CN114299103A - 物体移动意图识别方法、装置、计算机设备、存储介质 - Google Patents
物体移动意图识别方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114299103A CN114299103A CN202111449720.2A CN202111449720A CN114299103A CN 114299103 A CN114299103 A CN 114299103A CN 202111449720 A CN202111449720 A CN 202111449720A CN 114299103 A CN114299103 A CN 114299103A
- Authority
- CN
- China
- Prior art keywords
- target object
- movement intention
- vehicle
- module
- image
- 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)
Abstract
本公开涉及一种物体移动意图识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。采用本方法能够达到准确识别目标物体的移动意图的目的。
Description
技术领域
本公开涉及车辆技术领域,特别是涉及一种物体移动意图识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着车辆技术的发展,出现了驾驶意图识别技术,现有的驾驶意图识别技术一般是根据本车周围的他方车辆此前的运动轨迹预测接下来的运动轨迹。
通过现有技术识别其他车辆的驾驶意图,误差较大,存在安全性、可靠性问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够更加安全可靠地识别物体移动意图的物体移动意图识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本公开提供了一种物体移动意图识别方法。所述方法包括:
获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在其中一个实施例中,目标物体图像中包括所述目标物体的转向灯信息,所述运动情景图像还用于:
根据所述运动情景图像,获取所述目标物体的转向灯信息;
根据所述转向灯信息,识别所述目标物体的第二移动意图。
在其中一个实施例中,所述识别所述目标物体的第二移动意图包括:
通过深度学习感知算法识别所述目标物体的第二移动意图。
在其中一个实施例中,所述方法还包括:
根据所述第一移动意图和/或所述第二移动意图,控制所述本体发出安全提醒。
在其中一个实施例中,所述获取运动情景图像包括:
通过所述本体的内视镜和/或后视镜,获取运动情景图像。
在其中一个实施例中,所述根据所述轨迹夹角信息,识别所述目标物体的第一移动意图包括:
只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在其中一个实施例中,所述预设角度范围为0°~75°。
在其中一个实施例中,所述确定所述第一物体中距离小于预设距离阈值的目标物体包括:
设置不同的速度区间和对应预设距离阈值的取值范围。
第二方面,本公开还提供了一种物体移动意图识别装置。所述装置包括:
距离获取模块,用于获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
图像获取模块,用于获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
夹角获取模块,用于确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
意图识别模块,用于根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
第三方面,本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
距离获取模块,用于获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
图像获取模块,用于获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
夹角获取模块,用于确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
意图识别模块,用于根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在其中一个实施例中,提供一种一种车辆移动意图识别装置,所述装置包括:
距离判断模块,用于判断本车与其他车辆的距离;
数据采集模块,用于进行数据的采集;
系统互连模块,用于进行车辆内视镜、左右侧后视镜与车辆总控系统的互连;
建模模块,用于进行车辆缩影和道路的建模;
深度学习感知模块,用于通过深度学习感知算法识别目标物体的移动意图;
总控模块,用于车辆总控系统的控制;
中控模块,用于车辆中控系统的控制与交互显示。
第四方面,本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
距离获取模块,用于获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
图像获取模块,用于获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
夹角获取模块,用于确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
意图识别模块,用于根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
第五方面,本公开还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
距离获取模块,用于获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
图像获取模块,用于获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
夹角获取模块,用于确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
意图识别模块,用于根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
第六方面,本公开还提供了一种车辆,所述车辆包括:
距离判断模块,用于判断本车与其他车辆的距离;
数据采集模块,用于进行数据的采集;
系统互连模块,用于进行车辆内视镜、左右侧后视镜与车辆总控系统的互连;
建模模块,用于进行车辆缩影和道路的建模;
深度学习感知模块,用于通过深度学习感知算法识别目标物体的移动意图;
总控模块,用于车辆总控系统的控制;
中控模块,用于车辆中控系统的控制与交互显示。
上述物体移动意图识别方法、装置、计算机设备、存储介质和计算机程序产品,通过获取第一物体与本体的距离,确定目标物体,然后根据运动情景图像,确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息,根据所述轨迹夹角信息,识别所述目标物体的第一移动意图,能够达到更加准确地识别目标物体的移动意图的目的,操作上更加方便、快捷、精确,能够帮助驾驶员在驾驶过程中能够及时进行预判其他物体的移动意图,能够及时避免一些不必要的事故发生。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1为一个实施例中物体移动意图识别方法的应用环境图;
图2为一个实施例中物体移动意图识别方法的流程示意图;
图3为另一个实施例中物体移动意图识别方法的流程示意图;
图4为一个实施例中物体移动意图识别装置的结构框图;
图5为另一个实施例中物体移动意图识别装置的结构框图;
图6为另一个实施例中车辆移动意图识别装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本公开,并不用于限定本公开。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供的物体移动意图识别方法,可以应用于如图1所示的应用环境中。其中,数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上,也可以放在云上或其他网络服务器上。服务器102包括一个或多个数据获取端,所述数据获取端获取第一物体与本体的距离,服务器102根据所述距离确定所述第一物体中距离小于预设距离阈值的目标物体。所述数据获取端获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像。服务器102确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息,根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。其中,服务器102的载体一般是所述本体,也可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种物体移动意图识别方法,以该方法应用于图1中的应用环境为例进行说明,包括以下步骤:
S202,获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体。
其中,第一物体可以是指除了本体以外的能够移动的物体。
具体地,所述第一物体和所述本体都可以是机动车、非机动车、轮船、飞机等交通工具,也可以是其他能够移动的物体。所述第一物体和所述本体可以是不同类型的物体,例如当所述本体是机动车时,所述第一物体可以是非机动车。可以通过传感器,例如光学传感器、声学传感器,获取所述第一物体与所述本体之间的距离。将与所述本体的距离小于预设距离阈值的第一物体作为目标物体。
S204,获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像。
其中,运动情景图像可以是指所述目标物体与所述本体在相对运动过程中拍摄的图片或录像,所述运动情景图像上至少包括所述本体的图像和所述目标物体的图像。
具体地,可以通过摄像头获取所述运动情景图像。所述本体的图像可以是本体的全部外形图像,也可以是本体的部分外形图像。所述目标物体的图像可以是目标物体的全部外形图像,也可以是目标物体的部分外形图像。
S206,确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息。
具体地,根据所述运动情景图像中的图像内容确定所述目标物体与所述本体的运动方向构成的轨迹夹角。例如,当所述运动情景图像中包含实际或虚拟的道路标线时,可以借助所述道路标线确定所述目标物体与所述本体构成的轨迹夹角。当所述运动情景图像中不包含道路标线时,可以根据所述目标物体的线条和所述本体的线条确定所述轨迹夹角。例如当所述目标物体和所述本体都为汽车时,可以根据两辆汽车的车身所在直线确定两车之间的轨迹夹角。所述目标物体的全部外形或部分外形的图像,可以用于确定所述目标物体当下运动方向所在的直线。所述本体的全部外形或部分外形的图像,可以用于确定所述本体当下运动方向所在的直线。根据所述目标物体运动方向所在直线和所述本体运动方向所在直线确定所述轨迹夹角。
S208,根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
其中,第一移动意图可以是指所述目标物体即将进行的移动动作。移动意图可以是指即将进行的移动动作。
具体地,第一移动意图可以是指可能会对所述本体的安全或者移动行为产生影响的目标物体的移动意图。所述第一移动意图可以是所述目标物体超越所述本体的移动意图,例如超车。所述所述第一移动意图也可以是所述目标物体的转弯意图或变道意图。
上述物体移动意图识别方法中,通过获取第一物体与本体的距离,确定目标物体,然后根据运动情景图像,确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息,根据所述轨迹夹角信息,识别所述目标物体的第一移动意图,能够达到准确识别目标物体的移动意图的目的。
在一个实施例中,如图3所示,所述目标物体图像中包括所述目标物体的转向灯信息,所述运动情景图像还用于:
S210,根据所述运动情景图像,获取所述目标物体的转向灯信息。
S212,根据所述转向灯信息,识别所述目标物体的第二移动意图。
具体地,所述目标物体拥有转向灯。所述目标物体图像中包括所述目标物体的转向灯信息。根据所述运动情景图像,获取所述目标物体的转向灯信息。根据所述转向灯信息,识别所述目标物体的第二移动意图。例如,当所述目标物体图像中目标物体的左转向灯亮灯时,可以识别出所述目标物体有向左移动的意图。当所述目标物体图像中目标物体的右转向灯亮灯时,可以识别出所述目标物体有向右移动的意图。所述第二移动意图可以与所述第一移动意图相同,也可以与所述第一移动意图不相同。
本实施例中,通过从目标物体图像中包含的转向灯信息中识别出第二移动意图,能够达到为所述第一移动意图提供佐证或参考,从而有利于更准确、更全面地识别目标物体的移动意图。
在一个实施例中,所述识别所述目标物体的第二移动意图包括:
通过深度学习感知算法识别所述目标物体的第二移动意图。
具体地,所述深度学习感知算法是一种能够根据转向灯信息判断物体移动意图的算法。所述深度学习感知算法可以是基于现有算法进行针对性训练后得到的算法。所述深度学习感知算法可以是改进的YOLOv3检测算法或改进的YOLOv5检测算法(YOLO,是一个目标检测算法系列的名称,全称You Only Look Once,v3和v5是版本名称)。例如,可以基于基础分类网络darknet框架,使用训练数据对YOLOv5算法进行验证和精度优化,得到改进的YOLOv5检测算法。所述训练数据可以是由被标记且与实际场景相结合的转向灯照片组成的数据集。
本实施例中,通过使用深度学习感知算法识别所述目标物体的第二移动意图,由于所述深度学习感知算法是根据本案需要训练出的算法,能够达到更准确地识别所述第二移动意图的有益效果。使用人工智能算法处理转向灯信息,识别物体移动意图的效果更加明显、便捷。
在一个实施例中,如图3所示,所述方法还包括:
S214,根据所述第一移动意图和/或所述第二移动意图,控制所述本体发出安全提醒。
具体地,所述安全提醒可以用于提醒所述本体的驾驶人员关注所述目标物体的移动意图。当只有所述第一移动意图时,根据所述第一移动意图,控制所述本体及时发出安全提醒。当所述第一移动意图和所述第二移动意图相同时,则根据所述第一移动意图,控制所述本体及时发出安全提醒。当所述第一移动意图和所述第二移动意图不相同时,对所述本体发出与每个移动意图分别对应的安全提醒。当所述第一移动意图和所述第二移动意图不相同时,也可以制定规则对两个移动意图进行评估和取舍,然后只根据其中的一个移动意图,控制所述本体及时发出安全提醒。
本实施例中,通过根据识别出的移动意图及时发出安全提醒,能够使所述本体的驾驶人员或相关驾驶控制程序及时获取所述目标物体的移动意图,从而进行自身移动状态的调整,能够达到提高安全性的有益效果,同时富有科技感。
在一个实施例中,所述获取运动情景图像包括:
通过所述本体的内视镜和/或后视镜,获取运动情景图像。
具体地,可以通过摄像头从所述本体的内视镜中获取正后方目标物体的运动情景图像。可以通过摄像头从所述本体的后视镜中获取侧后方目标物体的运动情景图像。
本实施例中,通过所述本体一般会有的内视镜和/或后视镜,获取运动情景图像,能够使处理器和所述本体的驾驶人员获取的相同运动情景信息,进而方便驾驶人员对处理器识别出的驾驶意图进行处理。
在一个实施例中,所述根据所述轨迹夹角信息,识别所述目标物体的第一移动意图包括:
只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
具体地,可以预设一个角度范围,只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
本实施例中,通过设置所述轨迹夹角的角度范围,能够只识别轨迹夹角符合预设角度范围的目标物体的移动意图,从而达到减少处理器的任务量,并提高目标物体移动意图识别的针对性的有益效果。
在一个实施例中,所述预设角度范围为0°~75°。
具体地,设置所述预设角度范围为0°~75°。例如当只需要考虑后方(包括正后方和侧后方)物体的移动意图时,可以将所述预设角度范围为0°~75°。
本实施例中,通过将所述预设角度范围设置为0°~75°,能够只识别轨迹夹角符合预设角度范围的目标物体的移动意图,从而达到减少处理器的任务量,并提高目标物体移动意图识别的针对性的有益效果。
在一个实施例中,所述确定所述第一物体中距离小于预设距离阈值的目标物体包括:
设置不同的速度区间和对应预设距离阈值的取值范围。
具体地,根据所述本体所在的区域的移动速度要求,设置速度区间,并根据所述速度区间设置对应的预设阈值的取值范围。例如可以设置当所述本体运动道路的速度上限值在80-120km/h区间时,所述预设距离阈值的取值范围为50-100米。当所述本体运动道路的速度上限值在40-80km/h区间时,所述预设距离阈值的取值范围为20-50米。当所述本体运动道路的速度上限值在0-40km/h区间时,所述预设距离阈值的取值范围为2-20米。所述预设距离阈值可以是对应取值范围内的任一数值,例如当取值范围为2~20米时,所述预设阈值可以取2米、20米或X米(2<X<20)。
本实施例中,通过设置不同的速度区间和对应预设距离阈值的取值范围,能够达到更准确地确定需要进行移动意图识别的目标物体的有益效果。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的物体移动意图识别方法的物体移动意图识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个物体移动意图识别装置实施例中的具体限定可以参见上文中对于物体移动意图识别方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种物体移动意图识别装置,包括:距离获取模块402、图像获取模块404、夹角获取模块406和意图识别模块408,其中:
距离获取模块402,用于获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体。
图像获取模块404,用于获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像。
夹角获取模块406,用于确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息。
意图识别模块408,用于根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,如图5所示,所述装置还包括:
转向灯信息模块410,用于根据所述运动情景图像,获取所述目标物体的转向灯信息。
第二意图识别模块412,用于根据所述转向灯信息,识别所述目标物体的第二移动意图。
在一个实施例中,如图5所示,所述装置还包括:
提醒模块414,用于根据所述第一移动意图和/或所述第二移动意图,控制所述本体发出安全提醒。
在一个实施例中,所述第二意图识别模块412通过深度学习感知算法识别所述目标物体的第二移动意图。
在一个实施例中,所述图像获取模块404用于通过所述本体的内视镜和/或后视镜,获取运动情景图像。
在一个实施例中,所述意图识别模块408用于只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,所述距离获取模块402还用于设置不同的速度区间和对应预设距离阈值的取值范围。
在一个实施例中,如图6所示,提供了一种车辆移动意图识别装置,包括:距离判断模块602、数据采集模块604、系统互连模块606、建模模块608、深度学习感知模块610、总控模块612和中控模块614,其中:
距离判断模块602,用于判断本车与其他车辆的距离。
数据采集模块604,用于进行数据的采集。
系统互连模块606,用于进行车辆内视镜、左右侧后视镜与车辆总控系统的互连。
建模模块608,用于进行车辆缩影和道路的建模。
深度学习感知模块610,用于通过深度学习感知算法识别目标物体的移动意图。
总控模块612,用于车辆总控系统的控制。
中控模块614,用于车辆中控系统的控制与交互显示。
上述物体移动意图识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是图2~图6中各部分之间的连接线只用于表示各部分之间可以存在联系,并不用于限制各部分之间的关系,也不用于限定逻辑的先后顺序。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储物体移动意图识别相关的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物体移动意图识别方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的计算机设备的限定,具体的计算机设备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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述运动情景图像,获取所述目标物体的转向灯信息;根据所述转向灯信息,识别所述目标物体的第二移动意图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过深度学习感知算法识别所述目标物体的第二移动意图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述第一移动意图和/或所述第二移动意图,控制所述本体发出安全提醒。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过所述本体的内视镜和/或后视镜,获取运动情景图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
设置不同的速度区间和对应预设距离阈值的取值范围。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述运动情景图像,获取所述目标物体的转向灯信息;根据所述转向灯信息,识别所述目标物体的第二移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过深度学习感知算法识别所述目标物体的第二移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述第一移动意图和/或所述第二移动意图,控制所述本体发出安全提醒。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过所述本体的内视镜和/或后视镜,获取运动情景图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
设置不同的速度区间和对应预设距离阈值的取值范围。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述运动情景图像,获取所述目标物体的转向灯信息;
根据所述转向灯信息,识别所述目标物体的第二移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过深度学习感知算法识别所述目标物体的第二移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述第一移动意图和/或所述第二移动意图,控制所述本体发出安全提醒。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过所述本体的内视镜和/或后视镜,获取运动情景图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
设置不同的速度区间和对应预设距离阈值的取值范围。
在一个实施例中,提供了一种车辆,所述车辆包括:
距离判断模块,用于判断本车与其他车辆的距离;
数据采集模块,用于进行数据的采集;
系统互连模块,用于进行车辆内视镜、左右侧后视镜与车辆总控系统的互连;
建模模块,用于进行车辆缩影和道路的建模;
深度学习感知模块,用于通过深度学习感知算法识别目标物体的移动意图;
总控模块,用于车辆总控系统的控制;
中控模块,用于车辆中控系统的控制与交互显示。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本公开专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开的保护范围应以所附权利要求为准。
Claims (13)
1.一种物体移动意图识别方法,其特征在于,所述方法包括:
获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
2.根据权利要求1所述的方法,其特征在于,目标物体图像中包括所述目标物体的转向灯信息,所述运动情景图像还用于:
根据所述运动情景图像,获取所述目标物体的转向灯信息;
根据所述转向灯信息,识别所述目标物体的第二移动意图。
3.根据权利要求2所述的方法,其特征在于,所述识别所述目标物体的第二移动意图包括:
通过深度学习感知算法识别所述目标物体的第二移动意图。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述第一移动意图和/或所述第二移动意图,控制所述本体发出安全提醒。
5.根据权利要求1所述的方法,其特征在于,所述获取运动情景图像包括:
通过所述本体的内视镜和/或后视镜,获取运动情景图像。
6.根据权利要求1所述的方法,其特征在于,所述根据所述轨迹夹角信息,识别所述目标物体的第一移动意图包括:
只有当所述轨迹夹角处于预设角度范围时,才根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
7.根据权利要求1所述的方法,其特征在于,所述确定所述第一物体中距离小于预设距离阈值的目标物体包括:
设置不同的速度区间和对应预设距离阈值的取值范围。
8.一种物体移动意图识别装置,其特征在于,所述装置包括:
距离获取模块,用于获取第一物体与本体的距离,确定所述第一物体中距离小于预设距离阈值的目标物体;
图像获取模块,用于获取运动情景图像,所述运动情景图像至少包括本体图像和目标物体图像;
夹角获取模块,用于确定所述运动情景图像中所述目标物体与所述本体构成的轨迹夹角信息;
意图识别模块,用于根据所述轨迹夹角信息,识别所述目标物体的第一移动意图。
9.一种车辆移动意图识别装置,其特征在于,所述装置包括:
距离判断模块,用于判断本车与其他车辆的距离;
数据采集模块,用于进行数据的采集;
系统互连模块,用于进行车辆内视镜、左右侧后视镜与车辆总控系统的互连;
建模模块,用于进行车辆缩影和道路的建模;
深度学习感知模块,用于通过深度学习感知算法识别目标物体的移动意图;
总控模块,用于车辆总控系统的控制;
中控模块,用于车辆中控系统的控制与交互显示。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
13.一种车辆,其特征在于,所述车辆包括:
距离判断模块,用于判断本车与其他车辆的距离;
数据采集模块,用于进行数据的采集;
系统互连模块,用于进行车辆内视镜、左右侧后视镜与车辆总控系统的互连;
建模模块,用于进行车辆缩影和道路的建模;
深度学习感知模块,用于通过深度学习感知算法识别目标物体的移动意图;
总控模块,用于车辆总控系统的控制;
中控模块,用于车辆中控系统的控制与交互显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449720.2A CN114299103A (zh) | 2021-11-30 | 2021-11-30 | 物体移动意图识别方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449720.2A CN114299103A (zh) | 2021-11-30 | 2021-11-30 | 物体移动意图识别方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114299103A true CN114299103A (zh) | 2022-04-08 |
Family
ID=80966542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111449720.2A Pending CN114299103A (zh) | 2021-11-30 | 2021-11-30 | 物体移动意图识别方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299103A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023246304A1 (zh) * | 2022-06-22 | 2023-12-28 | 腾讯科技(深圳)有限公司 | 物体识别方法、装置、设备及存储介质 |
-
2021
- 2021-11-30 CN CN202111449720.2A patent/CN114299103A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023246304A1 (zh) * | 2022-06-22 | 2023-12-28 | 腾讯科技(深圳)有限公司 | 物体识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10628690B2 (en) | Systems and methods for automated detection of trailer properties | |
JP6859505B2 (ja) | 画像に基づく車両損傷判定方法、装置および電子デバイス | |
US20220343138A1 (en) | Analysis of objects of interest in sensor data using deep neural networks | |
US10849543B2 (en) | Focus-based tagging of sensor data | |
DE102020100685A1 (de) | Vorhersage zeitlicher informationen in autonomenmaschinenanwendungen | |
CN110834667B (zh) | 车辆转向控制方法、装置、车辆、终端设备及存储介质 | |
CN111008973A (zh) | 用于对图像数据的语义分割的方法、人工神经网络和设备 | |
US20220048529A1 (en) | System and method for providing in-vehicle emergency vehicle detection and positional alerts | |
DE112021001882T5 (de) | Informationsverarbeitungseinrichtung, informationsverarbeitungsverfahren und programm | |
DE102018117548A1 (de) | Sicherheitsabbildung für zurücksetzen eines fahrzeugs | |
CN114299103A (zh) | 物体移动意图识别方法、装置、计算机设备、存储介质 | |
CN115675520A (zh) | 无人驾驶实现方法、装置、计算机设备和存储介质 | |
CN114170826A (zh) | 自动驾驶控制方法和装置、电子设备和存储介质 | |
CN112381025A (zh) | 一种驾驶员注意力检测方法、装置、电子设备及存储介质 | |
CN116310656A (zh) | 训练样本确定方法、装置和计算机设备 | |
Ma et al. | Cemformer: Learning to predict driver intentions from in-cabin and external cameras via spatial-temporal transformers | |
CN117184075A (zh) | 一种车辆变道检测方法、装置及计算机可读存储介质 | |
Weber et al. | Approach for improved development of advanced driver assistance systems for future smart mobility concepts | |
CN115719476A (zh) | 图像的处理方法、装置、电子设备和存储介质 | |
US11663807B2 (en) | Systems and methods for image based perception | |
CN115112144A (zh) | 导航方法、装置、设备、存储介质和程序产品 | |
CN114882183A (zh) | 车道线标注方法、装置、计算机设备及存储介质 | |
Chang et al. | IoV-based collision avoidance by using confidence region | |
CN113791841A (zh) | 一种执行指令确定方法、装置、设备及存储介质 | |
Khosroshahi | Learning, classification and prediction of maneuvers of surround vehicles at intersections using lstms |
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 |