CN113239827A - 基于深度学习的智能防撞方法、系统、设备及存储介质 - Google Patents
基于深度学习的智能防撞方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113239827A CN113239827A CN202110547309.2A CN202110547309A CN113239827A CN 113239827 A CN113239827 A CN 113239827A CN 202110547309 A CN202110547309 A CN 202110547309A CN 113239827 A CN113239827 A CN 113239827A
- Authority
- CN
- China
- Prior art keywords
- motor vehicle
- automobile
- image
- collision
- network model
- 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 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000000605 extraction Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000001960 triggered effect Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于深度学习的智能防撞方法、系统、计算机设备及存储介质。所述方法应用于汽车的防撞系统，所述汽车的后视镜安装有摄像头，所述方法包括：防撞系统检测所述汽车的速度是否为零；若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像；然后通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；最后根据所述识别结果进行防撞警报处理。本发明实施例中，当检测到汽车停车时，汽车防撞系统可以通过SSD网络模型判断车辆后方的图像，进而判断车辆后方是否存在非机动车，该方法受温度的影响较小，检测的方向性强，从而提高了汽车的防撞系统的检测精度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的智能防撞方法、系统、计算机设备及存储介质。
背景技术
在交通道路中，非机动车车身比较小，并且骑行的路线与汽车的路线在横向上非常靠近，汽车停车后，由于乘客或司机打开车门之前经常忽略观察车辆后方是否有非机动车驶来就准备开门下车，这样就会很容易导致突然打开的车门造成后方非机动车辆来不及减速而撞上车门的事故，所以乘客或司机在下车时没有留意后方车辆再下车，此行为非常容易酿成事故，所以一些汽车就新增了防撞系统。
目前国内的防撞系统检测方式主要为超声波检测器和红外检测器，但是超声波传播速度受外界的温度影响较大，这对其检测的精确度造成很大的影响；而红外测距的具有价格低廉、易制和安全的优点，但是目前红外测距的方向性差，其检测的精度也不高。所以现亟需一种检测精度高的防撞系统。
发明内容
本发明实施例提供了一种基于深度学习的智能防撞方法、系统、计算机设备及存储介质，可以提高汽车防撞系统的检测精度。
第一方面，本发明实施例提供了一种基于深度学习的智能防撞方法，所述方法应用于汽车的防撞系统，所述汽车的后视镜安装有摄像头，所述方法包括：
检测所述汽车的速度是否为零；
若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像；
通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；
若根据所述识别结果确定所述汽车后方无非机动车，则不进行防撞警报；
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理。
第二方面，本发明实施例还提供了一种基于深度学习的智能防撞装置，其包括用于执行上述方法的单元。
第三方面，本发明实施例还提供了一种防撞系统，包括控制模块和摄像头，所述摄像头用于安装于汽车的后视镜上，所述控制模块存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。
本发明实施例提供了一种基于深度学习的智能防撞方法、系统、计算机设备及存储介质。其中，该方法应用于汽车的防撞系统，所述汽车的后视镜安装有摄像头，所述方法包括：防撞系统检测所述汽车的速度是否为零；若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像；然后通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；最后根据所述识别结果进行防撞警报处理。本发明实施例中，当检测到汽车停车时，汽车防撞系统可以通过SSD网络模型判断车辆后方的图像，进而判断车辆后方是否存在非机动车，本方案中，图像的获取以及深度学习处理受温度的影响较小，所以其检测精度受温度影响比较小，并且本方案是通过摄像头获取对应位置的图像，其检测的方向性强，从而提高了汽车的防撞系统的检测精度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于深度学习的智能防撞方法的应用场景示意图；
图2为本发明实施例提供的基于深度学习的智能防撞方法的一个流程示意图；
图3为本发明实施例提供的基于深度学习的智能防撞方法的一个子流程示意图；
图4为本发明实施例提供的基于深度学习的智能防撞方法的一个子流程示意图；
图5为本发明实施例提供的基于深度学习的智能防撞方法的一个子流程示意图；
图6为本发明实施例提供的基于深度学习的智能防撞方法的一个子流程示意图；
图7为本发明实施例提供的基于深度学习的智能防撞装置的一个示意性框图；
图8为本发明实施例提供的控制模块的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的基于深度学习的智能防撞方法的应用场景示意图。当检测到汽车停车时，汽车可以通过安装在后视镜中的摄像头获取汽车后方的图像，然后通过训练好的SSD(Single Shot Multi-Box Detector)网络模型进行图像识别，得到识别结果，该识别结果包括汽车后方是否有非机动车及识别非机动车的类型，最后根据识别结果进行防撞警报处理。
在一些实施例中，在汽车两侧的后视镜都安装有摄像头，在另一些实施例中，由于车辆停车后非机动车一般是在主驾驶侧行驶，所以可以只在主驾驶侧的后视镜上安装摄像头，当然，主驾驶侧的摄像头也可以获取到副驾驶侧后方部分的非机动车情况。
该基于深度学习的智能防撞方法的执行主体可以是本发明实施例提供的防撞系统，该防撞系统包括控制模块以及摄像头，该摄像头安装于汽车的后视镜上，该控制模块可以集成在汽车的中央控制器中，也可以集成在其他芯片中，例如集成在人工智能(Artificial Intelligence，AI)边缘计算开发板中，该AI边缘计算开发板可以内嵌入后视镜外壳与后视镜片之间，其中，该控制模块可以采用硬件或者软件的方式实现，例如，在一些实施例中，该控制模块为本实施例提供的AI边缘计算开发板。
在一些实施例中，当车辆两侧的后视镜都安装有摄像头，并且控制模块集成在汽车的中央控制器中时，该控制模块可以同时处理两侧的后视镜摄像头所采集的图像；当控制模块集成在后视镜中的AI边缘计算开发板中时，此时AI边缘计算开发板可以只处理对应侧的摄像头所采集的图像。
请参阅图2，图2是本申请一实施例提供的基于深度学习的智能防撞方法的一个流程示意图。该方法包括以下步骤S110-150。
S110、检测汽车的速度是否为零，若是，则执行步骤S120，若否则继续执行步骤S110。
本实施例中，汽车的速度为零则说明汽车处于停车状态，此时车内人员就有可能打开车门，所以此时需要开始判断车辆后方是否有非机动车驶来。
需要说明的是，本实施例中提及的车辆后方以车辆后视镜为界，即后视镜往车头方向为车辆前方，后视镜往车尾方向即为车辆后方。
本实施例中，在汽车的整个行驶过程中都需要进行速度的检测。
在一些实施例中，如图3所示，步骤S110包括：
S111、通过车载诊断系统获取当前的车载信息。
本实施例中，车载诊断系统(On-Board Diagnostics，OBD)可以实时读取车载内部消息，例如车辆发动机转速，每小时速度等，即该车载信息包括车辆发动机转速信息以及时速信息等。
S112、根据该车载信息确定汽车的车速是否为零。
本实施例中，具体地，根据车载信息中的发动机转速确定当前的车速是否为零，当发动机停止转动时，则确定此时的车速为零，当未停止转动时，则车速不为零。
在一些实施例中，OBD系统可以将车载信息发送至车载信息娱乐系统(In-VehicleInfotainment，IVI)，IVI系统根据车载信息进行车速的判断，当检测到车速为零时，则此时将停车信息发送至防撞系统，当防撞系统检测到停车信息时，则确定汽车当前的速度为零，此时，本实施例中的防撞系统包括IVI系统。
在另一些实施例中，OBD系统可以直接将车载信息发送至防撞系统中的控制模块，控制模块直接根据该车载信息进行车速的判断。
S120、通过摄像头获取汽车后方的图像。
本实施例中，通过安装在该汽车后视镜上的摄像头获取该汽车后方的图像。
在一些实施例中，如图4所示，步骤S120包括：
S121、发送图像获取指令至摄像头，使得该摄像头根据图像获取指令获取图像。
本实施例中，当确定汽车当前的车速为零时，将发送图像获取指令至摄像头，使得摄像头根据该获取指令获取当前的汽车后方图像。
在一些实施例中，摄像头会实时获取汽车后方的视频流，当接收到图像获取指令之后，摄像头将提取当前帧图像作为当前车汽车后方的图像，其中该当前帧图像可以包括1帧图像或多帧(如3帧)图像，即获取的汽车后方的图像可以包括一帧或多帧，当为多帧时，可以提高后续进行图像识别的准确性(即可能存在模糊图像，如果获取多帧，则可以降低根据模糊帧图像进行识别，而导致识别不准确的情况)。
在一些实施例中，当检测到汽车车速为零时，可以通过IVI系统发送图像获取指令至摄像头，使得该摄像头根据图像获取指令获取图像，即本实施例中，防撞系统中的控制模块可以与摄像头直接进行通信，也可以通过IVI系统进行通信，具体此处不做限定。
S122、接收摄像头发送的图像。
即通过摄像头获取汽车后方当前的图像。
在一些实施例中，本实施例可以通过IVI系统接收摄像头发送的图像，防撞系统也可以直接接收摄像头发送的图像，具体此处不做限定。
S130、通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果。
本申请中的SSD网络模型采用SSD-Inception框架，以Inception子模型作为前端多尺度特征提取器，以SSD子模型作为后端特征识别器。
此时，在一些实施例中，如图5所示，步骤S130包括：
S131、通过SSD网络模型中的Inception子模型对图像进行多尺度特征提取，得到多个尺寸的特征。
具体地，Inception子模型采用不同的卷积核大小对图像进行多尺度特征提取，得到多个尺寸的特征。
在一些实施例中，由于Inception-V2在输入的时候设置batch_normal，加了batch_normal以后训练起来收敛更快，学习更高效，可以减少dropout的使用，特征提取的速度更快，本申请中的防撞系统对反应速度要求非常严格，所以本实施例中Inception子模型的框架具体可以为Inception-V2。
S132、通过Inception子模型分别对多个尺寸的特征进行分解处理，得到处理后的多个尺寸的特征。
本实施例中的Inception子模型设置有特征分解卷积(1*1卷积以及，N*1和N*1卷积)，在获取多个尺寸的特征之后，本实施例可以通过Inception子模型中的特征分解卷积分别对多个尺寸的特征进行分解处理，此步骤可以实现网络参数压缩和计算加速，提高SSD网络模型的识别速度。
即本实施例中，对图像进行锚框与压缩后，再对处理后的图像进行识别。
具体地，步骤S132包括：通过SSD网络模型中的车道提取子模型提取图像中的目标车道图像；然后通过SSD网络模型中的Inception子模型对目标车道图像进行多尺度特征提取，得到多个尺寸的特征。
其中，车道提取子模型用于提取图像中的目标车道图像，该目标车道为车内人员开门时，车门可以威胁到的车道，具体地，该目标车道为对应车门侧横向往外2米所对应的整条纵向车道。本实施例中，只对提取的目标车道图像进行特征提取，可以减少特征提取以及后续图像识别的参数，进一步加快识别速度。
其中，该车道提取子模型可以为卷积神经网络(Convolutional Neural Network，CNN)。
S133、通过SSD网络模型中的SSD子模型对处理后的多个尺寸的特征进行非机动车识别处理，得到识别结果。
在一些实施例中，SSD子模型由多个卷积层组成，用于对上述多个尺寸的特征对应的Defaultboxes(默认框)结合起来，经过非极大值抑制(Non Maximum Suppression，NMS)方法来抑制掉一部分重叠或者不正确的Defaultboxes，生成最终的Defaultboxes集合(即识别结果)。
在另一些实施例中，步骤S133包括：
通过SSD网络模型中的SSD子模型，获取处理后的多个尺寸的特征中每个特征的类别置信度；对类别置信度小于预设的置信度阈值的特征进行过滤处理，得到多个过滤后的特征；对过滤后的特征进行非极大值抑制处理，得到识别结果。
即，对于每个特征(Defaultboxes)，首先根据类别置信度确定其类别(置信度最大者)与置信度值，并过滤掉属于背景的预测框。然后根据置信度阈值(如0.5)过滤掉阈值较低的预测框。对于留下的预测框进行解码，根据先验框得到其真实的位置参数，一般需要根据置信度进行降序排列，然后仅保留top-k(如400)个预测框。最后就是进行NMS算法，过滤掉那些重叠度较大的预测框，得到最终的识别结果。
在一些实施例中，在步骤S130之前，方法还包括：
以汽车后视镜的角度在实际场景中采集正样本以及负样本，其中，正样本为包含非机动车以及标注了不同非机动车类型的图像样本，负样本为不包含非机动车的图像样本。基于该正样本以及负样本对预设的SSD网络模型进行训练，得到训练后的SSD网络模型。具体地，基于该正样本以及负样本对预设SSD网络模型进行训练，确定预设SSD网络模型是否收敛，若收敛，则输出该训练后的SSD网络模型。
需要说明的是，在进行模型的训练之前，还需要进行模型的选择：
在检测模型选择上，基于深度学习的目标检测方法可以分为两种，第一种以SSD网络模型为代表，该模型是在不同位置上均等地捕获图像，然后使用识别器直接对图像进行分类。整个检测任务仅需一步即可完成，所以此检测方法速度更快。
第二种以Faster R-CNN模型为代表，该模型通过区域提议机制在图像的不同位置生成一组比例尺候选框，然后，使用卷积神经网络对候选框进行分类，通常此类检测方法具有更好的精度，但识别速度比较慢。
本申请提出的防撞系统中需要在尽可能短的时间内精准完成对车后方照片的识别，而由于SSD消除了区域提议机制和特征重采样部分，这使它成为所有深度学习方法中最快速的方法，而且SSD模型由特征提取器和一些附加的卷积层组成。添加的层采用多尺度特征图进行检测，也就是说，它们允许检测器以不同尺寸进行预测。尤其是对后视镜头中，行人、自行车或自行车等物体因速度会在后视镜图片中不断变化的场景，物体的成像尺度和不同种类物体大小都会不断变化，多尺度检测既能适配不同类别物体判别，而且对于同一物体因不同距离导致的尺度比例也具有很好的检测特性。所以本实施例采用速度更快且具有多尺寸检测的SSD网络模型作为识别模型。
S140、若根据识别结果确定汽车后方无非机动车，则不进行防撞警报。
本实施例中，如果根据识别结果确定获取到的图像中不存在非机动车，则说明此时打开车门是安全的，不需要进行防撞警报。
S150、若根据识别结果确定汽车后方存在非机动车，则根据非机动车的类型进行防撞警报处理。
在一些实施例中，如果根据识别结果确定汽车后方有非机动车，则此时车内人员要开门的时候，则需要注意，此时防撞系统会对车内人员进行防撞警报，可以根据识别到的非机动车的类型进行防撞警报，具体地，若识别到的非机动车属于一类非机动车，则进行一级防撞警报；若识别到的非机动车属于二类非机动车，则进行二级防撞警报。
其中，一类非机动车包括摩托车以及电动车等，二类非机动车包括自行车以及滑板车等。
在一些实施例中，进行一级防撞警报具体可以为，给IVI系统发送一级防撞信号，使得IVI系统发出紧促的警报声；进行二级防撞警报可以为，给IVI系统发送二级防撞信号，使得IVI系统发出正常的语音警报。
在一些实施例中，本方案进一步可以包括，如果根据识别结果确定汽车后方有非机动车，则进一步检测该汽车的车门开关是否被触发；如果车门开关被触发，则根据非机动车的类型进行防撞警报。具体地，车门开关被触发，则说明此时车内人员准备开门下车，此时马上对开门人员进行防撞警报，提醒开门人员注意车门外的非机动车，小心开门或等待再开门。
其中，如果检测到了汽车后方有非机动车驶来，但是车门开关没有被触发，则说明此时虽然停车了，但是车内人员没有要下车的，可能车辆只是临时停下，例如停下等人，等红绿灯，发生堵车情况等，此时不需要进行防撞警报，在预设时长之后返回执行步骤S110。其中，该预设时长可以根据用户自行设置，例如该5秒，具体数值此处不做限定。
具体地，在一些实施例中，防撞系统还包括防撞警报装置，该装置可以安装在车门上，当检测到有非电动车并且有车内人员车发车门开关时，则通过对应车门的装置发出警报信号，例如，当检测到车辆后方有非机动车驶来，并且车内有人准备开门时，则此时，防撞系统向被触发车门开关的车门上的防撞警报装置发送警报指令，对应的防撞警报装置根据该警报指令发出警报，具体地，该警告可以为声音+灯光，例如，如果检测到的是一类机动车，则发出急促的警报声以及快速闪烁的灯光，如果检测到的是二类机动车，则发出正常的警报声以及正常闪烁的灯光。
在一些实施例中，汽车的尾部安装有红外检测器，此时，请参阅图6，步骤S150包括：
S151、若根据识别结果确定汽车后方存在非机动车，则根据红外检测器确定非机动车距离汽车的距离。
当根据识别结果确定汽车后方存在非机动车时，则此时需要结合红外测距器确定非机动车距离汽车的距离，即若非机动车距离汽车比较近时，则此时进行警报，若还比较远，则此时的非机动车对汽车开门还不存在威胁，此时可以不进行警报。
S152、若距离小于距离阈值，则根据非机动车的类型进行防撞警报处理。
本实施例中，距离阈值可以为5米，也可以为其他数值，具体数值可以根据需要进行灵活设备，此处对距离阈值不做限定，此时，如果确定汽车后方存在非机动车，且非机动车距离汽车小于5米，则此时需要进行防撞警报处理，本实施例增加了红外检测器对非机动车的距离进行进一步的检测，当非机动车处在开门安全距离的时候，不对用户进行警报处理，用户也可以安全打开车门，提高用户的体验感。
随着城市机动车的保有量不断增加，城市发生交通事故的频率也在不断提高，而在这些交通事故中，经常会出现驾驶人或者乘车人由于驾驶习惯不好或安全意识不强，在停车开门时没有注意后方情况而将从两侧经过的自行车或者电动车撞倒在地的情况发生，造成严重的交通事故。本申请通过防撞系统，当车静止时用安置于后视镜的摄像头对车门后方拍照并通过SSD-Inception的组合模块对捕捉到的图像进行快速准确地识别与判断。根据识别出的非机动车类型，在车内发出不同等级的警报提醒车内人员注意后方来车，谨慎开门。
综上所述，本申请中的防撞系统检测所述汽车的速度是否为零；若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像；然后通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；最后根据所述识别结果进行防撞警报处理。本发明实施例中，当检测到汽车停车时，汽车防撞系统可以通过SSD网络模型判断车辆后方的图像，进而判断车辆后方是否存在非机动车，本方案中，图像的获取以及深度学习处理受温度的影响较小，所以其检测精度受温度影响比较小，并且本方案是通过摄像头获取对应位置的图像，其检测的方向性强，从而提高了汽车的防撞系统的检测精度。
图7是本发明实施例提供的一种基于深度学习的智能防撞装置的示意性框图。如图7所示，对应于以上基于深度学习的智能防撞方法，本发明还提供一种基于深度学习的智能防撞装置，该装置被配置于防撞系统，该防撞系统应用在汽车上。具体地，该防撞系统包括控制模块以及摄像头，该摄像头安装在汽车的后视镜上。具体地，请参阅图7，该基于深度学习的智能防撞装置包括检测单元701、获取单元702、识别单元703以及防撞警报单元704。
检测单元701，用于检测所述汽车的速度是否为零；
获取单元702，用于当所述汽车的速度为零时，通过所述摄像头获取所述汽车后方的图像；
识别单元703，用于通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；
防撞警报单元704，用于若根据所述识别结果确定所述汽车后方无非机动车，则不进行防撞警报；若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理。
在一些实施例中，所述识别单元703具体用于：
通过所述SSD网络模型中的Inception子模型对所述图像进行多尺度特征提取，得到多个尺寸的特征；
通过所述Inception子模型分别对所述多个尺寸的特征进行分解处理，得到处理后的多个尺寸的特征；
通过所述SSD网络模型中的SSD子模型对所述处理后的多个尺寸的特征进行非机动车识别处理，得到所述识别结果。
在一些实施例中，所述识别单元703进一步具体用于：
通过所述SSD网络模型中的车道提取子模型提取所述图像中的目标车道图像；
通过所述SSD网络模型中的Inception子模型对所述目标车道图像进行多尺度特征提取，得到多个尺寸的特征。
在一些实施例中，所述识别单元703进一步具体用于：
通过所述SSD网络模型中的SSD子模型，获取所述处理后的多个尺寸的特征中每个特征的类别置信度；
对所述类别置信度小于预设的置信度阈值的特征进行过滤处理，得到多个过滤后的特征；
对所述过滤后的特征进行非极大值抑制处理，得到所述识别结果。
在一些实施例中，所述防撞警报单元704具体用于：
若根据所述识别结果确定所述汽车后方存在非机动车，则检测所述汽车的车门开关是否被触发；
如果车门开关被触发，则根据所述非机动车的类型进行防撞警报处理。
在一些实施例中，所述防撞警报单元704具体用于：
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述红外检测器确定所述非机动车距离所述汽车的距离；
若所述距离小于距离阈值，则根据所述非机动车的类型进行防撞警报处理。
在一些实施例中，所述防撞警报单元704具体用于：
识别所述非机动车的类型，得到非机动车类型结果；
若根据所述非机动车类型结果确定所述非机动车为一类非机动车，则进行一级防撞警报；
若根据所述非机动车类型结果确定所述非机动车为二类非机动车，则进行二级防撞警报。
在一些实施例中，所述防撞警报单元704进一步具体用于：
检测所述汽车的车门开关是否被触发；
如果车门开关被触发，则根据所述非机动车的类型进行防撞警报。
若车门开关未被触发，则预设时长后返回步骤检测所述汽车的速度是否为零。
在一些实施例中，所述检测单元701具体用于：
通过车载诊断系统获取当前的车载信息；
根据所述车载信息确定所述汽车的车速是否为零。
在一些实施例中，所述获取单元702具体用于：
若所述汽车的速度为零，则发送图像获取指令至所述摄像头，使得所述摄像头根据所述图像获取指令获取所述图像；
接收所述摄像头发送的所述图像。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述防撞系统400和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述基于深度学习的智能防撞装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的防撞系统的控制模块上运行。
请参阅图8，图8是本申请实施例提供的一种控制模块的示意性框图。该控制模块800可以是汽车的中央控制器，也可以是内嵌入后汽车的视镜外壳与后视镜片之间的AI边缘计算开发板。
参阅图8，该控制模块800包括通过系统总线801连接的处理器802、存储器和网络接口805，其中，存储器可以包括存储介质803和内存储器804。
该存储介质803可存储操作系统8031和计算机程序8032。该计算机程序8032包括程序指令，该程序指令被执行时，可使得处理器802执行一种基于深度学习的智能防撞方法。
该处理器802用于提供计算和控制能力，以支撑整个控制模块800的运行。
该内存储器804为存储介质803中的计算机程序8032的运行提供环境，该计算机程序8032被处理器802执行时，可使得处理器802执行一种基于深度学习的智能防撞方法。
该网络接口805用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的控制模块800的限定，具体的控制模块800可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器802用于运行存储在存储器中的计算机程序8032，以实现如下步骤：
检测所述汽车的速度是否为零；
若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像；
通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；
若根据所述识别结果确定所述汽车后方无非机动车，则不进行防撞警报；
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理。
在一实施例中，处理器802在实现所述通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果步骤时，具体实现如下步骤：
通过所述SSD网络模型中的Inception子模型对所述图像进行多尺度特征提取，得到多个尺寸的特征；
通过所述Inception子模型分别对所述多个尺寸的特征进行分解处理，得到处理后的多个尺寸的特征；
通过所述SSD网络模型中的SSD子模型对所述处理后的多个尺寸的特征进行非机动车识别处理，得到所述识别结果。
在一实施例中，处理器802在实现所述通过所述SSD网络模型中的Inception子模型对所述图像进行多尺度特征提取步骤时，具体实现如下步骤：
通过所述SSD网络模型中的车道提取子模型提取所述图像中的目标车道图像；
通过所述SSD网络模型中的Inception子模型对所述目标车道图像进行多尺度特征提取，得到多个尺寸的特征。
在一实施例中，处理器802在实现所述通过所述SSD网络模型中的SSD子模型对所述处理后的多个尺寸的特征进行非机动车识别处理，得到所述识别结果步骤时，具体实现如下步骤：
通过所述SSD网络模型中的SSD子模型，获取所述处理后的多个尺寸的特征中每个特征的类别置信度；
对所述类别置信度小于预设的置信度阈值的特征进行过滤处理，得到多个过滤后的特征；
对所述过滤后的特征进行非极大值抑制处理，得到所述识别结果。
在一实施例中，处理器802在实现若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理步骤时，具体实现如下步骤：
若根据所述识别结果确定所述汽车后方存在非机动车，则检测所述汽车的车门开关是否被触发；
如果车门开关被触发，则根据所述非机动车的类型进行防撞警报处理。
在一实施例中，处理器802在实现所述汽车的尾部安装有红外检测器，所述若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理步骤时，具体实现如下步骤：
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述红外检测器确定所述非机动车距离所述汽车的距离；
若所述距离小于距离阈值，则根据所述非机动车的类型进行防撞警报处理。
在一实施例中，处理器802在实现所述根据所述非机动车的类型进行防撞警报处理步骤时，还实现如下步骤：
识别所述非机动车的类型，得到非机动车类型结果；
若根据所述非机动车类型结果确定所述非机动车为一类非机动车，则进行一级防撞警报；
若根据所述非机动车类型结果确定所述非机动车为二类非机动车，则进行二级防撞警报。
在一实施例中，处理器802在实现所述若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像步骤时，具体实现如下步骤：
若所述汽车的速度为零，则发送图像获取指令至所述摄像头，使得所述摄像头根据所述图像获取指令获取所述图像；
接收所述摄像头发送的所述图像。
应当理解，在本申请实施例中，处理器802可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器802还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：
检测所述汽车的速度是否为零；
若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像；
通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；
若根据所述识别结果确定所述汽车后方无非机动车，则不进行防撞警报；
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理。
在一实施例中，所述处理器在执行所述程序指令而实现所述通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果步骤时，具体实现如下步骤：
通过所述SSD网络模型中的Inception子模型对所述图像进行多尺度特征提取，得到多个尺寸的特征；
通过所述Inception子模型分别对所述多个尺寸的特征进行分解处理，得到处理后的多个尺寸的特征；
通过所述SSD网络模型中的SSD子模型对所述处理后的多个尺寸的特征进行非机动车识别处理，得到所述识别结果。
在一实施例中，所述处理器在执行所述程序指令而实现所述通过所述SSD网络模型中的Inception子模型对所述图像进行多尺度特征提取步骤时，具体实现如下步骤：
通过所述SSD网络模型中的车道提取子模型提取所述图像中的目标车道图像；
通过所述SSD网络模型中的Inception子模型对所述目标车道图像进行多尺度特征提取，得到多个尺寸的特征。
在一实施例中，所述处理器在执行所述程序指令而实现所述通过所述SSD网络模型中的SSD子模型对所述处理后的多个尺寸的特征进行非机动车识别处理，得到所述识别结果步骤时，具体实现如下步骤：
通过所述SSD网络模型中的SSD子模型，获取所述处理后的多个尺寸的特征中每个特征的类别置信度；
对所述类别置信度小于预设的置信度阈值的特征进行过滤处理，得到多个过滤后的特征；
对所述过滤后的特征进行非极大值抑制处理，得到所述识别结果。
在一实施例中，所述处理器在执行所述程序指令而实现若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理步骤时，具体实现如下步骤：
若根据所述识别结果确定所述汽车后方存在非机动车，则检测所述汽车的车门开关是否被触发；
如果车门开关被触发，则根据所述非机动车的类型进行防撞警报处理。
在一实施例中，所述处理器在执行所述程序指令而实现所述汽车的尾部安装有红外检测器，所述若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理步骤时，具体实现如下步骤：
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述红外检测器确定所述非机动车距离所述汽车的距离；
若所述距离小于距离阈值，则根据所述非机动车的类型进行防撞警报处理。
在一实施例中，所述处理器在执行所述程序指令而实现所述根据所述非机动车的类型进行防撞警报处理步骤时，还实现如下步骤：
识别所述非机动车的类型，得到非机动车类型结果；
若根据所述非机动车类型结果确定所述非机动车为一类非机动车，则进行一级防撞警报；
若根据所述非机动车类型结果确定所述非机动车为二类非机动车，则进行二级防撞警报。。
在一实施例中，所述处理器在执行所述程序指令而实现所述若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像步骤时，具体实现如下步骤：
若所述汽车的速度为零，则发送图像获取指令至所述摄像头，使得所述摄像头根据所述图像获取指令获取所述图像；
接收所述摄像头发送的所述图像。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，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单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的智能防撞方法，其特征在于，所述方法应用于汽车的防撞系统，所述汽车的后视镜安装有摄像头，所述方法包括：
检测所述汽车的速度是否为零；
若所述汽车的速度为零，则通过所述摄像头获取所述汽车后方的图像；
通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；
若根据所述识别结果确定所述汽车后方无非机动车，则不进行防撞警报；
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理。
2.根据权利要求1所述的方法，其特征在于，所述通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果，包括：
通过所述SSD网络模型中的Inception子模型对所述图像进行多尺度特征提取，得到多个尺寸的特征；
通过所述Inception子模型分别对所述多个尺寸的特征进行分解处理，得到处理后的多个尺寸的特征；
通过所述SSD网络模型中的SSD子模型对所述处理后的多个尺寸的特征进行非机动车识别处理，得到所述识别结果。
3.根据权利要求2所述的方法，其特征在于，所述通过所述SSD网络模型中的Inception子模型对所述图像进行多尺度特征提取，包括：
通过所述SSD网络模型中的车道提取子模型提取所述图像中的目标车道图像；
通过所述SSD网络模型中的Inception子模型对所述目标车道图像进行多尺度特征提取，得到多个尺寸的特征。
4.根据权利要求2所述的方法，其特征在于，所述通过所述SSD网络模型中的SSD子模型对所述处理后的多个尺寸的特征进行非机动车识别处理，得到所述识别结果，包括：
通过所述SSD网络模型中的SSD子模型，获取所述处理后的多个尺寸的特征中每个特征的类别置信度；
对所述类别置信度小于预设的置信度阈值的特征进行过滤处理，得到多个过滤后的特征；
对所述过滤后的特征进行非极大值抑制处理，得到所述识别结果。
5.根据权利要求1所述的方法，其特征在于，所述若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理，包括：
若根据所述识别结果确定所述汽车后方存在非机动车，则检测所述汽车的车门开关是否被触发；
如果车门开关被触发，则根据所述非机动车的类型进行防撞警报处理。
6.根据权利要求1所述的方法，其特征在于，所述汽车的尾部安装有红外检测器，所述若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理，包括：
若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述红外检测器确定所述非机动车距离所述汽车的距离；
若所述距离小于距离阈值，则根据所述非机动车的类型进行防撞警报处理。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述根据所述非机动车的类型进行防撞警报处理，包括：
识别所述非机动车的类型，得到非机动车类型结果；
若根据所述非机动车类型结果确定所述非机动车为一类非机动车，则进行一级防撞警报；
若根据所述非机动车类型结果确定所述非机动车为二类非机动车，则进行二级防撞警报。
8.一种基于深度学习的智能防撞装置，其特征在于，被配置于汽车的防撞系统，所述汽车的后视镜安装有摄像头，所述装置包括：
检测单元，用于检测所述汽车的速度是否为零；
获取单元，用于当所述汽车的速度为零时，通过所述摄像头获取所述汽车后方的图像；
识别单元，用于通过训练好的SSD网络模型对所述图像进行非机动车识别处理，得到识别结果；
防撞警报单元，用于若根据所述识别结果确定所述汽车后方无非机动车，则不进行防撞警报；若根据所述识别结果确定所述汽车后方存在非机动车，则根据所述非机动车的类型进行防撞警报处理。
9.一种防撞系统，其特征在于，包括控制模块和摄像头，所述摄像头用于安装于汽车的后视镜上，所述控制模块包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110547309.2A CN113239827A (zh) | 2021-05-19 | 2021-05-19 | 基于深度学习的智能防撞方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110547309.2A CN113239827A (zh) | 2021-05-19 | 2021-05-19 | 基于深度学习的智能防撞方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113239827A true CN113239827A (zh) | 2021-08-10 |
Family
ID=77137693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110547309.2A Pending CN113239827A (zh) | 2021-05-19 | 2021-05-19 | 基于深度学习的智能防撞方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239827A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888901A (zh) * | 2021-09-29 | 2022-01-04 | 英华达（南京）科技有限公司 | 智能安全行车提醒装置、方法及头盔 |
| TWI781760B (zh) * | 2021-09-10 | 2022-10-21 | 國立勤益科技大學 | 應用深度學習影像辨識技術於車門碰撞檢測方法及系統 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
| CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
| US20210101529A1 (en) * | 2018-07-10 | 2021-04-08 | Ningbo Geely Automobile Research & Development Co., Ltd. | Vehicle comprising a door opening warning system |
-
2021
- 2021-05-19 CN CN202110547309.2A patent/CN113239827A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
| US20210101529A1 (en) * | 2018-07-10 | 2021-04-08 | Ningbo Geely Automobile Research & Development Co., Ltd. | Vehicle comprising a door opening warning system |
| CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| YOUNGWAN LEE等: "Wide-Residual-Inception Networks for Real-time Object Detection", 《2017 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV)》, 14 June 2017 (2017-06-14), pages 759 - 761 * |
| 边缘计算NVIDIA&ROCKCHIP: "SSD模型原理以及在Jetson-nano上部署SSD模型", Retrieved from the Internet <URL:https://blog.csdn.net/shajiayu1/article/details/105755293/> * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI781760B (zh) * | 2021-09-10 | 2022-10-21 | 國立勤益科技大學 | 應用深度學習影像辨識技術於車門碰撞檢測方法及系統 |
| CN113888901A (zh) * | 2021-09-29 | 2022-01-04 | 英华达（南京）科技有限公司 | 智能安全行车提醒装置、方法及头盔 |
| CN113888901B (zh) * | 2021-09-29 | 2023-01-31 | 英华达（南京）科技有限公司 | 智能安全行车提醒装置、方法及头盔 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108583432B (zh) | 一种基于图像识别技术的智能a柱盲区预警装置与方法 | |
| JP7139717B2 (ja) | 車両用通信装置、車両用通信方法、及び制御プログラム | |
| CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
| CN102785661B (zh) | 车道偏离控制系统及方法 | |
| CN111731284B (zh) | 一种辅助驾驶方法、装置、车载终端设备和存储介质 | |
| US9697430B2 (en) | Method and apparatus for identifying road signs | |
| US10671071B2 (en) | Control method and control device of automatic driving vehicle | |
| WO2018180509A1 (ja) | 画像処理装置、および画像処理方法 | |
| CN110481543B (zh) | 一种应对行车碰撞的方法及装置 | |
| CN108615383B (zh) | 基于车间通信的汽车交通路口辅助通行系统及其控制方法 | |
| CN113239827A (zh) | 基于深度学习的智能防撞方法、系统、设备及存储介质 | |
| CN103533229B (zh) | 车道线识别方法及装置 | |
| CN111942317B (zh) | 开车门防撞方法、装置、系统和计算机可读存储介质 | |
| US11713046B2 (en) | Driving assistance apparatus and data collection system | |
| CN107878465B (zh) | 移动体控制装置和移动体 | |
| US20210372192A1 (en) | Apparatus and Control Unit for Automating a State Change of a Window Pane of a Vehicle | |
| KR20210065177A (ko) | 이미지 수집 기기 가림 상태 검출 방법, 장치, 기기 및 저장 매체 | |
| CN112498341B (zh) | 基于路况的紧急制动方法、装置及计算机可读存储介质 | |
| US20230005249A1 (en) | Information processing apparatus, information processing system, information processing method, and information processing program | |
| CN112698660B (zh) | 基于9轴传感器的驾驶行为视觉感知装置及方法 | |
| US20210101605A1 (en) | Vehicle driving assist system | |
| US20230007914A1 (en) | Safety device and method for avoidance of dooring injuries | |
| CN114274965A (zh) | 车辆控制方法、车辆控制装置、车载终端设备及存储介质 | |
| Kim et al. | Development of passenger safety system based on the moving object detection and test result on the real vehicle | |
| Chee et al. | A Framework for lane departure warning system for various lane markings |
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 |