CN114266993A - 一种基于图像的道路环境检测方法及装置 - Google Patents
一种基于图像的道路环境检测方法及装置 Download PDFInfo
- Publication number
- CN114266993A CN114266993A CN202111515800.3A CN202111515800A CN114266993A CN 114266993 A CN114266993 A CN 114266993A CN 202111515800 A CN202111515800 A CN 202111515800A CN 114266993 A CN114266993 A CN 114266993A
- Authority
- CN
- China
- Prior art keywords
- illumination intensity
- image
- camera image
- camera
- real
- 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
Images
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于图像的道路环境检测方法及装置,通过获取摄像头的实时视频流图像,对摄像头图像进行预处理后,建立光照强度检测模型和气象类型检测模型,用于获取摄像头图像对应的光照强度等级和气象类型值;同时基于不同的光照强度等级和不同的气象类型值建立相对应的感知处理神经网络模型,当检测出摄像头图像对应的光照强度等级和气象类型值后,直接切换到相对应的感知处理神经网络模型中,输出该光照强度等级和气象类型值下的实时道路环境信息。相比于现有技术,本发明在通过增加对光照强度和气象类型的检测,使得获取的环境信息更丰富,减少了环境因素对车辆感知能力的影响,提高了车辆感知能力的鲁棒性和准确性。
Description
技术领域
本发明涉及图像处理的技术领域,特别是涉及一种基于图像的道路环境检测方法及装置。
背景技术
目前在ADAS系统中,摄像头可以用来实现多种功能,并且按照自动驾驶发展规律逐渐演进。ADAS车载摄像头相对其他感知传感器具有一些优势,因为摄像头分辨率高于其他传感器,可以获取足够多的环境细节,帮助车辆进行环境认知;车载摄像头可以描绘物体的外观和形状、读取标志等,这些功能其他传感器无法做到。另外,汽车行业价格敏感,摄像头硬件成本相对低廉,从降低成本的角度看摄像头是环境感知传感器的优先选择,在视觉清晰的情况下摄像头是最好的选择。
但是,摄像头作为环境感知传感器的缺点是受环境因素影响较大,从而影响车辆识别等环境感知功能的准确度。这些环境影响因素包括:对光照环境比较敏感。例如,在实际场景中,如果是在逆光下拍摄会使目标物体显得暗淡;如果是在隧道中行驶则可能出现光线不足的情况;还包括:对气象因素比较敏感。例如,如果遇到雨雾天气,会导致视线缩小并且变得模糊。因此,如何减少环境因素对环境感知传感器的影响,是当前亟待解决的问题。
发明内容
本发明要解决的技术问题是:提供一种基于图像的道路环境检测方法及装置,通过增加对光照强度和气象类型的检测,使得获取的环境信息更丰富,减少了环境因素对车辆感知能力的影响,提高了车辆感知能力的鲁棒性和准确性。
为了解决上述技术问题,本发明提供了一种基于图像的道路环境检测方法,包括:
获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像;
建立光照强度检测模型,将经过第一预处理后的所述摄像头图像输入到所述光照强度检测模型中,提取并根据所述摄像头图像的光照强度特征值,输出所述摄像头图像的光照强度等级;
建立气象类型检测模型,将经过第二预处理后的所述摄像头图像输入到所述气象类型检测模型中,提取并根据所述摄像头图像的气象类型特征值,输出所述摄像头图像的气象类型值;
建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,根据所述光照强度等级和所述气象类型值切换到相对应的所述感知处理神经网络模型,将经过第三预处理后的所述摄像头图像输入到所述感知处理神经网络模型中,得到实时道路环境信息。
进一步地,获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像,具体为:
通过配置文件设置摄像头的视频流地址,用于获取所述摄像头的实时视频流;
对所述实时视频流进行解码,得到实时的摄像头图像,并将所述摄像头图像的信息保存到数据库中;其中,所述摄像头图像的信息包括所述摄像头图像、所述摄像头图像对应的时间戳和所述摄像头的标识。
进一步地,建立光照强度检测模型,具体为:
选取不同时间和不同环境拍摄第一照片,通过照度计标注所述第一照片的光照度,并根据每张第一照片的光照度,建立所述第一照片和所述光照度的第一映射表;
结合第一映射表和光照强度划分等级,建立所述第一照片和所述光照强度等级的第二映射表;
按预设比例将所有第一照片进行划分,建立光照样本数据集;
通过所述光照样本数据集对第一预设神经网络模型进行训练和验证,生成光照强度检测模型。
进一步地,建立气象类型检测模型,具体为:
选取不同的气象条件拍摄第二照片,并对所述第二照片标注气象类型,并根据每张第二照片的气象类型,建立所述第二照片和所述气象类型的第三映射表;
按预设比例将所有第二照片进行划分,建立气象样本数据集;
通过所述气象样本数据集对第二预设神经网络模型进行训练和验证,生成气象类型检测模型。
进一步地,所述第一预处理包括将所述摄像头图像缩放至所述光照强度检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第二预处理包括将所述摄像头图像缩放至所述气象类型检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第三预处理包括将所述摄像头图像缩放至所述感知处理神经网络模型的输入尺寸、像素值归一化和转换灰度图像。
进一步地,本发明还提供一种基于图像的道路环境检测装置,包括:图像获取模块、光照强度检测模块、气象类型检测模块和道路信息获取模块;
其中,所述图像获取模块用于获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像;
所述光照强度检测模块用于建立光照强度检测模型,将经过第一预处理后的所述摄像头图像输入到所述光照强度检测模型中,提取并根据所述摄像头图像的光照强度特征值,输出所述摄像头图像的光照强度等级;
所述气象类型检测模块用于建立气象类型检测模型,将经过第二预处理后的所述摄像头图像输入到所述气象类型检测模型中,提取并根据所述摄像头图像的气象类型特征值,输出所述摄像头图像的气象类型值;
所述道路信息获取模块用于建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,根据所述光照强度等级和所述气象类型值切换到相对应的所述感知处理神经网络模型,将经过第三预处理后的所述摄像头图像输入到所述感知处理神经网络模型中,得到实时道路环境信息。
进一步地,所述图像获取模块用于获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像,具体为:
通过配置文件设置摄像头的视频流地址,用于获取所述摄像头的实时视频流;
对所述实时视频流进行解码,得到实时的摄像头图像,并将所述摄像头图像的信息保存到数据库中;其中,所述摄像头图像的信息包括所述摄像头图像、所述摄像头图像对应的时间戳和所述摄像头的标识。
进一步地,所述光照强度检测模块用于建立光照强度检测模型,具体为:
选取不同时间和不同环境拍摄第一照片,通过照度计标注所述第一照片的光照度,并根据每张第一照片的光照度,建立所述第一照片和所述光照度的第一映射表;
结合第一映射表和光照强度划分等级,建立所述第一照片和所述光照强度等级的第二映射表;
按预设比例将所有第一照片进行划分,建立光照样本数据集;
通过所述光照样本数据集对第一预设神经网络模型进行训练和验证,生成光照强度检测模型。
进一步地,所述气象类型检测模块用于建立气象类型检测模型,具体为:
选取不同的气象条件拍摄第二照片,并对所述第二照片标注气象类型,并根据每张第二照片的气象类型,建立所述第二照片和所述气象类型的第三映射表;
按预设比例将所有第二照片进行划分,建立气象样本数据集;
通过所述气象样本数据集对第二预设神经网络模型进行训练和验证,生成气象类型检测模型。
进一步地,所述光照强度检测模块包括第一预处理单元,所述气象类型检测模块包括第二预处理单元和所述道路信息获取模块包括第三预处理单元;
所述第一预处理单元用于将所述摄像头图像缩放至所述光照强度检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第二预处理单元用于将所述摄像头图像缩放至所述气象类型检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第三预处理单元用于将所述摄像头图像缩放至所述感知处理神经网络模型的输入尺寸、像素值归一化和转换灰度图像。
本发明实施例一种基于图像的道路环境检测方法及装置,与现有技术相比,具有如下有益效果:
通过获取摄像头的实时视频流图像,对摄像头图像进行预处理后,建立光照强度检测模型和气象类型检测模型,分别对摄像头图像进行光照强度和气象类型的检测,用于获取摄像头图像对应的光照强度等级和气象类型值;同时基于不同的光照强度等级和不同的气象类型值建立相对应的感知处理神经网络模型,当检测出摄像头图像对应的光照强度等级和气象类型值后,直接切换到相对应的感知处理神经网络模型中,输出该光照强度等级和气象类型值下的实时道路环境信息。相比于现有技术,本发明在通过增加对光照强度和气象类型的检测,使得获取的环境信息更丰富,减少了环境因素对车辆感知能力的影响,提高了车辆感知能力的鲁棒性和准确性。
附图说明
图1是本发明提供的一种基于图像的道路环境检测方法的一种实施例的流程示意图;
图2是本发明提供的一种基于图像的道路环境检测装置的一种实施例的结构示意图;
图3是本发明提供的一种基于图像的道路环境检测方法及装置的一种实施例的光照强度等级划分示意图;
图4是本发明提供的一种基于图像的道路环境检测方法及装置的一种实施例的气象类型类别划分示意图。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作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。
实施例1
参见图1,图1是本发明提供的一种基于图像的道路环境检测方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤104,具体如下:
步骤101:获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像。
本实施例中,通过配置文件设置ADAS摄像头的视频流地址,拉取车载ADAS摄像头视频流,用于获取摄像头的实时视频流;对实时视频流进行解码,得到实时的摄像头图像,并将摄像头图像的信息保存到缓存列表或数据库中;其中,摄像头图像的信息包括摄像头图像、摄像头图像对应的时间戳和摄像头的标识。
步骤102:建立光照强度检测模型,将经过第一预处理后的所述摄像头图像输入到所述光照强度检测模型中,提取并根据所述摄像头图像的光照强度特征值,输出所述摄像头图像的光照强度等级。
本实施例中,选取不同时间和不同环境拍摄第一照片,通过照度计标注所述第一照片的光照度,并根据每张第一照片的光照度,建立第一照片与光照度的第一映射表;结合第一映射表和光照强度划分等级,建立所述第一照片和所述光照强度等级的第二映射表。作为本实施例中的一种举例,将光照强度按特定范围,划分为七个光照强度等级,如图3所示。
本实施例中,按预设比例将所有第一照片进行划分,建立光照样本数据集;作为本实施例中的一种举例,将所有的第一照片按照8:1:1比例分为训练集、测试集和验证集三个数据集,生成光照样本数据集。
本实施例中,通过设计第一预设神经网络模型,根据光照样本数据集对第一预设神经网络模型进行训练,并调整第一预设神经网络模型,通过验证集比较第一预设神经网络模型的预测效果来确定最终的第一预设神经网络模型,作为光照强度检测模型。
本实施例中,对摄像头图像进行第一预处理,其中,第一预处理包括将摄像头图像缩放至光照强度检测模型的输入尺寸、将摄像头图像的像素值归一化和将摄像头图像转换为灰度图像。把经过第一预处理后的摄像头图像输入到光照强度检测模型中,提取并根据像头图像的光照强度特征值,对光照强度特征值进行特征标准化后映射得到光照强度等级,并输出摄像头图像的光照强度等级;其中,特征标准化包括但不限于对光照强度特征值进行矩阵归一化。
步骤103:建立气象类型检测模型,将经过第二预处理后的所述摄像头图像输入到所述气象类型检测模型中,提取并根据所述摄像头图像的气象类型特征值,输出所述摄像头图像的气象类型值。
本实施例中,选取不同的气象条件拍摄第二照片,并对第二照片标注气象类型,并根据每张第二照片的气象类型,建立第二照片和气象类型的第三映射表。作为本实施例中的一种举例,将气象类型划分为晴、多云、阴、小雨、大雨、雾、霾、扬沙、小雪和大雪十个类型,并将十个气象类型对应十个气象类型类别,如图4所示。
本实施例中,按预设比例将所有第二照片进行划分,建立气象样本数据集;作为本实施例中的一种举例,将所有的第二照片按照8:1:1比例分为训练集、测试集和验证集三个数据集,生成气象样本数据集。
本实施例中,通过设计第二预设神经网络模型,根据气象样本数据集对第二预设神经网络模型进行训练,并调整第二预设神经网络模型,通过验证集比较第二预设神经网络模型的预测效果,来确定最终的第二预设神经网络模型,作为气象强度检测模型。
本实施例中,对摄像头图像进行第二预处理,其中,第二预处理包括将摄像头图像缩放至气象类型检测模型的输入尺寸、将摄像头图像的像素值归一化和将摄像头图像转换为灰度图像。把经过第二预处理后的摄像头图像输入到气象类型检测模型中,提取并根据摄像头图像的气象类型特征值,对气象类型特征值进行特征标准化后映射得到气象类型值,并输出摄像头图像的气象类型值;其中,特征标准化包括但不限于对气象类型特征值进行矩阵归一化。
步骤104:建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,根据所述光照强度等级和所述气象类型值切换到相对应的所述感知处理神经网络模型,将经过第三预处理后的所述摄像头图像输入到所述感知处理神经网络模型中,得到实时道路环境信息。
本实施例中,针对不同光照强度等级和不同气象类型分别训练感知处理神经网络模型,以使建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,其中,感知处理神经网络模型用于车辆识别、行人识别、障碍物识别、道路标线检测和距离检测。
本实施例中,在建立光照强度检测模型和气象类型检测模型时,通过在不同光照强度和不同气象类型的环境下获取图片并标注训练样本,增强了算法针对不同场景下图像数据的适配能力。同时通过针对不同光照、不同气象类型对感知处理神经网络模型训练,能解决相对单一训练的感知处理神经网络模型在不同光照、不同气象环境下泛化能力较差的特点,可以提高感知处理神经网络模型的推理精度,同时使得感知处理神经网络模型获取的环境信息更加丰富。
本实施例中,感知处理神经网络模型能根据步骤102和步骤103中得到的光照强度等级和气象类型值,切换到相对应的感知处理神经网络模型中,使得后续的感知处理更准确。本实施例中,对摄像头图像进行第三预处理,其中,第三预处理包括将摄像头图像缩放至感知处理神经网络模型的输入尺寸、将摄像头图像的像素值归一化和将摄像头图像转换为灰度图像。把经过第三预处理后的摄像头图像输入到感知处理神经网络模型中,得到实时道路环境信息,其中,实时道路环境信息包括车辆识别结果、行人识别结果、障碍物识别结果、道路标线检测结果和距离检测结果。
本实施例中,在得到实时道路环境信息后,还将实时道路环境信息上传到相关预警单元或控制单元中,以使机动车及时做出处理,有利于优化前向碰撞预警、车道偏离预警等视觉感知功能的性能,提高ADAS感知功能的鲁棒性和行驶的安全性。
本实施例中,将摄像头图像作为输入,不涉及感知处理系统硬件的重新设计,能有效降低实施成本和开发周期。
参见图2,图2是本发明提供的一种基于图像的道路环境检测装置的一种实施例的结构示意图,如图2所示,该装置包括:图像获取模块201、光照强度检测模块202、气象类型检测模块203和道路信息获取模块204,具体如下:
图像获取模块201用于获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像。
本实施例中,通过配置文件设置ADAS摄像头的视频流地址,拉取车载ADAS摄像头视频流,用于获取摄像头的实时视频流;对实时视频流进行解码,得到实时的摄像头图像,并将摄像头图像的信息保存到缓存列表或数据库中;其中,摄像头图像的信息包括摄像头图像、摄像头图像对应的时间戳和摄像头的标识。
光照强度检测模块202用于建立光照强度检测模型,将经过第一预处理后的所述摄像头图像输入到所述光照强度检测模型中,提取并根据所述摄像头图像的光照强度特征值,输出所述摄像头图像的光照强度等级。
本实施例中,选取不同时间和不同环境拍摄第一照片,通过照度计标注所述第一照片的光照度,并根据每张第一照片的光照度,建立第一照片与光照度的第一映射表;结合第一映射表和光照强度划分等级,建立所述第一照片和所述光照强度等级的第二映射表。作为本实施例中的一种举例,将光照强度按特定范围,划分为七个光照强度等级,如图3所示。
本实施例中,按预设比例将所有第一照片进行划分,建立光照样本数据集;作为本实施例中的一种举例,将所有的第一照片按照8:1:1比例分为训练集、测试集和验证集三个数据集,生成光照样本数据集。
本实施例中,通过设计第一预设神经网络模型,根据光照样本数据集对第一预设神经网络模型进行训练,并调整第一预设神经网络模型,通过验证集比较第一预设神经网络模型的预测效果,来确定最终的第一预设神经网络模型,作为光照强度检测模型。
本实施例中,对摄像头图像进行第一预处理,其中,第一预处理包括将摄像头图像缩放至光照强度检测模型的输入尺寸、将摄像头图像的像素值归一化和将摄像头图像转换为灰度图像。把经过第一预处理后的摄像头图像输入到光照强度检测模型中,提取并根据像头图像的光照强度特征值,对光照强度特征值进行特征标准化后映射得到光照强度等级,并输出摄像头图像的光照强度等级。其中,特征标准化包括但不限于对光照强度特征值进行矩阵归一化。
气象类型检测模块203用于建立气象类型检测模型,将经过第二预处理后的所述摄像头图像输入到所述气象类型检测模型中,提取并根据所述摄像头图像的气象类型特征值,输出所述摄像头图像的气象类型值。
本实施例中,选取不同的气象条件拍摄第二照片,并对第二照片标注气象类型,并根据每张第二照片的气象类型,建立第二照片和气象类型的第三映射表。作为本实施例中的一种举例,将气象类型划分为晴、多云、阴、小雨、大雨、雾、霾、扬沙、小雪和大雪十个类型,并将十个气象类型对应十个气象类型类别,如图4所示。
本实施例中,按预设比例将所有第二照片进行划分,建立气象样本数据集;作为本实施例中的一种举例,将所有的第二照片按照8:1:1比例分为训练集、测试集和验证集三个数据集,生成气象样本数据集。
本实施例中,通过设计第二预设神经网络模型,根据气象样本数据集对第二预设神经网络模型进行训练,并调整第二预设神经网络模型,通过验证集比较神经网络模型预测效果来确定最终的第二预设神经网络模型,作为气象强度检测模型。
本实施例中,对摄像头图像进行第二预处理,其中,第二预处理包括将摄像头图像缩放至气象类型检测模型的输入尺寸、将摄像头图像的像素值归一化和将摄像头图像转换为灰度图像。把经过第二预处理后的摄像头图像输入到气象类型检测模型中,提取并根据摄像头图像的气象类型特征值,对气象类型特征值进行特征标准化后映射得到气象类型值,并输出摄像头图像的气象类型值;其中,特征标准化包括但不限于对气象类型特征值进行矩阵归一化。
道路信息获取模块204用于建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,根据所述光照强度等级和所述气象类型值切换到相对应的所述感知处理神经网络模型,将经过第三预处理后的所述摄像头图像输入到所述感知处理神经网络模型中,得到实时道路环境信息。
本实施例中,针对不同光照强度等级和不同气象类型分别训练感知处理神经网络模型,以使建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,其中,感知处理神经网络模型用于车辆识别、行人识别、障碍物识别、道路标线检测和距离检测。
本实施例中,在建立光照强度检测模型和气象类型检测模型时,通过在不同光照强度和不同气象类型的环境下获取图片并标注训练样本,增强了算法针对不同场景下图像数据的适配能力。同时通过针对不同光照、不同气象类型对感知处理神经网络模型训练,能解决相对单一训练的感知处理神经网络模型在不同光照、不同气象环境下泛化能力较差的特点,可以提高感知处理神经网络模型的推理精度,同时使得感知处理神经网络模型获取的环境信息更加丰富。
本实施例中,感知处理神经网络模型能根据图像获取模块201和光照强度检测模块202中得到的光照强度等级和气象类型值,切换到相对应的感知处理神经网络模型中,使得后续的感知处理更准确。本实施例中,对摄像头图像进行第三预处理,其中,第三预处理包括将摄像头图像缩放至感知处理神经网络模型的输入尺寸、将摄像头图像的像素值归一化和将摄像头图像转换为灰度图像。把经过第三预处理后的摄像头图像输入到感知处理神经网络模型中,得到实时道路环境信息,其中,实时道路环境信息包括车辆识别结果、行人识别结果、障碍物识别结果、道路标线检测结果和距离检测结果。
本实施例中,在得到实时道路环境信息后,还将实时道路环境信息上传到相关预警单元或控制单元中,以使机动车及时做出处理,有利于优化前向碰撞预警、车道偏离预警等视觉感知功能的性能,提高ADAS感知功能的鲁棒性和行驶的安全性。
本实施例中,将摄像头图像作为输入,不涉及感知处理系统硬件的重新设计,能有效降低实施成本和开发周期。
综上,本发明一种基于图像的道路环境检测方法及装置,通过获取摄像头的实时视频流,对实时视频流进行解码,得到摄像头图像;建立光照强度检测模型,将经过第一预处理后的摄像头图像输入到光照强度检测模型中,提取并根据摄像头图像的光照强度特征值,输出摄像头图像的光照强度等级;建立气象类型检测模型,将经过第二预处理后的摄像头图像输入到气象类型检测模型中,提取并根据摄像头图像的气象类型特征值,输出摄像头图像的气象类型值;建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,根据光照强度等级和气象类型值切换到相对应的感知处理神经网络模型,将经过第三预处理后的摄像头图像输入到感知处理神经网络模型中,得到实时道路环境信息。相比于现有技术,本发明在通过增加对光照强度和气象类型的检测,使得获取的环境信息更丰富,减少了环境因素对车辆感知能力的影响,提高了车辆感知能力的鲁棒性和准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种基于图像的道路环境检测方法,其特征在于,包括:
获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像;
建立光照强度检测模型,将经过第一预处理后的所述摄像头图像输入到所述光照强度检测模型中,提取并根据所述摄像头图像的光照强度特征值,输出所述摄像头图像的光照强度等级;
建立气象类型检测模型,将经过第二预处理后的所述摄像头图像输入到所述气象类型检测模型中,提取并根据所述摄像头图像的气象类型特征值,输出所述摄像头图像的气象类型值;
建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,根据所述光照强度等级和所述气象类型值切换到相对应的所述感知处理神经网络模型,将经过第三预处理后的所述摄像头图像输入到所述感知处理神经网络模型中,得到实时道路环境信息。
2.如权利要求1所述的一种基于图像的道路环境检测方法,其特征在于,获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像,具体为:
通过配置文件设置摄像头的视频流地址,用于获取所述摄像头的实时视频流;
对所述实时视频流进行解码,得到实时的摄像头图像,并将所述摄像头图像的信息保存到数据库中;其中,所述摄像头图像的信息包括所述摄像头图像、所述摄像头图像对应的时间戳和所述摄像头的标识。
3.如权利要求1所述的一种基于图像的道路环境检测方法,其特征在于,建立光照强度检测模型,具体为:
选取不同时间和不同环境拍摄第一照片,通过照度计标注所述第一照片的光照度,并根据每张第一照片的光照度,建立所述第一照片和所述光照度的第一映射表;
结合第一映射表和光照强度划分等级,建立所述第一照片和所述光照强度等级的第二映射表;
按预设比例将所有第一照片进行划分,建立光照样本数据集;
通过所述光照样本数据集对第一预设神经网络模型进行训练和验证,生成光照强度检测模型。
4.如权利要求1所述的一种基于图像的道路环境检测方法,其特征在于,建立气象类型检测模型,具体为:
选取不同的气象条件拍摄第二照片,并对所述第二照片标注气象类型,并根据每张第二照片的气象类型,建立所述第二照片和所述气象类型的第三映射表;
按预设比例将所有第二照片进行划分,建立气象样本数据集;
通过所述气象样本数据集对第二预设神经网络模型进行训练和验证,生成气象类型检测模型。
5.如权利要求1所述的一种基于图像的道路环境检测方法,其特征在于,所述第一预处理包括将所述摄像头图像缩放至所述光照强度检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第二预处理包括将所述摄像头图像缩放至所述气象类型检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第三预处理包括将所述摄像头图像缩放至所述感知处理神经网络模型的输入尺寸、像素值归一化和转换灰度图像。
6.一种基于图像的道路环境检测装置,其特征在于,包括:图像获取模块、光照强度检测模块、气象类型检测模块和道路信息获取模块;
其中,所述图像获取模块用于获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像;
所述光照强度检测模块用于建立光照强度检测模型,将经过第一预处理后的所述摄像头图像输入到所述光照强度检测模型中,提取并根据所述摄像头图像的光照强度特征值,输出所述摄像头图像的光照强度等级;
所述气象类型检测模块用于建立气象类型检测模型,将经过第二预处理后的所述摄像头图像输入到所述气象类型检测模型中,提取并根据所述摄像头图像的气象类型特征值,输出所述摄像头图像的气象类型值;
所述道路信息获取模块用于建立不同的光照强度等级和不同的气象类型值相对应的感知处理神经网络模型,根据所述光照强度等级和所述气象类型值切换到相对应的所述感知处理神经网络模型,将经过第三预处理后的所述摄像头图像输入到所述感知处理神经网络模型中,得到实时道路环境信息。
7.如权利要求6所述的一种基于图像的道路环境检测装置,其特征在于,所述图像获取模块用于获取摄像头的实时视频流,对所述实时视频流进行解码,得到摄像头图像,具体为:
通过配置文件设置摄像头的视频流地址,用于获取所述摄像头的实时视频流;
对所述实时视频流进行解码,得到实时的摄像头图像,并将所述摄像头图像的信息保存到数据库中;其中,所述摄像头图像的信息包括所述摄像头图像、所述摄像头图像对应的时间戳和所述摄像头的标识。
8.如权利要求6所述的一种基于图像的道路环境检测装置,其特征在于,所述光照强度检测模块用于建立光照强度检测模型,具体为:
选取不同时间和不同环境拍摄第一照片,通过照度计标注所述第一照片的光照度,并根据每张第一照片的光照度,建立所述第一照片和所述光照度的第一映射表;
结合第一映射表和光照强度划分等级,建立所述第一照片和所述光照强度等级的第二映射表;
按预设比例将所有第一照片进行划分,建立光照样本数据集;
通过所述光照样本数据集对第一预设神经网络模型进行训练和验证,生成光照强度检测模型。
9.如权利要求6所述的一种基于图像的道路环境检测装置,其特征在于,所述气象类型检测模块用于建立气象类型检测模型,具体为:
选取不同的气象条件拍摄第二照片,并对所述第二照片标注气象类型,并根据每张第二照片的气象类型,建立所述第二照片和所述气象类型的第三映射表;
按预设比例将所有第二照片进行划分,建立气象样本数据集;
通过所述气象样本数据集对第二预设神经网络模型进行训练和验证,生成气象类型检测模型。
10.如权利要求6所述的一种基于图像的道路环境检测装置,其特征在于,所述光照强度检测模块包括第一预处理单元,所述气象类型检测模块包括第二预处理单元和所述道路信息获取模块包括第三预处理单元;
所述第一预处理单元用于将所述摄像头图像缩放至所述光照强度检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第二预处理单元用于将所述摄像头图像缩放至所述气象类型检测模型的输入尺寸、像素值归一化和转换灰度图像;
所述第三预处理单元用于将所述摄像头图像缩放至所述感知处理神经网络模型的输入尺寸、像素值归一化和转换灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515800.3A CN114266993A (zh) | 2021-12-10 | 2021-12-10 | 一种基于图像的道路环境检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111515800.3A CN114266993A (zh) | 2021-12-10 | 2021-12-10 | 一种基于图像的道路环境检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266993A true CN114266993A (zh) | 2022-04-01 |
Family
ID=80827333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111515800.3A Pending CN114266993A (zh) | 2021-12-10 | 2021-12-10 | 一种基于图像的道路环境检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266993A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937347A (zh) * | 2022-06-13 | 2022-08-23 | 上海源悦汽车电子股份有限公司 | 车辆的雨量检测方法、装置、设备及计算机可读存储介质 |
CN116721093A (zh) * | 2023-08-03 | 2023-09-08 | 克伦斯(天津)轨道交通技术有限公司 | 基于神经网络的地铁轨道障碍物检测方法和系统 |
-
2021
- 2021-12-10 CN CN202111515800.3A patent/CN114266993A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937347A (zh) * | 2022-06-13 | 2022-08-23 | 上海源悦汽车电子股份有限公司 | 车辆的雨量检测方法、装置、设备及计算机可读存储介质 |
CN116721093A (zh) * | 2023-08-03 | 2023-09-08 | 克伦斯(天津)轨道交通技术有限公司 | 基于神经网络的地铁轨道障碍物检测方法和系统 |
CN116721093B (zh) * | 2023-08-03 | 2023-10-31 | 克伦斯(天津)轨道交通技术有限公司 | 基于神经网络的地铁轨道障碍物检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506760B (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及系统 | |
JP5423631B2 (ja) | 画像認識装置 | |
CN114266993A (zh) | 一种基于图像的道路环境检测方法及装置 | |
CN111967498A (zh) | 基于毫米波雷达和视觉融合的夜间目标检测和跟踪方法 | |
CN111965636A (zh) | 一种基于毫米波雷达和视觉融合的夜间目标检测方法 | |
KR101987671B1 (ko) | 학습 알고리즘을 이용한 차량번호 인식 시스템 및 그 방법 | |
JPWO2019194256A1 (ja) | 演算処理装置、オブジェクト識別システム、学習方法、自動車、車両用灯具 | |
CN111881832A (zh) | 车道目标检测方法、装置、设备及计算机可读存储介质 | |
Milford et al. | Long exposure localization in darkness using consumer cameras | |
CN110084218A (zh) | 车辆的雨水分布数据处理方法和装置 | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN112101147A (zh) | 车载智能识别检测系统 | |
CN111046741A (zh) | 车道线识别的方法和装置 | |
CN112949578B (zh) | 车灯状态识别方法、装置、设备及存储介质 | |
CN111723805A (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
Lashkov et al. | Edge-computing-facilitated nighttime vehicle detection investigations with CLAHE-enhanced images | |
KR100801989B1 (ko) | 번호판 인식 시스템,전처리 장치 및 방법 | |
CN114494054A (zh) | 一种夜间车辆检测方法及存储介质 | |
CN114419603A (zh) | 一种自动驾驶车辆控制方法、系统和自动驾驶车辆 | |
Shahrear et al. | An automatic traffic rules violation detection and number plate recognition system for Bangladesh | |
CN110956153B (zh) | 一种用于无人驾驶车辆的交通信号灯检测方法及系统 | |
CN113989774A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
JP2018072884A (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP7400599B2 (ja) | 物体検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 510000 Room 601, building a, No. 23, Nanxiang Second Road, Huangpu District, Guangzhou, Guangdong Applicant after: GUANGZHOU HAIGE XINGHANG INFORMATION TECHNOLOGY CO.,LTD. Address before: 510000 room 3009, No.5, Wangjiang 2nd Street, Nansha District, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU HAIGE XINGHANG INFORMATION TECHNOLOGY CO.,LTD. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |