CN111967332B - 用于自动驾驶的能见度信息生成方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于自动驾驶的能见度信息生成方法。该方法的一具体实施方式包括：获取车载摄像头拍摄的图像集合和天气类型信息；确定该图像集合中每个图像的类别；从该图像集合中选择类别与该天气类型信息相匹配的图像作为选定图像，得到选定图像集合；对该选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集；对该边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集；对该能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。该实施方式实现了能见度的实时检测，提高了能见度信息生成的准确性，为用户的生活提供了便利。

Description

用于自动驾驶的能见度信息生成方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于自动驾驶的能见度信息生成方法和装置。

背景技术

能见度检测，是检测大气能见距离的一种方式。常用方法是通过能见度检测仪或气象卫星来检测区域能见度，然后由气象部门将能见度信息发送给用户。但是，此种方法存在推送有时间间隔，以及对局部区域内的能见度判断不够精准的问题。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了用于自动驾驶的能见度信息生成方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于自动驾驶的能见度信息生成方法，该方法包括：获取车载摄像头拍摄的图像集合和天气类型信息；确定上述图像集合中每个图像的类别；从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合；对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集；对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集；对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

第二方面，本公开的一些实施例提供了一种用于自动驾驶的能见度信息生成装置，装置包括：获取单元，获取车载摄像头拍摄的图像集合和天气类型信息；分类单元，确定上述图像集合中每个图像的类别；匹配单元，从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合；边界检测单元，对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集；能见度检测单元，对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集；加权求和单元，对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

第三方面，本公开的一些实施例提供了一种电子设备，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；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机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。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取车载摄像头拍摄的图像集合和天气类型信息。然后，确定上述图像集合中每个图像的类别。使得每个图像都拥有对应的天气类别标签，方便下一步的选择。其次，从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合。获得与天气类型信息相匹配的分类后的选定图像，减少与天气信息不符合的选定图像对后续处理结果的影响。再然后，对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集。为下一步能见度检测进行数据准备。再然后，对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，生成能见度检测数据集。得到每张图像对应的能见度检测数据，从而获得了多个能见度检测数据，提高了数据的全面性。最后，对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。从而得到当前天气状态下的能见度距离。通过此种方式，可以实时地、快速地获得车辆周围的能见度信息。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的用于自动驾驶的能见度信息生成方法的一个应用场景示意图；

图2是根据本公开的用于自动驾驶的能见度信息生成方法的一些实施例的流程图；

图3是根据本公开的用于自动驾驶的能见度信息生成装置的一些实施例的结构示意图；

图4是根据本公开的用于自动驾驶的能见度信息生成方法的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开的一些实施例的用于自动驾驶的能见度信息生成方法的一个应用场景示意图。

在图1的应用场景中，首先，计算设备101可以获取车载摄像头拍摄的图像集合102和天气类型信息103。之后，确定上述图像集合102中每个图像的类别104。其次，对选定图像集合105中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集106。进而，对上述边界检测数据集106中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集107。最后，对能见度检测数据集107中的能见度检测数据进行加权求和，得到加权求和后的能见度检测数据108。

可以理解的是，用于自动驾驶的能见度信息生成方法可以是由终端设备来执行，或者也可以是由计算设备101来执行，上述方法的执行主体还可以包括上述终端设备与上述计算设备101通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等。执行主体也可以体现为计算设备101、软件等。当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的用于自动驾驶的能见度信息生成方法的一些实施例的流程图200。该用于自动驾驶的能见度信息生成方法，包括以下步骤：

步骤201，获取车载摄像头拍摄的图像集合和天气类型信息。

在一些实施例中，用于自动驾驶的能见度信息生成的执行主体例如图1所示的计算设备)可以通过有线连接方式或者无线连接方式获取车载摄像头拍摄的图像集合(如图1所示的102)和天气类型信息(如图1所示的103)。其中，天气类型信息是用于描述天气类型的信息，例如：“大雾”，“晴天”。

步骤202，确定上述图像集合中每个图像的类别。

在一些实施例中，上述执行主体可以确定上述图像集合中每个图像的类别。其中，每个图像的类别可以是“大雾”，“小雨”。

在一些实施例的一些可选的实现方式中，上述执行主体利用预先训练的卷积神经网络确定上述图像集合中每个图像的类别，具体的，上述预先训练的卷积神经网络可以包括第一特征提取层、第二特征提取层、特征汇总层、分类层。其中，第一特征提取层主要是对图像特征进行提取。第二特征提取层对提取到的特征进行压缩，进而，提取到主要特征。特征汇总层用于将获取到的主要特征进行汇总。分类层主要根据得到的汇总的主要特征，对图像类别进行分类。

步骤203，从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合。

在一些实施例中，上述执行主体可以从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合。其中，匹配是指采用模糊匹配的方法，对图像类别和天气类型信息进行匹配。

作为示例，类别可以“大雨”，天气类型信息可以是“雨天”。进而，选定类别为“大雨”的图像为选定图像，从而，得到选定图像集合。

步骤204，对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集。

在一些实施例中，上述执行主体可以对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集。其中，检测是指识别出选定图像中路面与天空的分界线。

在一些实施例的一些可选的实现方式中，上述执行主体对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集，可以包括以下步骤：

第一步，对预处理图像进行二值化处理，得到二值化预处理图像。

作为示例，对一张彩色预处理图像进行二值化处理，从而得到一张黑白图像，其中，黑白图像是指图像的每一个像素点为黑色或白色。

第二步，对上述二值化预处理图像进行降噪处理，得到降噪后的二值化预处理图像。

第三步，对上述降噪后的二值化预处理图像进行边界检测，得到边界检测数据。

步骤205，对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集。

在一些实施例中，上述执行主体可以对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，生成能见度检测数据集。其中，能见度检测是指获取到汽车到路面与天空的分界线的距离。

在一些实施例的一些可选的实现方式中，上述执行主体对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集，可以包括以下步骤：

第一步，以相机坐标系Y轴的延长线与地平面交点为坐标中心，构建三维坐标系。

第二步，获取车载相机信息，其中，上述车载相机信息包括相机焦距、相机倾斜角度、相机距离上述坐标中心的距离。

第三步，通过以下水平线获取公式，得到水平线位置：

V₂＝V₀-α×tanθ,

其中，V₂表示水平线在图片像素平面上的坐标。V₀表示图片像素平面坐标系原点的坐标。α表示上述相机焦距。θ表示上述相机倾斜角度。

第四步，将上述边界检测数据集中边界检测数据输入以下能见度检测公式，生成能见度检测数据：

其中，α表示上述相机焦距。H表示上述相机距离上述坐标中心的距离。V₁表示上述边界检测数据。V₂表示水平线在像素平面上的坐标。θ表示上述相机倾斜角度。Dist表示能见度检测数据。

通过上述水平线获取公式，从而获得了每张图像中的水平线的位置，为每张图片进行能见度检测提供了基准线，为下一步的能见度检测进行了数据准备。然后，通过上述边界检测公式，得到了每张图像中边界距离水平线的距离，进而得到了能见度数据。由于像素坐标系跟三维坐标系存在差异，因此将相机距离上述坐标中心的距离进行了数值转换，使得在三维坐标系下得到的相机距离上述坐标中心的距离映射到像素坐标系中，进而能够较好地得到每张图像对应的能见度检测数据。

步骤206，对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

在一些实施例中，上述执行主体可以对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

在一些实施例的一些可选的实现方式中，上述执行主体对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据，可以包括以下步骤：

第一步，将上述能见度检测数据集中的能见度检测数据输入以下加权求和公式：

其中，其中，n表示上述能见度检测数据集中能见度检测数据的数量。x_i表示上述能见度检测数据集中的第i个能见度检测数据。

表示上述能见度检测数据的均值。FinalDist表示加权求和后的能见度检测数据。

由于拍摄角度等其他原因，导致每张图片对应的的能见度检测数据不完全相同，为了提高数据的可用性，进而，对获得的能见度检测数据进行加权求和，从而，提高了数据的代表性和可用性。

在一些实施例的一些可选的实现方式中，上述执行主体对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据，进而，将上述加权求和后的能见度检测数据推送至车辆速度控制设备，以便控制车辆速度。

作为示例，汽车以时速100千米/小时在高速路上行驶，能见度检测数据为100米，车辆速度控制设备获取到能见度检测数据后，会将车速匀速的降至40千米/小时。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取车载摄像头拍摄的图像集合和天气类型信息。然后，确定上述图像集合中每个图像的类别。使得每个图像都拥有对应的天气类别标签，方便下一步的选择。其次，从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合。获得与天气类型信息相匹配的分类后的选定图像，减少与天气信息不符合的选定图像对后续处理结果的影响。再然后，对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集。为下一步能见度检测进行数据准备。再然后，对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，生成能见度检测数据集。得到每张图像对应的能见度检测数据，从而获得了多个能见度检测数据，提高了数据的全面性。最后，对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。从而得到当前天气状态下的能见度距离。通过此种方式，可以实时地、快速地获得车辆周围的能见度信息。

进一步参考图3，作为对上述各图上述方法的实现，本公开提供了一种用于自动驾驶的能见度信息生成装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，一些实施例的用于自动驾驶的能见度信息生成装置300包括：获取单元301，获取车载摄像头拍摄的图像集合和天气类型信息；分类单元302，确定上述图像集合中每个图像的类别；匹配单元303，从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合；边界检测单元304，对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集；能见度检测单元305，对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，生成能见度检测数据集；加权求和单元306，对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)400的结构示意图。图4示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口404也连接至总线404。

通常，以下装置可以连接至I/O接口404：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；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该电子设备执行时，使得该电子设备：获取车载摄像头拍摄的图像集合和天气类型信息；确定上述图像集合中每个图像的类别；从上述图像集合中选择类别与上述天气类型信息相匹配的图像作为选定图像，得到选定图像集合；对上述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集；对上述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集；对上述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开的一些实施例中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：一种处理器包括获取单元、分类单元、匹配单元、边界检测单元、能见度检测单元、加权求和单元。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，获取单元还可以被描述为“获取车载摄像头拍摄的图像集合和天气类型信息的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等。

以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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法。

Claims (8)

1.一种用于自动驾驶的能见度信息生成方法，包括：

获取车载摄像头拍摄的图像集合和天气类型信息；

确定所述图像集合中每个图像的类别；

从所述图像集合中选择类别与所述天气类型信息相匹配的图像作为选定图像，得到选定图像集合；

对所述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集；

对所述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集；

对所述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述加权求和后的能见度检测数据推送至车辆速度控制设备，以便控制车辆速度。

3.根据权利要求1所述的方法，其中，所述确定所述图像集合中每个图像的类别，包括：

利用预先训练的卷积神经网络确定所述图像的类别。

4.根据权利要求3所述的方法，其中，所述对所述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，包括：

对所述选定图像进行二值化处理，得到二值化预处理图像；

对所述二值化预处理图像进行降噪处理，得到降噪后的二值化预处理图像；

对所述降噪后的二值化预处理图像进行边界检测，得到边界检测数据。

5.根据权利要求4所述的方法，其中，所述对所述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，包括：

以相机坐标系Y轴的延长线与地平面交点为坐标中心，构建三维坐标系；

获取车载相机信息，其中，所述车载相机信息包括相机焦距、相机倾斜角度、相机距离所述坐标中心的距离；

通过以下水平线获取公式，得到水平线位置：

,

其中，

表示水平线在图片像素平面上的坐标；

表示图片像素平面坐标系原点的坐标；

表示所述相机焦距；

表示所述相机倾斜角度；

将所述边界检测数据输入以下能见度检测公式，生成能见度检测数据：

,

其中，

表示所述相机焦距；

表示所述相机距离所述坐标中心的距离；

表示所述边界检测数据；

表示水平线在像素平面上的坐标；

表示所述相机倾斜角度；

表示能见度检测数据。

6.一种用于自动驾驶的能见度信息生成装置，包括：

获取单元，获取车载摄像头拍摄的图像集合和天气类型信息；

分类单元，确定所述图像集合中每个图像的类别；

匹配单元，从所述图像集合中选择类别与所述天气类型信息相匹配的图像作为选定图像，得到选定图像集合；

边界检测单元，对所述选定图像集合中的每个选定图像进行边界检测以生成边界检测数据，得到边界检测数据集；

能见度检测单元，对所述边界检测数据集中的每个边界检测数据进行能见度检测以生成能见度检测数据，得到能见度检测数据集；

加权求和单元，对所述能见度检测数据集中的各个能见度检测数据进行加权求和，生成加权求和后的能见度检测数据。

7.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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1-5中任一所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images