CN111010545A - 车辆驾驶决策方法、系统、终端及存储介质 - Google Patents

Abstract

本发明公开了一种车辆驾驶决策方法、系统、终端及存储介质，方法包括：通过摄像头采集道路图像；获取道路图像的纹理特征；将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。本发明解决了现有技术中由于驾驶过程中的道路场景复杂导致单一算法输出的驾驶决策指令错误率高的问题。

Description

车辆驾驶决策方法、系统、终端及存储介质

技术领域

本发明涉及智能驾驶领域，尤其涉及一种车辆驾驶决策方法、系统、终端及计算机可读存储介质。

背景技术

在汽车自动驾驶和辅助驾驶领域中利用摄像头作为感知单元进行前方路况的获取时，天气和路面的状况对前方路况会产生干扰，进而对自动驾驶系统和辅助驾驶系统影响甚大。正是因为驾驶过程中的道路场景复杂，往往同一种检测方法在某种特别场景下，能够得到良好的效果，而更换场景后，则识别困难引起误报。

发明内容

本发明的主要目的在于提出一种车辆驾驶决策方法、系统、终端及计算机可读存储介质，旨在解决现有技术中由于驾驶过程中的道路场景复杂导致单一算法输出的驾驶决策指令错误率高的问题。

为实现上述目的，本发明提供一种车辆驾驶决策方法，包括步骤：

通过摄像头采集道路图像；

获取道路图像的纹理特征；

将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；

根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。

可选地，所述获取道路图像的纹理特征的步骤包括：

对道路图像进行透视变换，获得道路图像的鸟瞰图像；

提取鸟瞰图像的纹理特征，作为道路图像的纹理特征。

可选地，所述对道路图像进行透视变换，获得道路图像的鸟瞰图像的步骤包括：

获取所述摄像头的畸变参数、内参数和外参数；

根据所述畸变参数和内参数对道路图像进行畸变矫正，获得矫正后图像；

根据预设的世界坐标系和图像坐标系中坐标的对应关系以及所述摄像头的外参数，对矫正后图像进行空间透视变换，以获得所述道路图像的鸟瞰图像。

可选地，所述对道路图像进行透视变换，获得道路图像的鸟瞰图像的步骤之前还包括：

根据预设的坐标范围，对道路图像进行裁剪，获得裁剪后的道路图像；

所述对道路图像进行透视变换，获得道路图像的鸟瞰图像的步骤包括：

对裁剪后的道路图像进行透视变换，获得道路图像的鸟瞰图像。

可选地，所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤之前还包括：

对所述鸟瞰图像进行高斯滤波去噪，获得去噪后的鸟瞰图像；

所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤包括：

提取去噪后的鸟瞰图像像的纹理特征，作为道路图像的纹理特征。

可选地，所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤包括：

对鸟瞰图像进行卷积，获得鸟瞰图像的卷积纹理特征，并将所述卷积纹理特征作为道路图像的纹理特征。

可选地，所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤包括：

对鸟瞰图像进行灰度转换，获得鸟瞰图像的灰度图；

根据所述灰度图，获得鸟瞰图像的灰度共生矩阵，并将所述灰度共生矩阵作为道路图像的纹理特征。

为实现上述目的，本发明还提供一种车辆驾驶决策系统，所述车辆驾驶决策系统包括：

采集模块，用于通过摄像头采集道路图像；

获取模块，用于获取道路图像的纹理特征；

分类模块，用于将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；

驾驶决策模块，用于根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。

为实现上述目的，本发明还提供一种车辆驾驶决策终端，所述车辆驾驶决策终端包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的车辆驾驶决策方法的步骤。

为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的车辆驾驶决策方法的步骤。

本发明提出的一种车辆驾驶决策方法、系统、终端及计算机可读存储介质，通过摄像头采集道路图像；获取道路图像的纹理特征；将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。从而在面对不同的道路场景时，都是选择最适合当前道路场景的驾驶决策算法输出驾驶决策指令，进而提高决策指令的正确性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的结构示意图；

图2为本发明车辆驾驶决策方法第一实施例的流程示意图；

图3为本发明车辆驾驶决策方法第二实施例的流程示意图；

图4为本发明车辆驾驶决策方法第三实施例的流程示意图；

图5为本发明车辆驾驶决策方法第四实施例的流程示意图。

图6为本发明车辆驾驶决策系统的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参照图1，图1为本发明各个实施例中所提供的车辆驾驶决策终端的硬件结构示意图。所述车辆驾驶决策终端包括通信模块01、存储器02及处理器03等部件。本领域技术人员可以理解，图1中所示出的车辆驾驶决策终端还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中，所述处理器03分别与所述存储器02和所述通信模块01连接，所述存储器02上存储有计算机程序，所述计算机程序同时被处理器03执行，所述处理器03被执行时实现下述方法实施例的完整过程。

通信模块01，可通过网络与外部设备连接。通信模块01可以接收外部设备发出的数据，还可发送数据、指令及信息至所述外部设备，所述外部设备可以是手机、平板电脑、笔记本电脑和台式电脑等电子设备。

存储器02，可用于存储软件程序以及各种数据。存储器02可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(获取道路图像的纹理特征)等；存储数据区可存储根据车辆驾驶决策终端的使用所创建的数据或信息等。此外，存储器02可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器03，是车辆驾驶决策终端的控制中心，利用各种接口和线路连接整个车辆驾驶决策终端的各个部分，通过运行或执行存储在存储器02内的软件程序和/或模块，以及调用存储在存储器02内的数据，执行车辆驾驶决策终端的各种功能和处理数据，从而对车辆驾驶决策终端进行整体监控。处理器03可包括一个或多个处理单元；优选的，处理器03可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器03中。

尽管图1未示出，但上述车辆驾驶决策终端还可以包括电路控制模块，电路控制模块用于与市电连接，实现电源控制，保证其他部件的正常工作。

本领域技术人员可以理解，图1中示出的车辆驾驶决策终端结构并不构成对车辆驾驶决策终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

根据上述硬件结构，提出本发明方法各个实施例。

参照图2，在本发明车辆驾驶决策方法的第一实施例中，所述车辆驾驶决策方法包括步骤：

步骤S10，通过摄像头采集道路图像；

在本方案中，车辆上至少安装了一台设置在车辆前方的摄像头，当然车辆上还可以在其他安装位置安装摄像头，其摄像像头数量及安装位置也可以改变。例如在车辆前后左右架设四台广角摄像机，包括前摄像头、后摄像头、左摄像头和右摄像头，保证摄像机能覆盖车辆周围所有视场区域。例如前摄像头，安装于车辆排气扇上方且位于车辆宽度中心位置，前摄像头的拍摄角度为斜向下向车身外场景；右摄像头，安装于右后视镜的下方，右摄像头的拍摄角度为斜向下向车身外；左摄像头，安装于左后视镜的下方，左摄像头的拍摄角度为斜向下向车身外；后摄像头，安装于车牌上方且位于车辆宽度的中心位置，后摄像头的拍摄角度为斜向下向车身外场景。所采用的摄像头均为视野大于180°的广角摄像头，可以确保摄像头采集到的场景能够有效覆盖车身周围360°的视场区域，为后续的全景拼接提供了保障。当然，在其他实施方式中摄像头数量及安装位置也可以改变，只要满足摄像头覆盖车身周围360°的视场区域即可。

步骤S20，获取道路图像的纹理特征；

在通过摄像头采集道路图像后，对采集的道路图像进行纹理特征提取，其提取纹理特征方法可以为灰度共生矩阵方法、滤波法、小波转换法或者利用卷积等，本实施例不对提取纹理特征的方法进行限制。例如采用预设大小的卷积核对道路图像进行卷积，获得道路图像的卷积纹理特征，将其卷积纹理特征作为道路图像的纹理特征；还例如对道路图像进行灰度转换，获得道路图像的灰度图，然后采用灰度共生矩阵方法，根据所述灰度图，获得道路图像的灰度共生矩阵，并将所述灰度共生矩阵作为道路图像的纹理特征。

步骤S30，将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；

车辆驾驶决策终端将提取的纹理特征输入至已训练的道路场景分类模型中，获得该道路图像对应的道路场景，道路场景例如为大雾场景、存在雨渍的道路场景、存在雪痕的道路场景、存在斑马线的道路场景等等，该道路场景的种类为在训练道路场景分类模型时人为设定的。该分类模型可以为SVM、CNN或决策树等，本实例在此不作限定。

需要说明的是，其训练道路场景的分类模型的具体过程为：采集多个道路图像，例如从多种场景的134个视频共计41196帧图像，提取各道路图像的纹理特征，进行人工标定各图像纹理特征所属道路场景，然后从采集的各道路图像中抽取预设数量的图像作为训练集，例如抽取12200帧图像作为训练集，将训练集中的图像的纹理特征输入至待训练的分类模型中进行迭代训练，最终获得已训练的道路场景分类模型。

步骤S40，根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令；

当获得当前道路图像对应的道路场景后，会根据道路场景和驾驶决策算法间的预设映射关系，将当前道路图像输入至对应的驾驶决策算法中进行分析处理，从而输出对应的驾驶决策指令。例如当道路场景为存在雨渍或存在标识不清楚的道路场景时，一般采用二值分割算法进行道路线的识别，其正确率会比较低，而此时本方案会采用滤波算法进行道路线的识别，其识别正确率高，从而为驾驶提供更正确的决策指令。

在输出对应的驾驶决策指令后，车辆驾驶决策终端可以通过语音的形式播放该驾驶决策指令给驾驶员，以使驾驶员根据驾驶决策指令对汽车进行操控，例如车辆驾驶决策终端识别出的道路场景为斑马线的道路场景，然后将其输入至对应的驾驶决策算法中，输出驾驶决策指令是减速，然后通过汽车中的喇叭发出减速通知，驾驶员可以根据该通知操控汽车减速。

在输出对应的驾驶决策指令后，车辆驾驶决策终端还可以直接根据该驾驶决策指令对汽车进行操控，例如车辆驾驶决策终端识别出的道路场景为斑马线的道路场景，然后将其输入至对应的驾驶决策算法中，输出驾驶决策指令是减速至30km/h，车辆驾驶决策终端会根据当前车速，将车速平稳的减至30Km/h。

本实例通过摄像头采集道路图像；获取道路图像的纹理特征；将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。从而在面对不同的道路场景时，都是选择最适合当前道路场景的驾驶决策算法输出驾驶决策指令，进而提高决策指令的正确性。

进一步地，请参照图3，图3为根据本申请车辆驾驶决策方法的第一实施例提出本申请车辆驾驶决策方法的第二实施例，在本实施例中，步骤S20包括：

步骤S21，对道路图像进行透视变换，获得道路图像的鸟瞰图像；

在本实例中，车辆驾驶决策终端获取道路图像后，会对道路图像进行透视变换，将道路图像转换为对应的鸟瞰图像。

具体地，所述步骤S21包括：

步骤S211，获取所述摄像头的畸变参数、内参数和外参数；

步骤S212，根据所述畸变参数和内参数对道路图像进行畸变矫正，获得矫正后图像；

步骤S213，根据预设的世界坐标系和图像坐标系中坐标的对应关系以及所述摄像头的外参数，对矫正后图像进行空间透视变换，以获得所述道路图像的鸟瞰图像。

首先获取采集道路图像的摄像头的畸变参数、内参数和外参数，例如安装的摄像头离地面的高度、偏航角、螺旋角、获取到的图片尺寸等参数、摄像头焦距、光学中心坐标等参数。

车辆驾驶决策终端根据所述摄像头的畸变参数和内参数对道路图像进行畸变矫正，获得对应的矫正后图像。然后根据预设的世界坐标系和图像坐标系对应关系以及所述摄像头的外参数例如摄像头的安装位置等，对矫正后图像进行空间透视变换，获得道路图像的鸟瞰图像。

需要说明的是，若想获得360°全景的鸟瞰图像，可以在通过车辆前后左右架设四台广角摄像机获得的图像后，分别根据对应摄像头的畸变参数、外参数和内参数对图像以及预设的世界坐标系和图像坐标系中坐标的对应关系的分别对对应的图像进行畸变矫正和空间透视变换，获得对应的鸟瞰图像，然后将获得的4张鸟瞰图像进行拼接，最终获得360°全景的鸟瞰图像。

步骤S22，提取鸟瞰图像的纹理特征，作为道路图像的纹理特征。

在获得道路图像对应的鸟瞰图像后，对所述鸟瞰图像进行纹理特征提取，其提取纹理特征方法可以为灰度共生矩阵方法、滤波法、小波转换法或者利用卷积等，本实施例不对提取纹理特征的方法进行限制，将鸟瞰图像的纹理特征作为道路图像的纹理特征。

可选地，所述步骤S22包括：

步骤S221，对鸟瞰图像进行卷积，获得鸟瞰图像的卷积纹理特征，并将所述卷积纹理特征作为道路图像的纹理特征。

车辆驾驶决策终端获取到鸟瞰图像后，可以对鸟瞰图像进行卷积操作，获得鸟瞰图像的卷积纹理特征，其卷积核可以根据需求设定，例如卷积核为3×3的卷积核。该过程可以直接对鸟瞰图像的R、G、B三个颜色通道分别进行卷积操作，分别获得R、G、B三个颜色通道对应的卷积纹理特征，将这三个卷积纹理特征作为道路图像的纹理特征。该过程还可以先将鸟瞰图像进行灰度化，然后对灰度图像进行卷积操作，将灰度图像的卷积纹理特征作为道路图像的纹理特征。

可选地，所述步骤S22还可以包括：

步骤S222，对鸟瞰图像进行灰度转换，获得鸟瞰图像的灰度图；

步骤S223，根据所述灰度图，获得鸟瞰图像的灰度共生矩阵，并将所述灰度共生矩阵作为道路图像的纹理特征。

车辆驾驶决策终端获取到鸟瞰图像后，还可以对鸟瞰图像进行灰度转换，获得鸟瞰图像的灰度图，在所述灰度图像的基础上构建至少一个灰度共生矩阵；然后计算所述灰度共生矩阵的角二阶矩、熵、对比度及相关性，将计算获得的灰度共生矩阵的角二阶矩、熵、对比度及相关性值作为道路图像的纹理特征。

由于鸟瞰图像相比较摄像头直接获取的图像，可以更清楚的显示驾驶车辆周边道路信息，从而提取鸟瞰图像的纹理特征作为道路图像的纹理特征，可以排除背景纹理的干扰，促进道路场景识别的正确率，进而提高生成最终驾驶决策指令正确率。

进一步地，请参照图4，图4为根据本申请车辆驾驶决策方法的第一实施例提出本申请车辆驾驶决策方法的第三实施例，在本实施例中，步骤S21之前还包括：

步骤S23，根据预设的坐标范围，对道路图像进行裁剪，获得裁剪后的道路图像；

所述步骤S21包括：

步骤S24，对裁剪后的道路图像进行透视变换，获得道路图像的鸟瞰图像。

在本实例中，由于摄像头的采集范围比较宽和比较远，而道路宽度有限，摄像头采集的图像中有一部区域是不属于道路的，而是属于道路两旁的区域，这些区域对道路场景的识别并没有提供有用的信息，并且图像中还有些区域反映的是距车辆比较远的地方，其像素模糊，提供的有用信息也比较少，故终端在对道路图像进行透视变换，获得道路图像的鸟瞰图像之前，可以先根据预设的坐标范围对获取的道路图像进行裁剪，将图像中并不能为道路场景识别提供有用信息的区域去除，例如获取的图像为640*480，以图像的左上角为原点，预设的坐标范围包括横坐标范围和纵坐标范围，横坐标范围为80-560，纵坐标范围为320-640，根据预设坐标范围对获取的图像进行裁剪，会将处于这些预设坐标范围内的图像保存下来。车辆驾驶决策终端对裁剪后的道路图像进行透视变换，获得道路图像的鸟瞰图像，将裁剪后的道路图像转换为鸟瞰图像的具体过程和前述实施例中步骤S211-步骤S213一致，在此不做赘述。

本实例通过将获取的道路图像中不能提供有用信息的区域裁剪掉后，可以减少后续转换鸟瞰图像、提取纹理特征以及道路场景识别等过程中待处理数据量，提高这些过程的处理速度，进而提高整个驾驶决策的效率。

进一步地，请参照图5，图5为根据本申请车辆驾驶决策方法的第一实施例提出本申请车辆驾驶决策方法的第四实施例，在本实施例中，步骤S22之前还包括：

步骤S25，对所述鸟瞰图像进行高斯滤波去噪，获得去噪后的鸟瞰图像；

所述步骤S22包括：

步骤S26，提取去噪后的鸟瞰图像像的纹理特征，作为道路图像的纹理特征。

车辆驾驶决策终端获取鸟瞰图像后，为了进一步去除图像中的噪音，对鸟瞰图像进行高斯滤波去噪，其高斯滤波方法可以为一维高斯滤波或二维高斯滤波，最终获得去噪后的鸟瞰图像。

车辆驾驶决策终端会提取去噪后的鸟瞰图像的纹理特征，其提取纹理特征方法可以为灰度共生矩阵方法、滤波法、小波转换法或者利用神经网络卷积等，本实施例不对提取纹理特征的方法进行限制，将去噪后的鸟瞰图像的纹理特征作为道路图像的纹理特征。例如采用预设大小的卷积核对去噪后的鸟瞰图像进行卷积，获得去噪后的鸟瞰图像的卷积纹理特征，将其卷积纹理特征作为道路图像的纹理特征；还例如对去噪后的鸟瞰图像进行灰度转换，获得去噪后的鸟瞰图像的灰度图，然后采用灰度共生矩阵方法，根据所述灰度图，获得去噪后的鸟瞰图像的灰度共生矩阵，并将所述灰度共生矩阵作为道路图像的纹理特征。

需要说明的是，高斯滤波的过程也可以在将道路图像转换为鸟瞰图像之前，即先对道路图像进行高斯滤波去噪，再将去噪后的道路图像转换为鸟瞰图像。

本实例通过在提取纹理特征前，对鸟瞰图像进行高斯滤波去噪处理，从而减少提取纹理特征中的噪音，降低这些噪音对后续的道路场景识别的影响，提高道路场景识别的正确率，进而最终提高驾驶决策的正确率。

参见图6，本发明还提供一种车辆驾驶决策系统，所述系统包括：

采集模块10，用于通过摄像头采集道路图像；

获取模块20，用于获取道路图像的纹理特征；

分类模块30，用于将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；

驾驶决策模块40，用于根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。

进一步地，所述获取模块20包括：

透视变换单元，用于对道路图像进行透视变换，获得道路图像的鸟瞰图像；

提取单元，用于提取鸟瞰图像的纹理特征，作为道路图像的纹理特征。

进一步地，所述透视变换单元包括：

获取子单元，用于获取所述摄像头的畸变参数、内参数和外参数；

矫正子单元，用于根据所述畸变参数和内参数对道路图像进行畸变矫正，获得矫正后图像；

透视变换子单元，用于根据预设的世界坐标系和图像坐标系中坐标的对应关系以及所述摄像头的外参数，对矫正后图像进行空间透视变换，以获得所述道路图像的鸟瞰图像。

进一步地，所述获取模块20还包括：

裁剪单元，用于根据预设的坐标范围，对道路图像进行裁剪，获得裁剪后的道路图像；

所述透视变换单元，还用于对裁剪后的道路图像进行透视变换，获得道路图像的鸟瞰图像。

进一步地，所述获取模块20还包括：

去噪单元，用于对所述鸟瞰图像进行高斯滤波去噪，获得去噪后的鸟瞰图像；

所述提取单元，还用于提取去噪后的鸟瞰图像像的纹理特征，作为道路图像的纹理特征。

进一步地，所述提取单元包括：

卷积子单元，用于对鸟瞰图像进行卷积，获得鸟瞰图像的卷积纹理特征，并将所述卷积纹理特征作为道路图像的纹理特征。

进一步地，所述提取单元包括：

灰度转换子单元，用于对鸟瞰图像进行灰度转换，获得鸟瞰图像的灰度图；

灰度共生子单元，用于根据所述灰度图，获得鸟瞰图像的灰度共生矩阵，并将所述灰度共生矩阵作为道路图像的纹理特征。

本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图1的车辆驾驶决策终端中的存储器02，也可以是如ROM(Read-OnlyMemory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干信息用以使得车辆驾驶决策终端执行本发明各个实施例所述的方法。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆驾驶决策方法，其特征在于，包括步骤：

通过摄像头采集道路图像；

获取道路图像的纹理特征；

将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；

根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。

2.根据权利要求1所述的车辆驾驶决策方法，其特征在于，所述获取道路图像的纹理特征的步骤包括：

对道路图像进行透视变换，获得道路图像的鸟瞰图像；

提取鸟瞰图像的纹理特征，作为道路图像的纹理特征。

3.根据权利要求2所述的车辆驾驶决策方法，其特征在于，所述对道路图像进行透视变换，获得道路图像的鸟瞰图像的步骤包括：

获取所述摄像头的畸变参数、内参数和外参数；

根据所述畸变参数和内参数对道路图像进行畸变矫正，获得矫正后图像；

根据预设的世界坐标系和图像坐标系中坐标的对应关系以及所述摄像头的外参数，对矫正后图像进行空间透视变换，以获得所述道路图像的鸟瞰图像。

4.根据权利要求2所述的车辆驾驶决策方法，其特征在于，所述对道路图像进行透视变换，获得道路图像的鸟瞰图像的步骤之前还包括：

根据预设的坐标范围，对道路图像进行裁剪，获得裁剪后的道路图像；

所述对道路图像进行透视变换，获得道路图像的鸟瞰图像的步骤包括：

对裁剪后的道路图像进行透视变换，获得道路图像的鸟瞰图像。

5.根据权利要求2所述的车辆驾驶决策方法，其特征在于，所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤之前还包括：

对所述鸟瞰图像进行高斯滤波去噪，获得去噪后的鸟瞰图像；

所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤包括：

提取去噪后的鸟瞰图像像的纹理特征，作为道路图像的纹理特征。

6.根据权利要求2～5任一项所述的车辆驾驶决策方法，其特征在于，所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤包括：

对鸟瞰图像进行卷积，获得鸟瞰图像的卷积纹理特征，并将所述卷积纹理特征作为道路图像的纹理特征。

7.根据权利要求2～5任一项所述的车辆驾驶决策方法，其特征在于，所述提取鸟瞰图像的纹理特征，作为道路图像的纹理特征的步骤包括：

对鸟瞰图像进行灰度转换，获得鸟瞰图像的灰度图；

根据所述灰度图，获得鸟瞰图像的灰度共生矩阵，并将所述灰度共生矩阵作为道路图像的纹理特征。

8.一种车辆驾驶决策系统，其特征在于，所述系统包括：

采集模块，用于通过摄像头采集道路图像；

获取模块，用于获取道路图像的纹理特征；

分类模块，用于将所述纹理特征输入至已训练的道路场景分类模型中，获得道路图像对应的道路场景；

驾驶决策模块，用于根据道路场景和驾驶决策算法间的预设映射关系，将所述道路图像输入至对应的驾驶决策算法中，输出对应的驾驶决策指令。

9.一种车辆驾驶决策终端，其特征在于，所述车辆驾驶决策终端包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的车辆驾驶决策方法的步骤。

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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的车辆驾驶决策方法的步骤。

Images