CN113673403A - 行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 - Google Patents
行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 Download PDFInfo
- Publication number
- CN113673403A CN113673403A CN202110926976.1A CN202110926976A CN113673403A CN 113673403 A CN113673403 A CN 113673403A CN 202110926976 A CN202110926976 A CN 202110926976A CN 113673403 A CN113673403 A CN 113673403A
- Authority
- CN
- China
- Prior art keywords
- real
- image
- area
- driving
- judged
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车,属于通信技术领域,该方法包括:获取实时车速信息,将实时车速信息与预设阈值进行比较;当实时车速信息小于预设阈值时,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对;当实时车速信息大于或等于预设阈值时,获取实时行驶信息并根据实时行驶信息确定待判定区域,获取待判定区域和已行驶区域的实时路面图像,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,当比对结果满足预设相似度条件时,得到待判定区域的判定结果为可行驶区域。本发明能够提高驾驶时的安全性。
Description
技术领域
本发明涉及通信技术领域,尤其是涉及一种行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车。
背景技术
目前,随着图像和计算机视觉技术的快速发展,越来越多的技术被应用到汽车电子领域,传统的基于图像的倒车影像***仅在车尾安装摄像头,只能覆盖车尾周围有限的区域,而车辆周围和车头的盲区无疑增加了安全驾驶的隐患,在狭隘拥堵的市区和停车场出现碰撞和刮蹭事件的情况时有发生。
为扩大驾驶员视野,就必须能感知360°全方位的环境,由此,360°环视***应运而生,该***能够直观地呈现出车辆所处的位置和周边情况,大大地拓展了驾驶员对周围和环境的感知能力。
常见的360°环视***通过四个以上的摄像头同时采集车辆四周的路面图像,经过拼接后以俯视图呈现给用户,但俯视图通常显示范围较小,因此***通常还会提供诸如前视图、左视图、右视图、后视图等。在实际驾驶过程中,车辆的行驶环境多变且复杂,当车辆行驶至不同的场景时,驾驶员需要先对不同的行驶场景做出判断,再对视图进行切换。
针对上述中的相关技术,发明人认为由于人眼视线范围有限,容易使得驾驶员对行驶场景判断错误,并且当行驶速度较快时,驾驶员不便于及时观察到视野盲区内的行驶车辆、障碍物等,从而使得驾驶时的安全性较低。
发明内容
为了提高驾驶时的安全性,本发明提供了一种行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车。
第一方面,本发明提供的一种行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车采用如下的技术方案:
一种行驶环境检测方法,所述检测方法包括,
将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则获取待判定区域的实时路面图像和基准图像集,所述基准图像集包括预先存储的多个行驶场景的基准图像,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,则将所述行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景;
如果否,则获取实时行驶信息并根据实时行驶信息确定待判定区域,获取待判定区域的实时路面图像与已行驶区域的实时路面图像,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,若比对结果满足预设相似度条件,得到所述待判定区域的判定结果为可行驶区域,若比对结果不满足预设相似度条件,得到所述待判定区域的判定结果为不可行驶区域;其中,所述实时行驶信息包括转向信息和档位信息。
通过采用上述技术方案,在实际驾驶过程中,将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则将待判定区域的实时路面图像分别与预先存储的各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,即可判断出待判定区域的行驶场景,从而能够对行驶场景作出准确判断;如果实时车速信息大于或等于预设阈值,则根据车辆的实时行驶信息确定待判定区域,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,根据比对结果是否满足预设相似度条件,即可判断待判定区域是否为可行驶区域,从而使得驾驶员能够实时了解车辆周围路况,便于及时观察到视野盲区内的行驶车辆、障碍物等,提高了驾驶时的安全性,降低了驾驶风险。
可选的,将所述行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景的步骤之后还包括,
根据所述待判定区域的行驶场景,基于预设逻辑,得到与所述行驶场景对应的视图,并将所述视图发送至显示模块进行显示。
通过采用上述技术方案,当判定得到待判定区域的行驶场景后,根据预设逻辑得到该行驶场景对应的视图,并发送至显示模块进行显示,从而方便驾驶员查看车辆周围路况,减少了手动切换的繁琐,提升了驾驶体验舒适度,增加了安全性和时效性。
可选的,得到所述第二判定结果为所述待判定区域为不可行驶区域的步骤之后还包括,
发送报警信号,所述报警信号用于提醒驾驶员待判定区域为不可行驶区域。
通过采用上述技术方案,当得到待判定区域为不可行驶区域后,利用报警信号便于在车辆需要进行变道时起到辅助提醒作用,提高了驾驶时的安全性。
可选的,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,和/或,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对的比对方法包括,
通过预先训练的图像比对模型进行比对,得到比对结果。
通过采用上述技术方案,利用预先训练的图像比对模型进行自动比对并生成比对结果,方便快捷,提高了比对效率,增强了准确性。
可选的,生成所述预先训练的图像比对模型的方法包括,
获取图像数据集,所述图像数据集包括多个标注有第一比对结果的图像数据对;其中,所述图像数据对由每两个图像数据组成,所述图像数据包括车辆行车时周围的路面图像数据,所述第一比对结果由人工对图像数据对中的两个图像数据进行比对后得到;
在图像数据集中选取多个所述标注有第一比对结果的图像数据对分别输入预先定义的深度神经网络模型,确定与各个图像数据对相对应的第二比对结果;
根据所述各个图像数据对的第一比对结果和第二比对结果得到各个图像数据对相对应的偏差值,根据多个图像数据对相对应的偏差值确定损失函数;以及,
基于所述损失函数对所述预先定义的深度神经网络模型进行训练,得到所述图像比对模型。
通过采用上述技术方案,以有监督学习方式对预先定义的深度神经网络模型进行模型训练,通过大量的图像数据训练对模型参数进行优化,得到最优的图像比对模型,从而提高了图像比对的准确性。
第二方面,本发明提供一种行驶环境检测***,采用如下的技术方案:
一种行驶环境检测***,所述检测***包括,
第一处理器,用于将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则输出第一判断结果,如果否,则输出第二判断结果;
第二处理器,用于响应第一判断结果,获取待判定区域的实时路面图像和基准图像集,所述基准图像集包括预先存储的多个行驶场景的基准图像,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,则将所述行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景;
第三处理器,用于响应第二判断结果,获取实时行驶信息并根据实时行驶信息确定待判定区域,获取待判定区域的实时路面图像与已行驶区域的实时路面图像,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,若比对结果满足预设相似度条件,得到所述待判定区域的判定结果为可行驶区域,若比对结果不满足预设相似度条件,得到所述待判定区域的判定结果为不可行驶区域;其中,所述实时行驶信息包括转向信息和档位信息;
存储器,用于存储基准图像集。
通过采用上述技术方案,在实际驾驶过程中,利用第一处理器将当前车速信息与预设阈值进行比较,判断实时车速信息是否小于预设阈值,如果判断结果为是,则输出第一判断结果,第二处理器响应于第一判断结果,并获取待判定区域的实时路面图像和基准图像集,将待判定区域的实时路面图像分别与基准图像集内的各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,即可判断出待判定区域的行驶场景,从而能够对行驶场景作出准确判断;如果判断结果为否,则输出第二判断结果,第三处理器响应于第二判断结果,并获取实时行驶信息,根据实时行驶信息确定待判定区域,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,根据比对结果是否满足预设相似度条件,即可判断待判定区域是否为可行驶区域,从而使得驾驶员能够实时了解车辆周围路况,便于及时观察到视野盲区内的行驶车辆、障碍物等,提高了驾驶时的安全性,降低了驾驶风险。
第三方面,本发明提供一种行驶环境检测装置,采用如下的技术方案:
一种行驶环境检测装置,所述检测装置包括图像采集设备、报警模块、显示模块以及如第二方面中的一种行驶环境检测***;
所述图像采集设备,用于实时采集车辆行车时周围的路面图像;
所述报警模块,用于接收报警信号并提醒驾驶员待判定区域为不可行驶区域;
所述显示模块,用于对视图进行显示;
所述如第二方面中的一种行驶环境检测***分别与图像采集设备、报警模块、显示模块通信连接。
第四方面,本发明提供一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面中的方法。
第五方面,本发明提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行如第一方面中的方法的计算机程序。
第六方面,本发明提供一种汽车,采用如下的技术方案:
一种汽车,包括如第三方面所述的一种行驶环境检测装置。
综上所述,本发明包括以下至少一种有益技术效果:在实际驾驶过程中,将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则将待判定区域的实时路面图像分别与预先存储的各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,即可判断出待判定区域的行驶场景,从而能够对行驶场景作出准确判断;如果实时车速信息大于或等于预设阈值,则根据车辆的实时行驶信息确定待判定区域,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,根据比对结果是否满足预设相似度条件,即可判断待判定区域是否为可行驶区域,从而使得驾驶员能够实时了解车辆周围路况,便于及时观察到视野盲区内的行驶车辆、障碍物等,提高了驾驶时的安全性,降低了驾驶风险。
附图说明
图1是本发明其中一个实施例的行驶环境检测方法的流程示意图。
图2是本发明其中一个实施例的车辆行驶区域示意图。
图3是本发明其中一个实施例的模型学习训练示意图。
图4是本发明其中一个实施例的生成预先训练的图像比对模型的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图1-4及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
智能驾驶环境感知是车辆决策和控制的关键依据,如何检测行驶环境是其中一项重要的研究内容。
传统的机器视觉方法一般是基于颜色、纹理、边缘、道路模型来实现路面分割;基于颜色分割的路面识别是通过手动标注路面颜色数据集,实现非路面和路面颜色分割区域,手动标注时给路面和非路面区域贴标签,通过机器学习得到路面的分割结果;而纹理提取是使用Gabor滤波器,Gabor特征对于边缘比较敏感,可提取出边缘方向,受光照影响较小,同时具有尺度不变性;边缘信息方法是基于有明显的道路边缘分界,提取这些道路的边缘分界,可以分割出道路路面,常用的边缘检测算子有sobel,prewitt等;基于道路模型的分割方法是基于车辆前进方向和区域在变换中存在的一些不变的大轮廓特征,这些轮廓特征概括为道路的走向,主要为直行、拐弯等。
在实际车辆行驶环境检测过程中,一方面,交通行驶环境复杂多变,行驶场景的判定较为困难;另一方面,智能驾驶对识别算法的精确性和实时性要求很高,导致算法的实际应用条件十分严苛,车辆可行驶区域的识别一直难以取得理想的效果。
本发明实施例公开一种行驶环境检测方法。
参照图1,一种行驶环境检测方法,检测方法包括,
将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则获取待判定区域的实时路面图像和基准图像集,基准图像集包括预先存储的多个行驶场景的基准图像,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,则将行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景;
如果否,则获取实时行驶信息并根据实时行驶信息确定待判定区域,获取待判定区域的实时路面图像与已行驶区域的实时路面图像,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,若比对结果满足预设相似度条件,得到待判定区域的判定结果为可行驶区域,若比对结果不满足预设相似度条件,得到待判定区域的判定结果为不可行驶区域;其中,实时行驶信息包括转向信息和档位信息。
上述实施方式,在实际驾驶过程中,将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则将待判定区域的实时路面图像分别与预先存储的各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,即可判断出待判定区域的行驶场景,从而能够对行驶场景作出准确判断;如果实时车速信息大于或等于预设阈值,则根据车辆的实时行驶信息确定待判定区域,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,根据比对结果是否满足预设相似度条件,即可判断待判定区域是否为可行驶区域,从而使得驾驶员能够实时了解车辆周围路况,便于及时观察到视野盲区内的行驶车辆、障碍物等,提高了驾驶时的安全性,降低了驾驶风险。
作为实时车速信息和预设阈值的一种实施方式,实时车速信息即当前车辆的行驶速度,可通过车辆上的速度传感器获取;预设阈值可根据历史行驶数据计算得到,也可根据实际情况进行预先设置。
作为获取待判定区域的实时路面图像和基准图像集的一种实施方式,待判定区域可选择车辆左侧区域和/或车辆右侧区域,基准图像集包括预先存储的多个行驶场景的基准图像,该行驶场景可以为收费站、加油站、斑马线、窄道等,且每个行驶场景至少有一个相应的路面图像,从而提高行驶场景判定的准确性和适应性。另外,待判定区域也可根据实际情况设置为车辆的其他侧区域,本实施例中的选择车辆左侧区域和/或车辆右侧区域仅作为其中一种实施方式。
作为行驶环境检测方法进一步的实施方式,将行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景的步骤之后还包括,
根据待判定区域的行驶场景,基于预设逻辑,得到与行驶场景对应的视图,并将视图发送至显示模块进行显示。
其中,显示模块可以为车辆上的车载显示屏。
上述实施方式中,当判定得到待判定区域的行驶场景后,根据预设逻辑得到该行驶场景对应的视图,并发送至显示模块进行显示,从而方便驾驶员查看车辆周围路况,减少了手动切换的繁琐,提升了驾驶体验舒适度,增加了安全性和时效性。
作为行驶场景对应的视图的一种实施方式,行驶场景对应的视图可根据预设逻辑进行预先设置;参照图2,例如,当待判定区域的行驶场景判定为收费站、加油站、窄道等区域较窄的行驶场景时,则对应的视图可设置为车辆的左侧区域视图和右侧区域视图,从而方便驾驶员查看左右两侧的距离,避免车身刮蹭;当待判定区域的行驶场景判定为斑马线的场景时,则对应的视图可设置为车辆的前方区域视图,从而方便驾驶员查看车辆前轮与斑马线的距离,一定程度地避免了压线的情况发生。
作为实时行驶信息的一种实施方式,实时行驶信息包括转向信息和档位信息;其中,转向信息用于判断车辆的车头转向,转向信息可通过转向灯信号得到,例如,当接收到转向灯信号,且转向灯信号为左转向灯信号时,即判定车辆的转向信息为左转,当接收到转向灯信号,且转向灯信号为右转向灯信号时,即判定车辆的转向信息为右转;档位信息则用于判断车辆是否为倒车状态,档位信息可通过档位信号得到,当接收到的档位信号为倒挡信号时,则判定车辆为倒车状态,当接收到的档位信号为非倒挡信号时,则判定车辆为非倒车状态。
作为根据实时行驶信息确定待判定区域的一种实施方式,待判定区域即为车辆行驶时驾驶员不便于观察的视野盲区;参照图2,例如,当接收到转向灯信号为左转向灯信号,档位信号为非倒挡信号时,可判断车辆为左转状态,则待判定区域选择车辆的左后方区域;当接收到转向灯信号为右转向灯信号,档位信号为非倒挡信号时,可判断车辆为右转状态,则待判定区域选择车辆的右后方区域;当接收到档位信号为非倒挡信号,且未接收到转向灯信号时,可判断车辆为前进状态,则待判定区域选择车辆的前方区域;当接收到档位信号为倒挡信号,且未接收到转向灯信号时,可判断车辆为倒车状态,则待判定区域选择车辆的后方区域;当接收到转向灯信号为左转向灯信号,档位信号为倒挡信号时,可判断车辆为向左后方倒车状态,则待判定区域选择车辆的左后方区域;当接收到转向灯信号为右转向灯信号,档位信号为倒挡信号时,可判断车辆为向右后方倒车状态,则待判定区域选择车辆的右后方区域。
作为已行驶区域的一种实施方式,已行驶区域即车辆已经行驶过的区域;例如,当车辆以一定速度行驶时,若档位信号为倒挡信号,即可判断车辆为倒车状态,则车辆的前方区域即可视为已行驶区域;若档位信号为非倒挡信号,即可判断车辆为非倒车状态,则车辆的后方区域即可视为已行驶区域。
作为获取待判定区域和已行驶区域的实时路面图像的一种实施方式,该实时路面图像可通过图像采集设备采集得到,图像采集设备基于车载360°环视***能够在车辆行驶过程中实时采集车辆周边的路面图像。
作为行驶环境检测方法进一步的实施方式,得到第二判定结果为待判定区域为不可行驶区域的步骤之后还包括,
发送报警信号,报警信号用于提醒驾驶员待判定区域为不可行驶区域。
其中,报警信号的表现形式可以为车辆外后视镜上的警报灯闪烁,也可以为车辆内的蜂鸣器发声。
上述实施方式中,当得到待判定区域为不可行驶区域后,利用报警信号便于在车辆需要进行变道时起到辅助提醒作用,提高了驾驶时的安全性。
作为行驶环境检测方法进一步的实施方式,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,和/或,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对的比对方法包括,
通过预先训练的图像比对模型进行比对,得到比对结果。
其中,利用预先训练的图像比对模型提取两个待比对的路面图像的特征向量分别为X0和X1,计算两个特征向量X0和X1之间的加权欧式距离,判断该加权欧式距离是否大于或等于预设相似度阈值,若是,则输出比对结果为相似,若否,则输出比对结果为不相似;该预设相似度阈值可根据实际情况进行人为预先设置。
参照图3,作为计算两个特征向量X0和X1之间的加权欧式距离的一种实施方式,两个特征向量X0和X1之间的加权欧式距离的计算公式为:Ew(x0,x1)=||Gw(x0)-Gw(x1)|| 。
上述实施方式中,利用预先训练的图像比对模型进行自动比对并生成比对结果,方便快捷,提高了比对效率。
作为行驶环境检测方法进一步的实施方式,参照图4,生成预先训练的图像比对模型的方法包括,
步骤S101,获取图像数据集,图像数据集包括多个标注有第一比对结果的图像数据对;其中,图像数据对由每两个图像数据组成,图像数据包括车辆行车时周围的路面图像数据,第一比对结果由人工对图像数据对中的两个图像数据进行比对后得到;
其中,图像数据可以通过图像采集设备采集得到,图像采集设备基于车载360°环视***能够在车辆行驶过程中实时采集车辆周边的路面图像;另外,采集时的车辆可以为无人驾驶车辆,也可以为有人驾驶车辆;
步骤S102,在图像数据集中选取多个标注有第一比对结果的图像数据对分别输入预先定义的深度神经网络模型,确定与各个图像数据对相对应的第二比对结果;
其中,预先定义的深度神经网络模型是已经训练过的模型,由于部分参数已经比较理想,因此可以省去大部分的训练时间;第二比对结果是指图像数据对经过预先定义的深度神经网络模型进行比对后得到的输出结果;
步骤S103,根据各个图像数据对的第一比对结果和第二比对结果得到各个图像数据对相对应的偏差值,根据多个图像数据对相对应的偏差值确定损失函数;
其中,损失函数是一个非负实值函数,常用来估量模型的预测值与真实值的不一致程度,通常而言,损失函数越小,模型的鲁棒性越好;
步骤S104,基于损失函数对预先定义的深度神经网络模型进行训练,得到图像比对模型。
上述实施方式中,以有监督学习方式对预先定义的深度神经网络模型进行模型训练,通过大量的图像数据训练对模型参数进行优化,得到最优的图像比对模型,从而提高了图像比对的准确性。
为了提高训练数据的多样性,得到更加精确的图像比对模型,应尽可能地考虑到真实行车时的环境因素,因此,在步骤S101中,图像数据集包含针对不同地域路段的各种气候条件、各种路况的行车环境采集的图像数据,例如,采集场景可以为:在高速公路,天气晴朗,路况信息比较好的场景采集n张路面图像数据;在高速公路,天气阴沉,路况信息较差的场景采集n张路面图像数据;在城市道路,天气晴朗,路况信息较好的场景采集n张路面图像数据;在城市道路,在天气阴沉,路况信息较差的场景采集n 张路面图像数据;在地下停车场里采集n张路面图像数据;其中,n可以为任意自然数,n可根据实际需要进行设定,n的数值越大,数据多样性越高,模型的准确性越高,鲁棒性越好。
在步骤S101中,图像数据集由多个图像数据经过预处理后得到,作为预处理的一种实施方式,预处理包括,
数据标记,将每两个图像数据组成图像数据对,并对图像数据对标注第一比对结果,第一比对结果由人工对图像数据对中的两个图像数据进行比对后得到。
其中,在对图像数据对中的两个图像数据进行人工比对后,可对图像数据对标注第一比对结果,第一比对结果表征形式可以为1或-1,1表示两个图像数据相似,-1表示两个图像数据不相似。
数据增强,数据增强的方法包括但不限于对图像数据进行镜像、旋转、缩放、剪切等;通过数据增强,能够在数据量有限的情况下,增加数据多样性,提高模型鲁棒性。
数据归一化,数据归一化的方法包括但不限于缩放归一化、标准归一化和白化(也叫球化)等;对于原始的图像数据,每一维特征的来源和度量单位不同,会造成特征值的分布范围差异很大,对数据进行归一化,将各维度特征归一化到同一取值区间,并且消除不同特征之间的相关性,使得在梯度下降求解时,每一步梯度方向都基本指向最小值,从而大大提升了训练效率。
图像训练集和图像测试集配置,将图像数据集根据预设比例配置为图像训练集和图像测试集。
其中,预设比例可根据需求进行预先设置,图像训练集和图像测试集的比例设置对模型训练结果有重要影响,当图像数据集中的图像数据有限时,一般设置比例为3:1;利用图像训练集可对预先定义的深度神经网络模型进行训练,进而确定模型参数,利用图像测试集可对最优的图像比对模型的性能进行检验。
需要说明的是,上述的预处理的步骤中,数据增强步骤和数据归一化步骤并非必需步骤,且两者顺序可根据需要进行调整。
在步骤S102中,将图像数据对Xp输入预先训练的深度神经网络模型后,预先训练的深度神经网络模型可对每张图像数据的特征进行提取;例如,通过深度神经网络模型提取得到512维向量,该512维向量即能够代表该图像数据的绝大部分特征。
在步骤S102中,确定与图像数据对相对应的第二比对结果的具体实施方式为:从图像数据集中选取一个标注有第一比对结果的图像数据对,设为(Xp,Yp),其中,Xp为图像数据对,Yp为第一比对结果;将图像数据对Xp输入预先训练的深度神经网络模型,根据下列公式计算相应的实际输出作为第二比对结果Op:
Op=Fn(…(F2(F1 (Xp·W1)W2)…)Wn );
其中,F为映射函数,W为权值;在此阶段中,信息从输入层经过逐级变换传送到输出层,该过程也是网络在完成训练后正常运行时执行的过程,在该过程中,预先定义的深度神经网络模型执行计算过程,即输入Xp与每层的权值矩阵相点乘,从而得到最后的输出结果Op。
作为预先定义的深度神经网络模型的一种实施方式,本实施例中的深度神经网络模型以resnet18作为基础网络结构。
在步骤S103中,根据各个图像数据对的第一比对结果和第二比对结果得到各个图像数据对相对应的偏差值的具体实施方式为:计算图像数据对的第二比对结果Op与第一比对结果Yp的差值,该差值即为该图像数据对相对应的偏差值。
其中,在将第一比对结果Yp与第二比对结果Op进行求差后,可以得到偏差值,该偏差值可以反映模型预测的偏差程度,该偏差程度包含了模型在各个维度上进行预测的偏差程度,通过各个维度上预测的偏差程度,可以对预先定义的深度神经网络模型的参数进行更新,以便减小模型预测的偏差程度,从而提高判定准确率。
作为根据多个图像数据对相对应的偏差值确定损失函数的一种实施方式,损失函数常用来衡量模型预测的偏差程度,通过多个图像数据对相对应的偏差值即可确定该损失函数,损失函数S的计算公式为:
作为行驶环境检测方法进一步的实施方式,在步骤S104中,基于损失函数对预先定义的深度神经网络模型进行训练,得到图像比对模型包括,
对损失函数进行优化,更新预先定义的深度神经网络模型的参数,直到损失函数满足预设条件或预先定义的深度神经网络模型迭代次数到达预设次数,得到图像比对模型。
其中,在利用损失函数对预先定义的深度神经网络模型的参数进行更新时,通常采用梯度下降法等方法进行更新,即通过求解损失函数的梯度,即可实现模型参数的更新;通过图像数据集对预先定义的深度神经网络模型反复训练后,损失函数会越来越小,相应的模型预测精度也会越来越高,当损失函数满足预设条件或预先定义的深度神经网络模型迭代次数到达预设次数时,即可将当前模型参数作为得到的图像比对模型的参数,根据该参数得到图像比对模型。
需要说明的是,该预设条件是一种预先设置的用于衡量损失函的数学特性的条件;在本实施例中,该预设条件可以为当损失函数趋于收敛或损失函数达到最小值时,即为满足预设条件。
本发明实施例还公开一种行驶环境检测***。
行驶环境检测***包括,
第一处理器,用于将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则输出第一判断结果,如果否,则输出第二判断结果;
第二处理器,用于响应第一判断结果,获取待判定区域的实时路面图像和基准图像集,基准图像集包括预先存储的多个行驶场景的基准图像,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,则将行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景;
第三处理器,用于响应第二判断结果,获取实时行驶信息并根据实时行驶信息确定待判定区域,获取待判定区域的实时路面图像与已行驶区域的实时路面图像,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,若比对结果满足预设相似度条件,得到待判定区域的判定结果为可行驶区域,若比对结果不满足预设相似度条件,得到待判定区域的判定结果为不可行驶区域;其中,实时行驶信息包括转向信息和档位信息;
存储器,用于存储基准图像集。
上述实施方式中,在实际驾驶过程中,利用第一处理器将当前车速信息与预设阈值进行比较,判断实时车速信息是否小于预设阈值,如果判断结果为是,则输出第一判断结果,第二处理器响应于第一判断结果,并获取待判定区域的实时路面图像和基准图像集,将待判定区域的实时路面图像分别与基准图像集内的各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,即可判断出待判定区域的行驶场景,从而能够对行驶场景作出准确判断;如果判断结果为否,则输出第二判断结果,第三处理器响应于第二判断结果,并获取实时行驶信息,根据实时行驶信息确定待判定区域,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,根据比对结果是否满足预设相似度条件,即可判断待判定区域是否为可行驶区域,从而使得驾驶员能够实时了解车辆周围路况,便于及时观察到视野盲区内的行驶车辆、障碍物等,提高了驾驶时的安全性,降低了驾驶风险。
作为行驶环境检测***进一步的实施方式,行驶环境检测***还包括,
视图生成模块,用于根据待判定区域的行驶场景,基于预设逻辑,得到与行驶场景对应的视图,并将视图发送至显示模块进行显示。
上述实施方式中,当判定得到待判定区域的行驶场景后,利用视图生成模块生成与行驶场景对应的视图,并发送至显示模块进行显示,从而方便驾驶员查看车辆周围路况,减少了手动切换的繁琐,提升了驾驶体验舒适度,增加了安全性和时效性。
作为行驶环境检测***进一步的实施方式,行驶环境检测***还包括,
报警信号发送模块,用于发送报警信号,报警信号用于提醒驾驶员待判定区域为不可行驶区域。
上述实施方式中,当得到待判定区域为不可行驶区域后,利用报警信号发送模块发送报警信号,便于在车辆需要进行变道时起到辅助提醒作用,提高了驾驶时的安全性。
作为行驶环境检测***进一步的实施方式,行驶环境检测***还包括,
预先训练的图像比对模型,用于将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,和/或,用于将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,得到比对结果。
上述实施方式中,利用预先训练的图像比对模型进行自动比对并生成比对结果,方便快捷,提高了比对效率,增强了准确性。
本发明的行驶环境检测***能够实现上述行驶环境检测方法的任一种方法,且行驶环境检测***的具体工作过程可参考上述方法实施例中的对应过程。
本发明实施例还公开一种行驶环境检测装置。
行驶环境检测装置包括图像采集设备、报警模块、显示模块以及上述的一种行驶环境检测***;图像采集设备用于实时采集车辆行车时周围的路面图像,报警模块用于接收报警信号并提醒驾驶员待判定区域为不可行驶区域,显示模块用于对视图进行显示,上述的一种行驶环境检测***分别与图像采集设备、报警模块、显示模块通信连接。
作为图像采集设备的一种实施方式,图像采集设备可以为四个或四个以上的单目或多目摄像头,基于360°环视***能够同时采集车辆四周的路面图像。
作为报警模块的一种实施方式,报警模块可以为安装在车辆外后视镜上的警报灯,该警报灯可以为发光二极管,通过灯光闪烁对驾驶员进行提醒;报警模块也可以为安装在车内的蜂鸣报警器,通过发出声音达到对驾驶员的提醒作用。
作为显示模块的一种实施方式,显示模块可以为车辆上的车载显示屏,用于对车辆周围区域的视图进行显示。
本发明实施例还公开一种计算机设备。
计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如上述的行驶环境检测方法。
本发明实施例还公开一种计算机可读存储介质。
计算机可读存储介质,存储有能够被处理器加载并执行如上述的行驶环境检测方法中任一种方法的计算机程序。
其中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用;计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
本发明实施例还公开一种汽车,汽车包括如上述的一种行驶环境检测装置。
市面上关于行驶环境的检测方法大都是基于路面分割的传统算法,而本发明另辟蹊径,通过训练深度神经网络模型得到图像比对模型,对于特征较为明显的行驶场景,采用比对的方式确定待判定区域的行驶场景,而无需针对每一类场景单独训练检测模型,更加灵活方便;并且,利用训练得到的图像比对模型,通过实时图像比对的方式进行可行驶区域的判定,采样基准来自实时环境,从而大大提升了判定精度。
需要说明的是,在上述实施例中,对各个实施例的描述各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所提供的方法、***和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的;例如,某个模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (10)
1.一种行驶环境检测方法,其特征在于:所述检测方法包括,
将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则获取待判定区域的实时路面图像和基准图像集,所述基准图像集包括预先存储的多个行驶场景的基准图像,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,则将所述行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景;
如果否,则获取实时行驶信息并根据实时行驶信息确定待判定区域,获取待判定区域的实时路面图像与已行驶区域的实时路面图像,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,若比对结果满足预设相似度条件,得到所述待判定区域的判定结果为可行驶区域,若比对结果不满足预设相似度条件,得到所述待判定区域的判定结果为不可行驶区域;其中,所述实时行驶信息包括转向信息和档位信息。
2.根据权利要求1所述的行驶环境检测方法,其特征在于:将所述行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景的步骤之后还包括,
根据所述待判定区域的行驶场景,基于预设逻辑,得到与所述行驶场景对应的视图,并将所述视图发送至显示模块进行显示。
3.根据权利要求1所述的行驶环境检测方法,其特征在于:得到所述第二判定结果为所述待判定区域为不可行驶区域的步骤之后还包括,
发送报警信号,所述报警信号用于提醒驾驶员待判定区域为不可行驶区域。
4.根据权利要求1到3任一所述的行驶环境检测方法,其特征在于:将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,和/或,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对的比对方法包括,
通过预先训练的图像比对模型进行比对,得到比对结果。
5.根据权利要求4所述的行驶环境检测方法,其特征在于:生成所述预先训练的图像比对模型的方法包括,
获取图像数据集,所述图像数据集包括多个标注有第一比对结果的图像数据对;其中,所述图像数据对由每两个图像数据组成,所述图像数据包括车辆行车时周围的路面图像数据,所述第一比对结果由人工对图像数据对中的两个图像数据进行比对后得到;
在图像数据集中选取多个所述标注有第一比对结果的图像数据对分别输入预先定义的深度神经网络模型,确定与各个图像数据对相对应的第二比对结果;
根据所述各个图像数据对的第一比对结果和第二比对结果得到各个图像数据对相对应的偏差值,根据多个图像数据对相对应的偏差值确定损失函数;以及,
基于所述损失函数对所述预先定义的深度神经网络模型进行训练,得到所述图像比对模型。
6.一种行驶环境检测***,其特征在于:所述检测***包括,
第一处理器,用于将当前车速信息与预设阈值进行比较,判断当前车速信息是否小于预设阈值,如果是,则输出第一判断结果,如果否,则输出第二判断结果;
第二处理器,用于响应第一判断结果,获取待判定区域的实时路面图像和基准图像集,所述基准图像集包括预先存储的多个行驶场景的基准图像,将待判定区域的实时路面图像分别与各个行驶场景的基准图像进行比对,若比对结果满足预设相似度条件,则将所述行驶场景的基准图像对应的行驶场景作为待判定区域的行驶场景;
第三处理器,用于响应第二判断结果,获取实时行驶信息并根据实时行驶信息确定待判定区域,获取待判定区域的实时路面图像与已行驶区域的实时路面图像,将待判定区域的实时路面图像和已行驶区域的实时路面图像进行比对,若比对结果满足预设相似度条件,得到所述待判定区域的判定结果为可行驶区域,若比对结果不满足预设相似度条件,得到所述待判定区域的判定结果为不可行驶区域;其中,所述实时行驶信息包括转向信息和档位信息;
存储器,用于存储基准图像集。
7.一种行驶环境检测装置,其特征在于:所述检测装置包括图像采集设备、报警模块、显示模块以及如权利要求6所述的一种行驶环境检测***;
所述图像采集设备,用于实时采集车辆行车时周围的路面图像;
所述报警模块,用于接收报警信号并提醒驾驶员待判定区域为不可行驶区域;
所述显示模块,用于对视图进行显示;
所述如权利要求6所述的一种行驶环境检测***分别与图像采集设备、报警模块、显示模块通信连接。
8.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至5中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1至5中任一种方法的计算机程序。
10.一种汽车,其特征在于:包括如权利要求7所述的一种行驶环境检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926976.1A CN113673403B (zh) | 2021-08-12 | 2021-08-12 | 行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926976.1A CN113673403B (zh) | 2021-08-12 | 2021-08-12 | 行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673403A true CN113673403A (zh) | 2021-11-19 |
CN113673403B CN113673403B (zh) | 2022-10-11 |
Family
ID=78542591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110926976.1A Active CN113673403B (zh) | 2021-08-12 | 2021-08-12 | 行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673403B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913202A (zh) * | 2022-04-07 | 2022-08-16 | 北京拙河科技有限公司 | 一种微透镜阵列的目标追踪方法及*** |
CN114941710A (zh) * | 2022-05-12 | 2022-08-26 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车档位切换控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202379A (zh) * | 2016-07-09 | 2016-12-07 | 兰州交通大学 | 一种基于空间场景相似性的匹配查询方法 |
CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN109919144A (zh) * | 2019-05-15 | 2019-06-21 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN110084137A (zh) * | 2019-04-04 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 基于驾驶场景的数据处理方法、装置和计算机设备 |
CN110893858A (zh) * | 2018-09-12 | 2020-03-20 | 华为技术有限公司 | 一种智能驾驶方法及智能驾驶*** |
CN111767839A (zh) * | 2020-06-28 | 2020-10-13 | 平安科技(深圳)有限公司 | 一种车辆行驶轨迹确定方法、装置、设备及介质 |
CN112508310A (zh) * | 2021-02-01 | 2021-03-16 | 智道网联科技(北京)有限公司 | 行驶轨迹模拟方法、装置及存储介质 |
CN112985440A (zh) * | 2021-02-20 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 行驶轨迹偏移的检测方法、装置、存储介质及程序产品 |
-
2021
- 2021-08-12 CN CN202110926976.1A patent/CN113673403B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202379A (zh) * | 2016-07-09 | 2016-12-07 | 兰州交通大学 | 一种基于空间场景相似性的匹配查询方法 |
CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN110893858A (zh) * | 2018-09-12 | 2020-03-20 | 华为技术有限公司 | 一种智能驾驶方法及智能驾驶*** |
CN110084137A (zh) * | 2019-04-04 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 基于驾驶场景的数据处理方法、装置和计算机设备 |
CN109919144A (zh) * | 2019-05-15 | 2019-06-21 | 长沙智能驾驶研究院有限公司 | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 |
CN111767839A (zh) * | 2020-06-28 | 2020-10-13 | 平安科技(深圳)有限公司 | 一种车辆行驶轨迹确定方法、装置、设备及介质 |
CN112508310A (zh) * | 2021-02-01 | 2021-03-16 | 智道网联科技(北京)有限公司 | 行驶轨迹模拟方法、装置及存储介质 |
CN112985440A (zh) * | 2021-02-20 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 行驶轨迹偏移的检测方法、装置、存储介质及程序产品 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913202A (zh) * | 2022-04-07 | 2022-08-16 | 北京拙河科技有限公司 | 一种微透镜阵列的目标追踪方法及*** |
CN114913202B (zh) * | 2022-04-07 | 2022-11-29 | 北京拙河科技有限公司 | 一种微透镜阵列的目标追踪方法及*** |
CN114941710A (zh) * | 2022-05-12 | 2022-08-26 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车档位切换控制方法 |
CN114941710B (zh) * | 2022-05-12 | 2024-03-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车档位切换控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673403B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10691962B2 (en) | Systems and methods for rear signal identification using machine learning | |
CN111291676B (zh) | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 | |
US8699754B2 (en) | Clear path detection through road modeling | |
JP4624594B2 (ja) | 物体認識方法および物体認識装置 | |
US8751154B2 (en) | Enhanced clear path detection in the presence of traffic infrastructure indicator | |
US11727799B2 (en) | Automatically perceiving travel signals | |
US8452053B2 (en) | Pixel-based texture-rich clear path detection | |
US20160140424A1 (en) | Object-centric Fine-grained Image Classification | |
US10650256B2 (en) | Automatically perceiving travel signals | |
CN113673403B (zh) | 行驶环境检测方法、***、装置、计算机设备、计算机可读存储介质及汽车 | |
US20090295917A1 (en) | Pixel-based texture-less clear path detection | |
US20100104137A1 (en) | Clear path detection using patch approach | |
CN103714659B (zh) | 基于双光谱融合的疲劳驾驶识别*** | |
US20180299893A1 (en) | Automatically perceiving travel signals | |
KR20170124299A (ko) | 가상 주차선 생성에 의한 주차 지원 장치 및 그 방법 | |
CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
CN111354222A (zh) | 一种辅助驾驶方法和*** | |
CN110901638B (zh) | 驾驶辅助方法及*** | |
US20180300566A1 (en) | Automatically perceiving travel signals | |
Cheng et al. | Modeling weather and illuminations in driving views based on big-video mining | |
CN114881241A (zh) | 基于深度学习的车道线检测方法、装置及自动驾驶方法 | |
WO2023173699A1 (zh) | 基于机器学习的辅助驾驶方法、装置和计算机可读介质 | |
CN113752940B (zh) | 进出隧道车灯控制方法、设备、存储介质及装置 | |
CN115829387A (zh) | 一种驾驶能力评估方法、装置及电子设备 | |
EP3460403B1 (en) | Method for controlling operation system of 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 |