CN116206281A - 一种视线检测方法、装置、电子设备和存储介质 - Google Patents
一种视线检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116206281A CN116206281A CN202310465756.2A CN202310465756A CN116206281A CN 116206281 A CN116206281 A CN 116206281A CN 202310465756 A CN202310465756 A CN 202310465756A CN 116206281 A CN116206281 A CN 116206281A
- Authority
- CN
- China
- Prior art keywords
- sight
- preset
- detection
- sight line
- line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 461
- 230000000903 blocking effect Effects 0.000 claims abstract description 204
- 230000033001 locomotion Effects 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000013507 mapping Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000003287 optical effect Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 33
- 230000000007 visual effect Effects 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004888 barrier function Effects 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003707 image sharpening Methods 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,公开了一种视线检测方法、装置、电子设备和存储介质。该方法包括:根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,预设视线检测区域基于驾驶员的视野范围划分,基于预设运动检测算法确定至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据运动特征和预设第一权重映射关系确定第一视线受阻权重,以及基于预设障碍物模型确定至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重,在预设筛选条件下基于第一视线受阻权重和第二视线受阻权重确定视线受阻情况。可提高视线受阻情况描述的准确性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种视线检测方法、装置、电子设备和存储介质。
背景技术
随着经济的发展和人们生活水平的不断提高,道路上的车辆越来越多,对驾驶员的安全防护是汽车发展所追求的永恒主题。尤其是在大雨、扬尘、大雪等恶劣条件下,驾驶员由于视线受阻,往往不能够及时、快速地发现前面视野内的障碍物,进而导致交通事故的频发。
随着智能汽车的普及,利用车内摄像头实现对驾驶员的视线捕捉成为视线检测的研究热点。现有视线检测方法通常采用以下两类方法:一是基于模板库的视线检测方法,二是基于特征点运动检测的视线检测方法。但是上述视线检测方法还存在以下不足之处:
1、采用基于模板库的视线检测方法需要人为地去设计匹配模板,因此存在因设计人员经验不足导致视线检测方法精度较低的问题;
2、采用基于特征点运动检测的视线检测方法描述视线受阻行为较为单一,普适性和鲁棒性不高。
发明内容
本发明提供了一种视线检测方法、装置、电子设备和存储介质,以解决现有视线检测方法存在的检测精度、普适性和鲁棒性较低的问题,可以提高视线受阻情况描述的准确性,以及增强用户驾驶车辆的安全性。
根据本发明的一方面,提供了一种视线检测方法,该方法包括:
根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,预设视线检测区域基于驾驶员的视野范围划分;
基于预设运动检测算法确定至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据运动特征和预设第一权重映射关系确定第一视线受阻权重;
基于预设障碍物模型确定至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重;
在预设筛选条件下基于第一视线受阻权重和第二视线受阻权重确定视线受阻情况。
根据本发明的另一方面,提供了一种视线检测装置,该装置包括:
图像采集模块,用于根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,预设视线检测区域基于驾驶员的视野范围划分;
第一权重确定模块,用于基于预设运动检测算法确定至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据运动特征和预设第一权重映射关系确定第一视线受阻权重;
第二权重确定模块,用于基于预设障碍物模型确定至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重;
视线受阻确定模块,用于在预设筛选条件下基于第一视线受阻权重和第二视线受阻权重确定视线受阻情况。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的视线检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的视线检测方法。
本发明实施例的技术方案,通过根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,预设视线检测区域基于驾驶员的视野范围划分,基于预设运动检测算法确定至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据运动特征和预设第一权重映射关系确定第一视线受阻权重,基于预设障碍物模型确定至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重,在预设筛选条件下基于第一视线受阻权重和第二视线受阻权重确定视线受阻情况。本发明实施例通过根据驾驶员的视野范围划分至少两个预设视线检测区域,再根据预设运动检测算法和预设障碍物模型分别确定各预设视线检测区域分别对应的第一视线受阻权重和第二视线受阻权重,最后依据第一视线受阻权重和第二视线受阻权重确定视线受阻情况,可以通过多检测区域的运动特征和障碍物分布特征自适应地描述视线受阻情况,提高了视线检测的鲁棒性和准确性,具有较好的普适性,增强了用户驾驶车辆的安全性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种视线检测方法的流程图;
图2是根据本发明实施例二提供的一种视线检测方法的流程图;
图3是根据本发明实施例二提供的一种预设障碍物模型训练过程的流程图;
图4是根据本发明实施例三提供的一种视线检测方法的流程图;
图5是根据本发明实施例三提供的另一种视线检测方法的流程图;
图6是根据本发明实施例四提供的一种视线检测装置的结构示意图;
图7是实现本发明实施例的视线检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种视线检测方法的流程图,本实施例可适用于对驾驶员的视线进行检测的情况,该方法可以由视线检测装置来执行,该视线检测装置可以采用硬件和/或软件的形式实现,该视线检测装置可配置于电子设备中,例如可以包括车载设备等。如图1所示,本实施例一提供的一种视线检测方法,具体包括如下步骤:
S110、根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,预设视线检测区域基于驾驶员的视野范围划分。
在本发明实施中,预设视线检测区域可以理解为基于驾驶员的视野范围划分的用于检测驾驶员视线是否受阻的视线区域,预设视线检测区域的数量可以为至少两个,具体数量可以根据实际需求相应设置;预设视线检测区域可以设置于车辆的前挡风玻璃或者雨刷器前方;预设视线检测区域可以喷涂成能够与车辆车身明显区分的颜色,例如可以为蓝色或者绿色。车内摄像头可以用于采集各预设视线检测区域对应的视线检测图像,车内摄像头的数量可以与预设视线检测区域的数量一致,即每个车内摄像头可以分别采集对应预设视线检测区域的视线检测图像,也可以利用一个车内摄像头同时采集各预设视线检测区域对应的视线检测图像,本发明实施例对此不进行限制。
具体地,可以利用车内摄像头对驾驶员的视野范围内的预设视线检测区域进行视线检测图像采集,其中,预设视线检测区域的数量可以为至少两个,其具体数量可以根据实际需求相应设置,预设视线检测区域可以喷涂成能够与车辆车身明显区分的颜色,例如可以为蓝色或者绿色;可以利用一个车内摄像头同时采集各预设视线检测区域对应的视线检测图像,也可以采用多个车内摄像头分别单独采集对应预设视线检测区域的视线检测图像,本发明实施例对此不进行限制。需要理解的是,在获取各预设视线检测区域对应的视线检测图像之后,还可以对各视线检测图像进行图像分割,生成各视线检测图像分别对应的视线检测图像切片,再利用该视线检测图像切片对驾驶员的视线受阻情况进行检测,可以有助于提高视线受阻情况判别的鲁棒性和准确性。
S120、基于预设运动检测算法确定至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据运动特征和预设第一权重映射关系确定第一视线受阻权重。
在本发明实施中,预设运动检测算法可以理解为预先配置的用于提取各视线检测图像对应运动特征的算法,预设运动检测算法可以包括光流算法、连续帧间差分算法以及背景差分算法等。运动特征可以理解为用于表征视线检测图像的运动情况的特征,示例性地,运动特征可以包括像素点或关键点的运动方向和运动速度等。第一视线受阻权重可以理解为根据运动特征确定的视线受阻权重,第一视线受阻权重的取值可以为采用1或者0进行表示,其中,第一视线受阻权重取1表示驾驶员的视线受阻,第一视线受阻权重取0表示驾驶员的视线未受阻。预设第一权重映射关系可以理解为预先配置的用于表征运动特征和第一视线受阻权重之间的映射关系,预设第一权重映射关系可以包括预设视线检测区域内连续若干帧视线检测图像的运动特征为正负交替变化,或者预设视线检测区域内连续若干帧视线检测图像的运动特征为多次发生突变等。
具体地,可以采用预设运动检测算法去提取各预设视线检测区域内的视线检测图像分别对应的运动特征,其中,预设运动检测算法可以包括但不限于以下几种:光流算法、连续帧间差分算法以及背景差分算法等,相应地,提取到的运动特征也可以包括但不限于以下几种:光流方向运动特征、连续帧差分运动特征以及背景差分运动特征等;可以将确定的各预设视线检测区域的运动特征与预设第一权重映射关系进行比较,判断运动特征是否满足预设第一权重映射关系,其中,预设第一权重映射关系可以包括但不限于:预设视线检测区域内连续若干帧视线检测图像的运动特征为正负交替变化、预设视线检测区域内连续若干帧视线检测图像的运动特征为多次发生突变等,当各预设视线检测区域的运动特征满足预设第一权重映射关系时,可以将该预设视线检测区域对应的第一视线受阻权重设置为1,表示驾驶员视线受阻;若不满足,则可以将该预设视线检测区域对应的第一视线受阻权重设置为0,表示驾驶员视线未受阻,需要理解的是,本发明实施例中用第一视线受阻权重为1表示驾驶员视线受阻,以及用第一视线受阻权重为0表示驾驶员视线未受阻,此处仅作为示例,实际应用中也可以采用其他方式进行表示,能够实现视线受阻/未受阻情况的区分即可,例如用Y表示驾驶员视线受阻,用N表示驾驶员视线未受阻等,本发明对此不进行限制。
S130、基于预设障碍物模型确定至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重。
在本发明实施中,预设障碍物模型可以理解为预先训练好的用于检测各视线检测图像中障碍物的模型,示例性地,预设障碍物模型可以基于支持向量机(Support VectorMachine,SVM)、K近邻(K-Nearest Neighbor,KNN)以及卷积神经网络(ConvolutionalNeural Network,CNN)等算法进行预训练得到。障碍物分布特征可以理解为用于描述各视线检测图像中障碍物分布的特征,示例性地,障碍物分布特征可以包括各视线检测图像对应的图像特征满足预设障碍物模型的比例,或者各视线检测图像对应的图像特征不满足设障碍物模型的比例等。第二视线受阻权重可以理解为根据障碍物分布特征确定的视线受阻权重,第二视线受阻权重的取值可以设置为1或者0,其中,第二视线受阻权重取1表示驾驶员的视线受阻,第二视线受阻权重取0表示驾驶员的视线未受阻。预设第二权重映射关系可以理解为预先配置的用于表征障碍物分布特征和第二视线受阻权重之间的映射关系,预设第二权重映射关系可以包括障碍物分布特征满足大于或者等于预设阈值,或者障碍物分布特征满足某个预设阈值范围等。
具体地,可以利用事先训练好的预设障碍物模型去提取各预设视线检测区域内的视线检测图像分别对应的障碍物分布特征,例如可以包括将各视线检测图像直接输入预设障碍物模型中进行障碍物分布特征的提取,也可以先提取各视线检测图像的图像特征,再将该图像特征输入预设障碍物模型中进行障碍物分布特征的提取等,其中,障碍物分布特征可以包括但不限于以下几种:各视线检测图像对应的图像特征满足预设障碍物模型的比例、各视线检测图像对应的图像特征不满足设障碍物模型的比例等;可以将提取的各预设视线检测区域的障碍物分布特征与预设第二权重映射关系进行比较,判断障碍物分布特征是否满足预设第二权重映射关系,其中,预设第二权重映射关系可以包括但不限于:障碍物分布特征满足大于或者等于预设阈值、障碍物分布特征满足某个预设阈值范围等,当障碍物分布特征满足预设第二权重映射关系时,可以将该预设视线检测区域对应的第二视线受阻权重设置为1,表示驾驶员视线受阻;若不满足,则可以将该预设视线检测区域对应的第二视线受阻权重设置为0,表示驾驶员视线未受阻,同样地,此处的用第一视线受阻权重为1表示驾驶员视线受阻,以及用第一视线受阻权重为0表示驾驶员视线未受阻,仅作为示例,实际应用中也可以采用其他方式进行表示。
S140、在预设筛选条件下基于第一视线受阻权重和第二视线受阻权重确定视线受阻情况。
在本发明实施中,预设筛选条件可以理解为预先配置的用于根据第一视线受阻权重和第二视线受阻权重筛选驾驶员视线受阻情况的条件,示例性地,预设筛选条件可以包括第一视线受阻权重和第二视线受阻权重中至少一个等于1,或者第一视线受阻权重和第二视线受阻权重中至少两个等于1等。
具体地,可以将获取到的各预设视线检测区域对应的第一视线受阻权重和第二视线受阻权重与预设筛选条件进行比较,判断是否满足预设筛选条件,其中,预设筛选条件可以包括但不限于:第一视线受阻权重和第二视线受阻权重中至少一个等于1、第一视线受阻权重和第二视线受阻权重中至少两个等于1等,若满足预设筛选条件,则可以将视线受阻情况确定为视线受阻;若不满足,则可以将视线受阻情况确定为视线未受阻。
本发明实施例的技术方案,通过根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,预设视线检测区域基于驾驶员的视野范围划分,基于预设运动检测算法确定至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据运动特征和预设第一权重映射关系确定第一视线受阻权重,基于预设障碍物模型确定至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重,在预设筛选条件下基于第一视线受阻权重和第二视线受阻权重确定视线受阻情况。本发明实施例通过根据驾驶员的视野范围划分至少两个预设视线检测区域,再根据预设运动检测算法和预设障碍物模型分别确定各预设视线检测区域分别对应的第一视线受阻权重和第二视线受阻权重,最后依据第一视线受阻权重和第二视线受阻权重确定视线受阻情况,可以通过多检测区域的运动特征和障碍物分布特征自适应地描述视线受阻情况,提高了视线检测的鲁棒性和准确性,具有较好的普适性,进而有助于增强用户驾驶车辆的安全性。
实施例二
图2为本发明实施例二提供的一种视线检测方法的流程图,基于上述实施方式进一步进行优化与扩展,并可以与上述实施方式中各个可选技术方案结合。如图2所示,本实施例二提供的一种视线检测方法,具体包括如下步骤:
S210、基于驾驶员的视野范围划分至少两个预设视线检测区域,并利用车内摄像头采集对应预设视线检测区域内的至少五个连续帧的视线检测图像。
S220、采用Harris角点检测算法提取至少两个预设视线检测区域内的视线检测图像分别对应的检测关键点。
在本发明实施中,Harris角点检测算法可以用于提取各视线检测图像的局部特征的特征提取算法,其基本原理是利用局部窗口在图像上进行移动,判断灰度是否发生较大的变化,如果窗口内的灰度值(在梯度图上)都有较大的变化,那么这个窗口所在区域就存在角点。
具体地,可以采用现有的Harris角点检测算法分别提取各预设视线检测区域内的视线检测图像对应的角点特征,并将提取到的角点特征分别作为各视线检测图像对应的检测关键点。需要理解的是,本发明实施例中提取视线检测图像的角点特征仅作为示例,在实际应用中可以采用视线检测图像的其他类型的特征点,例如可以包括但不限于:尺度不变特征转换(Scale-Invariant Feature Transform,SIFT)特征点、加速稳健特征(SpeededUp Robust Features,SURF)特征点、ORB(Oriented FAST and Rotated BRIEF)特征点、方向梯度直方图(Histogram of Oriented Gradient,HOG)特征点、FAST特征点、BRISK特征点以及局部二值模式(Local Binary Pattern,LBP)特征点等,本发明实施例对此不进行限制。
S230、调用预设光流算法生成相邻两帧视线检测图像内检测关键点对应的光流。
在本发明实施中,预设光流算法可以理解为预先配置的用于检测视线检测图像中各检测关键点运动情况的算法,预设光流算法可以包括Lucas-Kanade光流算法、Horn-Schunck光流算法以及基于神经网络的FlowNet光流算法等。
具体地,可以调用预设光流算法去跟踪相邻两帧视线检测图像内的检测关键点,并将各检测关键点的运动情况作为对应的光流,其中,预设光流算法可以包括但不限于以下几种:Lucas-Kanade光流算法、Horn-Schunck光流算法、FlowNet光流算法等。在一些实施例中,可以调用金字塔Lucas-Kanade光流算法对相邻两帧视线检测图像内的所有检测关键点进行迭代跟踪,并将相邻两帧视线检测图像中同一检测关键点的运动情况作为对应的光流。
S240、依据光流剔除未移动的检测关键点,并将剩余检测关键点作为移动点。
在本发明实施中,移动点可以理解为在相邻两帧视线检测图像中发生移动的检测关键点。
具体地,可以依据相邻两帧视线检测图像中所有检测关键点的光流情况,检测出每个检测关键点在相邻两帧视线检测图像中是否发生移动,剔除其中未发生移动的检测关键点,并将剩余检测关键点作为移动点。
S250、连接相邻两帧视线检测图像内相同检测关键点作为移动点矢量线。
具体地,可以对相邻两帧视线检测图像内的同一检测关键点之间用矢量线进行连接,并将其作为移动点矢量线。
S260、针对预设视线检测区域提取对应的移动点矢量线的方向作为运动特征。
具体地,可以在各预设视线检测区域内提取对应的移动点矢量线,并将该移动点矢量线对应的矢量方向作为各预设视线检测区域对应的运动特征。
S270、判断运动特征是否满足预设第一权重映射关系,若是,则将第一视线受阻权重设置为1,若否,则将第一视线受阻权重设置为0,其中,预设第一权重映射关系至少包括:预设视线检测区域内至少相邻五帧视线检测图像的运动特征为正负交替变化。
具体地,可以将S260中确定的各预设视线检测区域的运动特征与预设第一权重映射关系进行比较,判断运动特征是否满足预设第一权重映射关系,其中,预设第一权重映射关系至少包括:预设视线检测区域内至少相邻五帧视线检测图像的运动特征为正负交替变化,即运动特征可以包括“正负正负”和“负正负正”两种情况,当各预设视线检测区域的运动特征满足“正负正负”和“负正负正”两种情况中之一时,可以将该预设视线检测区域对应的第一视线受阻权重设置为1,表示驾驶员视线受阻;若不满足,则可以将该预设视线检测区域对应的第一视线受阻权重设置为0,表示驾驶员视线未受阻。
S280、按照预设图像处理规则提取至少两个视线检测图像的尺度不变特征变换特征和方向梯度直方图特征。
在本发明实施中,预设图像处理规则可以理解为用于提取各视线检测图像的尺度不变特征变换(SIFT)特征和方向梯度直方图(HOG)特征的算法规则,预设图像处理规则可以包括SIFT特征提取算法和HOG特征提取算法等。
具体地,可以按照预设图像处理规则分别提取各视线检测图像对应的SIFT特征和HOG特征,预设图像处理规则可以至少包括:SIFT特征提取算法和HOG特征提取算法等。需要理解的是,本发明实施例中提取视线检测图像的SIFT特征和HOG特征仅作为示例,在实际应用中可以提取视线检测图像的其他类型的特征点,例如可以包括但不限于:SURF特征点、ORB特征点、FAST特征点、BRISK特征点以及LBP特征点等,本发明实施例对此不进行限制。
S290、将至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征输入预设障碍物模型,统计至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征满足预设障碍物模型的比例。
具体地,可以将各视线检测图像对应的SIFT特征和HOG特征输入已经事先训练好的预设障碍物模型中,由预设障碍物模型输出各视线检测图像对应的障碍物检测结果,并统计各视线检测图像对应的SIFT特征和HOG特征满足设障碍物模型的比例。
S2100、将比例作为至少两个预设视线检测区域内的视线检测图像的障碍物分布特征。
具体地,可以将S290中统计各视线检测图像对应的SIFT特征和HOG特征满足设障碍物模型的比例,分别作为各视线检测图像对应的障碍物分布特征。
S2110、判断障碍物分布特征是否满足预设第二权重映射关系,若是,则将第二视线受阻权重设置为1,若否,则将第二视线受阻权重设置为0,其中,预设第二权重映射关系至少包括:障碍物分布特征满足大于或者等于预设阈值。
具体地,可以将S2100中确定的各预设视线检测区域的障碍物分布特征与预设第二权重映射关系进行比较,判断障碍物分布特征是否满足预设第二权重映射关系,其中,预设第二权重映射关系至少包括:障碍物分布特征满足大于或者等于预设阈值,示例性地,预设阈值可以设置为2%、5%或者10%等,当障碍物分布特征满足预设第二权重映射关系时,可以将该预设视线检测区域对应的第二视线受阻权重设置为1,表示驾驶员视线受阻;若不满足,则可以将该预设视线检测区域对应的第二视线受阻权重设置为0,表示驾驶员视线未受阻。
S2120、判断第一视线受阻权重和第二视线受阻权重是否满足预设筛选条件,若是,则将视线受阻情况确定为视线受阻,若否,则将视线受阻情况确定为视线未受阻,其中,预设筛选条件至少包括:第一视线受阻权重和第二视线受阻权重中至少一个等于1。
具体地,可以将获取到的第一视线受阻权重和第二视线受阻权重与预设筛选条件进行比较,判断是否满足预设筛选条件,其中,预设筛选条件至少包括:第一视线受阻权重和第二视线受阻权重中至少一个等于1,若满足,则将视线受阻情况确定为视线受阻;若不满足,则将视线受阻情况确定为视线未受阻。
进一步地,在上述发明实施例的基础上,图3为本发明实施例二提供的一种预设障碍物模型训练过程的流程图。如图3所示,本发明实施例二提供的一种预设障碍物模型训练过程,具体包括如下步骤:
S310、采集基于驾驶员的视野范围的预设视线检测数据集,并根据预设视线检测数据集中的障碍物有无情况确定正样本以及负样本。
在本发明实施中,预设视线检测数据集可以理解为预先配置的基于驾驶员的视野范围采集的驾驶视线数据集。正样本可以理解为预设视线检测数据集中在预设视线检测区域内存在障碍物的样本数据,相应地,负样本可以理解为预设视线检测数据集中在预设视线检测区域内不存在障碍物的样本数,其中,障碍物可以包括雨滴、灰尘或者其他车辆等。
具体地,可以基于驾驶员的视野范围利用车内摄像头采集预设视线检测数据集,再根据在预设视线检测区域内是否存在障碍物,将预设视线检测数据集划分成正样本和负样本,进而生成相应的正样本数据集和负样本数据集。
S320、对正样本进行预处理后作为训练集,其中,预处理至少包括:图像平滑、非线性均值滤波和图像锐化。
S330、提取训练集中各样本对应的尺度不变特征变换特征以及方向梯度直方图特征。
S340、将提取的尺度不变特征变换特征以及方向梯度直方图特征输入支持向量机分类器训练,以生成预设障碍物模型。
具体地,可以将预设视线检测区域内的障碍物表征为一个超球体,则预设障碍物模型的中心可以设置为M,半径可以设置为R;再将S330中提取到的各样本对应的SIFT特征以及HOG特征输入到支持向量机分类器中进行训练,训练完成后即可得到相应的预设障碍物模型。
进一步地,在上述发明实施例的基础上,所述视线检测方法还包括:
对视线检测图像进行归一化和图像增强;
采用滑动窗口的方法分别对图像增强后的至少两个视线检测图像进行分割,以生成至少两个视线检测图像分别对应的视线检测图像切片。
具体地,可以在根据视线检测图像获取对应的第一视线受阻权重和第二视线受阻权重之前,先对视线检测图像进行归一化和图像增强处理,再采用滑动窗口的方法分别对图像增强后的各视线检测图像进行分割,进而生成各视线检测图像分别对应的视线检测图像切片。在本发明实施中,通过将视线检测图像分割成若干个视线检测图像切片,再根据各视线检测图像的视线检测图像切片获取对应的第一视线受阻权重和第二视线受阻权重,可以提高第一视线受阻权重和第二视线受阻的计算准确度,进而提升视线受阻情况判别的鲁棒性和准确性。
本发明实施例的技术方案,通过基于驾驶员的视野范围划分至少两个预设视线检测区域,并利用车内摄像头采集对应预设视线检测区域内的至少五个连续帧的视线检测图像,采用Harris角点检测算法提取至少两个预设视线检测区域内的视线检测图像分别对应的检测关键点,调用预设光流算法生成相邻两帧视线检测图像内检测关键点对应的光流,依据光流剔除未移动的检测关键点,并将剩余检测关键点作为移动点,连接相邻两帧视线检测图像内相同检测关键点作为移动点矢量线,针对预设视线检测区域提取对应的移动点矢量线的方向作为运动特征,判断运动特征是否满足预设第一权重映射关系,若是,则将第一视线受阻权重设置为1,若否,则将第一视线受阻权重设置为0,其中,预设第一权重映射关系至少包括:预设视线检测区域内至少相邻五帧视线检测图像的运动特征为正负交替变化,按照预设图像处理规则提取至少两个视线检测图像的尺度不变特征变换特征和方向梯度直方图特征,将至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征输入预设障碍物模型,统计至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征满足预设障碍物模型的比例,将比例作为至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,判断障碍物分布特征是否满足预设第二权重映射关系,若是,则将第二视线受阻权重设置为1,若否,则将第二视线受阻权重设置为0,其中,预设第二权重映射关系至少包括:障碍物分布特征满足大于或者等于预设阈值,判断第一视线受阻权重和第二视线受阻权重是否满足预设筛选条件,若是,则将视线受阻情况确定为视线受阻,若否,则将视线受阻情况确定为视线未受阻,其中,预设筛选条件至少包括:第一视线受阻权重和第二视线受阻权重中至少一个等于1。本发明实施例通过根据驾驶员的视野范围划分至少两个预设视线检测区域,再根据预设光流算法和预设障碍物模型分别确定各预设视线检测区域分别对应的第一视线受阻权重和第二视线受阻权重,最后通过判断第一视线受阻权重和第二视线受阻权重是否满足预设筛选条件,进而确定驾驶员视线受阻情况,可以通过多检测区域的运动检测和特征点检测自适应地描述视线受阻情况,提高了视线检测的鲁棒性和准确性,具有较好的普适性,进而有助于增强用户驾驶车辆的安全性;同时,采用单分类算法实现预设障碍物模型的构建,即仅使用正样本数据集,可以提高对于复杂路面情况的适应性,大大降低了预设障碍物模型构建的代价,提高了实时性,增强了用户体验。
实施例三
图4为本发明实施例三提供的一种视线检测方法的流程图。本实施例在上述实施例的基础上,提供了一种视线检测方法的一个实施方式,能够基于划分的多个预设视线检测区域实现驾驶员的视线检测。如图4所示,本发明实施例三提供的一种视线检测方法,具体包括如下步骤:
S410、利用车内摄像头采集基于驾驶员的视野范围的预设视线检测数据集,并生成训练预设障碍物模型所需的训练数据集。
具体地,首先可以利用车内摄像头采集基于驾驶员的视野范围的预设视线检测数据集,再对所有样本按照200*200的大小进行裁剪;然后根据预设视线检测数据集中的障碍物有无情况确定正样本以及负样本,再将其中的正样本进行图像平滑、非线性均值滤波和图像锐化等预处理操作;最后将经过预处理后的正样本作为训练预设障碍物模型所需的训练数据集。
S420、提取训练集中各样本对应的SIFT特征以及HOG特征,并将上述图像特征输入支持向量机分类器中训练,以生成预设障碍物模型。
具体地,可以将预设视线检测区域内的雨滴或者灰尘表征为一个超球体,则预设障碍物模型的中心可以设置为M,半径可以设置为R;再将提取到的各样本对应的SIFT特征以及HOG特征输入到支持向量机分类器中进行训练,训练完成后即可得到相应的预设障碍物模型。本发明实施例中的预设障碍物模型可以表示如下:
利用支持向量机分类器对预设障碍物模型进行训练的过程可以包括如下步骤:
A、构建如式(2)所示的目标函数:
B、利用拉格朗日对偶求解方法对步骤A所构建的目标函数进行求解,进而得到相应的预设障碍物模型的中心位置M以及半径R的取值。
S430、实时采集各预设视线检测区域内的至少五个连续帧的视线检测图像,进而得到各预设视线检测区域对应的视线检测图像切片。
具体地,可以利用车内摄像头实时采集各预设视线检测区域内的至少五个连续帧的视线检测图像,并对得到的视线检测图像进行图像归一化以及图像增强处理,然后采用滑动窗口的方法对增强后的视线检测图像进行分割,进而得到各预设视线检测区域对应的视线检测图像切片。
S440、利用基于梯度的光流算法确定各预设视线检测区域内的视线检测图像切片分别对应的运动特征,并根据该运动特征确定各预设视线检测区域对应的第一视线受阻权重。
具体地,首先可以利用Harris角点算法获取各预设视线检测区域内的视线检测图像分别对应的检测关键点,再调用Lucas-Kanade光流算法对相邻两帧视线检测图像内的所有检测关键点进行迭代跟踪;然后剔除其中未发生移动的检测关键点,并将剩余检测关键点作为移动点;对相邻两帧视线检测图像内的同一检测关键点之间用矢量线进行连接,再求出该矢量线的大小和方向,并将该矢量线对应的矢量方向作为各预设视线检测区域对应的运动特征;判断在连续相邻五帧的视线检测图像中是否出现移动点的光流运动方向呈正负交替变化,若是,则将该预设视线检测区域对应的第一视线受阻权重设置为1,表示驾驶员视线受阻;若否,则将该预设视线检测区域对应的第一视线受阻权重设置为0,表示驾驶员视线未受阻。
S450、分别提取在S430中得到的各视线检测图像切片对应的SIFT特征和HOG特征。
S460、将各视线检测图像切片对应的SIFT特征和HOG特征输入S420中的预设障碍物模型中,统计各预设视线检测区域内所有视线检测图像切片的SIFT特征和HOG特征满足预设障碍物模型的比例。
S470、将S460中统计的比例作为对应预设视线检测区域的障碍物分布特征,并根据该障碍物分布特征确定各预设视线检测区域对应的第二视线受阻权重。
具体地,可以将各预设视线检测区域的障碍物分布特征与预设阈值例如2%进行比较,若大于或者等于该预设阈值,则将该预设视线检测区域对应的第二视线受阻权重设置为1,表示驾驶员视线受阻;反之,则将该预设视线检测区域对应的第二视线受阻权重设置为0,表示驾驶员视线未受阻。
S480、根据各预设视线检测区域对应的第一视线受阻权重和第二视线受阻权重确定视线受阻情况。
具体地,若所有的第一视线受阻权重和第二视线受阻权重中存在至少一个等于1,则将视线受阻情况确定为视线受阻;反之,则将视线受阻情况确定为视线未受阻。
图5为本发明实施例三提供的另一种视线检测方法的流程图。如图5所示,该视线检测方法可以适用于将驾驶员的视野范围划分成两个预设视线检测区域的情况,具体实现原理与上面图4所示的视线检测方法相同,故在此不再赘述。
本发明实施例的技术方案,通过利用车内摄像头采集基于驾驶员的视野范围的预设视线检测数据集,并生成训练预设障碍物模型所需的训练数据集,提取训练集中各样本对应的SIFT特征以及HOG特征,并将上述图像特征输入支持向量机分类器中训练,以生成预设障碍物模型,实时采集各预设视线检测区域内的至少五个连续帧的视线检测图像,进而得到各预设视线检测区域对应的视线检测图像切片,利用基于梯度的光流算法确定各预设视线检测区域内的视线检测图像切片分别对应的运动特征,并根据该运动特征确定各预设视线检测区域对应的第一视线受阻权重,分别提取在S430中得到的各视线检测图像切片对应的SIFT特征和HOG特征,将各视线检测图像切片对应的SIFT特征和HOG特征输入S420中的预设障碍物模型中,统计各预设视线检测区域内所有视线检测图像切片的SIFT特征和HOG特征满足预设障碍物模型的比例,将S460中统计的比例作为对应预设视线检测区域的障碍物分布特征,并根据该障碍物分布特征确定各预设视线检测区域对应的第二视线受阻权重,根据各预设视线检测区域对应的第一视线受阻权重和第二视线受阻权重确定视线受阻情况。本发明实施例通过根据驾驶员的视野范围划分至少两个预设视线检测区域,再根据基于梯度的光流算法和经过支持向量机分类器训练后的预设障碍物模型,分别确定各预设视线检测区域分别对应的第一视线受阻权重和第二视线受阻权重,最后通过判断第一视线受阻权重和第二视线受阻权重是否满足预设筛选条件,进而确定驾驶员视线受阻情况,可以通过多检测区域的运动检测和特征点检测自适应地描述视线受阻情况,提高了视线检测的鲁棒性和准确性,具有较好的普适性,进而有助于增强用户驾驶车辆的安全性;同时,采用单分类算法实现预设障碍物模型的构建,即仅使用正样本数据集,可以提高对于复杂路面情况的适应性,大大降低了预设障碍物模型构建的代价;此外,通过将视线检测图像分割成若干个视线检测图像切片,再根据各视线检测图像的视线检测图像切片获取对应的第一视线受阻权重和第二视线受阻权重,可以提高第一视线受阻权重和第二视线受阻的计算准确度,进而进一步提升视线受阻情况判别的鲁棒性和准确性,增强了用户体验。
实施例四
图6为本发明实施例四提供的一种视线检测装置的结构示意图。如图6所示,该装置包括:
图像采集模块41,用于根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,所述预设视线检测区域基于驾驶员的视野范围划分。
第一权重确定模块42,用于基于预设运动检测算法确定所述至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据所述运动特征和预设第一权重映射关系确定第一视线受阻权重。
第二权重确定模块43,用于基于预设障碍物模型确定所述至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据所述障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重。
视线受阻确定模块44,用于在预设筛选条件下基于所述第一视线受阻权重和所述第二视线受阻权重确定视线受阻情况。
本发明实施例的技术方案,通过图像采集模块根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,预设视线检测区域基于驾驶员的视野范围划分,第一权重确定模块基于预设运动检测算法确定至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据运动特征和预设第一权重映射关系确定第一视线受阻权重,第二权重确定模块基于预设障碍物模型确定至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重,视线受阻确定模块在预设筛选条件下基于第一视线受阻权重和第二视线受阻权重确定视线受阻情况。本发明实施例通过根据驾驶员的视野范围划分至少两个预设视线检测区域,再根据预设运动检测算法和预设障碍物模型分别确定各预设视线检测区域分别对应的第一视线受阻权重和第二视线受阻权重,最后依据第一视线受阻权重和第二视线受阻权重确定视线受阻情况,可以通过多检测区域的运动特征和障碍物分布特征自适应地描述视线受阻情况,提高了视线检测的鲁棒性和准确性,具有较好的普适性,进而有助于增强用户驾驶车辆的安全性。
进一步地,在上述发明实施例的基础上,图像采集模块41包括:
图像采集单元,用于基于驾驶员的视野范围划分至少两个预设视线检测区域,并利用车内摄像头采集对应预设视线检测区域内的至少五个连续帧的视线检测图像。
进一步地,在上述发明实施例的基础上,第一权重确定模块42包括:
关键点提取单元,用于采用Harris角点检测算法提取至少两个预设视线检测区域内的视线检测图像分别对应的检测关键点。
光流生成单元,用于调用预设光流算法生成相邻两帧视线检测图像内检测关键点对应的光流。
移动点确定单元,用于依据光流剔除未移动的检测关键点,并将剩余检测关键点作为移动点。
矢量线确定单元,用于连接相邻两帧视线检测图像内相同检测关键点作为移动点矢量线。
运动特征确定单元,用于针对预设视线检测区域提取对应的移动点矢量线的方向作为运动特征。
第一权重确定单元,用于判断运动特征是否满足预设第一权重映射关系,若是,则将第一视线受阻权重设置为1,若否,则将第一视线受阻权重设置为0,其中,预设第一权重映射关系至少包括:预设视线检测区域内至少相邻五帧视线检测图像的运动特征为正负交替变化。
进一步地,在上述发明实施例的基础上,第二权重确定模块43包括:
特征提取单元,用于按照预设图像处理规则提取至少两个视线检测图像的尺度不变特征变换特征和方向梯度直方图特征。
满足比例统计单元,用于将至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征输入预设障碍物模型,统计至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征满足预设障碍物模型的比例。
障碍物分布特征确定单元,用于将比例作为至少两个预设视线检测区域内的视线检测图像的障碍物分布特征。
第二权重确定单元,用于判断障碍物分布特征是否满足预设第二权重映射关系,若是,则将第二视线受阻权重设置为1,若否,则将第二视线受阻权重设置为0,其中,预设第二权重映射关系至少包括:障碍物分布特征满足大于或者等于预设阈值。
进一步地,在上述发明实施例的基础上,所述预设障碍物模型的训练过程,包括:
采集基于驾驶员的视野范围的预设视线检测数据集,并根据预设视线检测数据集中的障碍物有无情况确定正样本以及负样本;
对正样本进行预处理后作为训练集,其中,预处理至少包括:图像平滑、非线性均值滤波和图像锐化;
提取训练集中各样本对应的尺度不变特征变换特征以及方向梯度直方图特征;
将提取的尺度不变特征变换特征以及方向梯度直方图特征输入支持向量机分类器训练,以生成预设障碍物模型。
进一步地,在上述发明实施例的基础上,视线受阻确定模块44包括:
视线受阻确定单元,用于判断第一视线受阻权重和第二视线受阻权重是否满足预设筛选条件,若是,则将视线受阻情况确定为视线受阻,若否,则将视线受阻情况确定为视线未受阻,其中,预设筛选条件至少包括:第一视线受阻权重和第二视线受阻权重中至少一个等于1。
进一步地,在上述发明实施例的基础上,所述视线检测方法还包括:
图像处理模块,用于对视线检测图像进行归一化和图像增强。
图像切片生成模块,用于采用滑动窗口的方法分别对图像增强后的至少两个视线检测图像进行分割,以生成至少两个视线检测图像分别对应的视线检测图像切片。
本发明实施例所提供的视线检测装置可执行本发明任意实施例所提供的视线检测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图7示出了可以用来实施本发明的实施例的电子设备50的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备50包括至少一个处理器51,以及与至少一个处理器51通信连接的存储器,如只读存储器(ROM)52、随机访问存储器(RAM)53等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序,来执行各种适当的动作和处理。在RAM 53中,还可存储电子设备50操作所需的各种程序和数据。处理器51、ROM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。
电子设备50中的多个部件连接至I/O接口55,包括:输入单元56,例如键盘、鼠标等;输出单元57,例如各种类型的显示器、扬声器等;存储单元58,例如磁盘、光盘等;以及通信单元59,例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器51可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器51的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器51执行上文所描述的各个方法和处理,例如视线检测方法。
在一些实施例中,视线检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元58。在一些实施例中,计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到RAM 53并由处理器51执行时,可以执行上文描述的视线检测方法的一个或多个步骤。备选地,在其他实施例中,处理器51可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行视线检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种视线检测方法,其特征在于,所述方法包括:
根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,所述预设视线检测区域基于驾驶员的视野范围划分;
基于预设运动检测算法确定所述至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据所述运动特征和预设第一权重映射关系确定第一视线受阻权重;
基于预设障碍物模型确定所述至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据所述障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重;
在预设筛选条件下基于所述第一视线受阻权重和所述第二视线受阻权重确定视线受阻情况。
2.根据权利要求1所述方法,其特征在于,所述根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,包括:
基于所述驾驶员的视野范围划分至少两个所述预设视线检测区域,并利用所述车内摄像头采集对应所述预设视线检测区域内的至少五个连续帧的所述视线检测图像。
3.根据权利要求1所述方法,其特征在于,所述基于预设运动检测算法确定所述至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据所述运动特征和预设第一权重映射关系确定第一视线受阻权重,包括:
采用Harris角点检测算法提取所述至少两个预设视线检测区域内的视线检测图像分别对应的检测关键点;
调用预设光流算法生成相邻两帧所述视线检测图像内检测关键点对应的光流;
依据所述光流剔除未移动的检测关键点,并将剩余检测关键点作为移动点;
连接相邻两帧所述视线检测图像内相同检测关键点作为移动点矢量线;
针对所述预设视线检测区域提取对应的所述移动点矢量线的方向作为所述运动特征;
判断所述运动特征是否满足预设第一权重映射关系,若是,则将所述第一视线受阻权重设置为1,若否,则将所述第一视线受阻权重设置为0,其中,所述预设第一权重映射关系至少包括:所述预设视线检测区域内至少相邻五帧所述视线检测图像的所述运动特征为正负交替变化。
4.根据权利要求1所述方法,其特征在于,所述基于预设障碍物模型确定所述至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据所述障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重,包括:
按照预设图像处理规则提取所述至少两个视线检测图像的尺度不变特征变换特征和方向梯度直方图特征;
将所述至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征输入所述预设障碍物模型,统计所述至少两个视线检测图像分别对应的尺度不变特征变换特征以及方向梯度直方图特征满足所述预设障碍物模型的比例;
将所述比例作为所述至少两个预设视线检测区域内的视线检测图像的障碍物分布特征;
判断所述障碍物分布特征是否满足预设第二权重映射关系,若是,则将所述第二视线受阻权重设置为1,若否,则将所述第二视线受阻权重设置为0,其中,所述预设第二权重映射关系至少包括:所述障碍物分布特征满足大于或者等于预设阈值。
5.根据权利要求1或4任一所述方法,其特征在于,所述预设障碍物模型的训练过程,包括:
采集基于所述驾驶员的视野范围的预设视线检测数据集,并根据所述预设视线检测数据集中的障碍物有无情况确定正样本以及负样本;
对所述正样本进行预处理后作为训练集,其中,所述预处理至少包括:图像平滑、非线性均值滤波和图像锐化;
提取所述训练集中各样本对应的尺度不变特征变换特征以及方向梯度直方图特征;
将提取的所述尺度不变特征变换特征以及方向梯度直方图特征输入支持向量机分类器训练,以生成所述预设障碍物模型。
6.根据权利要求1所述方法,其特征在于,所述在预设筛选条件下基于所述第一视线受阻权重和所述第二视线受阻权重确定视线受阻情况,包括:
判断所述第一视线受阻权重和所述第二视线受阻权重是否满足预设筛选条件,若是,则将所述视线受阻情况确定为视线受阻,若否,则将所述视线受阻情况确定为视线未受阻,其中,预设筛选条件至少包括:所述第一视线受阻权重和所述第二视线受阻权重中至少一个等于1。
7.根据权利要求1所述方法,其特征在于,还包括:
对所述视线检测图像进行归一化和图像增强;
采用滑动窗口的方法分别对所述图像增强后的所述至少两个视线检测图像进行分割,以生成所述至少两个视线检测图像分别对应的视线检测图像切片。
8.一种视线检测装置,其特征在于,所述装置包括:
图像采集模块,用于根据车内摄像头采集至少两个预设视线检测区域内的视线检测图像,其中,所述预设视线检测区域基于驾驶员的视野范围划分;
第一权重确定模块,用于基于预设运动检测算法确定所述至少两个预设视线检测区域内的视线检测图像分别对应的运动特征,并根据所述运动特征和预设第一权重映射关系确定第一视线受阻权重;
第二权重确定模块,用于基于预设障碍物模型确定所述至少两个预设视线检测区域内的视线检测图像的障碍物分布特征,并根据所述障碍物分布特征和预设第二权重映射关系确定第二视线受阻权重;
视线受阻确定模块,用于在预设筛选条件下基于所述第一视线受阻权重和所述第二视线受阻权重确定视线受阻情况。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的视线检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的视线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465756.2A CN116206281B (zh) | 2023-04-27 | 2023-04-27 | 一种视线检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465756.2A CN116206281B (zh) | 2023-04-27 | 2023-04-27 | 一种视线检测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116206281A true CN116206281A (zh) | 2023-06-02 |
CN116206281B CN116206281B (zh) | 2023-07-18 |
Family
ID=86508019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465756.2A Active CN116206281B (zh) | 2023-04-27 | 2023-04-27 | 一种视线检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206281B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008003762A (ja) * | 2006-06-21 | 2008-01-10 | Honda Motor Co Ltd | 障害物認識判定装置 |
US20130070095A1 (en) * | 2011-09-16 | 2013-03-21 | Harman International Industries, Incorporated | Fast obstacle detection |
CN108680157A (zh) * | 2018-03-12 | 2018-10-19 | 海信集团有限公司 | 一种障碍物检测区域的规划方法、装置及终端 |
CN111967396A (zh) * | 2020-08-18 | 2020-11-20 | 上海眼控科技股份有限公司 | 障碍物检测的处理方法、装置、设备及存储介质 |
CN112115889A (zh) * | 2020-09-23 | 2020-12-22 | 成都信息工程大学 | 基于视觉的智能车运动目标检测方法 |
US20230056784A1 (en) * | 2021-08-17 | 2023-02-23 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for Detecting Obstacle, Electronic Device, and Storage Medium |
-
2023
- 2023-04-27 CN CN202310465756.2A patent/CN116206281B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008003762A (ja) * | 2006-06-21 | 2008-01-10 | Honda Motor Co Ltd | 障害物認識判定装置 |
US20130070095A1 (en) * | 2011-09-16 | 2013-03-21 | Harman International Industries, Incorporated | Fast obstacle detection |
CN108680157A (zh) * | 2018-03-12 | 2018-10-19 | 海信集团有限公司 | 一种障碍物检测区域的规划方法、装置及终端 |
CN111967396A (zh) * | 2020-08-18 | 2020-11-20 | 上海眼控科技股份有限公司 | 障碍物检测的处理方法、装置、设备及存储介质 |
CN112115889A (zh) * | 2020-09-23 | 2020-12-22 | 成都信息工程大学 | 基于视觉的智能车运动目标检测方法 |
US20230056784A1 (en) * | 2021-08-17 | 2023-02-23 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for Detecting Obstacle, Electronic Device, and Storage Medium |
Non-Patent Citations (1)
Title |
---|
杨硕;佟建楠;: "基于双目视觉的振动筛运行状态在线检测方法", 工矿自动化, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116206281B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942000B (zh) | 一种基于深度学习的无人驾驶车辆目标检测方法 | |
CN106845478B (zh) | 一种字符置信度的二次车牌识别方法及装置 | |
CN110544211B (zh) | 一种镜头付着物的检测方法、***、终端和存储介质 | |
CN114118124B (zh) | 图像检测方法和装置 | |
CN108830196A (zh) | 基于特征金字塔网络的行人检测方法 | |
CN112633276B (zh) | 训练方法、识别方法、装置、设备、介质 | |
CN110532876A (zh) | 夜晚模式镜头付着物的检测方法、***、终端和存储介质 | |
CN114202743A (zh) | 自动驾驶场景下基于改进faster-RCNN的小目标检测方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、***及设备 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN110532875A (zh) | 夜晚模式镜头付着物的检测***、终端和存储介质 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
CN117218622A (zh) | 路况检测方法、电子设备及存储介质 | |
CN111932530B (zh) | 三维对象检测方法、装置、设备和可读存储介质 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
ZHANG et al. | Multi-target vehicle detection and tracking based on video | |
Razzok et al. | A new pedestrian recognition system based on edge detection and different census transform features under weather conditions | |
CN116206281B (zh) | 一种视线检测方法、装置、电子设备和存储介质 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN114898306B (zh) | 一种检测目标朝向的方法、装置及电子设备 | |
CN110544232A (zh) | 一种镜头付着物的检测***、终端和存储介质 | |
Ballinas-Hernández et al. | Marked and unmarked speed bump detection for autonomous vehicles using stereo vision | |
CN113139488B (zh) | 训练分割神经网络的方法及装置 | |
CN115861352A (zh) | 单目视觉、imu和激光雷达的数据融合和边缘提取方法 |
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 |