CN112769877A - 团雾预警方法、云端服务器及车辆和介质 - Google Patents
团雾预警方法、云端服务器及车辆和介质 Download PDFInfo
- Publication number
- CN112769877A CN112769877A CN201911002465.XA CN201911002465A CN112769877A CN 112769877 A CN112769877 A CN 112769877A CN 201911002465 A CN201911002465 A CN 201911002465A CN 112769877 A CN112769877 A CN 112769877A
- Authority
- CN
- China
- Prior art keywords
- fog
- image
- cloud
- information
- original environment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000012634 fragment Substances 0.000 claims description 20
- 239000003595 mist Substances 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 230000003993 interaction Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种团雾预警方法、云端服务器及车辆和介质,所述团雾预警方法,用于车辆,包括:采集行驶道路的原始环境图像;根据所述原始环境图像进行团雾识别;当确定有雾时,对有雾的原始环境图像进行分析以生成团雾信息;将所述团雾信息上传给云端服务器。该方法可以摆脱对硬件性能的依赖,实时团雾预警,且成本低,功能可靠性高。
Description
技术领域
本发明涉及车辆技术领域,尤其是涉及一种用于车辆的团雾预警方法,以及一种用于云端服务器的团雾预警方法,以及一种非临时性计算机存储介质、车辆和云端服务器。
背景技术
“团雾”本质上是雾,受局部地区微气候环境的影响而产生。团雾的范围比较小,仅仅几公里甚至几百米,团雾外视线较好,但内部能见度极低,只有几十米甚至十几米,具有突发性、局地性、尺度小、浓度大、预测预报难的特点,且受风力影响,团雾可以移动,移到公路上就会导致能见度突然变化,对公路交通安全极具危害性,容易酿成重大交通事故。
相关技术中,对于团雾预警的措施,一些方案采用基于传感器的识别,但是该方案更多依赖硬件性能,且抗干扰能力弱,或者,一些方案通过采用公路定点安装监测器,或其他辅助工具进行探测,并由其他通信模块进行消息传输,但是,这些方案的监测覆盖面不够广泛,不能进行实时数据交互,预警有一定的局限性,并且成本较高。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明的一个目的在于提出一种团雾预警方法,用于车辆,该方法可以摆脱对硬件性能的依赖,实时团雾预警,且成本低,功能可靠性高。
本发明的目的之二在于提出一种团雾预警方法,用于云端服务器。
本发明的目的之三在于提出一种非临时性计算机存储介质。
本发明的目的之四在于提出一种车辆。
本发明的目的之五在于提出一种云端服务器。
为了解决上述问题,本发明第一方面实施例的团雾预警方法,用于车辆,包括:采集行驶道路的原始环境图像;根据所述原始环境图像进行团雾识别;当确定有雾时,对有雾的原始环境图像进行分析以生成团雾信息;将所述团雾信息上传给云端服务器。
根据本发明实施例用于车辆的团雾预警方法,通过采集行驶道路的原始环境图像,并通过图像分析来进行团雾识别,不依赖于传感器等硬件的性能,成本低,识别功能可靠性高,并在确定有雾后,对有雾的原始环境图像进行分析以生成团雾信息,并将团雾信息上传至云端服务器,基于云端服务器实现网络互联,从而为实现所有联网车辆数据的团雾信息交互提供基础。
在一些实施例中,根据所述原始环境图像进行团雾识别,包括:将所述原始环境图像进行转换并剥离为单通道图像;提取每个通道图像的像素值,并根据所述像素值生成直方图;根据所述直方图的分布规律识别团雾。
在一些实施例中,根据所述原始环境图像进行团雾识别,包括:提取所述原始环境图像的像素值;计算所述像素值的方差;根据所述方差的大小识别团雾。
在一些实施例中,根据所述原始环境图像进行团雾识别,包括:提取所述原始环境图像的图像特征;对所述原始环境图像进行去雾处理,获得去雾后图像;提取所述去雾后图像的图像特征;根据所述去雾后图像的图像特征与所述原始环境图像的图像特征的差异性识别团雾。
在一些实施例中,对有雾的原始环境图像进行分析以生成团雾信息包括:将有雾的所述原始环境图像进行拆分,获得多个子图像;对每个子图像进行团雾识别,其中,识别任一个子图像碎片有雾,则确定所述原始环境图像中有雾,在确定有雾时,识别任一个子图像中无雾,则确定雾为团雾,或者,识别任一个子图像均有雾,则确定雾为全雾;根据有雾子图像在所述原始环境图像中的位置确定雾的分布,并根据所述雾的分布确定雾的方向和有雾区域。
在一些实施例中,所述团雾预警方法还包括:当确定有雾时,记录雾开始路段位置;当确定雾消失时,记录雾结束路段位置;根据所述雾开始路段位置和所述雾结束路段位置计算有雾路段长度。
在一些实施例中,所述采集行驶道路的原始环境图像方法还包括:每隔第一预设时间采集所述原始环境图像;当确定有雾时,每隔第二预设时间采集所述原始环境图像,其中,所述第二预设时间小于所述第一预设时间。
本发明第二方面实施例提出一种团雾预警方法,用于云端服务器,包括:接收联网车辆的定位信息;根据所述定位信息确定所述联网车辆行驶路段附近的云服务车辆;接收到所述联网车辆上传的团雾信息,推送团雾预警信息给所述云服务车辆。
根据本发明实施例的团雾预警方法,用于云端服务器,通过联网车辆的定位信息,确定行驶路段附近的云服务车辆,并将接收到的团雾预警信息推送给云服务车辆,即基于车联网云服务,打通车辆客户端与云端服务器间的数据链路,组成数据网络,相较于基于公路定点安装监测器,或采用其他的辅助工具进行探测的方法,本发明实施例的方法,可以实现所有联网车辆团雾信息的实时交互,且覆盖范围较广,成本低。
在一些实施例中,所述团雾预警方法还包括:根据上传团雾信息的联网车辆数量和上传定位信息的联网车辆数量计算团雾信息可信度;当所述团雾信息可信度超过第一可信度阈值时,推送所述团雾预警信息;或者,当所述团雾信息可信度低于第二可信度阈值时,推送消除团雾预警信息,以矫正团雾信息,实现更加精确的团雾预警。
本发明第三方面提出一种非临时性计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被执行时实现上述实施例所述的团雾预警方法。
本发明第四方面提出一种车辆,包括:图像采集装置和通信装置;以及图像处理器,所述图像处理器用于执行上述实施例所述的用于车辆的团雾预警方法。
根据本发明实施例的车辆,通过采用上述实施例所述的用于车辆的团雾预警方法,可以通过图像采集装置实时进行图像采集,并经图像处理器反馈团雾信息,进而经过通信装置上传至云端服务器,从而实现所有联网车辆团雾信息的实时交互,有效减少和预防因团雾导致的公路交通事故的发生。
本发明第五方面提出一种云端服务器,包括:存储器和与所述存储器通信的至少一个处理器,其中,所述存储器中存储可被所述处理器执行的计算机指令,所述计算机指令被所述处理器执行时实现上述实施例所述的用于云端服务器的团雾预警方法。
根据本发明实施例的云端服务器,通过采用上述实施例所述的用于云端服务器的团雾预警方法,可以实现所有联网车辆团雾信息的实时交互,有效减少和预防因团雾导致的公路交通事故的发生。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例用于车辆的团雾预警方法的流程图;
图2是根据本发明一个实施例对团雾识别的方法流程图;
图3是根据本发明另一个实施例对团雾识别的方法流程图;
图4是根据本发明另一个实施例对团雾识别的方法流程图;
图5是根据本发明一个实施例的原始环境图像像素直方图分析示意图;
图6是根据本发明一个实施例的团雾预警的具体流程图;
图7是根据本发明一个实施例的用于云端服务器的团雾预警的流程图;
图8是根据本发明一个实施例的车辆客户端与云端交互的示意图;
图9是根据本发明一个实施例的车辆与云端服务器交互的总流程示意图;
图10是根据本发明一个实施例的车辆的结构框图;
图11是根据本发明一个实施例的云端服务器的结构框图;
附图标记:
车辆1;云端服务器2;
图像采集装置10;通信装置12;图像处理器12;存储器20;处理器21;
具体实施方式
下面详细描述本发明的实施例,参考附图描述的实施例是示例性的,下面详细描述本发明的实施例。
下面参考附图描述根据本发明第一方面实施例的团雾预警方法,用于车辆。根据该方法可以摆脱对硬件性能的依赖,实时团雾预警,且成本低,功能可靠性高。
图1示出了本发明的一个实施例提供的团雾预警方法的流程图。如图1所示,本发明实施例的团雾预警方法至少包括步骤S1-S4。
步骤S1,采集行驶道路的原始环境图像。
在实施例中,对于采集原始环境图像的方式不做限制,例如,通过线性相机或或安装在车辆上的其他图像采集设备,对行驶道路实景的实时采集。
步骤S2,根据原始环境图像进行团雾识别。
具体地,车辆的图像处理装置可以根据获取的原始环境图像进行识别分析,并判断是否有雾,若有雾,则进行步骤S3,若无雾,则继续进行步骤S1。其中,图像处理器可以是单独设置在车辆的装置或者集成在车辆现有数据处理装置例如中控系统或者其它装置中的数据处理器。
通过图像处理装置对原始环境图像进行图像处理,获得图像像素的直方图或方差,根据有雾和无雾的图像像素的直方图或方差的差异性,来判断行驶道路的周围环境是否存在雾,进一步地,在一些实施例中,还可以对原始环境图像进行碎片化,并对每个碎片图像进行分析,以获得更加细化的团雾信息,各种方法在后文中有进一步说明。
步骤S3,当确定有雾时,对有雾的原始环境图像进行分析以生成团雾信息。
具体地,通过图像处理装置对原始环境图像进行分析,确定行驶道路上有雾后,则对确定有雾的原始环境图像进行分析,并生成团雾信息,其中,团雾信息可以包括雾的性质、方向、区域或程度等信息。
步骤S4,将团雾信息上传给云端服务器。
具体地,车辆与云端服务器联网,并在确定行驶道路上有雾时,将确定有雾的团雾信息,通过联网系统上传至云端服务器,进而,云端服务器可以根据团雾信息进行计算,确定团雾位置以及该信息的可信度,并推送团雾预警信息给云服务车辆,从而实现联网车辆间团雾信息的交互,达到团雾预警效果。
根据本发明实施例用于车辆的团雾预警方法,通过采集行驶道路的原始环境图像,并进行团雾识别,判断是否有雾,以及,在确定有雾后,根据有雾的原始环境图像,分析生成团雾信息,相较于基于传感器的识别方案,本发明实施例的方法,通过图像分析的方式来进行团雾识别,不过多地依赖硬件的性能,可以实时进行原始环境图像分析,反馈更加精确的团雾信息,不仅成本低且功能可靠性高,进一步地,将团雾信息上传至云端服务器,基于云端服务器进行联网,从而为实现所有联网车辆团雾信息的实时交互提供基础。
基于上述实施例的团雾预警方法,下面对原始环境图像进行团雾识别的方式作进一步解释说明。
在一些实施例中,如图2所示,根据原始环境图像进行团雾识别包括步骤S8-S10。
步骤S8,将原始环境图像进行转换并剥离为单通道图像。
步骤S9,提取每个通道图像的像素值,并根据像素值生成直方图。
步骤S10,根据直方图的分布规律识别团雾。
具体地,对原始环境图像进行图片分析,将原始环境图像RGB格式转换为YUV格式,并通过通道剥离生成Y/U/V单通道图像,进而,根据每个单通道图像的像素值生成直方图,并分别进行直方图分布分析,其中,从统计学的角度,根据图像像素值的直方图分布可以说明团雾问题,随着雾的出现,目标慢慢消失,整张图像的像素会逐渐分布均匀,且像素值的分布也变得集中,相反,当团雾消失时,目标的轮廓变得清晰,会展示出更多的细节,此时的直方图呈现结果不再具有规律性,而是与本身的图像有关。因此,可以根据分析结果,结合直方图的分布规律识别团雾,且可以计算出团雾的浓度,即能见度。
或者,在一些实施例中,如图3所示,根据原始环境图像进行团雾识别包括步骤S11-S13。
步骤S11,提取原始环境图像的像素值。
步骤S12,计算像素值的方差。
步骤S13,根据方差的大小识别团雾。
具体地,对原始环境图像进行图片分析,将原始环境图像RGB格式转换为YUV格式,并通过通道剥离生成Y/U/V单通道图像,进而,分别对每个单通道图像的像素值进行计算,得到整张图像像素的方差,由于当团雾出现时,雾的颗粒会将光线反射或散射,从而导致整张图像变得模糊,此时,像素的方差可以反映这一现象,当整张图像变得模糊时,有雾区域的像素值方差会变小,反之,在整张图像清晰时,像素值方差会很大。因此,可以通过计算像素值的方差,并对方差的大小进行判断,以识别团雾,若方差逐渐增大,则无雾,若方差逐渐变小,则为有雾区域。
或者,在一些实施例中,由于特殊场景,例如天空、大海、雪地、白墙等特殊场景,会对团雾的识别产生影响,因此在特殊场景时可以进行团雾信息的正确性进行检验。如图4所示,根据原始环境图像进行团雾识别包括步骤S14-S17。
步骤S14,提取原始环境图像的图像特征。
步骤S15,对原始环境图像进行去雾处理,获得去雾后图像。
步骤S16,提取去雾后图像的图像特征。
步骤S17,根据去雾后图像的图像特征与原始环境图像的图像特征的差异性识别团雾。
具体地,对原始环境图像进行图片分析,将原始环境图像RGB格式转换为YUV格式,并通过通道剥离生成Y/U/V单通道图像,提取原始环境图像每个通道的图像特征,比如进行图像的光学特征提取或形态学特征提取,具体可以根据特征提取部分提取图像每个通道的相应特征。进而,对原始环境图像进行去雾处理,获得去雾后图像,例如,可以采用基于暗通道的去雾方法,获取去雾后图像,并对去雾后图像也进行相应的特征数据提取,最终,根据去雾后图像的图像特征与原始环境图像的图像特征的差异性进行识别对比,如果差异较大,则说明存在团雾,反之,则不存在团雾。因此,通过去雾的方式,对原始环境图像进行图片分析,可以达到团雾识别的目的,且也可以有效解决当存在特殊场景时的团雾识别率低的问题,以及,通过特征差异程度也可以判断团雾当中的能见度。
为了更细化地了解团雾信息,下面对有雾的原始环境图像进行分析以生成团雾信息的过程详细说明。
在一些实施例中,将有雾的所述原始环境图像进行拆分,获得多个子图像,例如,可以将有雾的原始环境图像依次在横向及纵向划分三等份,即九宫格形状,相当于将驾驶员的视野拆分成九宫格碎片图,进而对每个子图像进行团雾识别,其中,若识别任一个子图像碎片有雾,则确定原始环境图像中有雾,以及,在确定有雾后,若识别任一个子图像中无雾,则确定雾为团雾,或者,若识别任一个子图像均有雾,则确定雾为全雾。同时,根据有雾子图像在原始环境图像中的位置确定雾的分布,并根据雾的分布确定雾的方向和有雾区域,从而能够结合行驶路线判断团雾的影响,可以在高速行驶中提前做好预判,以及,可以为其他云服务车辆作更加细致精确的预警。
其中,对于上述实施例的九宫格碎片图,在一般情况下,最上面3个图像碎片处于天空背景,参考意义不大,而且天空中的云会引起团雾的误判,最下面的3个图像碎片一般处于地面,对整个团雾识别以及预警的贡献不大,但是可以作为场景点的参考点,因此我们只需要着重研究中间3个图像碎片即可,计算其团雾方向以及能见度。
举例说明,如图5所示,将原始环境图像依次在横向及纵向划分三等份,得到九宫格碎片图,并采用像素直方图分析识别团雾获得的结果示意图,(a)为无雾图的直方图分析样例,(b)为团雾图的直方图分析样例,(c)为全雾图的直方图分析样例,其中,横轴表示像素值(范围:0~255),纵轴表示对应像素值的数量。结合(a)、(b)、(c)示意图结果,可以看出,图(a)无雾图中像素分布相对分散,方差值相对较大;图(b)团雾图中,天空部分的峰值大概在170左右,地面部分的峰值大概在150左右,中间团雾部分的峰值在200左右,由此可以判断出团雾的方向及区域;图(c)全雾图中,直方图显示的像素值分布高度集中,其峰值基本都在200左右,同时也可估算出其方差值非常小,从而反映出雾的浓度及能见度。由此可得,无雾图、团雾图、全雾图通过图片拆分后的碎片分析特征差异明显,完全满足对雾的分析识别的需求,从而可以实现对行驶道路环境中团雾的识别,以及获得更加精确得雾的方向和有雾区域。
以上将原始环境图像以九宫格拆分仅是示例,也可以拆分为更多份,以获得更加细化的团雾信息,当然也可以少于九个子图像,以更快地确定团雾信息,对于拆分子图像的数量在此不做限制。
进一步地,在一些实施例中,本发明实施例团雾预警方法还包括,当确定有雾时,即在车辆进入团雾区域时,记录团雾开始的路段位置,以及,当确定雾消失时,即车辆离开团雾区域后,记录团雾结束的路段位置,进而根据团雾开始的路段位置和团雾结束的路段位置计算有雾路段长度,并上传至云端服务器,以为该行驶路段附近的其他云服务车辆作更加细致精确的预警。
在一些实施例中,在采集行驶道路的原始环境图像时,可以根据实时的团雾识别情况来调整图像采集频率,例如,在图像采集时,每隔第一预设时间采集原始环境图像,当确定有雾时,每隔第二预设时间采集原始环境图像,其中,第二预设时间小于第一预设时间,即在确认有雾时,提高图像采集频率,以能够及时进行团雾预警。
例如,可以结合高速120km/h的最高时速,其中,5秒时间最多行驶约167m,这个距离完全处于眼睛较为清晰地观测范围内,因此可以设为每帧/5秒的图像采集频率,且可以节约处理器的计算资源,进而在确定识别到有雾时,将图像采集频率调整为每帧/500毫秒,以接近实时的分析团雾的性质以及相关属性,并及时预警,并且,在连续3次检测到有雾后,则确定为有雾,并上传一张有雾图像至云端服务器,以及通过云服务推送给该行驶路段附近的其他联网车辆,提供给用户自行判断参考。
下面通过附图对用于车辆的团雾预警方法进行举例说明,如图6所示,详细流程如下。
S100:图片采集,执行101.
S101:团雾识别,执行S102。
S102:判断是否有雾,若有雾,执行S103,若无雾,执行S100。
S103:特殊场景检验,例如天空、大海、雪地、白墙等特殊场景,执行S104。
S104:确认是否有雾,若确认有雾,执行S105,若确认无雾,执行S100。
S105:图像拆分为九宫格碎片图,执行S106。
S106:对图片碎片进行团雾识别,执行S107。
S107:判断雾的性质,包括全雾或团雾、方向、区域及程度等。
进一步地,将雾的性质、方向、区域,以及路段位置、长度、能见度实时上传到云端,以为实现所有联网车辆数据的实时互通提供基础。
概括来说,根据本发明实施例用于车辆的团雾预警方法,通过采集行驶道路的原始环境图像,并进行团雾识别,判断是否有雾,以及,排除特殊场景存在的可能性后,在确定有雾时,根据有雾的原始环境图像,分析且反复验证,生成团雾信息,相较于基于传感器的识别方案,本发明实施例的方法,可以实时对行驶道路进行原始环境图像分析,并采用像素直方图分析或像素方差分析或去雾分析的方式,经反复验证,反馈更加精确的团雾信息,且通过采用图像碎片分析的方法,对有雾图拆分成九宫格图进行独立分析,可提前获取团雾属于团雾还是全雾,以及可判别团雾的方向是否影响行驶路线,以及可计算团雾的路段长度,不仅成本低且识别功能可靠性高,进一步地,将团雾信息上传至云端服务器,从而为该行驶路段附近的其他云服务车辆作更加细致精确的预警,且能够实现对所有联网车辆团雾信息的实时交互。
本发明第二方面实施例提出一种用于云端服务器的团雾预警方法,如图7所示,该方法至少包括步骤S5-S7。
步骤S5,接收联网车辆的定位信息;
步骤S6,根据定位信息确定联网车辆行驶路段附近的云服务车辆;
步骤S7,接收到联网车辆上传的团雾信息,推送团雾预警信息给云服务车辆。
具体地,云端服务器接收联网车辆的定位信息,并根据该联网车辆的定位信息计算确定行驶路段附近的云服务车辆,同时,云端服务器实时接收联网车辆传送的周期性通用数据,以及该联网车辆上传的由雾触发的事件型消息和有关团雾的具体消息,推送团雾预警信息给云服务车辆。
根据本发明实施例用于云端服务器的团雾预警方法,通过联网车辆的定位信息,确定行驶路段附近的云服务车辆,并将接收到的团雾预警信息推送给云服务车辆,即基于车联网云服务,打通车辆客户端与云端服务器间的数据链路,组成数据网络,相较于基于公路定点安装监测器,或采用其他的辅助工具进行探测的方法,本发明实施例的方法,可以实现所有联网车辆团雾信息的实时交互,且覆盖范围较广,成本低。
在一些实施例中,本发明实施例的团雾预警方法还包括,综合计算该路段区域的车辆上传的消息,判断有雾消息的准确度,通过团雾信息上传率来定义行驶路段团雾的可信度,即根据该行驶路段附近上传团雾信息的联网车辆数量和上传定位信息的联网车辆数量计算团雾信息可信度,当团雾信息可信度超过第一可信度阈值时,推送团雾预警信息,或者,当团雾信息可信度低于第二可信度阈值时,推送消除团雾预警信息。
举例说明,如图8所示为车辆客户端与云端服务器数据交互的示意图,云端服务器接收到有雾的信息之后,一方面,对该行驶路段进行团雾预警处理,一方面对该行驶路段进行监控,预警时需要综合计算该路段云服务车辆的通用上传数据和上传的有雾信息,首先根据车辆上传的通用上传数据中的GPS(Global Positioning System,全球定位系统)信息计算该路段附近云服务车辆,然后通过团雾信息上传率来定义路段的团雾可信度,当团雾可信度超过70%,将团雾预警消息推送给附近云服务车辆,并监测该有雾路段的团雾信息,直到团雾散去,消除预警,或者,当团雾可信度低于30%,将该路段消除团雾预警消息推送给附近云服务车辆,以此来矫正团雾信息,实现更加精确的团雾预警。
下面根据附图9具体说明本发明实施例车辆与云端服务器间团雾预警信息的交互,详细流程如下。
S18:图片采集,执行S19。
S19:识别模型,即对原始环境图像进行团雾识别,执行S20。
S20:判断是否有雾,若是,执行S21,若否,执行S22。
S21:判断是否count≥2,即判断图片检测次数,若连续2次或2次以上检测为有雾,则执行S24,若未进行连续2次检测,则执行S23。
S22:参数调整,即减小采样频率,例如为帧/5秒,且另计数次数为0,执行S18。
S23:参数调整,即增加采样频率,例如为2帧/秒,且计数次数加1,执行S18。
S24:消息上传,执行S25,即将团雾信息,位置信息及图片信息上传至云端服务器。
S25:云服务接口,接收车辆上传的相关信息,云端服务器执行S26与S29。
S26:有雾路段团雾检测,执行S27。
S27:判断是否有雾,若有雾,执行车辆1端的团雾预警方法,以确认团雾可信度,若无雾,执行S28。
S28:消除团雾预警,执行S30。
S29:团雾预警,执行S30。
S30:云计算,即计算附近接入联网车辆,及团雾信息上传率,执行S31。
S31:判断上传率是否满足消息推送,若是,执行S32,若否,执行S28。
S32:云服务消息推送,执行车辆1端的团雾预警方法。
总而言之,根据本发明实施例的团雾预警方法,通过图像分析的方式来进行团雾识别,不过多地依赖硬件的性能,并结合车辆与云端服务器间的信息交互,将车辆识别到的团雾信息,上传至云端服务器,云端服务器经过计算,将消息结果推送到区域附近的联网车辆,从而实现真正意义上的团雾预警,相较于基于传感器的识别方案,可以摆脱对硬件性能的依赖,成本低,功能可靠性高,同时,本发明实施例的方法,可以对一定区域内的车辆上传数据进行对比矫正,确认团雾可信度,以及在团雾消散后消除预警,且基于车联网云服务,打通车辆客户端与云端服务器间的数据链路,组成数据网络,相较于基于公路定点安装监测器,或采用其他的辅助工具进行探测的方法,本发明实施例的方法,可以实现所有联网车辆团雾信息的实时交互,且覆盖范围较广。
本发明第三方面提出一种非临时性计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被执行时实现上述实施例所述的团雾预警方法。
本发明第四方面提出一种车辆,如图10所示,本发明实施例的车辆1包括图像采集装置10,通信装置11,以及图像处理器12。
图像采集装置10,用于采集行驶道路的原始环境图像,例如,可以包括线性相机或红外摄像头或安装在车辆上的其他图像采集设备等。
通信装置11,用于与云端服务器推送信息,以达到信息交互。
图像处理器12,用于执行上述实施例的用于车辆的团雾预警方法。
根据本发明实施例的车辆1,通过采用上述实施例的用于车辆1的团雾预警方法,可以通过图像采集装置10实时进行图像采集分析,并经图像处理器12反馈精确的团雾信息,进而经过通信装置11上传至云端服务器,从而实现所有联网车辆团雾信息的实时交互,有效减少和预防因团雾导致的公路交通事故的发生。
本发明第四方面提出一种云端服务器,如图11所示,本发明实施例的云端服务器2包括存储器20和与存储器20通信的至少一个处理器21。其中,存储器20中存储可被处理器21执行的计算机指令,计算机指令被处理器执21行时实现上述实施例的用于云端服务器2的团雾预警方法。
根据本发明实施例的云端服务器2,通过采用上述实施例所述的用于云端服务器2的团雾预警方法,可以实现所有联网车辆2团雾信息的实时交互,有效减少和预防因团雾导致的公路交通事故的发生。
在本说明书的描述中,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (12)
1.一种团雾预警方法,用于车辆,其特征在于,包括:
采集行驶道路的原始环境图像;
根据所述原始环境图像进行团雾识别;
当确定有雾时,对有雾的原始环境图像进行分析以生成团雾信息;
将所述团雾信息上传给云端服务器。
2.根据权利要求1所述的团雾预警方法,其特征在于,根据所述原始环境图像进行团雾识别,包括:
将所述原始环境图像进行转换并剥离为单通道图像;
提取每个通道图像的像素值,并根据所述像素值生成直方图;
根据所述直方图的分布规律识别团雾。
3.根据权利要求1所述的团雾预警方法,其特征在于,根据所述原始环境图像进行团雾识别,包括:
提取所述原始环境图像的像素值;
计算所述像素值的方差;
根据所述方差的大小识别团雾。
4.根据权利要求1所述的团雾预警方法,其特征在于,根据所述原始环境图像进行团雾识别,包括:
提取所述原始环境图像的图像特征;
对所述原始环境图像进行去雾处理,获得去雾后图像;
提取所述去雾后图像的图像特征;
根据所述去雾后图像的图像特征与所述原始环境图像的图像特征的差异性识别团雾。
5.根据权利要求1所述的团雾预警方法,其特征在于,对有雾的原始环境图像进行分析以生成团雾信息包括:
将有雾的所述原始环境图像进行拆分,获得多个子图像;
对每个子图像进行团雾识别,其中,识别任一个子图像碎片有雾,则确定所述原始环境图像中有雾,在确定有雾时,识别任一个子图像中无雾,则确定雾为团雾,或者,识别任一个子图像均有雾,则确定雾为全雾;
根据有雾子图像在所述原始环境图像中的位置确定雾的分布,并根据所述雾的分布确定雾的方向和有雾区域。
6.根据权利要求1所述的团雾预警方法,其特征在于,所述方法还包括:
当确定有雾时,记录雾开始路段位置;
当确定雾消失时,记录雾结束路段位置;
根据所述雾开始路段位置和所述雾结束路段位置计算有雾路段长度。
7.根据权利要求1所述的团雾预警方法,其特征在于,所述采集行驶道路的原始环境图像包括:
每隔第一预设时间采集所述原始环境图像;
当确定有雾时,每隔第二预设时间采集所述原始环境图像,其中,所述第二预设时间小于所述第一预设时间。
8.一种团雾预警方法,用于云端服务器,其特征在于,包括:
接收联网车辆的定位信息;
根据所述定位信息确定所述联网车辆行驶路段附近的云服务车辆;
接收到所述联网车辆上传的团雾信息,推送团雾预警信息给所述云服务车辆。
9.根据权利要求8所述的团雾预警方法,其特征在于,所述方法还包括:
根据上传团雾信息的联网车辆数量和上传定位信息的联网车辆数量计算团雾信息可信度;
当所述团雾信息可信度超过第一可信度阈值时,推送所述团雾预警信息;
或者,当所述团雾信息可信度低于第二可信度阈值时,推送消除团雾预警信息。
10.一种非临时性计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被执行时实现如权利要求1-9任一项所述的团雾预警方法。
11.一种车辆,其特征在于,包括:
图像采集装置和通信装置;以及
图像处理器,所述图像处理器用于执行如权利要求1-7任一项所述的团雾预警方法。
12.一种云端服务器,其特征在于,包括:
存储器和与所述存储器通信的至少一个处理器,其中,
所述存储器中存储可被所述处理器执行的计算机指令,所述计算机指令被所述处理器执行时实现如权利要求8或9所述的团雾预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002465.XA CN112769877A (zh) | 2019-10-21 | 2019-10-21 | 团雾预警方法、云端服务器及车辆和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002465.XA CN112769877A (zh) | 2019-10-21 | 2019-10-21 | 团雾预警方法、云端服务器及车辆和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112769877A true CN112769877A (zh) | 2021-05-07 |
Family
ID=75691939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911002465.XA Pending CN112769877A (zh) | 2019-10-21 | 2019-10-21 | 团雾预警方法、云端服务器及车辆和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112769877A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399924A (zh) * | 2022-02-15 | 2022-04-26 | 青岛海信网络科技股份有限公司 | 一种车辆、边缘计算设备、服务器及信息传输方法 |
CN114973725A (zh) * | 2022-04-19 | 2022-08-30 | 安徽皖通科技股份有限公司 | 一种基于物联网感知的信息服务系统 |
CN115331444A (zh) * | 2022-08-16 | 2022-11-11 | 同济大学 | 一种高速公路团雾消减方法及系统 |
WO2023065810A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 图像采集方法、装置、移动终端及计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130342713A1 (en) * | 2012-03-20 | 2013-12-26 | Xi'an Lianke Information Technology Co., Ltd. | Cloud service based intelligent photographic method, device and mobile terminal |
US20150271251A1 (en) * | 2012-10-23 | 2015-09-24 | Telefonaktiebolaget L M. Ericsson (Publ) | Method and System for Cloud Service Deployment |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN106530770A (zh) * | 2016-12-01 | 2017-03-22 | 清华大学 | 团雾路段行车安全智能检测及预警方法及系统 |
US20170187777A1 (en) * | 2014-06-25 | 2017-06-29 | Entrix Co., Ltd. | Method for providing cloud streaming service, device and system for same, and computer-readable recording medium having, recorded thereon, cloud streaming script code for same |
CN109377726A (zh) * | 2018-10-29 | 2019-02-22 | 江苏大学 | 一种基于车联网的高速公路团雾精确警示、诱导系统及方法 |
-
2019
- 2019-10-21 CN CN201911002465.XA patent/CN112769877A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130342713A1 (en) * | 2012-03-20 | 2013-12-26 | Xi'an Lianke Information Technology Co., Ltd. | Cloud service based intelligent photographic method, device and mobile terminal |
US20150271251A1 (en) * | 2012-10-23 | 2015-09-24 | Telefonaktiebolaget L M. Ericsson (Publ) | Method and System for Cloud Service Deployment |
US20170187777A1 (en) * | 2014-06-25 | 2017-06-29 | Entrix Co., Ltd. | Method for providing cloud streaming service, device and system for same, and computer-readable recording medium having, recorded thereon, cloud streaming script code for same |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN106530770A (zh) * | 2016-12-01 | 2017-03-22 | 清华大学 | 团雾路段行车安全智能检测及预警方法及系统 |
CN109377726A (zh) * | 2018-10-29 | 2019-02-22 | 江苏大学 | 一种基于车联网的高速公路团雾精确警示、诱导系统及方法 |
Non-Patent Citations (1)
Title |
---|
杨帆,王志陶,张华编著: "《精通图像处理经典算法 MATLAB版 第2版》", 31 March 2018 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023065810A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为技术有限公司 | 图像采集方法、装置、移动终端及计算机存储介质 |
CN114399924A (zh) * | 2022-02-15 | 2022-04-26 | 青岛海信网络科技股份有限公司 | 一种车辆、边缘计算设备、服务器及信息传输方法 |
CN114399924B (zh) * | 2022-02-15 | 2023-07-11 | 青岛海信网络科技股份有限公司 | 一种车辆、边缘计算设备、服务器及信息传输方法 |
CN114973725A (zh) * | 2022-04-19 | 2022-08-30 | 安徽皖通科技股份有限公司 | 一种基于物联网感知的信息服务系统 |
CN115331444A (zh) * | 2022-08-16 | 2022-11-11 | 同济大学 | 一种高速公路团雾消减方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112769877A (zh) | 团雾预警方法、云端服务器及车辆和介质 | |
EP4109331A1 (en) | Obstacle detection method and apparatus, computer device, and storage medium | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
EP3016025B1 (en) | Image processing device, image processing method, poi information creation system, warning system, and guidance system | |
EP2549738A1 (en) | Method and camera for determining an image adjustment parameter | |
KR100834550B1 (ko) | 불법 주정차 무인 자동 단속방법 및 그 시스템 | |
CN109934108B (zh) | 一种多目标多种类的车辆检测和测距系统及实现方法 | |
CN112347814A (zh) | 客流估计与展示方法、系统及计算机可读存储介质 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
KR101974105B1 (ko) | 차량번호 인식률을 높인 차량 촬영시스템 및 방법 | |
CN104335244A (zh) | 对象物识别装置 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
US11580659B2 (en) | Method for size estimation by image recognition of specific target using given scale | |
CN116580567A (zh) | 基于智能交通灯的道路拥堵原因获取方法、系统及设备 | |
CN115546738A (zh) | 一种铁轨异物检测方法 | |
KR101219659B1 (ko) | Cctv 영상을 이용한 안개 검지 시스템 및 그 방법 | |
CN111009136A (zh) | 一种高速公路行驶速度异常车辆检测方法、装置及系统 | |
KR102169211B1 (ko) | 전차 선로의 조류 둥지 자동 검출 장치 및 방법 | |
CN111277956A (zh) | 车辆盲区信息的采集方法及装置 | |
US11748664B1 (en) | Systems for creating training data for determining vehicle following distance | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
CN117197019A (zh) | 一种车辆三维点云图像融合方法及系统 | |
US20130202152A1 (en) | Selecting Visible Regions in Nighttime Images for Performing Clear Path Detection | |
WO2022267266A1 (zh) | 一种基于视觉识别的列车控制方法及设备 | |
KR102492290B1 (ko) | 교통량 측정을 위한 딥러닝 기반의 드론 영상 분석 시스템 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
RJ01 | Rejection of invention patent application after publication |