CN113593301B - 车辆加塞的预判断方法、车辆及计算机可读存储介质 - Google Patents
车辆加塞的预判断方法、车辆及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113593301B CN113593301B CN202110834018.1A CN202110834018A CN113593301B CN 113593301 B CN113593301 B CN 113593301B CN 202110834018 A CN202110834018 A CN 202110834018A CN 113593301 B CN113593301 B CN 113593301B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- target vehicle
- lane line
- track
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种车辆加塞的预判断方法、车辆及计算机可读存储介质,所述方法包括:实时采集自车车辆的环视图像,并确定所述环视图像中是否存在目标车辆;若存在,则获取所述目标车辆行驶的目标车轨迹和所述自车车辆对应的目标车道线,并检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交;若相交,则根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹,并检测所述新目标车轨迹是否和所述自车车辆的行驶轨迹相交;若相交,则确定存在加塞场景,并输出预设的加塞信号。从而减少了从目标车辆出现在前视感知系统的视角中到被确认为目标车辆的时间,为本车创造更多的反应时间,降低了追尾的风险。
Description
技术领域
本发明涉及智能车辆技术领域,尤其涉及一种车辆加塞的预判断方法、车辆及计算机可读存储介质。
背景技术
车辆在行驶的过程中经常发生被相邻车道车道加塞的情况,加塞行为不仅影响道路上车辆的正常行驶,扰乱车道间的行车秩序,还容易造成车辆碰撞等危险,因此,能够对相邻车道车辆加塞行为进行判别尤为重要。而现阶段量产的智能车辆已经具有判断相邻车道车辆是否加塞的功能,其主要的实现方式为,通过前视长距离摄像头感知前方是否有车辆进入自车车辆的运行路线,从而控制自车车辆进行减速。但是由于前视长距离摄像头的感知视角范围有限,从加塞车辆出现在视角中到被确认为目标车辆,需要经过一段较长的确认时间。而在这段时间内,目标车辆已经完成加塞,导致自车车辆来不及反应并进行有效刹车,造成追尾的风险。
发明内容
本发明的主要目的在于提供一种车辆加塞的预判断方法。旨在解决由于前视长距离摄像头的感知视角范围有限,确认加塞车辆用时长的问题。
为实现上述目的,本发明提供一种车辆加塞的预判断方法,包括如下步骤:
实时采集自车车辆的环视图像,并确定所述环视图像中是否存在目标车辆;
若存在目标车辆,则获取所述目标车辆行驶的目标车轨迹和所述自车车辆对应的目标车道线,并检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交;
若所述目标车轨迹和所述目标车道线相交,则根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹,并检测所述新目标车轨迹是否和所述自车车辆的行驶轨迹相交;
若所述新目标车轨迹和所述自车车辆的行驶轨迹相交,则确定存在加塞场景,并输出预设的加塞信号。
可选的,所述检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交的步骤,包括:
根据所述环视图像确定所述目标车轨迹是否与所述目标车道线相交;
若所述目标车轨迹与所述目标车道线相交,则获取所述目标车轨迹与所述目标车道线相交的相交时刻;
若所述相交时刻小于预设的相交时间阈值,则确定存在预加塞场景,并基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆;
根据所述基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆的检测结果,确定所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交。
可选的,所述获取所述自车车辆对应的目标车道线的步骤,包括:
根据所述环视图像确定所述自车车辆的自车车辆行驶车道,并检测是否存在所述自车车辆行驶车道对应的初始车道线;
若存在所述自车车辆行驶车道对应的初始车道线,则将所述初始车道线作为所述自车车辆对应的目标车道线。
可选的,所述检测是否存在所述自车车辆行驶车道对应的初始车道线的步骤之后,还包括:
若不存在所述自车车辆行驶车道对应的初始车道线,则基于预设的安全距离在所述自车车辆的左侧和/或右侧生成虚拟车道线,将所述虚拟车道线作为所述自车车辆对应的目标车道线。
可选的,所述根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹的步骤,包括:
根据所述自车车辆采集的前视图像数据确定前视目标车辆;
判断所述前视目标车辆与所述目标车辆是否可以关联;
若可以关联,则根据所述前视图像数据对目标车轨迹进行更新,以获取新目标车轨迹。
可选的,所述实时采集自车车辆的环视图像的步骤,包括:
通过环视摄像头实时采集所述自车车辆周边环境的实时图像;
利用深度学习算法模型对所述实时图像进行图像识别,以得到环视图像。
可选的,所述深度学习算法模型包括左图像深度学习感知算法模型和右图像深度学习感知算法模型;获得所述左图像深度学习感知算法模型和右图像深度学习感知算法模型的步骤包括:
对采集的离线图像进行图像处理,以获取左学习图像和右学习图像;
将所述左学习图像输入至所述环视摄像头中右摄像头对应的深度学习模型进行模型训练,以得到所述左图像深度学习感知算法模型;
将所述右学习图像输入至所述环视摄像头中左摄像头对应的深度学习模型进行模型训练,以得到所述左图像深度学习感知算法模型。
可选的,所述确定所述环视图像中是否存在目标车辆的步骤,包括:
提取所述环视图像中的所有车辆信息;
根据所述所有车辆信息确定所述所有车辆与所述自车车辆的车辆距离,并将与所述自车车辆的车辆距离小于预设跟踪距离的车辆作为潜在目标车辆;
基于预设跟踪时间对所述潜在目标车辆进行跟踪,以获取所述潜在目标车辆与所述自车车辆车辆之间的实时车辆距离,检测各所述实时车辆距离是否小于预设跟踪距离;
根据检测各所述实时车辆距离是否小于预设跟踪距离的检测结果,确定所述环视图像数据中是否存在目标车辆。
此外,为实现上述目的,本发明还提供一种车辆,所述车辆包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆加塞的预判断程序,所述车辆加塞的预判断程序被所述处理器执行时实现如上所述的车辆加塞的预判断的步骤。
此外,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车辆加塞的预判断程序,所述车辆加塞的预判断程序被处理器执行时实现如上所述的车辆加塞的预判断方法的步骤。
本发明实施例提出的一种车辆加塞的预判断方法、车辆及计算机可读存储介质,本发明通过环视摄像头获取的环视图像数据可以判断目标车辆是否在预设的相交时间阈值前与自车车辆对应的目标车道线相交,若在预设的相交时间阈值前相交则确认目标车辆预加塞,再通过前视长距离摄像头获取的前视图像数据对目标车辆进行跟踪,从而减少了从目标车辆出现在前视感知系统的视角中到被确认为目标车辆的时间,避免了由于前视长距离摄像头的感知视角范围有限,确认加塞车辆用时长的现象发生,为本车创造更多的反应时间,降低了追尾的风险。
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装置结构示意图;
图2为本发明车辆加塞的预判断方法第一实施例的流程示意图;
图3为本发明车辆加塞的预判断方法第二实施例的部分流程示意图;
图4为本发明车辆加塞的预判断方法第三实施例的部分流程示意图;
图5为本发明车辆加塞的预判断方法第四实施例的部分流程示意图;
图6为本发明车辆加塞的预判断方法第五实施例的部分流程示意图;
图7为本发明车辆加塞的预判断方法第六实施例的部分流程示意图;
图8为本发明车辆加塞的预判断方法第七实施例的部分流程示意图;
图9为本发明车辆加塞的预判断方法第七实施例的部分示意图;
图10为本发明车辆加塞的预判断方法第八实施例的部分流程示意图;
图11为本发明车辆加塞的预判断方法的一部分流程示意图;
图12为本发明车辆加塞的预判断方法的另一部分流程示意图;
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
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
本发明实施例终端可以为车辆。如图1所示,该为车辆可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,车辆还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,摄像头包括环视摄像头和前视长距离摄像头,传感器比如光传感器、运动传感器以及其他传感器。具体地,环视摄像头,或称为全景式影像监控系统,能将汽车顶部各个方向鸟视画面拼接起来,并动态显示在车内的液晶屏上,此外,环视摄像头还能识别停车通道标识、车道线、路缘和附近车辆。前视长距离摄像头为安装在车辆前方的摄像头,可视距离在百米左右。光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在硬件设备移动到耳边时,关闭显示屏和/或背光。当然,硬件设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的车辆的结构并不构成对车辆的限定,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。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆加塞的预判断程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的车辆加塞的预判断程序,并执行以下操作:
实时采集自车车辆的环视图像,并确定所述环视图像中是否存在目标车辆;
若存在目标车辆,则获取所述目标车辆行驶的目标车轨迹和所述自车车辆对应的目标车道线,并检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交;
若所述目标车轨迹和所述目标车道线相交,则根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹,并检测所述新目标车轨迹是否和所述自车车辆的行驶轨迹相交;
若所述新目标车轨迹和所述自车车辆的行驶轨迹相交,则确定存在加塞场景,并输出预设的加塞信号。
进一步地,处理器1001可以调用存储器1005中存储的车辆加塞的预判断程序,还执行以下操作:
根据所述环视图像确定所述目标车轨迹是否与所述目标车道线相交;
若所述目标车轨迹与所述目标车道线相交;则获取所述目标车轨迹与所述目标车道线相交的相交时刻;
若所述相交时刻小于预设的相交时间阈值,则确定存在预加塞场景,并基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆;
根据所述基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆的检测结果,确定所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交。
进一步地,处理器1001可以调用存储器1005中存储的车辆加塞的预判断程序,还执行以下操作:
根据所述环视图像确定所述自车车辆的自车车辆行驶车道,并检测是否存在所述自车车辆行驶车道对应的初始车道线;
若存在所述自车车辆行驶车道对应的初始车道线,则将所述初始车道线作为所述自车车辆对应的目标车道线。
进一步地,处理器1001可以调用存储器1005中存储的车辆加塞的预判断程序,还执行以下操作:
若不存在所述自车车辆行驶车道对应的初始车道线,则基于预设的安全距离在所述自车车辆的左侧和/或右侧生成虚拟车道线,将所述虚拟车道线作为所述自车车辆对应的目标车道线。
进一步地,处理器1001可以调用存储器1005中存储的车辆加塞的预判断程序,还执行以下操作:
根据所述自车车辆采集的前视图像数据确定环视目标车辆;
判断所述环视目标车辆与所述目标车辆是否可以关联;
若可以关联,则根据所述前视图像数据对目标车轨迹进行更新,以获取新目标车轨迹。
进一步地,处理器1001可以调用存储器1005中存储的车辆加塞的预判断程序,还执行以下操作:
通过环视摄像头实时采集所述自车车辆周边环境的实时图像;
利用深度学习算法模型对所述实时图像进行识别,以得到环视图像。
进一步地,处理器1001可以调用存储器1005中存储的车辆加塞的预判断程序,还执行以下操作:
对采集的离线图像进行图像处理,以获取左学习图像和右学习图像;
将所述左学习图像输入至所述环视摄像头中右摄像头对应的深度学习模型进行模型训练,以得到所述左图像深度学习感知算法模型;
将所述右学习图像输入至所述环视摄像头中左摄像头对应的深度学习模型进行模型训练,以得到所述右图像深度学习感知算法模型。
进一步地,处理器1001可以调用存储器1005中存储的车辆加塞的预判断程序,还执行以下操作:
提取所述环视图像中的所有车辆信息;
根据所述所有车辆信息确定所述所有车辆与所述自车车辆的车辆距离,并将与所述自车车辆的车辆距离小于预设跟踪距离的车辆作为潜在目标车辆;
基于预设跟踪时间对所述潜在目标车辆进行跟踪,以获取所述潜在目标车辆与所述自车车辆车辆之间的实时车辆距离,检测各所述实时车辆距离是否小于预设跟踪距离;
根据检测各所述实时车辆距离是否小于预设跟踪距离的检测结果,确定所述环视图像数据中是否存在目标车辆。
本发明应用于车辆的具体实施例与下述应用车辆加塞的预判断方法的各实施例基本相同,在此不作赘述。
请参照图2,图2为本发明车辆加塞的预判断方法第一实施例的流程示意图,其中,所述车辆加塞的预判断方法包括如下步骤:
步骤S100,实时采集自车车辆的环视图像,并确定所述环视图像中是否存在目标车辆;
本实施例中,自车车辆为本车车辆,环视图像为自车车辆在行驶过程中,车载环视摄像头实时采集到的自车车辆周围的环视数据。其中环视摄像头中的左、右摄像头实时采集左、右相邻车道的图像数据,将采集到的图像数据经过深度学习算法模型的预测,可以识别出相邻车道中的车辆信息,并确定是否存在目标车辆,其中目标车辆为可能加塞的其它车辆。
可以理解的是,环视摄像头或称为全景式影像监控系统,至少包括前、后、左、右四个方向的摄像头;能将汽车顶部各个方向鸟视画面拼接起来,并动态显示在车内的液晶屏上,此外,环视摄像头还能识别停车通道标识、车道线、路缘和附近车辆等车辆周围的信息。
步骤S200,若存在目标车辆,则获取所述目标车辆行驶的目标车轨迹和所述自车车辆对应的目标车道线,并检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交;
如果确定存在可能加塞的目标车辆,则通过环视摄像头采集的图像数据,可以得到目标车辆与自车车辆的距离参数、位置参数,基于自车车辆的行驶轨迹,使用三次多项式拟合并生成目标车辆的目标车轨迹。自车车辆对应的目标车道线为自车车辆行驶时所在车道对应的车道线。预设的相交时间阈值为,以检测到目测车辆的时刻为基准时刻,设定一定的时间间隔,基准时刻加上时间间隔得到相交时间阈值,一定的时间间隔可以根据实际情况进行设定,检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交,若在时间阈值前相交,则确认为所述目标车轨迹和所述目标车道线相交,若在时间阈值前没有相交,则确认为所述目标车轨迹和所述目标车道线不会相交。
步骤S300,若所述目标车轨迹和所述目标车道线相交,则根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹,并检测所述新目标车轨迹是否和所述自车车辆的行驶轨迹相交;
前视图像数据为通过前视长距离摄像头采集到的自车车辆前方、前视长距离摄像头视角范围内的图像数据。在检测到所述目标车轨迹和所述目标车道线相交时,说明目标车辆可能进入自车车辆行驶时所在车道对应的车道线,此时,目标车辆会出现在自车车辆的前视长距离摄像头的感知视角范围内,前视长距离摄像头采集到的前视图像数据中可以获取到的车辆数据即判断为目标车辆数据,再通过目标车辆数据对所述目标车轨迹进行更新修正目标车轨迹,以获取新目标车轨迹。并检测所述新目标车轨迹是否和所述自车车辆的行驶轨迹相交。
步骤S400,若所述新目标车轨迹和所述自车车辆的行驶轨迹相交,则确定存在加塞场景,并输出预设的加塞信号。
若所述新目标车轨迹与所述自车车辆的行驶轨迹相交,说明目标车辆会驶入自车车辆行驶的车道,即可确定加塞场景存在,此时输出预设的加塞信号,预设的加塞信号可以为降低车速的控制信号和/或提示驾驶员的报警信号,降低车速的控制信号可以为刹车信号以使自车车辆降低车速,及时对加塞状况进行处置;提示驾驶员的报警信号可以为驾驶员预留足够的反应时间驾驶员接管车辆或者按响喇叭提示加塞车辆或者调整自车车速和/或方向盘,有效对车辆加塞进行反应,提升用户体验和自车车辆的行驶安全性。
本实施例中,通过环视摄像头获取的环视图像数据可以判断目标车辆是否在预设的相交时间阈值前与自车车辆对应的目标车道线相交,若在预设的相交时间阈值前相交则确认目标车辆预加塞,再通过前视长距离摄像头获取的前视图像数据对目标车辆进行跟踪,对目标车轨迹进行更新,从而减少了从目标车辆出现在前视感知系统的视角中到被确认为目标车辆的时间,检测新目标车轨迹是否和所述自车车辆的行驶轨迹相交以确定目标车辆是否会加塞,从而避免了由于前视长距离摄像头的感知视角范围有限,确认加塞车辆用时长的现象发生,为本车创造更多了的反应时间,降低了追尾的风险,并且加塞后的舒适性降速控制可以大大提升用户的体验感。
进一步地,参照图3,图3为本发明车辆加塞的预判断方法第二实施例的流程示意图,基于上述图2所示的实施例,步骤S200,检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交的步骤,包括:
步骤S210,根据所述环视图像确定所述目标车轨迹是否与所述目标车道线相交;
步骤S220,若所述目标车轨迹与所述目标车道线相交;则获取所述目标车轨迹与所述目标车道线相交的相交时刻;若所述相交时刻小于预设的相交时间阈值,则确定存在预加塞场景,并基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆;
步骤S230,根据所述基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆的检测结果,确定所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交。
需要说明的是,现阶段量产的智能车辆判断相邻车道车辆是否加塞的主要的实现方式为:当前视长距离摄像头感知到有车辆进入自车车辆行驶车道线内,再对其进行跟踪,以根据跟踪结果对其行驶轨迹进行预测,再确认为目标车辆。那么,由于前视长距离摄像头的感知视角范围有限,从加塞车辆出现在视角中到被确认为目标车辆,需要经过一段较长的确认时间,在这段时间内,目标车辆很可能已经完成了加塞。
本实施例中,预加塞场景下,如果预设加塞时间内前视长距离摄像头感知到有其它车辆进入自车车辆对应的目标车道线,则可以有不同的处置方案,如,第一时间将感知到的车辆确认为目标车辆,不再进行跟踪、确认,此种方案中,如果前视长距离摄像头感知的车辆为一辆车时,直接确认为目标车辆可以减少确认时间,识别更迅速;再如,将前视摄像头感知的车辆与目标车辆进行关联,如果可以关联,那么确定关联成功的车辆为目标车辆,如果前视长距离摄像头感知到的车辆为不止一辆,确定将哪辆车与目标车辆关联后再进行后续的更新目标车轨迹,可以使数据更准确,判断更精准。其中,预设加塞时间为预置的时间段T1,在此时间内,判断是否有其他车辆进入目标车道线,预设加塞时间具体为多长时间在此不做限定。
确定存在预加塞场景后,前视长距离摄像头检测预设加塞时间T1内是否有进入所述目标车道线的其它车辆;当检测到其它车辆时,确定所述目标车轨迹是否和所述目标车道线相交。但是,如果在预加塞场景下,预设加塞时间T1内一直没有其它车辆进入目标车道线,则认为可能存在交通拥堵等情况,预加塞场景失效,重置成无预加塞场景。
本实施例通过确认预加塞场景,可以第一时间将前视长距离摄像头感知到的进入目标车道线的其它车辆确认为目标车辆,节省了跟踪、确认的步骤,可以大大减少确认时间,从而减少确认加塞车辆的时间。
进一步地,参照图4,图4为本发明车辆加塞的预判断方法第三实施例的流程示意图,基于上述图2所示的实施例,步骤S200,获取所述自车车辆对应的目标车道线的步骤,包括:
步骤S240,根据所述环视图像确定所述自车车辆的自车车辆行驶车道,并检测是否存在所述自车车辆行驶车道对应的初始车道线;
步骤S250,若存在所述自车车辆行驶车道对应的初始车道线,则将所述初始车道线作为所述自车车辆对应的目标车道线。
需要说明的是,所述自车车辆行驶车道对应的初始车道线为实际路况中存在的车道线,根据路况不同,自车车辆行驶车道的左右两侧可能都存在车道线,或者仅自车车辆行驶车道的左侧存在车道线,或者仅自车车辆行驶车道的右侧存在车道线。
本实施例中,基于环视摄像头采集到的环视图像可以检测到是否存在初始车道线,如果环视图像中检测到初始车道线,则将初始车道线作为所述自车车辆对应的目标车道线。
通过对原始车道线的检测来确定目标车道线,基于此,对目标车轨迹与目标车道线是否相交的判断更加准确,可以有效降低预加塞场景判断时的误差。
进一步地,参照图5,图5为本发明车辆加塞的预判断方法第四实施例的流程示意图,基于上述图4所示的实施例,步骤S240,若存在目标车辆,则根据所述环视图像确定所述自车车辆的自车车辆行驶车道,并检测是否存在所述自车车辆行驶车道对应的初始车道线的步骤之后,还包括:
步骤S251,若不存在所述自车车辆行驶车道对应的初始车道线,则基于预设的安全距离在所述自车车辆的左侧和/或右侧生成虚拟车道线,将所述虚拟车道线作为所述自车车辆对应的目标车道线。
本实施例中,考虑到路况不同,有些道路上没有车道线,或者只有一部分车道线,这种情况下,可以以自车车辆行驶轨迹为参照,在自车车辆的左侧生成虚拟车道线,或者在自车车辆的右侧生成虚拟车道线,或者在自车车辆的左右两侧生成虚拟车道线,虚拟车道线与所述自车车辆的距离为预设的安全距离,比如预设的安全距离为50cm,那么当自车车辆的左侧没有车道线时,在自车车辆的左侧、距离自车车辆50cm处生成与自车车辆行驶轨迹平行的虚拟车道线;当自车车辆的右侧没有车道线时,在自车车辆的右侧、距离自车车辆50cm处生成与自车车辆行驶轨迹平行的虚拟车道线;当自车车辆的左右两侧都没有车道线时,在自车车辆的左右两侧距离自车车辆50cm处生成与自车车辆行驶轨迹平行的虚拟车道线;预设的安全距离大小在此不做限定。
利用虚拟车道线弥补实际行驶道路上存在车道线不完善的情况,以使目标车道线的信息更加完善,基于此,对目标车轨迹与目标车道线是否相交的判断更加准确,可以有效降低预加塞场景判断时的误差。
进一步地,参照图6,图6为本发明车辆加塞的预判断方法第五实施例的流程示意图,基于上述图2所示的实施例,步骤S300,所述根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹的步骤,包括:
步骤S310,根据所述自车车辆采集的前视图像数据确定环视目标车辆;
步骤S320,判断所述环视目标车辆与所述目标车辆是否可以关联;
步骤S330,若可以关联,则根据所述前视图像数据对目标车轨迹进行更新,以获取新目标车轨迹。
本实施例中,对前视摄像头采集的前视图像进行处理后,比如利用深度学习算法模型进行处理,获取出现在前视图像中的车辆信息,如果车辆信息中只有一辆车,则判断该车辆与目标车辆是否可以关联,如果车辆信息中不只有一辆车,则再将所有车辆分别与目标车辆进行关联,如果可以关联,那么确定关联成功的车辆为目标车辆,再获取环视摄像头采集的目标车辆的包括行车轨迹等数据,对目标车辆的轨迹进行更新。从而避免因前视摄像头采集到多辆车而出现目标车辆无法关联的情况发生,使系统运行更稳定。
进一步地,参照图7,图7为本发明车辆加塞的预判断方法第六实施例的流程示意图,基于上述图2所示的实施例,步骤S100,实时采集自车车辆的环视图像的步骤,包括:
步骤S110,通过环视摄像头实时采集所述自车车辆周边环境的实时图像;
步骤S120,利用深度学习算法模型对所述实时图像进行识别,以得到环视图像。
本实施例中,自车车辆行驶过程中,环视摄像头可以对车辆周围图像进行近距离地采集,得到周边环境的高清实时图像,通过高清图像可以更准确地获取自车车辆周边的环境信息,其中,周边的环境信息包括车道线、路缘、障碍物、邻车道是否有其它车辆、其它车辆的行驶方向、其它车辆与自车车辆各部位的相对距离等信息,再从实时图像中提取包含自车车辆左右两侧邻车道的环视图像数据,对邻车道的环视数据进行处理,得到环视图像。
通过提前利用环视摄像头采集的车辆周边的高清环视图像,获取邻车道的车辆行驶情况,可以通过环视摄像头预先判断邻车道是否存在目标车辆,减少了通过前视长距离摄像头判断目标车辆的时间,提升判断目标车辆的速度。
进一步地,参照图8,图8为本发明车辆加塞的预判断方法第七实施例的流程示意图,基于上述图9所示的实施例,步骤S120,利用深度学习算法模型对所述实时图像进行识别,以得到环视图像的步骤,包括:
步骤S121,对采集的离线图像进行图像处理,以获取左学习图像和右学习图像;
步骤S122,将所述左学习图像输入至所述环视摄像头中右摄像头对应的深度学习模型进行模型训练,以得到所述左图像深度学习感知算法模型;
步骤S123,将所述右学习图像输入至所述环视摄像头中左摄像头对应的深度学习模型进行模型训练,以得到所述右图像深度学习感知算法模型。
参照图9,由于环视摄像的感知的特点,环视的左摄像头有时不能识别出目标的完整部分,如通常左环视摄像头只能看到自车车辆的右半部分,同理右环视摄像头只能看到自车车辆的左半部分,所以需要对左右摄像头深度学习算法进行模型训练,深度学习算法模型包括左图像深度学习感知算法模型和右图像深度学习感知算法模型;深度学习训练时,将根据需要预先选择的车辆周围的完整的离线图像进行处理,得到不同尺度的车辆右半边图像和不同尺度的车辆左半边图像,再使用不同尺度的车辆右半边部分的图像数据训练左摄像头的感知算法,以得到所述左图像深度学习感知算法模型;使用不同尺度的车辆左半部分的图像训练右摄像头的感知算法,以得到所述左图像深度学习感知算法模型;从而得到深度学习算法模型。
上述方式将左右摄像头进行模型训练,以提高环视摄像头的图像识别、处理能力,可以得到更清晰准确的环视图像,可以缩短车道线、目标车辆等自车车辆的周围信息的获取时间并提高识别准确度,减少目标车辆加塞的判断时间。
进一步地,参照图10,图10为本发明车辆加塞的预判断方法第八实施例的流程示意图,基于上述图2所示的实施例,步骤S100,确定所述环视图像中是否存在目标车辆的步骤,包括:
步骤S130,提取所述环视图像中的所有车辆信息;
步骤S140,根据所述所有车辆信息确定所述所有车辆与所述自车车辆的车辆距离,并将与所述自车车辆的车辆距离小于预设跟踪距离的车辆作为潜在目标车辆;
步骤S150,基于预设跟踪时间对所述潜在目标车辆进行跟踪,以获取所述潜在目标车辆与所述自车车辆车辆之间的实时车辆距离,检测各所述实时车辆距离是否小于预设跟踪距离;
步骤S160,根据检测各所述实时车辆距离是否小于预设跟踪距离的检测结果,确定所述环视图像数据中是否存在目标车辆。
本实施例中,所有车辆信息包括自车车辆左右两侧的所有其它车辆与自车车辆的车辆距离、行驶方向等信息,预设跟踪距离为预先设置的距离L1,预设跟踪时间为预先设定的时间T2;例如,预设跟踪距离L1为80cm,预设跟踪时间T2为10s,则将所有其它车辆中与自车车辆行驶方向相同、车辆距离小于80cm的车辆作为潜在目标车辆进行跟踪,获取接下来10s内所有潜在目标车辆与自车车辆的实时车辆距离L2,判断实时车辆距离L2是否一直小于80cm,如果存在潜在目标车辆的实时车辆距离L2一直小于80cm,则将该潜在目标车辆确定为目标车辆,目标车辆可以不只一辆,如果10s内潜在目标车辆的实时车辆距离L2有大于80cm,则确定该潜在目标车辆不是目标车辆。预设跟踪距离L1和预设跟踪时间T2具体在此不做距离限定。
通过对环视图像中的所有车辆的车辆数据进行提取,以确定环视图像中是否存在目标车辆可以节省前视长距离摄像头发现目标车辆、确认目标车辆的时间,进一步的加快对目标车辆是否加塞的判断,为本车创造更多的反应时间进行舒适性处置,提升用户体验,减少追尾等事故的危险情况发生。其中,通过对环视图像中的所有车辆的车辆数据进行提取,以确定环视图像中是否存在目标车辆的方法,可以为根据实时采集得到的环视图像,经过深度学习算法模型的预测,检测出图像中所有车辆信息。
参照图11,自车车辆通过环视摄像头采集的环视图像,获取目标车辆和目标车轨迹,以及目标车道线,再通过比对目标车轨迹与目标车道线是否相交,判断是否处于预加塞场景。
参照图12,若处于预加塞场景,则通过前视长距离摄像头感知相邻车道的车辆情况,若感知到有其它车辆进入到前视长距离摄像头的感知视角范围,则对其进行跟踪,并与目标车轨迹融合以修正、获取新目标车轨迹;再利用新目标车轨迹与自车车辆的轨迹是否相交,判断目标车辆是否会加塞;如果相交,则加塞场景确认,发出预设的加塞信号并且将加塞场景重置为无加塞。
减少了由于前视长距离摄像头的感知视角范围有限,目标车辆从出现在前视感知系统的感知视角中到被确认为目标车辆的时间过长的情况,避免了确认加塞车辆用时长的现象发生。
此外,本发明还提出一种计算机可读存储介质,其上存储有车辆加塞的预判断程序。所述计算机可读存储介质可以是图1的终端中的存储器20,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指令用以使得一台具有处理器的车辆执行本发明各个实施例所述的车辆加塞的预判断方法。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”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。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
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 (9)
1.一种车辆加塞的预判断方法,其特征在于,包括如下步骤:
实时采集自车车辆的环视图像,并确定所述环视图像中是否存在目标车辆;
若存在目标车辆,则获取所述目标车辆行驶的目标车轨迹和所述自车车辆对应的目标车道线,并检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交;所述获取所述目标车辆行驶的目标车轨迹的步骤,包括使用三次多项式拟合并生成目标车辆的目标车轨迹;
若所述目标车轨迹和所述目标车道线相交,则根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹,并检测所述新目标车轨迹是否和所述自车车辆的行驶轨迹相交;
若所述新目标车轨迹和所述自车车辆的行驶轨迹相交,则确定存在加塞场景,并输出预设的加塞信号;
其中,所述实时采集自车车辆的环视图像的步骤,还包括:
采集自车车辆周边的环境信息,其中,所述环境信息包括车道线、路缘、障碍物、邻车道是否有其它车辆、其它车辆的行驶方向、其它车辆与自车车辆各部位的相对距离;
所述检测所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交的步骤,包括:
根据所述环视图像确定所述目标车轨迹是否与所述目标车道线相交;
若所述目标车轨迹与所述目标车道线相交;则获取所述目标车轨迹与所述目标车道线相交的相交时刻;
若所述相交时刻小于预设的相交时间阈值,则确定存在预加塞场景,并基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆;
根据所述基于所述预加塞场景检测预设加塞时间内是否有进入所述目标车道线的其它车辆的检测结果,确定所述目标车轨迹是否在预设的相交时间阈值前和所述目标车道线相交。
2.根据权利要求1所述的车辆加塞的预判断方法,其特征在于,所述获取所述自车车辆对应的目标车道线的步骤,包括:
根据所述环视图像确定所述自车车辆的自车车辆行驶车道,并检测是否存在所述自车车辆行驶车道对应的初始车道线;
若存在所述自车车辆行驶车道对应的初始车道线,则将所述初始车道线作为所述自车车辆对应的目标车道线。
3.根据权利要求2所述的车辆加塞的预判断方法,其特征在于,所述检测是否存在所述自车车辆行驶车道对应的初始车道线的步骤之后,还包括:
若不存在所述自车车辆行驶车道对应的初始车道线,则基于预设的安全距离在所述自车车辆的左侧和/或右侧生成虚拟车道线,将所述虚拟车道线作为所述自车车辆对应的目标车道线。
4.根据权利要求1所述的车辆加塞的预判断方法,其特征在于,所述根据所述自车车辆采集的前视图像数据对所述目标车轨迹进行更新,以获取新目标车轨迹的步骤,包括:
根据所述自车车辆采集的前视图像数据确定前视目标车辆;
判断所述前视目标车辆与所述目标车辆是否可以关联;
若可以关联,则根据所述前视图像数据对目标车轨迹进行更新,以获取新目标车轨迹。
5.根据权利要求1所述的车辆加塞的预判断方法,其特征在于,所述实时采集自车车辆的环视图像的步骤,包括:
通过环视摄像头实时采集所述自车车辆周边环境的实时图像;
利用深度学习算法模型对所述实时图像进行识别,以得到环视图像。
6.根据权利要求5所述的车辆加塞的预判断方法,其特征在于,所述深度学习算法模型包括左图像深度学习感知算法模型和右图像深度学习感知算法模型;获得所述左图像深度学习感知算法模型和右图像深度学习感知算法模型的步骤包括:
对采集的离线图像进行图像处理,以获取左学习图像和右学习图像;
将所述左学习图像输入至所述环视摄像头中右摄像头对应的深度学习模型进行模型训练,以得到所述左图像深度学习感知算法模型;
将所述右学习图像输入至所述环视摄像头中左摄像头对应的深度学习模型进行模型训练,以得到所述左图像深度学习感知算法模型。
7.根据权利要求1所述的车辆加塞的预判断方法,其特征在于,所述确定所述环视图像中是否存在目标车辆的步骤,包括:
提取所述环视图像中的所有车辆信息;
根据所述所有车辆信息确定所述所有车辆与所述自车车辆的车辆距离,并将与所述自车车辆的车辆距离小于预设跟踪距离的车辆作为潜在目标车辆;
基于预设跟踪时间对所述潜在目标车辆进行跟踪,以获取所述潜在目标车辆与所述自车车辆车辆之间的实时车辆距离,检测各所述实时车辆距离是否小于预设跟踪距离;
根据检测各所述实时车辆距离是否小于预设跟踪距离的检测结果,确定所述环视图像数据中是否存在目标车辆。
8.一种车辆,其特征在于,所述车辆包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆加塞的预判断程序,其中:所述车辆加塞的预判断程序被所述处理器执行时实现如权利要求1~7中任一项所述的车辆加塞的预判断的步骤。
9.一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车辆加塞的预判断程序,所述车辆加塞的预判断程序被处理器执行时实现如权利要求1~7中任一项所述的车辆加塞的预判断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834018.1A CN113593301B (zh) | 2021-07-22 | 2021-07-22 | 车辆加塞的预判断方法、车辆及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834018.1A CN113593301B (zh) | 2021-07-22 | 2021-07-22 | 车辆加塞的预判断方法、车辆及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113593301A CN113593301A (zh) | 2021-11-02 |
CN113593301B true CN113593301B (zh) | 2022-11-15 |
Family
ID=78249415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834018.1A Active CN113593301B (zh) | 2021-07-22 | 2021-07-22 | 车辆加塞的预判断方法、车辆及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113593301B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758502B (zh) * | 2022-04-29 | 2023-08-18 | 北京百度网讯科技有限公司 | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 |
CN115440086A (zh) * | 2022-06-06 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 车辆加塞预警方法、装置、设备、介质及车辆 |
CN115440087A (zh) * | 2022-06-06 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 车辆检测方法、装置、设备、介质及车辆 |
CN115240435A (zh) * | 2022-09-21 | 2022-10-25 | 广州市德赛西威智慧交通技术有限公司 | 一种基于ai技术的车辆违章行驶检测方法、装置 |
CN116740984A (zh) * | 2023-05-23 | 2023-09-12 | 广州汽车集团股份有限公司 | 车辆加塞的处理方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05221252A (ja) * | 1992-02-12 | 1993-08-31 | Toyota Motor Corp | 車両用走行制御装置 |
CN110588647A (zh) * | 2019-09-23 | 2019-12-20 | 广州小鹏汽车科技有限公司 | 一种车辆加塞的判断方法、系统及车辆 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074401B (zh) * | 2016-11-16 | 2020-03-10 | 杭州海康威视数字技术股份有限公司 | 一种车辆加塞行为判别方法及装置 |
CN108657066B (zh) * | 2018-05-09 | 2023-05-02 | 株式会社电装 | 加塞预警系统及加塞预警方法 |
JP7275773B2 (ja) * | 2019-04-02 | 2023-05-18 | トヨタ自動車株式会社 | 車両制御装置 |
-
2021
- 2021-07-22 CN CN202110834018.1A patent/CN113593301B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05221252A (ja) * | 1992-02-12 | 1993-08-31 | Toyota Motor Corp | 車両用走行制御装置 |
CN110588647A (zh) * | 2019-09-23 | 2019-12-20 | 广州小鹏汽车科技有限公司 | 一种车辆加塞的判断方法、系统及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN113593301A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113593301B (zh) | 车辆加塞的预判断方法、车辆及计算机可读存储介质 | |
EP3048022B1 (en) | Collision avoidance control system and control method | |
JP6698945B2 (ja) | 危険車両予測装置、危険車両警報システムおよび危険車両予測方法 | |
CN107054218B (zh) | 标识信息显示装置和方法 | |
JP5345350B2 (ja) | 車両の運転支援装置 | |
US10262629B2 (en) | Display device | |
EP3207494B1 (en) | Systems and methods for traffic sign validation | |
CN110198875B (zh) | 对驾驶员辅助系统的改进或与之相关的改进 | |
US20190244515A1 (en) | Augmented reality dsrc data visualization | |
CN112109633A (zh) | 车道偏离预警方法、装置、设备、车辆及存储介质 | |
CN111169381A (zh) | 一种车辆影像显示方法、装置、车辆和存储介质 | |
KR20190102827A (ko) | 교차로에서의 차량 자동 긴급 제동 시스템 및 방법 | |
CN111553605A (zh) | 车辆变道风险评估方法、装置、设备及存储介质 | |
US11361687B2 (en) | Advertisement display device, vehicle, and advertisement display method | |
CN113492849A (zh) | 驾驶辅助装置以及数据收集系统 | |
JP2019109795A (ja) | 運転支援装置および運転支援システム | |
US20220063406A1 (en) | Onboard display device, onboard display method, and computer readable storage medium | |
CN111104824A (zh) | 车道偏离的检测方法、电子设备及计算机可读存储介质 | |
CN115285116A (zh) | 车辆避障方法、装置、电子设备及可读存储介质 | |
JP5723561B2 (ja) | 運転支援装置 | |
JP6424775B2 (ja) | 情報表示装置 | |
CN114715143A (zh) | 车辆控制方法、装置、车辆及存储介质 | |
KR20180039838A (ko) | 차량 후측방 경보 제어장치 및 방법 | |
US10977942B2 (en) | Driving assistance device and driving assistance program product | |
JP3441342B2 (ja) | 車両用距離測定装置 |
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 |