CN109523555A - 用于无人驾驶车辆的前车刹车行为检测方法和装置 - Google Patents

用于无人驾驶车辆的前车刹车行为检测方法和装置 Download PDF

Info

Publication number
CN109523555A
CN109523555A CN201710842627.5A CN201710842627A CN109523555A CN 109523555 A CN109523555 A CN 109523555A CN 201710842627 A CN201710842627 A CN 201710842627A CN 109523555 A CN109523555 A CN 109523555A
Authority
CN
China
Prior art keywords
vehicle
lamp area
value
vehicle lamp
image
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.)
Pending
Application number
CN201710842627.5A
Other languages
English (en)
Inventor
高涵
夏添
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710842627.5A priority Critical patent/CN109523555A/zh
Priority to US16/049,152 priority patent/US10824885B2/en
Publication of CN109523555A publication Critical patent/CN109523555A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于无人驾驶车辆的前车刹车行为检测方法和装置。该方法的一具体实施方式包括：对于图像采集装置所采集的包括车辆区域的图像，从该车辆区域中提取车辆图像；对该车辆图像进行颜色空间转换以生成第一车辆图像；将该第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像；对该第二车辆图像进行分析，确定候选车灯区域组；基于该候选车灯区域组，检测该车辆图像所指示的车辆是否进行刹车，并生成检测结果。该实施方式提高了针对前车刹车行为的检测效率。

Description

用于无人驾驶车辆的前车刹车行为检测方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于无人驾驶车辆的前车刹车行为检测方法和装置。
背景技术
无人驾驶车辆是一种新型的智能汽车，也称之为“轮式移动机器人”，主要通过ECU(Electronic Control Unit，电子控制单元)，即车载大脑控制系统对车辆中各个部分进行精准的控制与计算分析实现车辆的全自动运行，达到车辆无人驾驶的目的。
为了保障无人驾驶车辆的安全行驶，检测无人驾驶车辆的前车的刹车行为显得尤为重要。现阶段，判断车辆是否减速刹车，通常是先通过目标跟踪的方式预测出目标车辆的速度，再基于该速度判断目标车辆是否具有刹车行为。但由于观测范围有限，当目标车辆刚出现的前几帧，跟踪还没有进入状态，这时通常无法确定目标车辆是否具有刹车行为。
发明内容
本申请实施例的目的在于提出一种改进的用于无人驾驶车辆的前车刹车行为检测方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请实施例提供了一种用于无人驾驶车辆的前车刹车行为检测方法，该方法包括：对于上述图像采集装置所采集的包括车辆区域的图像，从上述车辆区域中提取车辆图像；对上述车辆图像进行颜色空间转换以生成第一车辆图像；将上述第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像；对上述第二车辆图像进行分析，确定候选车灯区域组；基于上述候选车灯区域组，检测上述车辆图像所指示的车辆是否进行刹车，并生成检测结果。
在一些实施例中，上述对上述车辆图像进行颜色空间转换，包括：将上述车辆图像的颜色空间转换到色调饱和度明度颜色空间。
在一些实施例中，像素点的像素值包括色调值、饱和度值和明度值，上述预设条件组包括以下至少一项：色调值不在预置区间内、饱和度值低于第一阈值、明度值低于第二阈值。
在一些实施例中，上述对上述第二车辆图像进行分析，确定候选车灯区域组，包括：对上述第二车辆图像进行连通区域分析，以得到上述候选车灯区域组。
在一些实施例中，上述基于上述候选车灯区域组，检测上述车辆图像所指示的车辆是否进行刹车，包括：对于上述候选车灯区域组中的每个候选车灯区域，基于该候选车灯区域所包括的各个像素点的坐标，确定该候选车灯区域的中心点的坐标和该候选车灯区域的区域面积，若该候选车灯区域满足第一预设条件，则将该候选车灯区域归入车灯区域集合，其中，像素点的坐标包括X坐标值和Y坐标值，上述第一预设条件包括：中心点的坐标的Y坐标值不低于上述车辆图像的高度值与第二预设值的乘积、且区域面积与上述车辆图像的面积的比值大于第三阈值；确定上述车灯区域集合中是否存在第一目标车灯区域和第二目标车灯区域，其中，上述第一目标车灯区域和上述第二目标车灯区域的区域面积与上述车辆图像的面积的比值均大于第四阈值，上述第一目标车灯区域和上述第二目标车灯区域的中心点的坐标的Y坐标值之差的绝对值小于第五阈值，并且上述第一目标车灯区域和上述第二目标车灯区域的中心点的坐标的X坐标值满足以下中的一个条件且满足的条件互不相同：不大于上述车辆图像的宽度值与第三预设值的乘积、不小于上述宽度值与第四预设值的乘积；若上述车灯区域集合中不存在上述第一目标车灯区域和上述第二目标车灯区域，则确定上述车辆没有进行刹车。
在一些实施例中，上述基于上述候选车灯区域组，检测上述车辆图像所指示的车辆是否进行刹车，还包括：若上述车灯区域集合中存在上述第一目标车灯区域和上述第二目标车灯区域，则确定上述第一目标车灯区域和上述第二目标车灯区域的中心点连线的中点；在上述第二车辆图像中以上述中点为起点，沿垂直方向向上查找车灯区域，若查找到，则确定所述车辆已进行刹车。
第二方面，本申请实施例提供了一种用于无人驾驶车辆的前车刹车行为检测装置，该装置包括：提取单元，配置用于对于上述图像采集装置所采集的包括车辆区域的图像，从上述车辆区域中提取车辆图像；第一生成单元，配置用于对上述车辆图像进行颜色空间转换以生成第一车辆图像；第二生成单元，配置用于将上述第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像；确定单元，配置用于对上述第二车辆图像进行分析，确定候选车灯区域组；检测单元，配置用于基于上述候选车灯区域组，检测上述车辆图像所指示的车辆是否进行刹车，并生成检测结果。
在一些实施例中，上述第一生成单元包括：转换子单元，配置用于将上述车辆图像的颜色空间转换到色调饱和度明度颜色空间。
在一些实施例中，像素点的像素值包括色调值、饱和度值和明度值，上述预设条件组包括以下至少一项：色调值不在预置区间内、饱和度值低于第一阈值、明度值低于第二阈值。
在一些实施例中，上述确定单元包括：确定子单元，配置用于对上述第二车辆图像进行连通区域分析，以得到上述候选车灯区域组。
在一些实施例中，上述检测单元包括：处理子单元，配置用于对于上述候选车灯区域组中的每个候选车灯区域，基于该候选车灯区域所包括的各个像素点的坐标，确定该候选车灯区域的中心点的坐标和该候选车灯区域的区域面积，若该候选车灯区域满足第一预设条件，则将该候选车灯区域归入车灯区域集合，其中，像素点的坐标包括X坐标值和Y坐标值，上述第一预设条件包括：中心点的坐标的Y坐标值不低于上述车辆图像的高度值与第二预设值的乘积、且区域面积与上述车辆图像的面积的比值大于第三阈值；第一确定子单元，配置用于确定上述车灯区域集合中是否存在第一目标车灯区域和第二目标车灯区域，其中，上述第一目标车灯区域和上述第二目标车灯区域的区域面积与上述车辆图像的面积的比值均大于第四阈值，上述第一目标车灯区域和上述第二目标车灯区域的中心点的坐标的Y坐标值之差的绝对值小于第五阈值，并且上述第一目标车灯区域和上述第二目标车灯区域的中心点的坐标的X坐标值满足以下中的一个条件且满足的条件互不相同：不大于上述车辆图像的宽度值与第三预设值的乘积、不小于上述宽度值与第四预设值的乘积；第二确定子单元，配置用于若上述车灯区域集合中不存在上述第一目标车灯区域和上述第二目标车灯区域，则确定上述车辆没有进行刹车。
在一些实施例中，上述检测单元还包括：第三确定子单元，配置用于若上述车灯区域集合中存在上述第一目标车灯区域和上述第二目标车灯区域，则确定上述第一目标车灯区域和上述第二目标车灯区域的中心点连线的中点；查找子单元，配置用于在上述第二车辆图像中以上述中点为起点，沿垂直方向向上查找车灯区域，若查找到，则确定上述车辆已进行刹车。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于无人驾驶车辆的前车刹车行为检测方法和装置，通过从图像采集装置所采集的图像中的车辆区域中提取车辆图像，以便对该车辆图像进行颜色空间转换，生成第一车辆图像。而后将该第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值，以便生成第二车辆图像。然后通过对该第二车辆图像进行分析，确定候选车灯区域组，以便基于该候选车灯区域组，检测所提取出的车辆图像所指示的车辆是否进行刹车，并生成检测结果。从而有效利用了对车辆图像的提取、对第一车辆图像和第二车辆图像的生成以及对候选车灯区域组的确定，提高了针对前车刹车行为的检测效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于无人驾驶车辆的前车刹车行为检测方法的一个实施例的流程图；
图3是根据本申请的用于无人驾驶车辆的前车刹车行为检测方法的一个应用场景的示意图；
图4是根据本申请的用于无人驾驶车辆的前车刹车行为检测装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于无人驾驶车辆的前车刹车行为检测方法或用于无人驾驶车辆的前车刹车行为检测装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括无人驾驶车辆101，无人驾驶车辆101可以安装有传感器102、103、104，终端设备105、电子控制器(Electronic Control Unit，ECU)106和执行器件107、108、109。
传感器102、103、104可以与终端设备105通信连接，终端设备105可以与电子控制器106通信连接，电子控制器106可以与执行器件107、108、109通信连接。其中，终端设备105与电子控制器106的连接方式可以是CAN(Controller Area Network，控制器局域网络)总线连接方式。由于CAN总线的高性能和可靠性已被广泛认同，因此目前机动车中常用的车身总线为CAN总线。当然，可以理解的是车身总线也可以是其他类型的总线。
传感器102、103、104可以包含各种传感器，例如可以包括但不限于图像采集装置(例如摄像头)、激光雷达、毫米波雷达等。其中，上述图像采集装置可以采集图像，上述激光雷达可以用于自身定位、采集周围环境等。上述毫米波雷达是指可以工作在毫米波波段的雷达，可以用于检测障碍物。上述摄像头可以用于拍摄无人驾驶车辆101的周边车辆(例如前车)的图像。
终端设备105可以负责整个无人驾驶车辆的总体智能控制。终端设备105可以是单独设置的控制器，例如可编程逻辑控制器(Programmable Logic Controller，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。终端设备105可以获取传感器102、103、104采集到的数据，并对所获取的数据进行分析处理，做出相应的决策，并将决策对应的指令发送到电子控制器106。
电子控制器106也可称为电子控制单元、车载大脑、行车电脑等。通常由微处理器、存储器、输入/输出接口、模数转换器以及整形、驱动等大规模集成电路组成。电子控制器106可以接收终端设备105发送的控制指令，在将上述控制指令进行分析处理后发给相应的执行器件107、108、109执行相应的操作。
实践中，电子控制器106中可以包括整车控制器(Vehicle Control Unit，VCU)、电池管理系统(Battery Management System，BMS)、电机控制器(Moter Control Unit，MCU)、电动助力转向系统(Electric Power Steering，EPS)、车身电子稳定系统(ElectronicStability Program，ESP)等控制器。
执行器107、108、109可以在控制指令中的控制参数下工作。执行器件107、108、109可以包括制动器件、油门、发动机等。
需要说明的是，本申请实施例所提供的用于无人驾驶车辆的前车刹车行为检测方法一般由终端设备105执行，相应地，用于无人驾驶车辆的前车刹车行为检测装置一般设置于终端设备105中。
应该理解，图1中的无人驾驶车辆、终端设备、传感器、电子控制器和执行器件的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人驾驶车辆、终端设备、传感器、电子控制器和执行器件。
继续参考图2，示出了根据本申请的用于无人驾驶车辆的前车刹车行为检测方法的一个实施例的流程200。该用于无人驾驶车辆的前车刹车行为检测方法的流程200，包括以下步骤：
步骤201，对于图像采集装置所采集的包括车辆区域的图像，从车辆区域中提取车辆图像。
在本实施例中，用于无人驾驶车辆的前车刹车行为检测方法运行于其上的电子设备(例如图1所示的终端设备105)可以接收所连接的图像采集装置所采集的图像。这里，该图像采集装置例如可以是用于拍摄所在的无人驾驶车辆的前车的摄像头。对于该图像采集装置所采集的包括车辆区域的图像，上述电子设备可以从该车辆区域中提取车辆图像。
作为示例，上述图像采集装置和上述电子设备可以分别与图像检测装置通信连接。该图像检测装置可以用于检测上述图像采集装置所采集的图像是否包含车辆区域，并将检测结果发送至上述电子设备。其中，针对包含车辆区域的图像的检测结果例如可以包括该车辆区域的位置信息。针对不包含车辆区域的图像的检测结果例如可以包括提示无车辆区域的信息。对于包含车辆区域的图像，上述电子设备可以基于该图像所对应的检测结果中的位置信息，从该车辆区域中提取出车辆图像。例如根据该车辆区域的位置信息，截取该车辆区域以得到车辆图像。需要说明的是，车辆区域的位置信息例如可以包括该车辆区域的左上顶点和右下顶点的坐标和/或右上顶点和左下顶点的坐标等。当然，该位置信息还可以包括该车辆区域的高度值和/或宽度值。
再例如，上述电子设备本地可以存储有预先训练的车辆图像提取模型，该车辆图像提取模型可以用于检测所接收的图像是否包含车辆区域，并在检测到该车辆区域时，从该车辆区域中提取车辆图像，并输出该车辆图像。该车辆图像提取模型例如可以是卷积神经网络模型，本实施例不对此方面内容做任何限定。上述电子设备可以利用该车辆图像提取模型从图像所包含的车辆区域中提取车辆图像。
步骤202，对车辆图像进行颜色空间转换以生成第一车辆图像。
在本实施例中，上述电子设备提取出车辆图像后，可以对该车辆图像进行颜色空间转换，生成第一车辆图像。其中，该车辆图像原本的颜色空间可以是红绿蓝颜色空间，即RGB颜色空间。其中，R是Red的缩写，可以表示红色；G是Green的缩写，可以表示绿色；B是Blue的缩写，可以表示蓝色。这里，RGB颜色空间以红、绿、蓝三种基本色为基础，进行不同程度的叠加，可以产生丰富而广泛的颜色，所以俗称三基色模式。
作为示例，上述电子设备可以将所提取出的车辆图像从RGB颜色空间转换到色调饱和度强度颜色空间，即HSI颜色空间。其中，H是Hue的缩写，可以表示色度；S是Saturation的缩写，可以表示饱和度；I是Intensity的缩写，可以表示强度。需要说明的是，HSI颜色空间通常是从人的视觉系统出发，用色调、饱和度和强度来描述色彩。HSI颜色空间可以用一个圆锥空间模型来描述。
需要指出的是，RGB颜色空间向HSI颜色空间的转换通常是由一个基于笛卡尔直角坐标系的单位立方体向基于圆柱极坐标的双锥体的转换。基本要求通常是将RGB颜色空间中的亮度因素分离，将色度分解为色调和饱和度，并用角向量表示色调。由于RGB颜色空间向HSI颜色空间的转换的方法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，上述电子设备可以将所提取出的车辆图像的颜色空间转换到色调饱和度明度颜色空间，即HSV颜色空间。其中，H是Hue的缩写，可以表示色度；S是Saturation的缩写，可以表示饱和度；V是Value的缩写，可以表示明度。需要说明的是，HSV颜色空间是根据颜色的直观特性创建的一种颜色空间,也称为六角锥体模型。
这里，RGB颜色空间转换到HSV颜色空间的算法如下：
max＝max(R,G,B)；
min＝min(R,G,B)；
V＝max(R,G,B)；
S＝(max-min)/max；
if(R＝max)H＝(G-B)/(max-min)×60；
if(G＝max)H＝120+(B-R)/(max-min)×60；
if(B＝max)H＝240+(R-G)/(max-min)×60；
if(H＜0)H＝H+360。
在RGB颜色空间中，像素点的像素值可以用向量表示，该向量包括R、G、B三个分量。在HSV颜色空间中，像素点的像素值也可以用向量表示，该向量包括H、S、V三个分量。在该算法中，变量max等价于R、G、B中的值最大的分量，变量min等价于R、G、B中的值最小的分量。
if可以表示“如果”，以公式if(R＝max)H＝(G-B)/(max-min)×60为例，该公式的含义是：如果R＝max，则H＝(G-B)/(max-min)×60。
步骤203，将第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像。
在本实施例中，上述电子设备在生成上述第一车辆图像后，上述电子设备可以将上述第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像。
作为示例，在HSI颜色空间中，像素点的像素值可以用向量表示，该向量可以包括H(即色调)、S(即饱和度)、I(即强度)三个分量。若上述电子设备将所提取出的车辆图像的颜色空间转换到HSI颜色空间，则该预设条件组例如可以包括以下至少一项：色调值不在第一预置区间内、饱和度值低于饱和度阈值、强度值低于强度阈值。这里，色调值可以是像素点在H分量下的值；饱和度值可以是像素点在S分量下的值；强度值可以是像素点在I分量下的值。
需要说明的是，车辆的刹车灯通常位于车辆的尾部，由一对左右刹车灯和一个高位刹车灯组成。其中，左右刹车灯面积较大，且亮度较显著。高位刹车灯一般安装在车尾上部，通常是一个条状灯。根据国际标准，车辆的刹车灯的颜色通常是红色。因此，处于上述第一预置区间内的色调值所对应的颜色可以是红色。另外，上述第一预设值例如可以是包括H、S、I分量的向量，该第一预设值所对应的颜色例如可以是黑色。上述电子设备通过将满足上述预设条件的像素点的像素值设置为上述第一预设值，可以使车辆图像重点突出车灯所在的区域。
需要指出的是，上述第一预设值、上述第一预置区间、上述饱和度阈值和上述强度阈值是可以根据实际需要进行修改的，本实施例不对此方面内容做任何限定。
在本实施例的一些可选的实现方式中，上述电子设备若将所提取出的车辆图像的颜色空间转换到HSV颜色空间，则上述预设条件组例如可以包括以下至少一项：色调值不在预置区间内、饱和度值低于第一阈值、明度值低于第二阈值。并且，上述第一预设值例如可以是包括H、S、V三个分量的向量，这三个分量的值例如均为0。需要说明的是，处于该预置区间内的色调值所对应的颜色例如可以是红色。该第一预设值所对应的颜色例如可以是黑色。这里，该预置区间例如可以是[20，160]等，该第一阈值例如可以是100等，该第二阈值例如可以是200等。需要指出的是，该预置区间、该第一阈值和该第二阈值是可以根据实际需要进行修改的，本实施例不对此方面内容做任何限定。
步骤204，对第二车辆图像进行分析，确定候选车灯区域组。
在本实施例中，上述电子设备在生成第二车辆图像后，上述电子设备可以对该第二车辆图像进行分析，确定候选车灯区域组。作为示例，若上述电子设备在步骤202中将所提取的车辆图像的颜色空间转换到HSI颜色空间，则上述电子设备可以将该第二车辆图像中的色调值处于上述第一预置区间内的、且位置临近的像素点归入同一个候选车灯区域，以得到候选车灯区域组。
在本实施例的一些可选的实现方式中，上述电子设备可以对上述第二车辆图像进行连通区域分析，以得到候选车灯区域组。需要说明的是，连通区域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。连通区域分析通常指将图像中的各个连通区域找出并标记。
需要说明的是，连通区域分析的算法可以包括Two-Pass(两遍扫描)算法和Seed-Filling(种子填充)算法等。其中，Two-Pass算法指的就是通过扫描两遍图像，就可以将图像中存在的所有连通区域找出并标记。Seed-Filling算法来源于计算机图形学，常用于对某个图形进行填充。Seed-Filling算法的思路可以包括：选取一个前景像素点作为种子，然后根据连通区域的两个基本条件(像素值相同、位置相邻)将与种子相邻的前景像素合并到同一个像素集合中，最后得到的该像素集合则为一个连通区域。由于Two-Pass算法和Seed-Filling算法是目前广泛研究和应用的公知技术，在此不再赘述。
步骤205，基于候选车灯区域组，检测车辆图像所指示的车辆是否进行刹车，并生成检测结果。
在本实施例中，上述电子设备在确定候选车灯区域组后，上述电子设备可以基于该候选车灯区域组，检测所提取出的车辆图像所指示的车辆是否进行刹车，并生成检测结果。其中，该检测结果例如可以包括提示信息，该提示信息例如可以是提示车辆未进行刹车或已进行刹车的信息。
作为示例，上述电子设备可以通过以下步骤确定该车辆是否进行刹车：
首先，对于上述候选车灯区域组中的每个候选车灯区域，上述电子设备可以基于该候选车灯区域所包括的各个像素点的坐标确定该候选车灯区域的中心点的坐标和该候选车灯区域的区域面积，若该候选车灯区域满足第一预设条件，则上述电子设备可以将该候选车灯区域归入车灯区域集合。其中，像素点的坐标可以包括X坐标值和Y坐标值。该第一预设条件例如可以包括：中心点的坐标的Y坐标值不低于车辆图像的高度值与第二预设值(例如0.6等)的乘积、且区域面积与车辆图像的面积的比值大于第三阈值(例如0.0005等)。这里，该候选车灯区域的中心点的坐标的X坐标值例如可以是该候选车灯区域内的各个像素点的X坐标值的平均值。该中心点的坐标的Y坐标值例如可以是该候选车灯区域内的各个像素点的Y坐标值的平均值。而且，该候选车灯区域的区域面积例如可以是该候选车灯区域所包括的像素点的总个数。另外，车辆图像的宽度值和高度值是可以基于该车辆图像所包括的像素点统计出的，该车辆图像的面积可以是该车辆图像的宽度值与高度值的乘积。需要指出的是，上述第二预设值和上述第三阈值是可以根据实际需要进行修改的，本实施例不对此方面内容做任何限定。
而后，上述电子设备可以确定上述车灯区域集合中是否存在第一目标车灯区域和第二目标车灯区域。其中，该第一目标车灯区域和该第二目标车灯区域的区域面积与车辆图像的面积的比值均大于第四阈值(例如0.001等)。该第一目标车灯区域和该第二目标车灯区域的中心点的坐标的Y坐标值之差的绝对值小于第五阈值(该第五阈值例如可以是车辆图像的高度值与预设值的乘积，该预设值例如可以是0.1等)。并且，该第一目标车灯区域和该第二目标车灯区域的中心点的坐标的X坐标值满足以下中的一个条件且满足的条件互不相同：不大于车辆图像的宽度值与第三预设值(例如0.3等)的乘积、不小于该宽度值与第四预设值(例如0.7等)的乘积。其中，该第四预设值大于该第三预设值。上述电子设备可以根据第一目标车灯区域和第二目标车灯区域需具备的条件，来确定上述车灯区域集合中是否存在第一目标车灯区域和第二目标车灯区域。需要说明的是，上述预设值、上述第四阈值、上述第五阈值、上述第三预设值和上述第四预设值是可以根据实际需要进行修改的，本实施例不对此方面内容做任何限定。
最后，若上述电子设备确定上述车灯区域集合中不存在第一目标车灯区域和第二目标车灯区域，则上述电子设备可以确定车辆图像所指示的车辆没有进行刹车。
在本实施例的一些可选的实现方式中，若上述电子设备确定上述车灯区域集合中存在第一目标车灯区域和第二目标车灯区域，则上述电子设备可以确定该第一目标车灯区域和该第二目标车灯区域的中心点连线的中点。在上述第二车辆图像中以该中点为起点，沿垂直方向向上查找车灯区域，若查找到，则上述电子设备可以确定上述车辆已进行刹车。
这里，假定第一目标车灯区域的中心点的坐标为(x1，y1)，第二目标车灯区域的中心点的坐标为(x2，y2)，则，该第一目标车灯区域和该第二目标车灯区域的中心点连线的中点的坐标可以为：
((x1+x2)/2，(y1+y2)/2)。
作为示例，对于上述车灯区域集合中的除第一目标车灯区域和第二目标车灯区域以外的车灯区域，上述电子设备可以在上述第二车辆图像中绘制该车灯区域的最小外接几何图形。而后，上述电子设备可以以所确定中点为起点，沿垂直方向向上画一条射线，若所绘制的各个几何图形中存在与该射线有交点的几何图形，则上述电子设备可以确定查找到车灯区域。
继续参见图3，图3是根据本实施例的用于无人驾驶车辆的前车刹车行为检测方法的应用场景的一个示意图。在图3的应用场景中，无人驾驶车辆安装有用于拍摄前车的摄像头301、用于检测车辆区域的图像检测装置302和用于检测前车刹车行为的终端设备303。终端设备303可以接收摄像头301发送的图像304，其中，图像304包括车辆区域。终端设备303还可以接收图像检测装置302检测出的该车辆区域的位置信息305。而后，终端设备303可以基于位置信息305从图像304中截取该车辆区域得到车辆图像306。之后，终端设备303可以对车辆图像306进行颜色空间转换生成第一车辆图像307。接着，终端设备303可以将第一车辆图像307中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像308。然后，终端设备303可以对第二车辆图像308进行分析，确定候选车灯区域组309，其中，候选车灯区域组309所包括的候选车灯区域位于第二车辆图像308的左侧。最后，终端设备303可以基于候选车灯区域组308，检测出车辆图像所指示的车辆没有进行刹车，并生成检测结果310，其中，该检测结果包括用于指示该车辆没有进行刹车的提示信息。
本申请的上述实施例提供的方法有效利用了对车辆图像的提取、对第一车辆图像和第二车辆图像的生成以及对候选车灯区域组的确定，提高了针对前车刹车行为的检测效率。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于无人驾驶车辆的前车刹车行为检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所示的用于无人驾驶车辆的前车刹车行为检测装置400包括：提取单元401、第一生成单元402、第二生成单元403、确定单元404和检测单元405。其中，提取单元401配置用于对于上述图像采集装置所采集的包括车辆区域的图像，从上述车辆区域中提取车辆图像；第一生成单元402配置用于对上述车辆图像进行颜色空间转换以生成第一车辆图像；第二生成单元403配置用于将上述第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像；确定单元404配置用于对上述第二车辆图像进行分析，确定候选车灯区域组；而检测单元405配置用于基于上述候选车灯区域组，检测上述车辆图像所指示的车辆是否进行刹车，并生成检测结果。
在本实施例中，用于无人驾驶车辆的前车刹车行为检测装置400中：提取单元401、第一生成单元402、第二生成单元403、确定单元404和检测单元405的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述第一生成单元402可以包括：转换子单元(图中未示出)，配置用于将上述车辆图像的颜色空间转换到色调饱和度明度颜色空间。
在本实施例的一些可选的实现方式中，像素点的像素值可以包括色调值、饱和度值和明度值，上述预设条件组可以包括以下至少一项：色调值不在预置区间内、饱和度值低于第一阈值、明度值低于第二阈值。
在本实施例的一些可选的实现方式中，上述确定单元404可以包括：确定子单元(图中未示出)，配置用于对上述第二车辆图像进行连通区域分析，以得到上述候选车灯区域组。
在本实施例的一些可选的实现方式中，上述检测单元405可以包括：处理子单元(图中未示出)，配置用于对于上述候选车灯区域组中的每个候选车灯区域，基于该候选车灯区域所包括的各个像素点的坐标，确定该候选车灯区域的中心点的坐标和该候选车灯区域的区域面积，若该候选车灯区域满足第一预设条件，则将该候选车灯区域归入车灯区域集合，其中，像素点的坐标可以包括X坐标值和Y坐标值，上述第一预设条件可以包括：中心点的坐标的Y坐标值不低于上述车辆图像的高度值与第二预设值的乘积、且区域面积与上述车辆图像的面积的比值大于第三阈值；第一确定子单元(图中未示出)，配置用于确定上述车灯区域集合中是否存在第一目标车灯区域和第二目标车灯区域，其中，上述第一目标车灯区域和上述第二目标车灯区域的区域面积与上述车辆图像的面积的比值均大于第四阈值，上述第一目标车灯区域和上述第二目标车灯区域的中心点的坐标的Y坐标值之差的绝对值小于第五阈值，并且上述第一目标车灯区域和上述第二目标车灯区域的中心点的坐标的X坐标值满足以下中的一个条件且满足的条件互不相同：不大于上述车辆图像的宽度值与第三预设值的乘积、不小于上述宽度值与第四预设值的乘积；第二确定子单元(图中未示出)，配置用于若上述车灯区域集合中不存在上述第一目标车灯区域和上述第二目标车灯区域，则确定上述车辆没有进行刹车。
在本实施例的一些可选的实现方式中，上述检测单元405还可以包括：第三确定子单元(图中未示出)，配置用于若上述车灯区域集合中存在上述第一目标车灯区域和上述第二目标车灯区域，则确定上述第一目标车灯区域和上述第二目标车灯区域的中心点连线的中点；查找子单元，配置用于在上述第二车辆图像中以上述中点为起点，沿垂直方向向上查找车灯区域，若查找到，则确定上述车辆已进行刹车。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。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。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元、第一生成单元、第二生成单元、确定单元和检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“从车辆区域中提取车辆图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备包括：对于上述图像采集装置所采集的包括车辆区域的图像，从上述车辆区域中提取车辆图像；对上述车辆图像进行颜色空间转换以生成第一车辆图像；将上述第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像；对上述第二车辆图像进行分析，确定候选车灯区域组；基于上述候选车灯区域组，检测上述车辆图像所指示的车辆是否进行刹车，并生成检测结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于无人驾驶车辆的前车刹车行为检测方法，其特征在于，所述无人驾驶车辆安装有图像采集装置，所述方法包括：
对于所述图像采集装置所采集的包括车辆区域的图像，从所述车辆区域中提取车辆图像；
对所述车辆图像进行颜色空间转换以生成第一车辆图像；
将所述第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像；
对所述第二车辆图像进行分析，确定候选车灯区域组；
基于所述候选车灯区域组，检测所述车辆图像所指示的车辆是否进行刹车，并生成检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述车辆图像进行颜色空间转换，包括：
将所述车辆图像的颜色空间转换到色调饱和度明度颜色空间。
3.根据权利要求2所述的方法，其特征在于，像素点的像素值包括色调值、饱和度值和明度值，所述预设条件组包括以下至少一项：色调值不在预置区间内、饱和度值低于第一阈值、明度值低于第二阈值。
4.根据权利要求1所述的方法，其特征在于，所述对所述第二车辆图像进行分析，确定候选车灯区域组，包括：
对所述第二车辆图像进行连通区域分析，以得到所述候选车灯区域组。
5.根据权利要求1所述的方法，其特征在于，所述基于所述候选车灯区域组，检测所述车辆图像所指示的车辆是否进行刹车，包括：
对于所述候选车灯区域组中的每个候选车灯区域，基于该候选车灯区域所包括的各个像素点的坐标，确定该候选车灯区域的中心点的坐标和该候选车灯区域的区域面积，若该候选车灯区域满足第一预设条件，则将该候选车灯区域归入车灯区域集合，其中，像素点的坐标包括X坐标值和Y坐标值，所述第一预设条件包括：中心点的坐标的Y坐标值不低于所述车辆图像的高度值与第二预设值的乘积、且区域面积与所述车辆图像的面积的比值大于第三阈值；
确定所述车灯区域集合中是否存在第一目标车灯区域和第二目标车灯区域，其中，所述第一目标车灯区域和所述第二目标车灯区域的区域面积与所述车辆图像的面积的比值均大于第四阈值，所述第一目标车灯区域和所述第二目标车灯区域的中心点的坐标的Y坐标值之差的绝对值小于第五阈值，并且所述第一目标车灯区域和所述第二目标车灯区域的中心点的坐标的X坐标值满足以下中的一个条件且满足的条件互不相同：不大于所述车辆图像的宽度值与第三预设值的乘积、不小于所述宽度值与第四预设值的乘积；
若所述车灯区域集合中不存在所述第一目标车灯区域和所述第二目标车灯区域，则确定所述车辆没有进行刹车。
6.根据权利要求5所述的方法，其特征在于，所述基于所述候选车灯区域组，检测所述车辆图像所指示的车辆是否进行刹车，还包括：
若所述车灯区域集合中存在所述第一目标车灯区域和所述第二目标车灯区域，则确定所述第一目标车灯区域和所述第二目标车灯区域的中心点连线的中点；
在所述第二车辆图像中以所述中点为起点，沿垂直方向向上查找车灯区域，若查找到，则确定所述车辆已进行刹车。
7.一种用于无人驾驶车辆的前车刹车行为检测装置，其特征在于，所述无人驾驶车辆安装有图像采集装置，所述装置包括：
提取单元，配置用于对于所述图像采集装置所采集的包括车辆区域的图像，从所述车辆区域中提取车辆图像；
第一生成单元，配置用于对所述车辆图像进行颜色空间转换以生成第一车辆图像；
第二生成单元，配置用于将所述第一车辆图像中的满足预设条件组中的任一条件的像素点的像素值设置为第一预设值以生成第二车辆图像；
确定单元，配置用于对所述第二车辆图像进行分析，确定候选车灯区域组；
检测单元，配置用于基于所述候选车灯区域组，检测所述车辆图像所指示的车辆是否进行刹车，并生成检测结果。
8.根据权利要求7所述的装置，其特征在于，所述第一生成单元包括：
转换子单元，配置用于将所述车辆图像的颜色空间转换到色调饱和度明度颜色空间。
9.根据权利要求8所述的装置，其特征在于，像素点的像素值包括色调值、饱和度值和明度值，所述预设条件组包括以下至少一项：色调值不在预置区间内、饱和度值低于第一阈值、明度值低于第二阈值。
10.根据权利要求7所述的装置，其特征在于，所述确定单元包括：
确定子单元，配置用于对所述第二车辆图像进行连通区域分析，以得到所述候选车灯区域组。
11.根据权利要求7所述的装置，其特征在于，所述检测单元包括：
处理子单元，配置用于对于所述候选车灯区域组中的每个候选车灯区域，基于该候选车灯区域所包括的各个像素点的坐标，确定该候选车灯区域的中心点的坐标和该候选车灯区域的区域面积，若该候选车灯区域满足第一预设条件，则将该候选车灯区域归入车灯区域集合，其中，像素点的坐标包括X坐标值和Y坐标值，所述第一预设条件包括：中心点的坐标的Y坐标值不低于所述车辆图像的高度值与第二预设值的乘积、且区域面积与所述车辆图像的面积的比值大于第三阈值；
第一确定子单元，配置用于确定所述车灯区域集合中是否存在第一目标车灯区域和第二目标车灯区域，其中，所述第一目标车灯区域和所述第二目标车灯区域的区域面积与所述车辆图像的面积的比值均大于第四阈值，所述第一目标车灯区域和所述第二目标车灯区域的中心点的坐标的Y坐标值之差的绝对值小于第五阈值，并且所述第一目标车灯区域和所述第二目标车灯区域的中心点的坐标的X坐标值满足以下中的一个条件且满足的条件互不相同：不大于所述车辆图像的宽度值与第三预设值的乘积、不小于所述宽度值与第四预设值的乘积；
第二确定子单元，配置用于若所述车灯区域集合中不存在所述第一目标车灯区域和所述第二目标车灯区域，则确定所述车辆没有进行刹车。
12.根据权利要求11所述的装置，其特征在于，所述检测单元还包括：
第三确定子单元，配置用于若所述车灯区域集合中存在所述第一目标车灯区域和所述第二目标车灯区域，则确定所述第一目标车灯区域和所述第二目标车灯区域的中心点连线的中点；
查找子单元，配置用于在所述第二车辆图像中以所述中点为起点，沿垂直方向向上查找车灯区域，若查找到，则确定所述车辆已进行刹车。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201710842627.5A 2017-09-18 2017-09-18 用于无人驾驶车辆的前车刹车行为检测方法和装置 Pending CN109523555A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710842627.5A CN109523555A (zh) 2017-09-18 2017-09-18 用于无人驾驶车辆的前车刹车行为检测方法和装置
US16/049,152 US10824885B2 (en) 2017-09-18 2018-07-30 Method and apparatus for detecting braking behavior of front vehicle of autonomous vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710842627.5A CN109523555A (zh) 2017-09-18 2017-09-18 用于无人驾驶车辆的前车刹车行为检测方法和装置

Publications (1)

Publication Number Publication Date
CN109523555A true CN109523555A (zh) 2019-03-26

Family

ID=65720355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710842627.5A Pending CN109523555A (zh) 2017-09-18 2017-09-18 用于无人驾驶车辆的前车刹车行为检测方法和装置

Country Status (2)

Country Link
US (1) US10824885B2 (zh)
CN (1) CN109523555A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176011A (zh) * 2019-05-28 2019-08-27 北京百度网讯科技有限公司 车辆异常提醒方法及装置
CN113743226A (zh) * 2021-08-05 2021-12-03 武汉理工大学 一种日间前车灯语识别及预警方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11182914B2 (en) 2018-05-21 2021-11-23 Facebook Technologies, Llc Dynamic structured light for depth sensing systems based on contrast in a local area
US11891067B2 (en) * 2019-12-11 2024-02-06 Electronics And Telecommunications Research Institute Vehicle control apparatus and operating method thereof
JP7422029B2 (ja) * 2020-07-29 2024-01-25 本田技研工業株式会社 通信システム、情報処理装置、情報処理方法、移動体、移動体の制御方法、及びプログラム
CN112598674B (zh) * 2020-12-03 2024-05-14 北京汽车研究总院有限公司 用于车辆的图像处理方法、装置及车辆

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102717785A (zh) * 2012-07-12 2012-10-10 贺亮才 一种汽车安全自动保护器及防止后车追尾的方法
CN103121423A (zh) * 2011-11-17 2013-05-29 富士重工业株式会社 车外环境识别装置及车外环境识别方法
US20130177205A1 (en) * 2011-11-24 2013-07-11 Fuji Jukogyo Kabushiki Kaisha Exterior environment recognition device and exterior environment recognition method
CN103927548A (zh) * 2014-04-18 2014-07-16 北京航空航天大学 一种新的避免车辆碰撞的刹车行为检测方法
CN103984950A (zh) * 2014-04-22 2014-08-13 北京联合大学 一种适应白天检测的运动车辆刹车灯状态识别方法
KR20150125818A (ko) * 2014-04-30 2015-11-10 전자부품연구원 차량의 브레이크등을 이용한 야간 전방 차량 인식 방법 및 시스템
CN106407951A (zh) * 2016-09-30 2017-02-15 西安理工大学 一种基于单目视觉的夜间前方车辆检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016081240A1 (en) * 2014-11-17 2016-05-26 Tandent Vision Science, Inc. Method and system for classifying painted road markings in an automotive driver-vehicle-assistance device
JP6802035B2 (ja) * 2016-10-24 2020-12-16 株式会社日立製作所 画像処理装置、警告装置、画像処理システム、画像処理方法
JP6768557B2 (ja) * 2017-02-27 2020-10-14 パナソニックｉ−ＰＲＯセンシングソリューションズ株式会社 監視カメラシステム及び監視方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103121423A (zh) * 2011-11-17 2013-05-29 富士重工业株式会社 车外环境识别装置及车外环境识别方法
US20130177205A1 (en) * 2011-11-24 2013-07-11 Fuji Jukogyo Kabushiki Kaisha Exterior environment recognition device and exterior environment recognition method
CN102717785A (zh) * 2012-07-12 2012-10-10 贺亮才 一种汽车安全自动保护器及防止后车追尾的方法
CN103927548A (zh) * 2014-04-18 2014-07-16 北京航空航天大学 一种新的避免车辆碰撞的刹车行为检测方法
CN103984950A (zh) * 2014-04-22 2014-08-13 北京联合大学 一种适应白天检测的运动车辆刹车灯状态识别方法
KR20150125818A (ko) * 2014-04-30 2015-11-10 전자부품연구원 차량의 브레이크등을 이용한 야간 전방 차량 인식 방법 및 시스템
CN106407951A (zh) * 2016-09-30 2017-02-15 西安理工大学 一种基于单目视觉的夜间前方车辆检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
毛金莲著: "《智能图像检索关键技术研究》", 30 June 2015, 北京理工大学出版社 *
蔡利梅、王利娟主编: "《数字图像处理》", 31 August 2014, 中国矿业大学出版社 *
陆玲、王蕾: "《图像目标分割方法》", 30 November 2016, 哈尔滨工程大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176011A (zh) * 2019-05-28 2019-08-27 北京百度网讯科技有限公司 车辆异常提醒方法及装置
CN113743226A (zh) * 2021-08-05 2021-12-03 武汉理工大学 一种日间前车灯语识别及预警方法及系统
CN113743226B (zh) * 2021-08-05 2024-02-02 武汉理工大学 一种日间前车灯语识别及预警方法及系统

Also Published As

Publication number Publication date
US20190087674A1 (en) 2019-03-21
US10824885B2 (en) 2020-11-03

Similar Documents

Publication Publication Date Title
CN109523555A (zh) 用于无人驾驶车辆的前车刹车行为检测方法和装置
KR102447352B1 (ko) 교통 신호등 검출 및 지능형 주행을 위한 방법 및 디바이스, 차량, 및 전자 디바이스
CN109508580A (zh) 交通信号灯识别方法和装置
CN109886210A (zh) 一种交通图像识别方法、装置、计算机设备和介质
CN109344804A (zh) 一种激光点云数据的识别方法、装置、设备和介质
CN101246593B (zh) 一种彩色图像边缘检测方法及设备
CN111915583B (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
CN104735296B (zh) 行人侦测系统与方法
CN107527368A (zh) 基于二维码的三维空间姿态定位方法与装置
CN113920101A (zh) 目标检测方法、装置、设备及存储介质
CN111242052B (zh) 一种接触网刚柔导线自动判别方法及装置
CN107767366B (zh) 一种输电线路拟合方法及装置
CN111598033A (zh) 货物的定位方法、装置、系统及计算机可读存储介质
CN110705134A (zh) 行驶测试方法、装置、设备及计算机可读存储介质
CN111723614A (zh) 交通信号灯识别方法及装置
CN109215090A (zh) 用于计算色差的方法、装置及服务器
Zhang et al. A novel color descriptor for road-sign detection
Shi et al. Research on vehicle parking position detection based on swin transformer semantic segmentation
CN116985872B (zh) 高铁停靠位置检测方法、站台屏蔽门控制方法及系统
Bak et al. Traffic light recognition with HUV-histogram from daytime driving-view images
CN117197558A (zh) 基于机器视觉的变电站监控界面实体识别测试方法及系统
CN116022065A (zh) 飞机牵引车辅助显示方法、装置、设备和可读存储介质
CN114332704A (zh) 交通信号灯识别模型的训练方法及交通信号灯的识别方法
CN118212219A (zh) 一种输电线缺陷检测方法、装置、设备及介质
CN116883383A (zh) 基于嵌入式前端的列车受电弓结构异常检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190326

RJ01 Rejection of invention patent application after publication