CN111507126A - 一种驾驶辅助系统的报警方法、装置及电子设备 - Google Patents

一种驾驶辅助系统的报警方法、装置及电子设备 Download PDF

Info

Publication number
CN111507126A
CN111507126A CN201910090042.1A CN201910090042A CN111507126A CN 111507126 A CN111507126 A CN 111507126A CN 201910090042 A CN201910090042 A CN 201910090042A CN 111507126 A CN111507126 A CN 111507126A
Authority
CN
China
Prior art keywords
target
target object
frame
target 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.)
Granted
Application number
CN201910090042.1A
Other languages
English (en)
Other versions
CN111507126B (zh
Inventor
余倩
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201910090042.1A priority Critical patent/CN111507126B/zh
Publication of CN111507126A publication Critical patent/CN111507126A/zh
Application granted granted Critical
Publication of CN111507126B publication Critical patent/CN111507126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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

Abstract

本申请提供一种驾驶辅助系统的报警方法、装置及电子设备，该方法包括：识别图像序列中车辆报警区域侧向的目标框，并确定所述目标框中的目标对象为需报警目标时，根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标；如果所述目标对象为嫌疑误报警目标，对所述图像序列中的目标图像进行语义分割，得到所述目标对象在所述车辆报警区域中的投影信息；根据所述投影信息，确定所述目标对象是误报警目标时，取消对所述目标对象的报警，否则，对所述目标对象进行报警。本申请技术方案有效地降低了误报警的几率，从而提升了客户体验。

Description

一种驾驶辅助系统的报警方法、装置及电子设备
技术领域
本申请涉及智能驾驶领域，特别涉及一种驾驶辅助系统的报警方法、装置及电子设备。
背景技术
安全驾驶辅助系统(Safe Driver Assistant System，SDAS)可利用安装在车辆上的监控设备(比如：摄像机和传感器)采集车辆内外的环境参数，进行静、动态物体的识别、侦测与跟踪处理，从而在必要的情况下向驾驶员提示可能存在的危险，以有效降低事故发生的概率，减轻事故伤害。
在相关技术中，通常利用深度学习模型对监控设备采集的图像进行处理，输出图像中待识别的目标对象的位置信息和类别信息，进一步地，查看输出结果是否满足预设的报警策略，并在满足报警策略时报警。
然而，由于深度学习模型输出的目标的位置信息为目标框(bounding box)的坐标信息，目标框无法精确地限定目标对象的位置，通常而言，目标框内包括目标对象以外的内容。在这种情况下，若通过检查目标对象的位置信息与预设的报警区域的位置信息之间的关系来确定是否报警，则可能发生误报警。
发明内容
有鉴于此，本申请提供一种驾驶辅助系统的报警方法、装置及电子设备，用于精确地确定出目标对象在图像中的位置，进而降低驾驶辅助系统的误报警几率。
具体地，本申请是通过如下技术方案实现的：
一种驾驶辅助系统的报警方法，包括：
识别图像序列中车辆报警区域侧向的目标框，并确定所述目标框中的目标对象为需报警目标时，根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标；
如果所述目标对象为嫌疑误报警目标，对所述图像序列中的目标图像进行语义分割，得到所述目标对象在所述车辆报警区域中的投影信息；
根据所述投影信息，确定所述目标对象是误报警目标时，取消对所述目标对象的报警，否则，对所述目标对象进行报警。
在所述驾驶辅助系统的报警方法中，通过融合网络识别目标图像中的目标框和对所述目标图像进行语义分割，所述融合网络包括特征提取主干网络、目标检测网络和语义分割网络，所述目标检测网络在识别目标框的过程中通过所述特征提取主干网络从图像中提取特征图，所述语义分割网络在进行语义分割的过程中通过所述特征提取主干网络从图像中提取特征图，所述目标检测网络和所述语义分割网络共享所述特征提取主干网络。
在所述驾驶辅助系统的报警方法中，所述图形参数包括：所述目标框的高度、宽度、宽高比值，所述目标框的下边缘与所述车辆报警区域的上边缘的距离；所述运动信息包括所述目标框的运动轨迹；
所述根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标，包括：
检查所述目标对象的目标框的宽度和高度是否分别大于预设的宽度阈值和高度阈值；
若所述目标对象的目标框的宽度和高度分别大于所述宽度阈值和所述高度阈值，检查该目标对象的目标框的宽高比值是否大于预设的比值阈值；
若所述目标对象的目标框的宽高比值大于所述比值阈值，检查该目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值是否大于预设的距离阈值；
若所述距离最小值大于所述距离阈值，基于所述目标框的运动轨迹确定该目标框在图像中是否沿垂直方向或水平方向运动；其中，所述运动轨迹由该目标框在多帧图像中的位置确定；
若所述目标框不沿垂直方向或水平方向运动，则确定该目标框中的目标对象为嫌疑误报警目标。
在所述驾驶辅助系统的报警方法中，所述方法还包括：
若所述目标框在图像中不沿垂直方向或水平方向运动，则检查是否对所述目标图像之前的历史图像进行语义分割并获得历史投影信息；
如果存在所述历史投影信息，根据所述历史投影信息确定该目标对象是否为误报警目标，若否，确定该目标对象为嫌疑误报警目标。
在所述驾驶辅助系统的报警方法中，所述方法还包括：
若依据所述图像参数和所述运动信息确定所述目标对象不为嫌疑误报警目标，对所述目标对象进行报警。
在所述驾驶辅助系统的报警方法中，所述方法还包括：
若所述目标对象的目标框的宽度不大于所述宽度阈值或高度不大于所述高度阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的宽高比值不大于所述比值阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值不大于所述距离阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框沿垂直方向或水平方向运动，确定该目标对象不为嫌疑误报警目标。
在所述驾驶辅助系统的报警方法中，在识别所述目标对象的目标框时，所述方法还包括：
依据多帧图像中所述目标对象的目标框，获得所述目标对象的目标框在所述图像序列中的运动轨迹；
所述确定所述目标框中的目标对象为需报警目标，包括：
根据所述目标框与所述车辆报警区域的位置关系和所述运动轨迹确定所述目标对象是否为需报警目标；或者，
根据所述目标框与所述车辆报警区域的位置关系确定所述目标对象是否为需报警目标。
一种驾驶辅助系统的报警装置，包括：
确定单元，用于识别图像序列中车辆报警区域侧向的目标框，并确定所述目标框中的目标对象为需报警目标时，根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标；
分割单元，用于如果所述目标对象为嫌疑误报警目标，对所述图像序列中的目标图像进行语义分割，得到所述目标对象在所述车辆报警区域中的投影信息；
报警单元，用于根据所述投影信息，确定所述目标对象是误报警目标时，取消对所述目标对象的报警，否则，对所述目标对象进行报警。
在所述驾驶辅助系统的报警装置中，所述图形参数包括：所述目标框的高度、宽度、宽高比值，所述目标框的下边缘与所述车辆报警区域的上边缘的距离；所述运动信息包括所述目标框的运动轨迹；
所述确定单元，进一步用于：
检查所述目标对象的目标框的宽度和高度是否分别大于预设的宽度阈值和高度阈值；
若所述目标对象的目标框的宽度和高度分别大于所述宽度阈值和所述高度阈值，检查该目标对象的目标框的宽高比值是否大于预设的比值阈值；
若所述目标对象的目标框的宽高比值大于所述比值阈值，检查该目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值是否大于预设的距离阈值；
若所述距离最小值大于所述距离阈值，基于所述目标框的运动轨迹确定该目标框在图像中是否沿垂直方向或水平方向运动；其中，所述运动轨迹由该目标框在多帧图像中的位置确定；
若所述目标框不沿垂直方向或水平方向运动，则确定该目标框中的目标对象为嫌疑误报警目标。
在所述驾驶辅助系统的报警装置中，所述确定单元，进一步用于：
若所述目标框在图像中不沿垂直方向或水平方向运动，则检查是否对所述目标图像之前的历史图像进行语义分割并获得历史投影信息；
如果存在所述历史投影信息，根据所述历史投影信息确定该目标对象是否为误报警目标，若否，确定该目标对象为嫌疑误报警目标。
在所述驾驶辅助系统的报警装置中，所述报警单元，进一步用于：
若依据所述图像参数和所述运动信息确定所述目标对象不为嫌疑误报警目标，对所述目标对象进行报警。
在所述驾驶辅助系统的报警装置中，所述确定单元，进一步用于：
若所述目标对象的目标框的宽度不大于所述宽度阈值或高度不大于所述高度阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的宽高比值不大于所述比值阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值不大于所述距离阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框沿垂直方向或水平方向运动，确定该目标对象不为嫌疑误报警目标。
在所述驾驶辅助系统的报警装置中，在识别所述目标对象的目标框时，所述确定单元，进一步用于：
依据多帧图像中所述目标对象的目标框，获得所述目标对象的目标框在所述图像序列中的运动轨迹；
在确定所述目标框中的目标对象为需报警目标时，所述确定单元，进一步用于：
根据所述目标框与所述车辆报警区域的位置关系和所述运动轨迹确定所述目标对象是否为需报警目标；或者，
根据所述目标框与所述车辆报警区域的位置关系确定所述目标对象是否为需报警目标。
一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的机器可执行指令，其中，所述处理器执行所述机器可执行指令时实现本申请任一所述的驾驶辅助系统的报警方法。
综上所述，在本申请技术方案中，在确定出目标框中的目标对象为需报警目标时，通过目标框的图像参数和运动信息从需报警目标中筛选出嫌疑误报警目标，然后对目标对象所在的图像进行语义分割后，获得目标对象在车辆报警区域中的投影信息，该投影信息可精确地表征目标对象在车辆报警区域中的位置，从而以目标对象和车辆报警区域的精确的位置关系确定是否需要报警，有效地降低了误报警的几率，从而提升了客户体验。
附图说明
图1是本申请示出的一种误报警的示意图；
图2是本申请示出的一种深度学习模型处理图像的流程示意图；
图3是本申请示出的一种驾驶辅助系统的报警方法的流程图；
图4是本申请示出的一种驾驶辅助系统的报警装置的实施例框图；
图5是本申请示出的一种电子设备的硬件结构图。
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实施例中的技术方案，并使本发明实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对现有技术方案和本发明实施例中的技术方案作进一步详细的说明。
安全驾驶辅助系统中，常见的功能包括针对预设的报警区域的报警。其中，上述报警区域为与车辆具有一定位置关系(比如：实际空间中位于车辆左右两侧两米内的区域)的区域。可在指定的目标对象出现在报警区域时，输出报警信息。比如：上述报警区域为车辆右侧后方三到五米的区域，指定的目标对象为机动车，通过检测机动车出现在报警区域时输出报警信息，可减少因其它机动车违规超车造成的事故。
上述报警区域在车辆的监控设备采集到的图像中的位置可通过边际点的坐标信息来表示，比如，若报警区域为四边形，则可通过四边形的四个顶点在图像中的坐标信息来表征其在图像中的位置。
由于深度学习模型在识别图像中的目标对象时，输出的目标框无法精确地限定目标对象的位置，因此针对报警区域报警时可能出错。
参见图1，为本申请示出的一种误报警的示意图。如图1所示，虚线框表示深度学习模型识别出的目标对象的目标框，虚线框内的灰色部分为图像中的目标对象，实线框内的即为图像中的报警区域。
目标框与报警区域存在重叠，因此，搭载安全驾驶辅助系统的电子设备会认定目标对象已进入报警区域，从而输出报警信息。而实际上，目标对象并未进入报警区域，此时的报警为误报警。
为解决上述问题，本申请技术方案通过目标对象的目标框的图形参数和运动信息从满足报警条件的目标对象中筛选出嫌疑误报警目标，进一步基于语义分割的方式确定出嫌疑误报警目标在图像中精确的位置，从而以精确的位置为依据判断是否需报警，降低误报警的几率。
本申请应用的深度学习模型包括目标检测网络和语义分割网络。
其中，上述目标检测网络可对图像中待识别的目标对象进行定位和分类，从而输出识别出的目标对象的位置信息。作为一种实施例，上述目标检测网络可以是YOLO(YouOnly Look Once)模型或FRCNN(Faster Regions with CNN或Fast Regions with CNN)模型，当然，也可以是其它可实现目标定位功能的网络模型。
上述语义分割网络可对图像进行语义分割，从而输出表征待识别的目标对象在图像中的精确位置的掩模。作为一种实施例，上述语义分割网络可以是FCN(FullyConvolutional Networks，全卷积网络)网络或SegNet网络，当然，也可以是其它可实现图像语义分割的网络模型。
在本申请中，首先可搭建目标检测网络，然后获取样本图像，上述样本图像标记了图像中待识别的目标对象的位置信息。其中，上述位置信息即为限定目标对象的目标框的坐标信息。利于上述目标检测网络输出上述样本图像的目标检测结果，根据上述目标检测结果和标记的位置信息之间的差异，对上述目标检测网络进行训练。通过一定数量的样本图像对上述目标检测网络进行训练，从而获得可以目标检测的目标检测网络。
其中，待识别的目标对象可以包括机动车、非机动车和人。
另外，可搭建语义分割网络，然后获取样本图像，上述样本图像标记了掩模，该掩模表征样本图像中待识别的目标对象的精确位置。其中，上述掩模可以是二值掩模，此时，图像中存在目标对象的位置在二值掩模上的各像素点的值为1，其余位置在二值掩模上的各像素点的值为0。
利用给上述语义分割网络输出上述样本图像的语义分割结果，根据上述语义分割结果(样本图像的掩模)与标记的掩模之间的差异，对上述语义分割网络进行训练。通过一定数量的样本图像对上述语义分割网络进行训练，从而获得可以对图像实现语义分割的语义分割网络。
上述目标检测网络和上述语义分割网络均包含特征提取主干网络。该目标检测网络在识别图像中的目标对象的过程中通过自身的特征提取主干网络从图像中提取特征图，进而对特征图进行进一步处理，获得识别结果。该语义分割网络在获取图像的掩模的过程中通过自身的特征提取主干网络从图像中提取特征图，进而对特征图进行进一步处理，获得掩模。
考虑到两个特征提取主干网络从图像中得到的特征图相同，作为一种实施例，为降低运行两个网络模型对电子设备内存和计算资源的占用，通过融合网络识别图像中的目标框和对图像进行语义分割，上述融合网络包括特征提取主干网络、目标检测网络和语义分割网络，上述目标检测网络和上述语义分割网络共用特征提取主干网络。
在这种实施例中，可以首先利用标记了待识别的目标对象的位置信息的样本图像训练目标检测网络。在获得可以实现目标检测的目标检测网络后，获取新的样本图像，上述新的样本图像标记了图像中待识别的目标对象的位置信息和掩模，该掩模表征样本图像中待识别的目标对象的精确位置。利于上述新的样本图像同时对共用特征提取主干网络的目标检测网络和语义分割网络进行训练，从而实现对特征提取主干网络的fine-tuning，并获得可用于目标检测的目标检测网络和可用于语义分割的语义分割网络。
参见图2，为本申请示出的一种深度学习模型处理图像的流程示意图，如图2所示，当目标检测网络和语义分割网络共用特征提取主干网络时，图像首先交由融合网络的特征提取主干网络。上述特征提取主干网络从图像中提取得到特征图，进而可将该特征图交由融合网络的目标检测网络和语义分割网络处理。目标检测网络对上述特征图处理得到目标对象的位置信息；语义分割网络对上述特征图处理得到图像的掩模。
在获得上述深度学习模型后，可基于上述深度学习模型实现报警功能，具体详见下文。
参见图3，为本申请示出的一种驾驶辅助系统的报警方法的流程图，如图3所示，该方法包括以下步骤：
步骤301：识别图像序列中车辆报警区域侧向的目标框，并确定所述目标框中的目标对象为需报警目标时，根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标。
其中，上述方法可应用于电子设备，该电子设备可以是安装在车辆上的监控设备或与上述监控设备对接的其它智能设备。
首先，电子设备会将采集到的图像交由上述目标检测网络。上述目标检测网络识别出图像中的目标对象，并输出目标对象在图像中的位置信息；该位置信息也就是目标框的坐标信息，可以是目标框对角两个顶点的坐标，或者，也可以是目标框中心点的坐标和目标框的宽度和高度。
在实际应用中，电子设备会持续地对采集到的图像进行处理以判断是否需要报警，而在从图像中识别出目标对象后，为区分连续的图像中识别出的目标对象，可对从图像中识别出的每一目标对象进行跟踪。
这里，具体的跟踪方法可以是现有相关技术(比如：基于颜色的方法进行跟踪)，在跟踪过程中可确定每一目标对象的位置信息的位置偏移量；而上述目标检测网络会持续输出各目标对象在连续的图像中的位置信息。其中，该位置偏移量可以是目标对象的目标框的下边框的中点的偏移量。
电子设备可以为每一目标对象生成目标对象ID，并将跟踪该目标对象在每一帧图像中的位置偏移量以及位置信息与上述目标对象ID建立关联关系。电子设备可利用每一帧图像中的位置偏移量修正目标检测网络输出的该目标对象的位置信息，从而实现更准确地定位。
电子设备在确定目标对象是否为需报警目标的判断条件可基于实际应用的报警功能的效果进行预配置。比如：对于盲区检测而言，上述车辆报警区域为驾驶员的视野盲区，而目标检测网络会输出图像中目标对象的目标框的坐标信息，基于该坐标信息可确定出目标框在车辆报警区域内的面积占目标框总面积的比值，上述判断条件可以是预设的面积比值阈值。若目标框在车辆报警区域内面积占目标框总面积的比值大于上述面积比值阈值，则可以认为目标对象已经进入报警区域。
因此，在示出的一种实施方式中，电子设备可根据上述目标框与上述车辆报警区域的位置关系确定该目标框中的目标对象是否为需报警目标。
当然，上述判断条件还可引入目标对象的运动轨迹作为判断依据。因此，在示出的另一种实施方式中，电子设备可根据上述目标框与上述车辆报警区域的位置关系和上述目标框的运动轨迹确定目标框中的目标对象是否为需报警目标。其中，上述目标框的运动轨迹可依据多帧图像中的目标框得到。
进一步地，电子设备可从需报警目标中确定出嫌疑误报警目标。
需要指出的是，上述图像参数可以包括目标对象的目标框的高度、宽度、宽高比值、目标框的下边缘与车辆报警区域的上边缘的距离。上述运动信息包括上述目标框的运动轨迹。
由于目标框的大小随目标对象大小而变化，对于尺寸较小的目标对象而言，目标框内除目标对象以外的部分较小，因此，当目标框出现在报警区域时，即可确定目标对象已出现在报警区域，在这种情况下，可从尺寸较大的目标对象中筛选出嫌疑误报警目标。
作为一种实施例，为筛选出尺寸较大的目标对象，电子设备可检查上述目标对象的目标框的宽和高是否分别大于预设的宽度阈值和高度阈值。其中，宽度阈值和高度阈值可以是经验值；目标框的宽度和高度可基于坐标信息得到。
一方面，若该目标对象的目标框的宽度不大于上述宽度阈值，或者，该目标对象的目标框的高度不大于上述高度阈值，则可以确定该目标对象不为嫌疑误报警目标，此时，可直接对该目标对象进行报警。
另一方面，若该目标对象的目标框的宽和高分别大于上述宽度阈值和上述高度阈值，则需进一步确定该目标对象是否为嫌疑误报警目标。
根据实际应用效果得出的规律，可知对于宽度和高度的比值较大的目标对象，更有可能出现误报警的情况。
因此，当确定上述目标对象的目标框的宽和高分别大于上述宽度阈值和上述高度阈值后，可检查高该目标对象的目标框的宽高比值是否大于预设的比值阈值
一种情况下，该目标对象的目标框的宽高比值不大于上述比值阈值，则可以确定该目标对象不为嫌疑误报警目标，此时，可直接对该目标对象进行报警。
另一种情况下，该目标对象的目标框的宽高比值大于上述比值阈值，则仍需进一步确定该目标对象是否为嫌疑误报警目标。
在实际应用中发现，目标对象进入并离开报警区域的过程中，因成像角度会改变，目标对象在图像中显露的部位也会发生变化，进而导致目标检测网络识别出的目标框会发生变化。比如：若目标对象为机动车，当该机动车靠近搭载上述电子设备的车辆的报警区域时，首先被监控设备采集到的是机动车的车头，此时被目标检测网络识别出的目标框限定了车头的位置；接着，该机动车更加深入报警区域，此时被监控设备采集到的是机动车的侧面，被目标检测网络识别出的目标框限定了车身的位置。
当目标框限定的是车头时，目标框内除目标对象以外的内容较少，而当目标框限定的是车身时，目标框内除目标对象以外的内容较多。有鉴于此，可通过目标框与报警区域的位置关系筛选出限定车身的目标框。
电子设备可检查上述目标对象的目标框的下边缘与上述报警区域的上边缘的距离最小值是否大于预设的距离阈值。
一方面，该目标对象的目标框的下边缘与上述报警区域的上边缘的距离最小值不大于上述距离阈值，则可以确定该目标对象不为嫌疑误报警目标，此时，可直接对所述目标对象进行报警。
另一方面，若目标框的下边缘与上述报警区域的上边缘的距离最小值大于上述距离阈值，则仍需进一步确定该目标对象是否为嫌疑误报警目标。
在实际应用中发现，当目标对象在图像中沿垂直方向或水平方向运动时，目标框基本上可较为准确地限定目标对象的位置，而目标框内除目标对象以外的内容非常少。因此，电子设备可基于上述目标对象的目标框的运动轨迹确定该目标对象在图像中是否沿垂直方向或水平方向运动。
其中，上述运动轨迹由该目标对象在多帧图像中的位置确定。作为一种实施例，电子设备可根据当前图像以及之前指定数量的历史图像中该目标对象的目标框下边缘中点的坐标信息，确定该目标对象在图像中的运动轨迹。
一种情况下，若该目标对象在图像中沿垂直方向或水平方向运动，则可以确定该目标对象不为嫌疑误报警目标，此时，可直接对所述目标对象进行报警
另一种情况下，若该目标对象在图像中不沿垂直方向或水平方向运动，可确定该目标对象为嫌疑误报警目标。
步骤302：如果所述目标对象为嫌疑误报警目标，对所述图像序列中的目标图像进行语义分割，得到所述目标对象在所述车辆报警区域中的投影信息。
其中，上述投影信息可基于语义分割网络输出的掩模确定，比如说，当语义分割网络输出的是二值掩模，则二值掩模上像素点为1的区域即可表示目标对象在图像中的精确位置，进一步地，将二值掩模上像素点为1的区域与图像中车辆报警区域重合的部分作为投影信息。
当确定出嫌疑误报警目标后，需对上述目标图像进行语义分割，以确定该目标对象在目标图像中的精确位置，从而依据该精确位置判断是否需要报警。具体详见下文相关描述。其中，上述目标图像为电子设备验证所述目标对象为嫌疑误报警目标时利用的图像序列中最新一帧图像。
若确定该目标对象为嫌疑误报警目标，电子设备可将上述目标图像输入至上述语义分割网络，使得上述语义分割网络对上述目标图像进行编解码处理后，输出该目标图像的掩模，进而根据该掩模确定出目标对象在该目标图像的车辆报警区域中的投影信息。
需要指出的是，当上述目标检测网络和上述语义分割网络共享特征提取主干网络时，电子设备在调用语义分割网络时，实际是将上述目标图像已被特征提取主干网络处理得到的特征图输入至上述语义分割网络。可参照图2的流程示意图。电子设备利用上述语义分割网络输出目标图像的掩模，进而根据掩模确定出投影信息。
在示出的一种实施方式中，为减少电子设备调用语义分割网络的次数，在确定该目标对象在图像中不沿垂直方向或水平方向运动后，可检查此前是否已利用语义分割网络对上述目标图像之前的历史图像进行语义分割并获得历史投影信息。其中，上述历史投影信息从基于上述历史图像获得的掩模中获得，用以表征该目标对象在上述历史图像的车辆报警区域中的位置。
一种情况下，如果已对上述目标图像之前的历史图像进行语义分割，并存在历史投影信息，则可以根据历史投影信息确定该目标对象是否为误报警目标。其中，根据投影信息确定目标对象是否为误报警目标的判断条件可参照下文相关描述。
作为一种实施例，可以根据此前指定帧数(比如：3帧)的图像的历史投影信息的像素点的数量是否均达到预设的数量阈值。
一方面，若指定帧数的历史投影信息的像素点的数量均达到上述数量阈值，则，可以对上述目标对象进行报警。
另一方面，若任一历史投影信息的像素点的数量未达到上述数量阈值，则确定该目标对象为误报警目标，取消对上述目标对象的报警。
另一种情况下，若此前未对上述目标图像之前的历史图像进行语义分割，则可确定该目标对象为嫌疑误报警目标。在这种情况下，仍需调用语义分割网络对上述目标图像进行语义分割，已得到目标对象在车辆报警区域中的投影信息。
步骤303：根据所述投影信息，确定所述目标对象是误报警目标时，取消对所述目标对象的报警，否则，对所述目标对象进行报警。
电子设备可以根据上述投影信息确定上述目标对象是否为误报警目标。
在示出的一种实施方式中，电子设备可以确定上述车辆报警区域内的投影信息的像素点的数量是否达到预设的数量阈值。
一方面，若达到该数量阈值，可对上述目标对象进行报警。
另一方面，若未达到该数量阈值，可确定上述目标对象是误报警对象，取消对上述目标对象的报警。
综上所述，在本申请技术方案中，在确定出目标框中的目标对象为需报警目标时，通过目标框的图像参数和运动信息从需报警目标中筛选出嫌疑误报警目标，然后对目标对象所在的图像进行语义分割后，获得目标对象在车辆报警区域中的投影信息，该投影信息可精确地表征目标对象在车辆报警区域中的位置，从而以目标对象和车辆报警区域的精确的位置关系确定是否需要报警，有效地降低了误报警的几率，从而提升了客户体验；
此外，本申请中目标检测网络和语义分割网络可共享特征提取主干网络，从而降低运行两个网络模型对电子设备内存和计算资源的占用，降低计算耗时和对电子设备的性能要求，从而降低成本。
与前述驾驶辅助系统的报警方法的实施例相对应，本申请还提供了驾驶辅助系统的报警装置的实施例。
参见图4，为本申请示出的一种驾驶辅助系统的报警装置的实施例框图：
如图4所示，该驾驶辅助系统的报警装置40，包括：
确定单元410，用于识别图像序列中车辆报警区域侧向的目标框，并确定所述目标框中的目标对象为需报警目标时，根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标；
分割单元420，用于如果所述目标对象为嫌疑误报警目标，对所述图像序列中的目标图像进行语义分割，得到所述目标对象在所述车辆报警区域中的投影信息；
报警单元430，用于根据所述投影信息，确定所述目标对象是误报警目标时，取消对所述目标对象的报警，否则，对所述目标对象进行报警。
在本例中，所述图形参数包括：所述目标框的高度、宽度、宽高比值，所述目标框的下边缘与所述车辆报警区域的上边缘的距离；所述运动信息包括所述目标框的运动轨迹；
所述确定单元410，进一步用于：
检查所述目标对象的目标框的宽度和高度是否分别大于预设的宽度阈值和高度阈值；
若所述目标对象的目标框的宽度和高度分别大于所述宽度阈值和所述高度阈值，检查该目标对象的目标框的宽高比值是否大于预设的比值阈值；
若所述目标对象的目标框的宽高比值大于所述比值阈值，检查该目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值是否大于预设的距离阈值；
若所述距离最小值大于所述距离阈值，基于所述目标框的运动轨迹确定该目标框在图像中是否沿垂直方向或水平方向运动；其中，所述运动轨迹由该目标框在多帧图像中的位置确定；
若所述目标框不沿垂直方向或水平方向运动，则确定该目标框中的目标对象为嫌疑误报警目标。
在本例中，所述确定单元410，进一步用于：
若所述目标框在图像中不沿垂直方向或水平方向运动，则检查是否对所述目标图像之前的历史图像进行语义分割并获得历史投影信息；
如果存在所述历史投影信息，根据所述历史投影信息确定该目标对象是否为误报警目标，若否，确定该目标对象为嫌疑误报警目标。
在本例中，所述报警单元430，进一步用于：
若依据所述图像参数和所述运动信息确定所述目标对象不为嫌疑误报警目标，对所述目标对象进行报警。
在本例中，所述确定单元410，进一步用于：
若所述目标对象的目标框的宽度不大于所述宽度阈值或高度不大于所述高度阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的宽高比值不大于所述比值阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值不大于所述距离阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框沿垂直方向或水平方向运动，确定该目标对象不为嫌疑误报警目标。
在本例中，在识别所述目标对象的目标框时，所述确定单元410，进一步用于：
依据多帧图像中所述目标对象的目标框，获得所述目标对象的目标框在所述图像序列中的运动轨迹；
在确定所述目标框中的目标对象为需报警目标时，所述确定单元410，进一步用于：
根据所述目标框与所述车辆报警区域的位置关系和所述运动轨迹确定所述目标对象是否为需报警目标；或者，
根据所述目标框与所述车辆报警区域的位置关系确定所述目标对象是否为需报警目标。
本申请驾驶辅助系统的报警装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将机器可读存储介质中对应的机器可执行指令读取到内存中运行形成的。
从硬件层面而言，如图5所示，为本申请驾驶辅助系统的报警装置所在电子设备的一种硬件结构图，
该电子设备可包括处理器501、存储有机器可执行指令的机器可读存储介质502。处理器501与机器可读存储介质502可经由系统总线503通信。处理器501通过加载并执行机器可读存储介质502存储的机器可执行指令，能够实现上述驾驶辅助系统的报警。
本文中提到的机器可读存储介质502可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (14)

1.一种驾驶辅助系统的报警方法，其特征在于，包括：
识别图像序列中车辆报警区域侧向的目标框，并确定所述目标框中的目标对象为需报警目标时，根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标；
如果所述目标对象为嫌疑误报警目标，对所述图像序列中的目标图像进行语义分割，得到所述目标对象在所述车辆报警区域中的投影信息；
根据所述投影信息，确定所述目标对象是误报警目标时，取消对所述目标对象的报警，否则，对所述目标对象进行报警。
2.根据权利要求1所述的方法，其特征在于，通过融合网络识别目标图像中的目标框和对所述目标图像进行语义分割，所述融合网络包括特征提取主干网络、目标检测网络和语义分割网络，所述目标检测网络在识别目标框的过程中通过所述特征提取主干网络从图像中提取特征图，所述语义分割网络在进行语义分割的过程中通过所述特征提取主干网络从图像中提取特征图，所述目标检测网络和所述语义分割网络共享所述特征提取主干网络。
3.根据权利要求1或2所述的方法，所述图形参数包括：所述目标框的高度、宽度、宽高比值，所述目标框的下边缘与所述车辆报警区域的上边缘的距离；所述运动信息包括所述目标框的运动轨迹；
所述根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标，包括：
检查所述目标对象的目标框的宽度和高度是否分别大于预设的宽度阈值和高度阈值；
若所述目标对象的目标框的宽度和高度分别大于所述宽度阈值和所述高度阈值，检查该目标对象的目标框的宽高比值是否大于预设的比值阈值；
若所述目标对象的目标框的宽高比值大于所述比值阈值，检查该目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值是否大于预设的距离阈值；
若所述距离最小值大于所述距离阈值，基于所述目标框的运动轨迹确定该目标框在图像中是否沿垂直方向或水平方向运动；其中，所述运动轨迹由该目标框在多帧图像中的位置确定；
若所述目标框不沿垂直方向或水平方向运动，则确定该目标框中的目标对象为嫌疑误报警目标。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述目标框在图像中不沿垂直方向或水平方向运动，则检查是否对所述目标图像之前的历史图像进行语义分割并获得历史投影信息；
如果存在所述历史投影信息，根据所述历史投影信息确定该目标对象是否为误报警目标，若否，确定该目标对象为嫌疑误报警目标。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若依据所述图像参数和所述运动信息确定所述目标对象不为嫌疑误报警目标，对所述目标对象进行报警。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述目标对象的目标框的宽度不大于所述宽度阈值或高度不大于所述高度阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的宽高比值不大于所述比值阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值不大于所述距离阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框沿垂直方向或水平方向运动，确定该目标对象不为嫌疑误报警目标。
7.根据权利要求1所述的方法，其特征在于，在识别所述目标对象的目标框时，所述方法还包括：
依据多帧图像中所述目标对象的目标框，获得所述目标对象的目标框在所述图像序列中的运动轨迹；
所述确定所述目标框中的目标对象为需报警目标，包括：
根据所述目标框与所述车辆报警区域的位置关系和所述运动轨迹确定所述目标对象是否为需报警目标；或者，
根据所述目标框与所述车辆报警区域的位置关系确定所述目标对象是否为需报警目标。
8.一种驾驶辅助系统的报警装置，其特征在于，包括：
确定单元，用于识别图像序列中车辆报警区域侧向的目标框，并确定所述目标框中的目标对象为需报警目标时，根据所述目标框的图形参数和运动信息，确定所述目标框中的目标对象是否为嫌疑误报警目标；
分割单元，用于如果所述目标对象为嫌疑误报警目标，对所述图像序列中的目标图像进行语义分割，得到所述目标对象在所述车辆报警区域中的投影信息；
报警单元，用于根据所述投影信息，确定所述目标对象是误报警目标时，取消对所述目标对象的报警，否则，对所述目标对象进行报警。
9.根据权利要求8所述的装置，其特征在于，所述图形参数包括：所述目标框的高度、宽度、宽高比值，所述目标框的下边缘与所述车辆报警区域的上边缘的距离；所述运动信息包括所述目标框的运动轨迹；
所述确定单元，进一步用于：
检查所述目标对象的目标框的宽度和高度是否分别大于预设的宽度阈值和高度阈值；
若所述目标对象的目标框的宽度和高度分别大于所述宽度阈值和所述高度阈值，检查该目标对象的目标框的宽高比值是否大于预设的比值阈值；
若所述目标对象的目标框的宽高比值大于所述比值阈值，检查该目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值是否大于预设的距离阈值；
若所述距离最小值大于所述距离阈值，基于所述目标框的运动轨迹确定该目标框在图像中是否沿垂直方向或水平方向运动；其中，所述运动轨迹由该目标框在多帧图像中的位置确定；
若所述目标框不沿垂直方向或水平方向运动，则确定该目标框中的目标对象为嫌疑误报警目标。
10.根据权利要求9所述的装置，其特征在于，所述确定单元，进一步用于：
若所述目标框在图像中不沿垂直方向或水平方向运动，则检查是否对所述目标图像之前的历史图像进行语义分割并获得历史投影信息；
如果存在所述历史投影信息，根据所述历史投影信息确定该目标对象是否为误报警目标，若否，确定该目标对象为嫌疑误报警目标。
11.根据权利要求8所述的装置，其特征在于，所述报警单元，进一步用于：
若依据所述图像参数和所述运动信息确定所述目标对象不为嫌疑误报警目标，对所述目标对象进行报警。
12.根据权利要求9所述的装置，其特征在于，所述确定单元，进一步用于：
若所述目标对象的目标框的宽度不大于所述宽度阈值或高度不大于所述高度阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的宽高比值不大于所述比值阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框的下边缘与所述车辆报警区域的上边缘的距离最小值不大于所述距离阈值，确定该目标对象不为嫌疑误报警目标；或者，
若所述目标对象的目标框沿垂直方向或水平方向运动，确定该目标对象不为嫌疑误报警目标。
13.根据权利要求9所述的装置，其特征在于，在识别所述目标对象的目标框时，所述确定单元，进一步用于：
依据多帧图像中所述目标对象的目标框，获得所述目标对象的目标框在所述图像序列中的运动轨迹；
在确定所述目标框中的目标对象为需报警目标时，所述确定单元，进一步用于：
根据所述目标框与所述车辆报警区域的位置关系和所述运动轨迹确定所述目标对象是否为需报警目标；或者，
根据所述目标框与所述车辆报警区域的位置关系确定所述目标对象是否为需报警目标。
14.一种电子设备，其特征在于，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的机器可执行指令，其中，所述处理器执行所述机器可执行指令时实现权利要求1-7任一所述的驾驶辅助系统的报警方法。
CN201910090042.1A 2019-01-30 2019-01-30 一种驾驶辅助系统的报警方法、装置及电子设备 Active CN111507126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910090042.1A CN111507126B (zh) 2019-01-30 2019-01-30 一种驾驶辅助系统的报警方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910090042.1A CN111507126B (zh) 2019-01-30 2019-01-30 一种驾驶辅助系统的报警方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111507126A true CN111507126A (zh) 2020-08-07
CN111507126B CN111507126B (zh) 2023-04-25

Family

ID=71863789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910090042.1A Active CN111507126B (zh) 2019-01-30 2019-01-30 一种驾驶辅助系统的报警方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111507126B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633258A (zh) * 2021-03-05 2021-04-09 天津所托瑞安汽车科技有限公司 一种目标确定方法及装置、设备、计算机可读存储介质
CN112651398A (zh) * 2020-12-28 2021-04-13 浙江大华技术股份有限公司 车辆的抓拍控制方法、装置及计算机可读存储介质
CN112800873A (zh) * 2021-01-14 2021-05-14 知行汽车科技（苏州）有限公司 确定目标方向角的方法、装置、系统及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013167965A (ja) * 2012-02-14 2013-08-29 Toyota Motor Corp 衝突警報装置
CN103686086A (zh) * 2013-12-13 2014-03-26 广州中国科学院先进技术研究所 一种针对特定区域进行视频监控的方法
CN103985252A (zh) * 2014-05-23 2014-08-13 江苏友上科技实业有限公司 一种基于跟踪目标时域信息的多车辆投影定位方法
CN106233159A (zh) * 2014-04-25 2016-12-14 罗伯特·博世有限公司 使用位置数据的误警告减少
CN107031661A (zh) * 2017-03-16 2017-08-11 浙江零跑科技有限公司 一种基于盲区相机输入的变道预警方法及系统
US20170314954A1 (en) * 2016-05-02 2017-11-02 Google Inc. Systems and Methods for Using Real-Time Imagery in Navigation
CN107399290A (zh) * 2016-05-20 2017-11-28 奥迪股份公司 安全驾驶辅助系统及其控制方法
CN107458308A (zh) * 2016-06-02 2017-12-12 王明伟 一种辅助驾驶方法及系统
CN107609486A (zh) * 2017-08-16 2018-01-19 中国地质大学（武汉） 一种车辆前向防撞预警方法及系统
CN107766789A (zh) * 2017-08-21 2018-03-06 浙江零跑科技有限公司 一种基于车载单目相机的车辆检测定位方法
CN107972662A (zh) * 2017-10-16 2018-05-01 华南理工大学 一种基于深度学习的车辆前向碰撞预警方法
CN108367721A (zh) * 2015-12-08 2018-08-03 松下知识产权经营株式会社 停车辅助装置、停车辅助方法以及停车辅助程序
CN108363953A (zh) * 2018-01-12 2018-08-03 浙江大华技术股份有限公司 一种行人检测的方法及双目监控设备
CN108389251A (zh) * 2018-03-21 2018-08-10 南京大学 基于融合多视角特征的投影全卷积网络三维模型分割方法
CN108985269A (zh) * 2018-08-16 2018-12-11 东南大学 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
CN109017813A (zh) * 2018-06-14 2018-12-18 安徽江淮汽车集团股份有限公司 一种车道偏离报警方法及装置
CN109147368A (zh) * 2018-08-22 2019-01-04 北京市商汤科技开发有限公司 基于车道线的智能驾驶控制方法装置与电子设备

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013167965A (ja) * 2012-02-14 2013-08-29 Toyota Motor Corp 衝突警報装置
CN103686086A (zh) * 2013-12-13 2014-03-26 广州中国科学院先进技术研究所 一种针对特定区域进行视频监控的方法
CN106233159A (zh) * 2014-04-25 2016-12-14 罗伯特·博世有限公司 使用位置数据的误警告减少
CN103985252A (zh) * 2014-05-23 2014-08-13 江苏友上科技实业有限公司 一种基于跟踪目标时域信息的多车辆投影定位方法
CN108367721A (zh) * 2015-12-08 2018-08-03 松下知识产权经营株式会社 停车辅助装置、停车辅助方法以及停车辅助程序
US20170314954A1 (en) * 2016-05-02 2017-11-02 Google Inc. Systems and Methods for Using Real-Time Imagery in Navigation
CN109073404A (zh) * 2016-05-02 2018-12-21 谷歌有限责任公司 用于基于地标和实时图像生成导航方向的系统和方法
CN107399290A (zh) * 2016-05-20 2017-11-28 奥迪股份公司 安全驾驶辅助系统及其控制方法
CN107458308A (zh) * 2016-06-02 2017-12-12 王明伟 一种辅助驾驶方法及系统
CN107031661A (zh) * 2017-03-16 2017-08-11 浙江零跑科技有限公司 一种基于盲区相机输入的变道预警方法及系统
CN107609486A (zh) * 2017-08-16 2018-01-19 中国地质大学（武汉） 一种车辆前向防撞预警方法及系统
CN107766789A (zh) * 2017-08-21 2018-03-06 浙江零跑科技有限公司 一种基于车载单目相机的车辆检测定位方法
CN107972662A (zh) * 2017-10-16 2018-05-01 华南理工大学 一种基于深度学习的车辆前向碰撞预警方法
CN108363953A (zh) * 2018-01-12 2018-08-03 浙江大华技术股份有限公司 一种行人检测的方法及双目监控设备
CN108389251A (zh) * 2018-03-21 2018-08-10 南京大学 基于融合多视角特征的投影全卷积网络三维模型分割方法
CN109017813A (zh) * 2018-06-14 2018-12-18 安徽江淮汽车集团股份有限公司 一种车道偏离报警方法及装置
CN108985269A (zh) * 2018-08-16 2018-12-11 东南大学 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
CN109147368A (zh) * 2018-08-22 2019-01-04 北京市商汤科技开发有限公司 基于车道线的智能驾驶控制方法装置与电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林广宇;魏朗;蹇小平;: "基于嵌入式的车辆偏离预警系统研究" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651398A (zh) * 2020-12-28 2021-04-13 浙江大华技术股份有限公司 车辆的抓拍控制方法、装置及计算机可读存储介质
CN112651398B (zh) * 2020-12-28 2024-02-13 浙江大华技术股份有限公司 车辆的抓拍控制方法、装置及计算机可读存储介质
CN112800873A (zh) * 2021-01-14 2021-05-14 知行汽车科技（苏州）有限公司 确定目标方向角的方法、装置、系统及存储介质
CN112633258A (zh) * 2021-03-05 2021-04-09 天津所托瑞安汽车科技有限公司 一种目标确定方法及装置、设备、计算机可读存储介质
CN112633258B (zh) * 2021-03-05 2021-05-25 天津所托瑞安汽车科技有限公司 一种目标确定方法及装置、电子设备、计算机可读存储介质
WO2022183682A1 (zh) * 2021-03-05 2022-09-09 天津所托瑞安汽车科技有限公司 一种目标确定方法及装置、电子设备、计算机可读存储介质

Also Published As

Publication number Publication date
CN111507126B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
US10860870B2 (en) Object detecting apparatus, object detecting method, and computer program product
US10650257B2 (en) Method and device for identifying the signaling state of at least one signaling device
CN106647776B (zh) 车辆变道趋势的判断方法、判断装置和计算机存储介质
JP3987057B2 (ja) 車両周辺監視装置
CN102997900B (zh) 外界识别方法、装置以及车辆系统
CN112329552A (zh) 基于汽车的障碍物检测方法及装置
JP5297078B2 (ja) 車両の死角における移動物体を検知するための方法、および死角検知装置
Tae-Hyun et al. Detection of traffic lights for vision-based car navigation system
CN110678872A (zh) 通过使用神经网络图像处理的、作为3d限界框的直接载具检测
CN111212772A (zh) 用于确定车辆的驾驶策略的方法和设备
CN111507126A (zh) 一种驾驶辅助系统的报警方法、装置及电子设备
CN112446316B (zh) 事故检测方法、电子设备及存储介质
CN110738081B (zh) 异常路况检测方法及装置
CN111178119A (zh) 路口状态检测方法、装置、电子设备及车辆
CN111932596B (zh) 摄像头遮挡区域的检测方法、装置、设备和存储介质
CN111723608A (zh) 一种驾驶辅助系统的报警方法、装置及电子设备
CN111967384A (zh) 车辆信息处理方法、装置、设备及计算机可读存储介质
CN113569812A (zh) 未知障碍物的识别方法、装置和电子设备
CN108629225A (zh) 一种基于多幅子图与图像显著性分析的车辆检测方法
CN111191482A (zh) 一种刹车灯识别方法、装置及电子设备
CN111881752B (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
CN111591284A (zh) 基于单目识别的视野盲区避障方法及装置
CN110705495A (zh) 交通工具的检测方法、装置、电子设备和计算机存储介质
CN116152753A (zh) 车辆信息识别方法和系统、存储介质和电子装置
CN113177509A (zh) 一种倒车行为识别方法及装置

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