规则在预先建立的多个图像检测模型中选取图像检测模型,包括:
基于所述场景参数在预先建立的多个图像检测模型中选取与所述场景参数中的场景类型匹配的图像检测模型。
4.根据权利要求2所述的方法,其中,所述将所述场景参数输入预设的分类模型,由所述分类模型基于所述场景参数匹配检测所述图像数据的图像检测模型的模型及模型参数之前,还包括:
构建分类模型;
收集不同场景的场景参数并匹配与所述场景对应的图像检测模型,分别将各场景的场景参数以及对应的图像检测模型作为所述分类模型的输入和输出训练所述分类模型。
5.根据权利要求1-4任一项所述的方法,其中,所述基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型之前,还包括:
预先构建并训练对应多种场景的图像检测模型。
6.根据权利要求5所述的方法,其中,所述基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元采用所述图像检测模型对所述图像数据进行视觉检测后输出检测结果,包括:
基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元调用所述图像检测模型对应的图像检测模型配置文件,运行所述图像检测模型对所述图像数据进行视觉检测后输出检测结果。
7.一种结合车机闲散资源的图像处理装置,包括:
检查模块,配置为定时检查车机中当前各硬件设备的使用状态参数,并基于所述使用状态参数获取所述车机的闲散资源参数;
判断模块,配置为判断所述闲散资源参数是否满足所述车机运行指定场景检测算法的预设条件;
检测模块,配置为若所述闲散资源参数满足所述预设条件,则在所述车机内运行所述场景检测算法,辅助预设的图像检测单元对实时输入至所述图像检测单元的图像数据进行视觉检测;其中
所述检测模块还配置成若所述闲散资源参数满足所述预设条件,则获取输入至所述图像检测单元中经由影像处理器处理后的图像数据,在所述车机内运行所述场景检测算法对所述图像数据进行场景检测,识别出所述图像数据的场景参数包括图像数据的场景类型、图像数据中目标检测物的大小及其数量、实时性要求和/或精度要求,基于所述场景参数在预先建立的多个图像检测模型中选取对应的图像检测模型,由所述图像检测单元采用所述图像检测模型对所述图像数据进行视觉检测后输出检测结果;
其中,所述场景类型包括所述图像数据中的天气类型和/或地理位置所处类型。
8.一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行权利要求1-6任一项所述的结合车机闲散资源的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562835.9A CN110276322B (zh) | 2019-06-26 | 2019-06-26 | 一种结合车机闲散资源的图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562835.9A CN110276322B (zh) | 2019-06-26 | 2019-06-26 | 一种结合车机闲散资源的图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276322A CN110276322A (zh) | 2019-09-24 |
CN110276322B true CN110276322B (zh) | 2022-01-07 |
Family
ID=67963315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910562835.9A Active CN110276322B (zh) | 2019-06-26 | 2019-06-26 | 一种结合车机闲散资源的图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276322B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105390021A (zh) * | 2015-11-16 | 2016-03-09 | 北京蓝卡科技股份有限公司 | 车位状态的检测方法及装置 |
EP2743861A3 (en) * | 2012-12-12 | 2016-05-11 | Ricoh Company, Ltd. | Method and device for detecting continuous object in disparity direction based on disparity map |
CN106791475A (zh) * | 2017-01-23 | 2017-05-31 | 上海兴芯微电子科技有限公司 | 曝光调整方法及所适用的车载摄像装置 |
CN107563256A (zh) * | 2016-06-30 | 2018-01-09 | 北京旷视科技有限公司 | 辅助驾驶信息产生方法及装置、辅助驾驶*** |
CN107944375A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 基于场景分割的自动驾驶处理方法及装置、计算设备 |
CN108874615A (zh) * | 2017-05-16 | 2018-11-23 | 惠州市德赛西威汽车电子股份有限公司 | 一种车载多媒体***性能检测装置及检测方法 |
CN109074069A (zh) * | 2016-03-29 | 2018-12-21 | 智动科技有限公司 | 具有改进的视觉检测能力的自主车辆 |
CN109712431A (zh) * | 2017-10-26 | 2019-05-03 | 丰田自动车株式会社 | 驾驶辅助装置及驾驶辅助*** |
CN109918977A (zh) * | 2017-12-13 | 2019-06-21 | 华为技术有限公司 | 确定空闲车位的方法、装置及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366386A (zh) * | 2013-07-14 | 2013-10-23 | 西安电子科技大学 | 基于多进程和多线程的并行图像解压缩*** |
CN107563512B (zh) * | 2017-08-24 | 2023-10-17 | 腾讯科技(上海)有限公司 | 一种数据处理方法、装置以及存储介质 |
-
2019
- 2019-06-26 CN CN201910562835.9A patent/CN110276322B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2743861A3 (en) * | 2012-12-12 | 2016-05-11 | Ricoh Company, Ltd. | Method and device for detecting continuous object in disparity direction based on disparity map |
CN105390021A (zh) * | 2015-11-16 | 2016-03-09 | 北京蓝卡科技股份有限公司 | 车位状态的检测方法及装置 |
CN109074069A (zh) * | 2016-03-29 | 2018-12-21 | 智动科技有限公司 | 具有改进的视觉检测能力的自主车辆 |
CN107563256A (zh) * | 2016-06-30 | 2018-01-09 | 北京旷视科技有限公司 | 辅助驾驶信息产生方法及装置、辅助驾驶*** |
CN106791475A (zh) * | 2017-01-23 | 2017-05-31 | 上海兴芯微电子科技有限公司 | 曝光调整方法及所适用的车载摄像装置 |
CN108874615A (zh) * | 2017-05-16 | 2018-11-23 | 惠州市德赛西威汽车电子股份有限公司 | 一种车载多媒体***性能检测装置及检测方法 |
CN109712431A (zh) * | 2017-10-26 | 2019-05-03 | 丰田自动车株式会社 | 驾驶辅助装置及驾驶辅助*** |
CN107944375A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 基于场景分割的自动驾驶处理方法及装置、计算设备 |
CN109918977A (zh) * | 2017-12-13 | 2019-06-21 | 华为技术有限公司 | 确定空闲车位的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110276322A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875603B (zh) | 基于车道线的智能驾驶控制方法和装置、电子设备 | |
US11318928B2 (en) | Vehicular automated parking system | |
US11586856B2 (en) | Object recognition device, object recognition method, and object recognition program | |
US20210213961A1 (en) | Driving scene understanding | |
US11453335B2 (en) | Intelligent ultrasonic system and rear collision warning apparatus for vehicle | |
US20180157920A1 (en) | Method and apparatus for recognizing obstacle of vehicle | |
Devi et al. | A comprehensive survey on autonomous driving cars: A perspective view | |
CN112793567A (zh) | 一种基于路况检测的辅助驾驶方法及*** | |
Alpar et al. | Intelligent collision warning using license plate segmentation | |
CN116634638A (zh) | 灯光控制策略的生成方法、灯光控制方法以及相关装置 | |
CN112455465B (zh) | 一种行驶环境感知方法、装置、电子设备和存储介质 | |
CN110837760A (zh) | 目标检测方法、用于目标检测的训练方法和装置 | |
CN110276322B (zh) | 一种结合车机闲散资源的图像处理方法及装置 | |
CN110177222B (zh) | 一种结合车机闲散资源的摄像头曝光参数调整方法及装置 | |
CN116434156A (zh) | 目标检测方法、存储介质、路侧设备及自动驾驶*** | |
WO2023230740A1 (zh) | 一种异常驾驶行为识别的方法、装置和交通工具 | |
CN115481724A (zh) | 用于训练用于语义图像分割的神经网络的方法 | |
JP2020534600A (ja) | 車線認識方法および装置、運転支援システムならびに車両 | |
TW201535323A (zh) | 影像除霧系統及其方法、以及行車輔助系統及其方法 | |
CN116433712A (zh) | 基于多传感器时序感知结果前融合的融合追踪方法及装置 | |
CN114911813B (zh) | 车载感知模型的更新方法、装置、电子设备及存储介质 | |
CN117576926B (zh) | 车辆违规检测方法、设备及存储介质 | |
US20240144701A1 (en) | Determining lanes from drivable area | |
WO2022193154A1 (zh) | 雨刷控制方法、汽车及计算机可读存储介质 | |
US20220309799A1 (en) | Method for Automatically Executing a Vehicle Function, Method for Evaluating a Computer Vision Method and Evaluation Circuit for a Vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220323 Address after: 430051 No. b1336, chuanggu startup area, taizihu cultural Digital Creative Industry Park, No. 18, Shenlong Avenue, Wuhan Economic and Technological Development Zone, Wuhan, Hubei Province Patentee after: Yikatong (Hubei) Technology Co.,Ltd. Address before: No.c101, chuanggu start up area, taizihu cultural Digital Industrial Park, No.18 Shenlong Avenue, Wuhan Economic Development Zone, Hubei Province Patentee before: HUBEI ECARX TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |