CN110430401A

CN110430401A - 车辆盲区预警方法、预警装置、mec平台和存储介质

Info

Publication number: CN110430401A
Application number: CN201910741309.9A
Authority: CN
Inventors: 刘恒进
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2019-08-12
Filing date: 2019-08-12
Publication date: 2019-11-08
Anticipated expiration: 2039-08-12
Also published as: CN113284366A; CN113284366B; CN110430401B

Abstract

本申请提供的一种车辆盲区预警方法、预警装置、MEC平台和存储介质，该方法包括获取预先设置在视觉盲区道路上的环境感知设备拍摄的图像；检测图像中的全部对象，并在全部对象中包括车辆对象的情况下，确定车辆对象的盲区；识别全部对象中处于盲区内的危险对象；基于危险对象的识别结果生成针对车辆对象的盲区预警信息，并发送至车辆对象对应的车辆，以对该车辆的驾驶员进行盲区预警。本申请适用于所有车辆，车主无需改装车辆也可以实现盲区预警，极大降低了成本。另外，车载场景一般要求低延时，基于MEC的预警方案，能显著减小时延，满足场景需求。

Description

车辆盲区预警方法、预警装置、MEC平台和存储介质

技术领域

本发明涉及汽车技术领域，更具体地说，涉及一种车辆盲区预警方法、预警装置、MEC平台和存储介质。

背景技术

在一些交叉路口经常会发生车辆，尤其是大货车碾压行人、电动车等的事故。而这通常并非驾驶员操作疏忽，而是车辆自身设计存在明显的盲区。

为解决该问题，现有技术提供一种汽车盲区预警装置。如图1所示，在车辆前后左右安装6个雷达、A/D转换器，并设置单片机和预警灯等设备，实时监控车辆周围的环境，来实现车辆盲区预警。但是，这种在车上直接安装设备的方式，属于后装，需要对整车进行适配改动，钻孔、安装、调试等工作量和成本非常大。

发明内容

有鉴于此，本发明提供一种车辆盲区预警方法、预警装置、MEC平台和存储介质，以降低盲区预警的成本。

为实现上述目的，一方面，本申请提供了一种车辆盲区预警方法，所述方法应用于MEC平台，所述方法包括：

获取环境感知设备拍摄的图像，所述环境感知设备预先设置在视觉盲区道路上；

检测所述图像中的全部对象，并在所述全部对象中包括车辆对象的情况下，确定所述车辆对象的盲区；

识别所述全部对象中处于所述盲区内的危险对象；

基于所述危险对象的识别结果生成针对所述车辆对象的盲区预警信息，并将所述盲区预警信息发送至所述车辆对象对应的车辆，所述盲区预警信息用于对所述车辆的驾驶员进行盲区预警。

在一种可能的实现方式中，所述获取环境感知设备拍摄的图像，包括：

获取至少一个目标环境感知设备拍摄的图像，所述目标环境感知设备是拍摄视角覆盖发送盲区预警请求的目标车辆的环境感知设备；

所述检测所述图像中的全部对象，并在所述全部对象中包括车辆对象的情况下，确定所述车辆对象的盲区，包括：

检测所述图像中的全部对象，并在所述全部对象中包括目标车辆对应的车辆对象的情况下，确定所述车辆对象的盲区。

在又一种可能的实现方式中，所述确定所述车辆对象的盲区，包括：

预测所述车辆对象的行驶路径；

获取所述车辆对象在所述行驶路径上至少一个行驶位置处的盲区；

基于各个所述盲区确定所述车辆对象在所述行驶路径上的盲区。

在又一种可能的实现方式中，所述预测所述车辆对象的行驶路径，包括：

在所述盲区预警请求包括所述目标车辆的姿态信息的情况下，基于所述姿态信息预测所述车辆对象的行驶路径。

在又一种可能的实现方式中，所述识别所述全部对象中处于所述盲区内的危险对象，包括：

预测所述全部对象中除所述车辆对象以外其他对象的运动路径；

将所述其他对象中所述运动路径与所述车辆对象在所述行驶路径上的盲区具有交集的一个对象作为一个危险对象。

又一方面，本申请还提供了一种车辆盲区预警装置，所述装置包括：

图像获取模块，用于获取环境感知设备拍摄的图像，所述环境感知设备预先设置在视觉盲区道路上；

盲区确定模块，用于检测所述图像中的全部对象，并在所述全部对象中包括车辆对象的情况下，确定所述车辆对象的盲区；

对象识别模块，用于识别所述全部对象中处于所述盲区内的危险对象；

信息生成模块，用于基于所述危险对象的识别结果生成针对所述车辆对象的盲区预警信息，并将所述盲区预警信息发送至所述车辆对象对应的车辆，所述盲区预警信息用于对所述车辆的驾驶员进行盲区预警。

又一方面，本申请还提供了一种MEC平台，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现所述的车辆盲区预警方法。

又一方面，本申请还提供了一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述的车辆盲区预警方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1为汽车盲区预警装置的结构示意图；

图2为本申请实施例提供的一种车辆盲区预警系统的结构示意图；

图3为本申请实施例提供的一种车辆盲区预警方法的信令流程图；

图4为本申请实施例提供的一种车辆盲区系统的应用场景图；

图5为本申请实施例提供的一种MEC平台的硬件结构框图；

图6为本申请实施例提供的一种车辆盲区预警方法的方法流程图；

图7为本申请实施例提供的一种大货车的盲区分布图；

图8为本申请实施例提供的一种大货车的前方盲区的场景图；

图9为本申请实施例提供的一种盲区预警信息的呈现示意图；

图10为本申请应用实例的信令流程图；

图11为本申请实施例提供的一种车辆盲区预警装置的结构示意图。

具体实施方式

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，都属于本发明保护的范围。

实施例

本申请实施例提供一种车辆盲区预警方法，应用于车辆盲区预警系统中的MEC(Mobile Edge Computing，移动边缘计算)平台。

为方便理解，以下对车辆盲区预警系统进行介绍。

图2为本申请实施例提供的一种车辆盲区预警系统的结构示意图。参见图2，该系统包括：MEC平台10、与MEC平台10通信连接的至少一个环境感知设备20、以及与MEC平台10通信连接的至少一个车辆30。其中，

每个环境感知设备预先设置在视觉盲区道路上，每个环境感知设备20可以通过诸如光纤等有线连接的方式、或者诸如蜂窝基站等无线连接的方式与MEC平台10通信；每个车辆30通过车载终端与MEC平台通信连接，具体可以通过诸如蜂窝基站或者RSU(路侧单元)等进行无线连接。

基于上述车辆盲区预警系统，图3为本申请实施例提供的一种车辆盲区预警方法的信令流程图，参见图3：

步骤S101：环境感知设备20执行拍摄动作，并将拍摄的图像发送至MEC平台10。

步骤S102：MEC平台10检测图像中的全部对象，并在全部对象中包括车辆对象的情况下，确定车辆对象的盲区。

步骤S103：MEC平台10识别全部对象中处于盲区内的危险对象。

步骤S104：MEC平台10基于危险对象的识别结果生成针对车辆对象的盲区预警信息，并将盲区预警信息发送至车辆对象对应的车辆30。

步骤S105：车辆30基于盲区预警信息对驾驶员进行盲区预警。

可选的，MEC平台10进行盲区预警的过程可参照下文描述。

图4为本申请实施例提供的一种车辆盲区系统的应用场景图。参见图4，为该场景中环境感知设备20为一个摄像头、视觉盲区道路为十字道路，驶入该十字道路的车辆为一辆大货车。

摄像头按照预设的频率执行拍摄动作，以拍摄视角范围内出现在十字道路的对象，诸如行人、动物、非机动车、机动车、建筑物，并将拍摄的图像发送给MEC平台10。当大货车驶入该摄像头的视角范围内时，相应的图像中也会存在该大货车。

MEC平台10按照上述步骤S102～步骤S105所示的过程对图像处理，识别处于大货车盲区内的危险对象，一旦识别到存在危险对象，向蜂窝基站发送盲区预警信息，该盲区预警信息中至少包含有唯一标记大货车的标识，比如车牌号码。

蜂窝基站广播该盲区预警信息。

大货车的车载终端解析接收到的盲区预警信息，并在确定盲区预警信息中的标识标记本车的情况下，呈现该盲区预警信息，以辅助大货车的驾驶员驾驶。

图5为本申请实施例提供的一种MEC平台的硬件结构框图。参见图5，MEC平台10的硬件结构可以包括：至少一个处理器11，至少一个通信接口12，至少一个存储器13和至少一个通信总线14；

在本申请实施例中，处理器11、通信接口12、存储器13、通信总线14的数量为至少一个，且处理器11、通信接口12、存储器13通过通信总线14完成相互间的通信；

处理器11可能是一个中央处理器CPU、GPU(Graphics Processing Unit，图形处理器)，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器13可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可以调用存储器存储的程序，程序用于：

获取环境感知设备拍摄的图像，环境感知设备预先设置在视觉盲区道路上；

检测图像中的全部对象，并在全部对象中包括车辆对象的情况下，确定车辆对象的盲区；

识别全部对象中处于盲区内的危险对象；

基于危险对象的识别结果生成针对车辆对象的盲区预警信息，并将盲区预警信息发送至车辆对象对应的车辆，盲区预警信息用于对车辆的驾驶员进行盲区预警。

可选的，程序的细化功能和扩展功能可参照下文描述。

图6为本申请实施例提供的一种车辆盲区预警方法的方法流程图。参见图6，该方法包括如下步骤：

步骤S201：获取环境感知设备拍摄的图像，环境感知设备预先设置在视觉盲区道路上。

本申请实施例中，环境感知设备预先设置在视觉盲区道路，也就是具有视觉盲区的道路上。每个视觉盲区道路上可以设置一个或多个环境感知设备。

环境感知设备可以按照预设的频率执行拍摄动作，还可以在监测到车辆驶入视角范围内时执行拍摄动作，以拍摄自身拍摄视角内的图像。其中，具体监测车辆驶入拍摄视角内的方式可以预先在拍摄视角的边缘地面上设置压力传感器，如果车辆经过，压力传感器监测到的压力会高于阈值时向环境感知设备发送触发信号。

其中，环境感知设备可以是摄像头，还可以是雷达。可以理解的是，上述仅为环境感知设备的举例，对于其他未列举到的环境感知设备，也在本申请实施例的保护范围内。

可选的，为实现针对目标车辆的盲区预警，在获取环境感知设备拍摄的图像的过程中，可以获取至少一个目标环境感知设备拍摄的图像，目标环境感知设备是拍摄视角覆盖发送盲区预警请求的目标车辆的环境感知设备。

在本申请实施例中，目标车辆可以基于定位信息确定是否进入视觉盲区道路，比如图4所示的十字道路。并在确定进入后通过车载终端广播盲区预警请求信息，该盲区预警请求信息中至少包含目标车辆的属性信息和地理位置；其中，属性信息可以包括车辆标识、车牌号码、车辆颜色、车辆型号等信息。

RSU/蜂窝基站在接收到盲区预警请求信息后，将盲区预警请求信息发送至MEC平台。

MEC平台可以根据目标车辆的位置信息确定拍摄视角覆盖目标车辆的至少一个目标环境感知设备，并向每个目标环境感知设备发送拍摄指令；其中，拍摄指令中可以包含拍摄时间、转动角度矢量、焦距和目标车辆的位置信息等参数。

每个目标环境感知设备可以基于拍摄指令中的参数执行拍摄动作，并将拍摄的图像发送至MEC平台。

需要说明的是，覆盖目标车辆的拍摄视角可以属于一个目标环境感知设备，还可以由多个目标环境感知设备共同组成的，本实施例对此不做限定。

步骤S202，检测图像中的全部对象，并在全部对象中包括车辆对象的情况下，确定车辆对象的盲区。

本申请实施例中，按照图像的类型采用相应的手段来检测其中包含的全部对象。具体的，如果环境感知设备为摄像头、图像为摄像头拍摄的视觉图像，则可以基于计算机视觉算法检测该视觉图像中的全部对象。如果环境感知设备为雷达、图像为雷达拍摄的雷达图像，则可以基于雷达物体检测算法检测该雷达图像中的全部对象。

以下本申请实施例对基于计算机视觉算法检测视觉图像中的全部对象过程进行说明：

计算机视觉算法的本质就是在预先给出不同对象的bounding box(边框)之后，检测出视觉图像中各对象的类别。

本实施例中，计算机视觉算法可以是传统的目标检测算法、候选窗+深度学习分类算法、以及基于深度学习的回归算法中的任意一种算法。其中，

传统的目标检测算法包括Cascade+Harr、SVM(Support Vector Machine，支持向量机)+HOG(Histogram of Oriented Gradient，方向梯度直方图)、DPM(Deformable PartsModel，可变形部件模型)以及上述的诸多改进、优化的算法；候选窗+深度学习分类算法包括RCNN(region-based CNN或regions with CNN features，区域卷积神经网络)、Fast-RCNN、Faster-RCNN、SPP-net(spatial pyramid pooling network)、R-FCN等算法；基于深度学习的回归算法包括YOLO、SSD、DenseBox、结合RNN(Recurrent Neural Network，循环神经网络)算法的RRC detection以及结合DPM的Deformable CN等算法。

因此，MEC平台可以采用上述任意一种算法处理视觉图像。以传统的目标检测算法为例，MEC平台可以使用不同尺度的滑动窗口选定图像的某一区域为候选区域，再从该候选区域中提取诸如Harr HOG LBP LTP等一类或者多类特征，最后使用Adaboost SVM等分类算法对该特征进行分类，以此确定候选区域内对象的类别。

以下本申请实施例对基于雷达物体检测算法检测雷达图像中的全部对象过程进行说明：

相比于摄像头，雷达具有不受天气影响、探测范围广、直接获得准确三维数据(通常称为点云)的特点，因此常被用于弥补摄像头的不足。

本实施例中，雷达物体检测算法可以是单帧算法、连续多帧算法和多传感器融合算法中的任意一种。其中，

单帧算法包括非深度学习算法和深度学习算法，非深度学习算法以线性模型、SVM和决策树为主，深度学习算法包括基于鸟瞰图的算法和基于点云图的算法，多传感器融合算法则用于对视觉图像和点云的融合。

因此，MEC平台可以采用上述任意一种算法处理雷达图像。以非深度学习算法为例，MEC平台可以将点云数据映射为诸如Graph(图表)或者RangeImage(距离影像)等结构，再提取每个像素的特征、并聚类，进而通过一定规则或者分类器将一个或多个聚类确定为地面，进一步结合地面的信息通过分类器识别其他聚类的类别。

在以上采用计算机视觉算法和/或雷达物体检测算法检测出全部对象的基础上，可以从全部对象中确定至少一个类别为车辆的对象，也就是车辆对象。以下以一个车辆对象为例，说明确定该车辆对象的盲区的过程：

MEC平台中预先存储有不同车型的盲区分布图，该盲区分布图用于描述车辆实际的盲区分布情况。为方便理解盲区分布图，图7为本申请实施例提供的一种大货车的盲区分布图。参见图7，大货车的盲区包括A区、B区、C区、D区和E区，其中，A区、B区和C区为半盲区、D区和E区为全盲区，处于这些盲区内的任何对象，驾驶员都是无法看到的。以前方盲区为例，参见图8示出的场景图，由于大货车车身座位较高，驾驶员很难看到车头下方的情况。

因此，MEC平台可以根据该车辆对象的车型确定对应的盲区分布图，并将盲区分布图映射为车辆对象的盲区。具体的，可以基于发送图像的环境感知设备的地理位置确定车辆对象的地理位置，进一步根据车辆对象的地理位置将盲区分布图映射到地图上确定地图上的盲区；还可以基于车辆对象在图像上的像素位置将盲区分布图映射到图像上确定图像上的盲区，本申请实施例对此不做限定。

当然，以上确定的盲区仅为车辆在当前行驶位置处的一个盲区。而由于车辆行驶过程中，无法在收到刹车指令时立即停车，因此提前预测盲区对于行车安全是很有必要的。

可选的，在确定车辆对象的盲区的过程中，可以预测车辆对象的行驶路径；获取车辆对象在行驶路径上至少一个行驶位置处的盲区；基于各个盲区确定车辆对象在行驶路径上的盲区。

在本申请实施例中，MEC平台可以调取包含车辆对象的至少两个历史图像，并通过分析车辆对象在每个历史图像中的像素位置确定车辆对象的运动信息，比如矢量速度、加速度等，进而将运动信息代入相应的运动学方程中来预测车辆对象的行驶路径，比如可以预测车辆对象在未来3秒内的行驶路径。

进一步，在该行驶路径上选取多个行驶位置，通过将该车对象的盲区分布图映射到每个行驶位置来得到每个行驶位置处的盲区。

最后，可以将所有行驶位置处的盲区确定为行驶路径上的盲区。为保证预测的精度，可以选取尽可能多的行驶位置。

需要说明的是，如果上述预测的行驶路径是地图上的路径、相应的每个行驶位置处的盲区、行驶路径上的盲区就是地图上的盲区，如果上述预测的行驶路径是图像上的路径、相应的每个行驶位置处的盲区、行驶路径上的盲区就是图像上的盲区。

可选的，为实现针对目标车辆的盲区预警，在图像是拍摄视角覆盖目标车辆的环境感知设备发送的前提下，步骤S202“检测图像中的全部对象，并在全部对象中包括车辆对象的情况下，确定车辆对象的盲区”具体包括：

检测图像中的全部对象，并在全部对象中包括目标车辆对应的车辆对象的情况下，确定车辆对象的盲区。

在该实施例中，MEC平台待识别的车辆为目标车辆，相应的从全部对象中确定目标车辆对应的车辆对象，而对于图像中的其他车辆对象，本次并不做盲区预警。另外，对于“检测图像中的全部对象”、以及“确定车辆对象的盲区”的过程，可以参见本申请实施例以上公开内容，在此不再赘述。

当然，如果目标车辆发送的盲区预警请求信息中包括目标车辆的姿态信息，比如扭矩、行驶角度等，在“预测车辆对象的行驶路径”过程中，可以具体将姿态信息代入至相应的运动学方程中预测车辆对象的行驶路径。而由于姿态信息是车辆真实行驶的数据，因此相较于分析历史图像得到的运动信息，其预测得到的行驶路径更加准确。

S203，识别全部对象中处于盲区内的危险对象。

本申请实施例中，通过匹配车辆对象的盲区和图像中除车辆对象的每个对象，来确定处于盲区内的危险对象。具体的：

如果车辆对象的盲区为地图上的盲区，则可以确定全部对象中除车辆对象外每个对象在地图上的地理位置，进一步判断每个对象的地理位置是否在地图上的盲区内，如果在，则将该对象确定为一个危险对象，反之如果不在，则不是危险对象。

如果车辆对象的盲区为图像上的盲区，则可以确定全部对象中除车辆对象外每个对象在图像上的像素位置，进一步判断每个对象的像素位置是否在图像上的盲区内，如果在，则将该对象确定为一个危险对象，反之如果不在，则不是危险对象。

在提前预测盲区的基础上，可选的，在识别全部对象中处于盲区内的危险对象的过程中，可以预测全部对象中除车辆对象以外其他对象的运动路径；将其他对象中运动路径与车辆对象在行驶路径上的盲区具有交集的一个对象作为一个危险对象。

由于全部对象中除车辆对象以外的其他对象，如行车，如机动车等大多也是运动的，因此为提高危险对象的识别精度，本申请实施例可以动态识别危险对象。

以其他对象中的一个对象为例，MEC平台可以调取包含该对象的至少两个历史图像，并通过分析该对象在每个历史图像中的像素位置确定该对象的运动信息，比如矢量速度、加速度等，进而将运动信息代入至相应的运动学方程中来预测该对象的运动路径，比如可以预测该对象在未来3秒内的运动路径；进一步判断该对象的运动路径是否与车辆对象在行驶路径上的盲区具有交集(也就是相交)，如果相交，则表示该对象未来处于车辆盲区的可能性极大，可以作为一个危险对象，反之如果不相交，则不是危险对象。

需要说明的是，该对象的运动路径表征的时长与车辆对象的形式路径表征的时长相同或者处于一定的时长允许范围。

S204，基于危险对象的识别结果生成针对车辆对象的盲区预警信息，并将盲区预警信息发送至车辆对象对应的车辆，盲区预警信息用于对车辆的驾驶员进行盲区预警。

本申请实施例中，如果识别到危险对象，MEC平台可以生成至少包含车辆对象的标识的盲区预警信息，并将该盲区预警信息发送至RSU/蜂窝基站。由RSU将盲区预警信息以广播的方式发送至车辆对象对应的车辆，或者由蜂窝基站将该盲区预警信息以单播或者广播的方式发送至车辆对象对应的车辆。

该车辆的车载终端解析接收到的盲区预警信息，如果该盲区预警信息中的标识表征该车辆，则可以采用诸如语音、文本和图片等方式呈现该盲区以及信息，以提醒驾驶员盲区内存在危险对象。

可以理解的是，上述仅为呈现方式的举例，对于其他未列举到的呈现方式，也在本申请实施例的保护范围内。

当然，为提高预警效果，MEC可以生成至少包含危险对象的地理位置和危险对象所在盲区的盲区标识的盲区预警信息。以大货车为例，盲区的标识可以是盲区的标号，比如A区、B区。

车辆的车载终端可以基于危险对象的地理位置和危险对象所在盲区的盲区标识呈现危险对象与车辆的相对位置关系，以更直观的方式提醒驾驶员。

当然，盲区预警信息中还可以含诸如危险等级、危险对象的个数及类别、危险对象的速度等信息。其中，危险等级可以基于危险对象的个数、类别、速度、所在盲区等信息确定，比如危险对象的个数越多、速度越大危险等级越高，再比如危险对象的类别——机动车、非机动车、行人、建筑物的危险等级逐渐增高，再比如危险对象处于全盲区的危险等级要高于处于半盲区的危险等级。图9为本申请实施例提供的一种盲区预警信息的呈现示意图。

需要说明的是，以上步骤S202～步骤S203是针对一个图像的处理过程。在对目标车辆进行盲区预警的过程中，如果确定的目标环境感知设备为多个，假设为摄像头1、摄像头2和摄像头3，摄像头1拍摄到图像1、摄像头2拍摄到图像2、摄像头3拍摄到图像3，由于每个摄像头对于目标车辆的拍摄视角不同，所拍摄到的对象很可能有差别，因此在按照步骤S202～步骤S203分别识别出图像1、图像2和图像3中的危险对象之后，需要对三个图像的所有危险对象进行合并、去重，将剩余的所有对象作为最终的危险对象，并生成相应的预警信息。

当然，为进一步减少图像的数据处理量，还可以在执行步骤S202之前，先对三个图像进行拼接，得到一个拼接图像，再识别该拼接图像中的危险对象、生成相应的预警信息。

为方便本领域的技术人员可以清楚明白的了解本申请实施例的内容，现基于图4的应用场景图，本申请实施例通过以下应用实例进行进一步说明，该应用实例的信令流程图如图10所示，包括如下步骤：

步骤S301：大货车在进入十字道路后，通过车载终端广播盲区预警请求信息。

步骤S302：蜂窝基站在接收到盲区预警请求信息后，将盲区预警请求信息发送至MEC平台。

步骤S303：MEC平台确定拍摄视角覆盖大货车的至少一个目标摄像头，并向每个目标摄像头发送拍摄指令。

步骤S304：目标摄像头基于拍摄指令执行拍摄动作，并将拍摄的视觉图像发送至MEC平台。

步骤S305：MEC平台基于视觉算法检测视觉图像中的全部对象，并在全部对象中包括大货车对应的车辆对象的情况下，基于盲区预警请求中的姿态信息预测车辆对象的行驶路径。

步骤S306：MEC平台获取车辆对象在行驶路径上至少一个行驶位置处的盲区。

步骤S307：MEC平台基于各个盲区确定车辆对象在行驶路径上的盲区。

步骤S308：MEC平台预测全部对象中除车辆对象以外其他对象的运动路径。

步骤S309：MEC平台将其他对象中运动路径与车辆对象在行驶路径上的盲区具有交集的一个对象作为一个危险对象。

步骤S310：MEC平台基于危险对象的识别结果生成针对车辆对象的盲区预警信息，并将盲区预警信息发送至蜂窝基站。

步骤S311：蜂窝基站将盲区预警信息以单播或者广播的方式发送至大货车的车载终端。

步骤S312：大货车的车载终端解析盲区预警信息，并以指定方式呈现给驾驶员，以辅助大货车的驾驶员驾驶。

下面对本申请实施例提供的车辆盲区预警装置进行介绍，下文描述的车辆盲区预警装置可认为是，MEC平台为实现本申请实施例提供的车辆盲区预警方法，所需设置的程序模块。下文描述的车辆盲区预警装置内容，可与上文描述的车辆盲区预警方法内容相互参照。

图11为本申请实施例提供的一种车辆盲区预警装置的结构示意图。如图11所示，该装置包括：

图像获取模块101，用于获取环境感知设备拍摄的图像，环境感知设备预先设置在视觉盲区道路上；

盲区确定模块102，用于检测图像中的全部对象，并在全部对象中包括车辆对象的情况下，确定车辆对象的盲区；

对象识别模块103，用于识别全部对象中处于盲区内的危险对象；

信息生成模块104，用于基于危险对象的识别结果生成针对车辆对象的盲区预警信息，并将盲区预警信息发送至车辆对象对应的车辆，盲区预警信息用于对车辆的驾驶员进行盲区预警。

在本申请实施例提供的一种车辆盲区预警装置中，优选的，图像获取模块101，具体用于：

获取至少一个目标环境感知设备拍摄的图像，目标环境感知设备是拍摄视角覆盖发送盲区预警请求的目标车辆的环境感知设备；

盲区确定模块102，具体用于：

在本申请实施例提供的一种车辆盲区预警装置中，优选的，用于确定车辆对象的盲区的盲区确定模块102，具体用于：

预测车辆对象的行驶路径；获取车辆对象在行驶路径上至少一个行驶位置处的盲区；基于各个盲区确定车辆对象在行驶路径上的盲区。

在本申请实施例提供的一种车辆盲区预警装置中，优选的，用于预测车辆对象的行驶路径的盲区确定模块102，具体用于：

在盲区预警请求包括目标车辆的姿态信息的情况下，基于姿态信息预测车辆对象的行驶路径。

在本申请实施例提供的一种车辆盲区预警装置中，优选的，对象识别模块103，具体用于：

预测全部对象中除车辆对象以外其他对象的运动路径；将其他对象中运动路径与车辆对象在行驶路径上的盲区具有交集的一个对象作为一个危险对象。

获取摄像头拍摄的视觉图像；

用于检测图像中的全部对象的盲区确定模块102，具体用于：

基于计算机视觉算法检测视觉图像中的全部对象。

在本申请实施例提供的一种车辆盲区预警装置中，优选的，用于基于危险对象的识别结果生成针对车辆对象的盲区预警信息的信息生成模块104，具体用于：

生成至少包含危险对象的地理位置和危险对象所在盲区的盲区标识的预警信息。

本发明实施例还提供一种存储介质，该存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述的车辆盲区预警方法。

可选的，指令的细化功能和扩展功能可参照上文描述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种车辆盲区预警方法，其特征在于，所述方法应用于MEC平台，所述方法包括：

识别所述全部对象中处于所述盲区内的危险对象；

2.根据权利要求1所述的方法，其特征在于，所述获取环境感知设备拍摄的图像，包括：

3.根据权利要求1或2所述的方法，其特征在于，所述确定所述车辆对象的盲区，包括：

预测所述车辆对象的行驶路径；

4.根据权利要求3所述的方法，其特征在于，所述预测所述车辆对象的行驶路径，包括：

5.根据权利要求3所述的方法，其特征在于，所述识别所述全部对象中处于所述盲区内的危险对象，包括：

6.根据权利要求1所述的方法，其特征在于，所述获取环境感知设备拍摄的图像，包括：

获取摄像头拍摄的视觉图像；

所述检测所述图像中的全部对象，包括：

基于计算机视觉算法检测所述视觉图像中的全部对象。

7.根据权利要求1所述的方法，其特征在于，所述基于所述危险对象的识别结果生成针对所述车辆对象的盲区预警信息，包括：

生成至少包含所述危险对象的地理位置和所述危险对象所在盲区的盲区标识的预警信息。

8.一种车辆盲区预警装置，其特征在于，所述装置包括：

9.一种MEC平台，其特征在于，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现如权利要求1-7任意一项所述的车辆盲区预警方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-7任意一项所述的车辆盲区预警方法。