CN110738668B - 一种智能控制远光灯的方法、系统及交通工具 - Google Patents

一种智能控制远光灯的方法、系统及交通工具 Download PDF

Info

Publication number
CN110738668B
CN110738668B CN201910933929.2A CN201910933929A CN110738668B CN 110738668 B CN110738668 B CN 110738668B CN 201910933929 A CN201910933929 A CN 201910933929A CN 110738668 B CN110738668 B CN 110738668B
Authority
CN
China
Prior art keywords
target
position information
frame image
current frame
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.)
Active
Application number
CN201910933929.2A
Other languages
English (en)
Other versions
CN110738668A (zh
Inventor
余浩
夏翌彰
闫胜业
刘国清
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.)
Nanjing Youjia Technology Co ltd
Original Assignee
Nanjing Youjia 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 Nanjing Youjia Technology Co ltd filed Critical Nanjing Youjia Technology Co ltd
Priority to CN201910933929.2A priority Critical patent/CN110738668B/zh
Publication of CN110738668A publication Critical patent/CN110738668A/zh
Application granted granted Critical
Publication of CN110738668B publication Critical patent/CN110738668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
    • B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
    • B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
    • B60Q1/06—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle
    • B60Q1/08—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle automatically
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种智能控制远光灯的方法、系统及交通工具，方法包括如下过程：获取待处理图像；对当前帧图像进行处理得到该图像内目标的初步位置信息；根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息；根据当前帧图像初步位置信息与推测得到的当前帧图像目标框输出当前帧最终位置信息；根据最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。本发明具有的有益效果：能够考虑场景内不同类别目标的影响以实现远光灯的有效自动控制，具有较低成本的较佳的可靠度，适于推广应用。

Description

一种智能控制远光灯的方法、系统及交通工具
技术领域
本发明属于汽车高级驾驶辅助控制技术领域，具体涉及一种智能控制远光灯的方法、系统及交通工具。
背景技术
高级驾驶辅助系统可由传感器系统、信息处理系统和车联网组成，其任务可分为舱内感知和舱外感知，提醒驾驶员规避潜在的危险。由于大多数交通事故是人为错误操作造成的，所以高级驾驶辅助系统能有效增加汽车驾驶的安全性。
辅助驾驶是智能汽车领域增长最快的细分市场之一，车灯控制系统在智能车辆中的有着重要应用价值。然而实现一个真正实用的远光灯控制系统难度很高，原因如下：一是智能控制汽车远光灯方法面临的是一个开放的复杂环境，需要考虑多变光照和巨大的大小变化等因素；二是智能控制汽车远光灯方法由于应用场景必须实时运行。总之，综合考虑以上两点，设计一套足够使用的智能控制汽车远光灯方法并不是一件容易的事情。目前对于汽车远光灯控制，业界暂未形成成熟的落地应用。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种智能控制远光灯的方法及系统，能够在开放环境下实现远光灯的低成本有效自动控制。
为解决现有技术问题，本发明提供了一种智能控制远光灯的方法，包括如下过程：
获取待处理图像；
对当前帧图像进行处理得到该图像内目标的初步位置信息；
根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息；
根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息，并将当前帧图像内目标的最终位置信息作为推测下一帧图像内目标位置信息的输入；
根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。
进一步地，
所述获取待处理图像的具体过程为：
获取原始图像；
在原始图像上选择感兴趣区域，将已确定感兴趣区域的图像作为待处理图像。
进一步地，
所述对当前帧图像进行处理得到该图像内目标的初步位置信息的具体过程为：
将待处理图像输入到移动卷积神经网络中提取特征；
保留移动卷积网络中第二、三、四、五组卷积层输出的特征图，并将这四个特征图分别经过五组卷积得到对应的特征向量，然后叉分特征向量成四个输出分支；
通过解析每个分支输出的特征向量得到当前帧图像内目标的位置信息。
进一步地，
通过解析每个分支输出的特征向量得到位置信息后，使用非极大值抑制方法去除冗余位置信息。
进一步地，
所述根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息的具体过程为：
在当前帧图像中，以上一帧输入图像目标的中心为中心框定搜索区域，搜索区域的大小为上一帧输入图像内目标大小的一倍以上，然后在上一帧输入图像中选择相同的区域作为原始目标区域；
将搜索区域内的图像和原始目标区域内的图像输入到相同结构的卷积神经网络中分别得到两张特征图；
将两张特征图堆叠起来，经过一个卷积层和一个全连接层后，得到当前帧输入图像的位置信息。
进一步地，
所述根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息的具体过程为：
如果推测得到的当前帧图像的目标位置信息位于感兴趣区域内，则将推测得到的当前帧图像的位置信息和当前帧图像的初步位置信息进行求和平均处理得到目标的最终位置信息，否则将推测得到的当前帧图像内目标的位置信息作为目标的最终位置信息。
进一步地，
所述根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离的具体过程为：
获取目标的最终位置信息的目标框像素大小；
根据目标框像素大小与实际距离的对应关系获得目标的实际距离。
进一步地，
所述根据实际距离输出相应的远光灯控制信号的具体过程为：
如果同时满足“距离本车50米之内没有路灯，距离本车150米之内没有同向车，距离本车300米之内没有对向车”这三个条件，则输出开启远光灯的控制信号，否则输出关闭远光灯的控制信号。
本发明还提供了一种智能控制远光灯的系统，包括：
图像预处理模块，用于获取待处理图像；
空间检测模块，用于对当前帧图像进行处理得到该图像内目标的初步位置信息；
时间跟踪模块，用于根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息；
目标位置融合模块，用于根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息，并将当前帧图像内目标的最终位置信息作为推测下一帧图像内目标位置信息的输入；以及
信号输出模块，用于根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。
本发明还提供了一种交通工具，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有的有益效果：能够考虑场景内不同类别目标的影响以实现远光灯的有效自动控制，具有较低成本的较佳的可靠度，适于推广应用。
附图说明
图1为本发明一个实施例中控制系统的结构示意图；
图2为本发明一个实施例中控制方法的流程示意图；
图3为本发明一个实施例中控制方法的流程示意图；
图4为本发明一个实施例中控制方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供的交通工具的远光灯控制方法，可以适用于图1所示的交通工具的远光灯控制系统。如图1所示，该控制系统可以集成在交通工具的内部，该系统包括行车电脑和远光灯，其中，行车电脑为远光灯的控制主体，其可以与远光灯之间进行控制指令或者其它数据的传输。
需要说明的是，本实施例涉及的交通工具，可以是油路车辆、气路车辆，还可以是油气混合动力的车辆，还可以是电动车辆，甚至还可以是自行车、无人机等，本实施例对此并不做限定。可选的，上述行车电脑可以是ECU，还可以是交通工具的中控台，上述远光灯可以是各种类型的远光灯，本实施例对此并不做限定。
需要说明的是，下述方法实施例的执行主体可以是交通工具远光灯的控制装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述交通工具的部分或者全部。下述方法实施例以执行主体是交通工具为例进行说明。
如图2所示，一种智能控制远光灯的方法，包括如下过程：
S01、交通工具获取待处理图像。
具体地，交通工具上的图像获取装置，例如摄像头，采集环境中的交通工具行驶时的图像数据以得到原始图像。原始图像的像素大小为1280*720。优选地，若图像获取装置获取到的数据为视频格式的图像数据，则交通工具可以是对该视频格式的图像数据进行帧图片的处理，获取到该环境下连续时刻的原始图像。
交通工具在原始图像上选择感兴趣区域，将已确定的感兴趣区域的图像作为待处理图像。感兴趣区域的像素大小为640*360，其中心点为原始图像的正中心。设置感兴趣区域能够减少算力消耗，提高系统速度。本实施例对交通工具所设置的感兴趣区域的大小不做限定。
S02、交通工具对当前帧图像进行处理得到该图像内目标的初步位置信息。
具体地，如图3所示，交通工具将待处理图像输入到移动卷积神经网络中提取特征。优选地，移动卷积神经网络为第二版移动卷积神经网络。
交通工具保留移动卷积网络中第二、三、四、五组卷积层输出的特征图，并将这四个特征图分别经过五组卷积得到对应的特征向量，然后叉分特征向量成四个输出分支。图3中，箭头右侧的维度标识代表上一层输出的大小。
交通工具通过解析每个分支输出的特征向量初步得到当前帧图像内目标的位置信息。位置信息包括置信度、类别和位置，输出类别为头灯、尾灯和路灯。
交通工具通过解析每个分支输出的特征向量得到位置信息后，使用非极大值抑制方法去除冗余位置信息。
S03、交通工具根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息。
具体地，如图4所示，为了避免引入过多的背景信息，在当前帧图像中，以上一帧输入图像目标的中心为中心框定搜索区域，搜索区域的大小为上一帧输入图像内目标大小的两倍，然后在上一帧输入图像中选择相同的区域作为原始目标区域。
将搜索区域内的图像和原始目标区域内的图像输入到相同结构的卷积神经网络中分别得到两张特征图。需要说明的是，针对不同时刻的图像，其目标大小因距离不同而不同，因此在经过步骤03处理时，得到的搜索区域的图像和原始目标区域的图像大小也会不同，在输入卷积神经网络之前需要将不同大小的图像调整到特定的大小，以便于符合网络输入的尺寸要求。优选地，特定像素大小为64*36。
将两张特征图堆叠起来，经过一个卷积层和一个全连接层后，得到当前帧输入图像的位置信息。
S04、根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息，并将当前帧图像内目标的最终位置信息作为推测下一帧图像内目标位置信息的输入。
具体地，如果推测得到的当前帧图像的目标位置信息位于感兴趣区域内，则将推测得到的当前帧图像的位置信息和当前帧图像的初步位置信息进行求和平均处理得到目标的最终位置信息，否则将推测得到的当前帧图像内目标的位置信息作为目标的最终位置信息。
跟踪器网络结构详细参数如下表所示：
Figure BDA0002221038030000051
需要说明的是，在通过目标位置信息和感兴趣区域进行判断时，目标位置信息以目标框的形式得以体现，目标框为对目标进行最小化框定形成的标定框，其宽度和高度为目标的最大宽度和最大高度向匹配。若目标框位于刚兴趣区域内则将两个位置信息进行求和平均处理得到最终位置信息，否则以推测的位置信息为最终位置信息。
S05、根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。
具体地，获取最终位置信息的目标框的像素大小。
根据目标框像素大小与实际距离的对应关系获得目标的实际距离。以目标框像素宽度为例，其与实际距离的具体对应关系如下表所示：
距离(m) 最短像素宽度 最长像素宽度
30 100 120
50 60 72
100 30 36
150 20 24
200 15 18
250 12 14.4
300 10 12
例如，当输出的目标框宽度在15到18像素之间时，该车辆与本车的距离为200米。
如果同时满足“距离本车50米之内没有路灯，距离本车150米之内没有同向车，距离本车300米之内没有对向车”这三个条件，则输出开启远光灯的控制信号，否则输出关闭远光灯的控制信号。同向车的判断由头灯和尾灯决定，即图像中目标类别为尾灯时，则交通工具为同向车，为头灯时则交通工具为对向车。
如图1所示，在一个实施例中，还提供了一种智能控制远光灯的系统，包括图像预处理模块、空间检测模块、时间跟踪模块、目标位置融合模块和信号输出模块。
图像预处理模块用于获取待处理图像，该模块的输入数据为图像获取模块输出的图像数据，输出数据为感兴趣区域的图像。
空间检测模块用于对当前帧图像进行处理得到该图像内目标的初步位置信息。空间检测模块的核心是检测器，其输入数据为图像预处理模块所输出的感兴趣区域的图像，输出数据为当前帧图像内目标的位置信息。
时间跟踪模块用于根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息。时间跟踪模块的核心是跟踪器，其输入数据为当前帧图像、上一帧图像及其内目标的位置信息，输出数据为推测的当前帧图像内目标的位置信息。
目标位置融合模块用于根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息，并将当前帧图像内目标的最终位置信息作为推测下一帧图像内目标位置信息的输入。目标位置融合模块的输入数据为空间检测模块和时间跟踪模块输出的目标信息，输出数据为最终位置信息。
信号输出模块用于用于根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。信号输出模块的输入数据为最终位置信息，输出数据为远光灯控制信号。
在一个实施例中，提供了一种交通工具，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时以实现如下步骤：
S01、获取待处理图像。
具体地，采集交通工具环境中的图像数据以得到原始图像。优选地，若图像获取装置获取到的数据为视频格式的图像数据，则交通工具可以是对该视频格式的图像数据进行帧图片的处理，获取到该环境下连续时刻的原始图像。交通工具在原始图像上选择感兴趣区域，将已确定的感兴趣区域的图像作为待处理图像。设置感兴趣区域能够减少算力消耗，提高系统速度。本实施例对交通工具所设置的感兴趣区域的大小不做限定。
S02、对当前帧图像进行处理得到该图像内目标的初步位置信息。
具体地，将待处理图像输入到移动卷积神经网络中提取特征。优选地，移动卷积神经网络为第二版移动卷积神经网络。
保留移动卷积网络中第二、三、四、五组卷积层输出的特征图，并将这四个特征图分别经过五组卷积得到对应的特征向量，然后叉分特征向量成四个输出分支。图3中，箭头右侧的维度标识代表上一层输出的大小。
通过解析每个分支输出的特征向量初步得到当前帧图像内目标的位置信息。位置信息包括置信度、类别和位置，输出类别为头灯、尾灯和路灯。
通过解析每个分支输出的特征向量得到位置信息后，使用非极大值抑制方法去除冗余位置信息。
S03、根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息。
具体地，在当前帧图像中，以上一帧输入图像目标的中心为中心框定搜索区域，搜索区域的大小为上一帧输入图像内目标大小的两倍，然后在上一帧输入图像中选择相同的区域作为原始目标区域。
将搜索区域内的图像和原始目标区域内的图像输入到相同结构的卷积神经网络中分别得到两张特征图。
将两张特征图堆叠起来，经过一个卷积层和一个全连接层后，得到当前帧输入图像内目标的位置信息。
S04、根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息，并将当前帧图像内目标的最终位置信息作为推测下一帧图像内目标位置信息的输入。
具体地，如果推测得到的当前帧图像的目标位置信息位于感兴趣区域内，则将推测得到的当前帧图像的位置信息和当前帧图像内目标的初步位置信息进行求和平均处理得到当前帧图像内目标的最终位置信息，否则将推测得到的当前帧图像内目标的位置信息作为最终位置信息。
S05、根据最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。
具体地，获取最终位置信息的目标框像素大小。
根据目标框像素大小与实际距离的对应关系获得目标的实际距离。
如果同时满足“距离本车50米之内没有路灯，距离本车150米之内没有同向车，距离本车300米之内没有对向车”这三个条件，则输出开启远光灯的控制信号，否则输出关闭远光灯的控制信号。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S01、获取待处理图像。
具体地，采集交通工具环境中的图像数据以得到原始图像。优选地，若图像获取装置获取到的数据为视频格式的图像数据，则交通工具可以是对该视频格式的图像数据进行帧图片的处理，获取到该环境下连续时刻的原始图像。交通工具在原始图像上选择感兴趣区域，将已确定的感兴趣区域的图像作为待处理图像。设置感兴趣区域能够减少算力消耗，提高系统速度。本实施例对交通工具所设置的感兴趣区域的大小不做限定。
S02、对当前帧图像进行处理得到该图像内目标的初步位置信息。
具体地，将待处理图像输入到移动卷积神经网络中提取特征。优选地，移动卷积神经网络为第二版移动卷积神经网络。
保留移动卷积网络中第二、三、四、五组卷积层输出的特征图，并将这四个特征图分别经过五组卷积得到对应的特征向量，然后叉分特征向量成四个输出分支。图3中，箭头右侧的维度标识代表上一层输出的大小。
通过解析每个分支输出的特征向量得到当前帧图像内目标的位置信息。位置信息包括置信度、类别和位置，输出类别为头灯、尾灯和路灯。
通过解析每个分支输出的特征向量得到位置信息后，使用非极大值抑制方法去除冗余位置信息。
S03、根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息。
具体地，在当前帧图像中，以上一帧输入图像目标的中心为中心框定搜索区域，搜索区域的大小为上一帧输入图像内目标大小的两倍，然后在上一帧输入图像中选择相同的区域作为原始目标区域。
将搜索区域内的图像和原始目标区域内的图像输入到相同结构的卷积神经网络中分别得到两张特征图。
将两张特征图堆叠起来，经过一个卷积层和一个全连接层后，得到当前帧输入图像的位置信息。
S04、根据步骤S02得到的当前帧图像目标框与步骤S03得到的当前帧图像内目标框输出当前帧最终位置信息。
具体地，如果步骤S03得到的当前帧图像内目标的位置信息位于感兴趣区域内，则将步骤S02得到的当前帧图像目标的初步位置信息和步骤S03得到的当前帧图像内目标的位置信息进行求和平均处理得到当前帧图像内目标的最终位置信息，否则将步骤S03得到的当前帧图像内目标的位置信息作为最终的位置信息。
S05、根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。
具体地，获取最终位置信息的目标框像素大小。
根据目标框像素大小与实际距离的对应关系获得目标的实际距离。
如果同时满足“距离本车50米之内没有路灯，距离本车150米之内没有同向车，距离本车300米之内没有对向车”这三个条件，则输出开启远光灯的控制信号，否则输出关闭远光灯的控制信号。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种智能控制远光灯的方法，其特征在于：包括如下过程：
获取待处理图像；
对当前帧图像进行处理得到该图像内目标的初步位置信息，包括：
将待处理图像输入到移动卷积神经网络中提取特征；保留移动卷积网络中第二、三、四、五组卷积层输出的特征图，并将这四个特征图分别经过五组卷积得到对应的特征向量，然后叉分特征向量成四个输出分支；通过解析每个分支输出的特征向量得到当前帧图像内目标的位置信息；
根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息，包括：
在当前帧图像中，以上一帧输入图像目标的中心为中心框定搜索区域，搜索区域的大小为上一帧输入图像内目标大小的一倍以上，然后在上一帧输入图像中选择相同的区域作为原始目标区域；将搜索区域内的图像和原始目标区域内的图像输入到相同结构的卷积神经网络中分别得到两张特征图；将两张特征图堆叠起来，经过一个卷积层和一个全连接层后，得到当前帧输入图像的位置信息；
根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息，并将当前帧图像内目标的最终位置信息作为推测下一帧图像内目标位置信息的输入；
根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。
2.根据权利要求1所述的一种智能控制远光灯的方法，其特征在于：
所述获取待处理图像的具体过程为：
获取原始图像；
在原始图像上选择感兴趣区域，将已确定感兴趣区域的图像作为待处理图像。
3.根据权利要求1所述的一种智能控制远光灯的方法，其特征在于：
通过解析每个分支输出的特征向量得到位置信息后，使用非极大值抑制方法去除冗余位置信息。
4.根据权利要求1所述的一种智能控制远光灯的方法，其特征在于：
所述根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息的具体过程为：
如果推测得到的当前帧图像的目标位置信息位于感兴趣区域内，则将推测得到的当前帧图像的位置信息和当前帧图像的初步位置信息进行求和平均处理得到目标的最终位置信息，否则将推测得到的当前帧图像内目标的位置信息作为目标的最终位置信息。
5.根据权利要求1所述的一种智能控制远光灯的方法，其特征在于：
所述根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离的具体过程为：
获取目标的最终位置信息的目标框像素大小；
根据目标框像素大小与实际距离的对应关系获得目标的实际距离。
6.根据权利要求1所述的一种智能控制远光灯的方法，其特征在于：
所述根据最终位置信息和实际距离输出相应的远光灯控制信号的具体过程为：
如果同时满足“距离本车50米之内没有路灯，距离本车150米之内没有同向车，距离本车300米之内没有对向车”这三个条件，则输出开启远光灯的控制信号，否则输出关闭远光灯的控制信号。
7.一种智能控制远光灯的系统，其特征在于：包括：
图像预处理模块，用于获取待处理图像；
空间检测模块，用于对当前帧图像进行处理得到该图像内目标的初步位置信息，包括：
将待处理图像输入到移动卷积神经网络中提取特征；保留移动卷积网络中第二、三、四、五组卷积层输出的特征图，并将这四个特征图分别经过五组卷积得到对应的特征向量，然后叉分特征向量成四个输出分支；通过解析每个分支输出的特征向量得到当前帧图像内目标的位置信息；
时间跟踪模块，用于根据上一帧图像及其内目标的位置信息推测当前帧图像内目标的位置信息，包括：
在当前帧图像中，以上一帧输入图像目标的中心为中心框定搜索区域，搜索区域的大小为上一帧输入图像内目标大小的一倍以上，然后在上一帧输入图像中选择相同的区域作为原始目标区域；将搜索区域内的图像和原始目标区域内的图像输入到相同结构的卷积神经网络中分别得到两张特征图；将两张特征图堆叠起来，经过一个卷积层和一个全连接层后，得到当前帧输入图像的位置信息；
目标位置融合模块，用于根据当前帧图像内目标的初步位置信息与推测得到的当前帧图像内目标的位置信息得到当前帧图像内目标的最终位置信息，并将当前帧图像内目标的最终位置信息作为推测下一帧图像内目标位置信息的输入；以及
信号输出模块，用于根据当前帧图像内目标的最终位置信息计算当前帧图像内目标的实际距离，根据最终位置信息和实际距离输出相应的远光灯控制信号。
8. 一种交通工具，其特征在于：包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
CN201910933929.2A 2019-09-29 2019-09-29 一种智能控制远光灯的方法、系统及交通工具 Active CN110738668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910933929.2A CN110738668B (zh) 2019-09-29 2019-09-29 一种智能控制远光灯的方法、系统及交通工具

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910933929.2A CN110738668B (zh) 2019-09-29 2019-09-29 一种智能控制远光灯的方法、系统及交通工具

Publications (2)

Publication Number Publication Date
CN110738668A CN110738668A (zh) 2020-01-31
CN110738668B true CN110738668B (zh) 2023-07-14

Family

ID=69268268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910933929.2A Active CN110738668B (zh) 2019-09-29 2019-09-29 一种智能控制远光灯的方法、系统及交通工具

Country Status (1)

Country Link
CN (1) CN110738668B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111114423A (zh) * 2020-02-11 2020-05-08 北京汽车集团越野车有限公司 一种车灯智能控制系统及方法
CN112633168B (zh) * 2020-12-23 2023-10-31 长沙中联重科环境产业有限公司 一种垃圾车翻桶动作识别方法、装置及垃圾车
CN112949556B (zh) * 2021-03-23 2023-07-25 北京市商汤科技开发有限公司 光强控制方法及装置、电子设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985137B (zh) * 2014-04-25 2017-04-05 深港产学研基地 应用于人机交互的运动物体跟踪方法及系统
CN106891802B (zh) * 2017-02-15 2019-01-25 江苏文光车辆附件有限公司 一种车辆智能远光灯系统及控制方法
CN207926984U (zh) * 2018-03-22 2018-09-28 北京经纬恒润科技有限公司 一种自适应调光装置的调光展示系统
CN111242917A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 车辆灯光工位的检测方法、装置、计算机设备和存储介质
CN112857746A (zh) * 2020-12-29 2021-05-28 上海眼控科技股份有限公司 一种灯光检测仪的追踪方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110738668A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110738668B (zh) 一种智能控制远光灯的方法、系统及交通工具
CN110979321B (zh) 一种用于无人驾驶车辆的障碍物躲避方法
Noda et al. Vehicle ego-localization by matching in-vehicle camera images to an aerial image
CN111178236A (zh) 一种基于深度学习的车位检测方法
JP2019106159A (ja) 知的地形特定のための方法及び装置、車両搭載端末、並びに車両
CN111141311B (zh) 一种高精度地图定位模块的评估方法及系统
US20150036887A1 (en) Method of determining a ground plane on the basis of a depth image
US10872246B2 (en) Vehicle lane detection system
CN112883790A (zh) 一种基于单目摄像头的3d物体检测方法
CN110780287A (zh) 基于单目相机的测距方法及测距系统
CN107274673B (zh) 基于修正局部方差的车辆排队长度测量方法及测量系统
US20220157067A1 (en) Determining a source of danger on a roadway
CN107220632B (zh) 一种基于法向特征的路面图像分割方法
CN115761668A (zh) 摄像头的污渍识别方法、装置、车辆及存储介质
CN111814667A (zh) 一种智能路况识别方法
CN111210411B (zh) 图像中灭点的检测方法、检测模型训练方法和电子设备
CN117416349A (zh) V2X环境下基于改进YOLOV7-Tiny和SS-LSTM的自动驾驶风险预判系统及方法
US20230281872A1 (en) System for calibrating extrinsic parameters for a camera in an autonomous vehicle
CN116703979A (zh) 目标跟踪方法、装置、终端及存储介质
CN106874837B (zh) 一种基于视频图像处理的车辆检测方法
CN114926332A (zh) 基于无人机母车的无人机全景图像拼接方法
CN111174796B (zh) 一种基于单灭点的导航方法、电子设备和存储介质
CN109711363B (zh) 车辆定位方法、装置、设备和存储介质
CN115443651A (zh) 基于车辆摄像头在车辆上的位置和基于当前运动参数来确定摄像头图像的当前聚焦区域
Yao et al. VLSI implementation of a real-time vision based lane departure warning system

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