CN114842432B - 一种基于深度学习汽车灯光控制方法及系统 - Google Patents

一种基于深度学习汽车灯光控制方法及系统 Download PDF

Info

Publication number
CN114842432B
CN114842432B CN202110140149.XA CN202110140149A CN114842432B CN 114842432 B CN114842432 B CN 114842432B CN 202110140149 A CN202110140149 A CN 202110140149A CN 114842432 B CN114842432 B CN 114842432B
Authority
CN
China
Prior art keywords
current
information
decision reference
deep learning
environment 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.)
Active
Application number
CN202110140149.XA
Other languages
English (en)
Other versions
CN114842432A (zh
Inventor
李景俊
邓胜
谢鹏鹤
覃小艺
张剑锋
尹苍穹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202110140149.XA priority Critical patent/CN114842432B/zh
Publication of CN114842432A publication Critical patent/CN114842432A/zh
Application granted granted Critical
Publication of CN114842432B publication Critical patent/CN114842432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
    • B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
    • B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
    • B60Q1/14—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights having dimming means
    • B60Q1/1415—Dimming circuits
    • B60Q1/1423—Automatic dimming circuits, i.e. switching between high beam and low beam due to change of ambient light or light level in road traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Lighting Device Outwards From Vehicle And Optical Signal (AREA)

Abstract

本发明公开了一种基于深度学习的汽车灯光控制方法，其包括步骤：步骤S10，通过环视摄像头和车内摄像头，检测获得车外环境图像和车内环境图像；步骤S11，基于所述深度学习模型对所述车外环境图像和车内环境图像进行分析，获得车道线、当前车道信息、驾驶员对应的决策参考值；步骤S12，获得当前地图信息和能见度信息所对应的决策参考值；步骤S13，对各决策参考值进行加权处理，获得整体行为模式值；步骤S14，根据行为模式值，确定当前的灯光控制策略，并对汽车的灯光进行控制。本发明还公开了相应的系统。实施本发明，可以提供一种智能化的汽车灯光控制方案，具有准确性高、安全性高的特点。

Description

一种基于深度学习汽车灯光控制方法及系统
技术领域
本发明涉及汽车的灯光控制技术领域，特别是涉及一种基于深度学习汽车灯光控制方法及系统。
背景技术
在现有技术中，汽车的灯光控制系统是通过驾驶员进行控制，在出现换道、有雾天气下，或者需要进行远光和近光切换时，由驾驶员进行控制。目前也逐渐出现了一些技术方案，通过在车上设置一些传感器，如果感应到前方光线强度变化，则进行一些远光灯和近光灯的切换。
但是，现有的这些灯光控制方案中，只是通过传感器进行汽车灯光控制，并不是传统智能意义上的灯光控制；同时，现有的技术中，缺乏对智能座舱里面的识别，缺乏对驾驶员的驾驶习惯、驾驶意图的识别，无法应用于复杂的行驶状况中，准确性以及安全性有待提高。
发明内容
本发明所要解决的技术问题在于，提供一种基于深度学习的汽车灯光控制方法及方法，可以提供一种智能化的汽车灯光控制方案，具有准确性高、安全性高的特点。
为解决上述技术问题，作为本发明的一方面，提供一种基于深度学习的汽车灯光控制方法，其包括如下步骤：
步骤S10，通过安装于汽车外部的环视摄像头和安装于汽车内部的车内摄像头，检测获得车外环境图像和车内环境图像，并作为深度学习模型的输入条件；
步骤S11，基于所述深度学习模型对所述车外环境图像和车内环境图像进行分析，获得车道线、当前车道信息、驾驶员对应的决策参考值；
步骤S12，获得当前地图信息和能见度信息所对应的决策参考值；
步骤S13，对所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值进行加权处理，获得整体行为模式值；
步骤S14，根据所述整体行为模式值，确定当前的灯光控制策略，并根据所确定的灯光控制策略，对汽车的灯光进行控制。
其中，进一步包括：
预先形成包含有多个车外环境图像、车内环境图像的训练集，并在深度学习处理单元中进行训练，形成深度学习模型。
其中，所述步骤S11进一步包括：
基于深度学习模型分析所述车外环境图像，识别获得车道线对应的具体形态、当前车道信息的具体形态，以及各自对应的置信度；
基于深度学习模型分析所述车内环境图像，识别驾驶员的手部动作以及面部表情，获得驾驶员的具体形态，以及其对应的置信度；
获得所述车道线对应的具体形态、当前车道信息的具体形态、驾驶员的具体形态所对应的第一加权值；
将各第一加权值与对应的置信度进行乘，分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值。
其中，所述步骤S12进一步包括：
从实时地图软件获得当前地图信息的具体类型，以及从天气预报软件获得当前能见度类型；
在预先标定的地图和决策参考值对应表，以及能见度和决策参考值对应表中进行查询，分别获得所述当前地图信息的具体类型以及当前能见度类型所对应的决策参考值。
其中，所述步骤S13进一步包括：
分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值所对应的第二加权值；
将各决策参考值与对应的第二加权值相乘，并将各乘积的总和作为当前的整体行为模式值。
其中，所述步骤S14进一步包括：
根据所述当前的整体行为模式值，在预先标定的行为模式值与灯光控制策略对应表中进行查询，获得当前的灯光控制策略；
根据所确定的灯光控制策略，对汽车的灯光进行控制。
相应地，作为本发明的另一方面，还提供一种基于深度学习的汽车灯光控制系统，其包括：
环境图图像获取单元，用于通过安装于汽车外部的环视摄像头和安装于汽车内部的车内摄像头，检测获得车外环境图像和车内环境图像，并作为深度学习模型的输入条件；
深度学习处理单元，用于基于所述深度学习模型对所述车外环境图像和车内环境图像进行分析，获得车道线、当前车道信息、驾驶员对应的决策参考值；
决策参考值获取单元，获得当前地图信息和能见度信息所对应的决策参考值；
行为模式值获取单元，用于对所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值进行加权处理，获得整体行为模式值；
决策处理单元，用于根据所述整体行为模式值，确定当前的灯光控制策略，并根据所确定的灯光控制策略，对汽车的灯光进行控制。
其中，进一步包括：
深度学习模型建立单元，用于预先形成包含有多个车外环境图像、车内环境图像的训练集，并在深度学习处理单元中进行训练，形成深度学习模型。
其中，所述深度学习处理单元进一步包括：
车外环境图像识别单元，用于基于深度学习模型分析所述车外环境图像，识别获得车道线对应的具体形态、当前车道信息的具体形态，以及各自对应的置信度；
车内环境图像识别单元，用于基于深度学习模型分析所述车内环境图像，识别驾驶员的手部动作以及面部表情，获得驾驶员的具体形态，以及其对应的置信度；
第一加权值获得单元，用于获得所述车道线对应的具体形态、当前车道信息的具体形态、驾驶员的具体形态所对应的第一加权值；
第一权重计算单元，用于将各第一加权值与对应的置信度进行乘，分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值。
其中，所述决策参考值获取单元进一步包括：
信息接收单元，用于从实时地图软件获得当前地图信息的具体类型，以及从天气预报软件获得当前能见度类型；
第一查询单元，用于在预先标定的地图和决策参考值对应表，以及能见度和决策参考值对应表中进行查询，分别获得所述当前地图信息的具体类型以及当前能见度类型所对应的决策参考值。
其中，所述行为模式值获取单元进一步包括：
第二加权值获取单元，用于分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值所对应的第二加权值；
第二权重计算单元，用于将各决策参考值与对应的第二加权值相乘，并将各乘积的总和作为当前的整体行为模式值。
其中，所述决策确定单元进一步包括：
第二查询单元，用于根据所述当前的整体行为模式值，在预先标定的行为模式值与灯光控制策略对应表中进行查询，获得当前的灯光控制策略；
执行单元，用于根据所确定的灯光控制策略，对汽车的灯光进行控制。
实施本发明实施例，具有如下的有益效果：
本发明提供了一种基于深度学习汽车灯光控制方法及系统，通过将摄像头获取到的车外环境信息、车内环境信息、地图信息，以及和驾驶习惯、天气信息等进行有机结合，通过深度学习模型，将这些信息按照一定权重比例进行计算，推导出更加精确的灯光控制策略；
本发明采用了两次权重计算，第一个权重运算是使用了深度学习处理单元进行处理，第二个权重运算单元主要是通过一些后处理的方式进行判断；其中，深度学习模型的处理主要是通过图像识别的方式，其中会涉及到置信度的问题；而在后处理中，采用置信度比较高的地图信息和可见度信息。这样的分层次处理，可以提高系统可配置性，同时可以使灯光控制策略更加符合各种复杂的场景，同时提高了安全性；
实施本发明的技术方案，可以基于深度学习等为汽车路况准确检测以及通过深度学习的结果和灯光控制系统联动规避危险，形成更好的驾驶习惯和道路安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种基于深度学习汽车灯光控制方法的一个实施例的主流程示意图；
图2为本发明提供的一种基于深度学习汽车灯光控制系统的一个实施例的结构示意图；
图3为图2中深度学习处理单元的结构示意图；
图4为图2中决策参考值获取单元的结构示意图；
图5是图2中行为模式值获取单元的结构示意图；
图6是图2中决策处理单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，示出了本发明提供的一种基于深度学习的汽车灯光控制方法的一个实施例的主流程示意图。在本实施例中，所述方法包括如下步骤：
步骤S10，通过安装于汽车外部的环视摄像头和安装于汽车内部的车内摄像头，检测获得车外环境图像和车内环境图像，并作为深度学习模型的输入条件；其中的环视摄像头获得的车外环境图像可以是诸如包含车道线、当前车道信息(如是否有事故、有堵塞等)内容；车内环境图像可以是诸如包含驾驶者的动作状态，面部表情等内容；
步骤S11，基于所述深度学习模型对所述车外环境图像和车内环境图像进行分析，获得车道线、当前车道信息、驾驶员对应的决策参考值；
其中，所述步骤S11进一步包括：
基于深度学习模型分析所述车外环境图像，识别获得车道线对应的具体形态、当前车道信息的具体形态，以及各自对应的置信度；
基于深度学习模型分析所述车内环境图像，识别驾驶员的手部动作以及面部表情，获得驾驶员的具体形态，以及其对应的置信度；
获得所述车道线对应的具体形态、当前车道信息的具体形态、驾驶员的具体形态所对应的第一加权值；
具体地，如下表1至3分别示出了车道线对应的具体形态、当前车道信息的具体形态、驾驶员的具体形态所对应的第一加权值的对应关系。
表1、车道线信息(Line)对应关系表
具体形态 第一权重(Weight，单位％)
位于车道线中间 10
靠近车道线 15
压车道线 20
前轮过车道线，后轮未过车道线 80
前轮过车道线，后轮过车道线 50
表2、当前车道信息(Curline_info)对应关系表
表3、驾驶员(Driver)对应关系表
具体形态 第一权重(Weight，单位％)
驾驶员换道没有打灯 35
驾驶员没有看左右后视镜换道 33
驾驶员打瞌睡导致汽车压线 30
驾驶员错误行为，压线行驶 40
驾驶员遇到紧急情况的，但是没有打灯等行为 10
将各第一加权值与对应的置信度进行乘，分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值。
在上述例子中，各决策参考值如如下：
Function_1(Line)＝NetResult(Line)*a％
Function_2(Curline_info)＝NetResult(Curline_info)*b％
Function_4(Driver)＝NetResult(Driver)*c％
其中，a％、b％、c％为对应的第一加权值；NetResult为深度学习模型识别出的具体形态所对应的置信度。
可以理解的是，在步骤S12之前，进一步包括：
预先形成包含有多个车外环境图像、车内环境图像的训练集，并在深度学习处理单元中进行训练，形成深度学习模型。
步骤S12，获得当前地图信息和能见度信息所对应的决策参考值；
其中，所述步骤S12进一步包括：
从实时地图软件获得当前地图信息的具体类型，以及从天气预报软件获得当前能见度类型；可以理解的是，所述实时地图软件和天气预报软件预先安装于汽车中，所述实时地图软件可以记录或显示驾驶员当前的驾驶路线等信息，所述天气预报软件可以获得当前的能见度信息；
在预先标定的地图和决策参考值对应表，以及能见度和决策参考值对应表中进行查询，分别获得所述当前地图信息的具体类型以及当前能见度类型所对应的决策参考值。如下表4、表5所示，示出相应的对应表：
表4、地图和决策参考值对应表
具体类型 决策参考值Function_3(Map)(单位％)
地图提示前方200m需要转向 75
地图提示前方前方有隧道 80
地图提示前方拥堵，建议换道 30
表5、能见度和决策参考值对应表
具体类型 决策参考值Function_5(Weather)(单位％)
大雨天 30
大雾天 40
车道线信息能见度差 80
步骤S13，对所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值进行加权处理，获得整体行为模式值；
其中，所述步骤S13进一步包括：
分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值所对应的第二加权值；
将各决策参考值与对应的第二加权值相乘，并将各乘积的总和作为当前的整体行为模式值。如下式示出了行为模式值unction(Action)的计算公式：
Function(Action)＝A*Function_1(Line)+B*Function_2(Curline_info)+C*Function_3(Map)+D*Function_4(Driver)+E*Function_5(Weather)
其中，A、B、C、D、E为各第二加权值。
步骤S14，根据所述整体行为模式值，确定当前的灯光控制策略，并根据所确定的灯光控制策略，对汽车的灯光进行控制。
在一个具体的例子中，所述步骤S14进一步包括：
根据所述当前的整体行为模式值，在预先标定的行为模式值与灯光控制策略对应表中进行查询，获得当前的灯光控制策略；如下表6所示，示出了一个行为模式值与灯光控制策略对应表：
表6、行为模式值与灯光控制策略对应表
行为模式值(Action) 操作灯光
0 不需要操作灯光
10 打开远光灯
30 关掉远光灯，打开近光灯
50 打开左/右方向灯
70 打开雾灯/后雾灯
75 打开示宽灯
90 打开车内的车头灯
100 打开双闪
根据所确定的灯光控制策略，对汽车的灯光进行控制。
如图2所示，示出了本发明提供的一种基于深度学习的汽车灯光控制系统的一个实施例的结构示意图。一并结合图3至图6所示，在本实施例中，所述系统1具体包括：
环境图图像获取单元10，用于通过安装于汽车外部的环视摄像头和安装于汽车内部的车内摄像头，检测获得车外环境图像和车内环境图像，并作为深度学习模型的输入条件；
深度学习处理单元11，用于基于所述深度学习模型对所述车外环境图像和车内环境图像进行分析，获得车道线、当前车道信息、驾驶员对应的决策参考值；
决策参考值获取单元12，获得当前地图信息和能见度信息所对应的决策参考值；
行为模式值获取单元13，用于对所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值进行加权处理，获得整体行为模式值；
决策处理单元14，用于根据所述整体行为模式值，确定当前的灯光控制策略，并根据所确定的灯光控制策略，对汽车的灯光进行控制。
其中，进一步包括：
深度学习模型建立单元15，用于预先形成包含有多个车外环境图像、车内环境图像的训练集，并在深度学习处理单元中进行训练，形成深度学习模型。
如图3所示，在一个具体的例子中，所述深度学习处理单元11进一步包括：
车外环境图像识别单元110，用于基于深度学习模型分析所述车外环境图像，识别获得车道线对应的具体形态、当前车道信息的具体形态，以及各自对应的置信度；
车内环境图像识别单元111，用于基于深度学习模型分析所述车内环境图像，识别驾驶员的手部动作以及面部表情，获得驾驶员的具体形态，以及其对应的置信度；
第一加权值获得单元112，用于获得所述车道线对应的具体形态、当前车道信息的具体形态、驾驶员的具体形态所对应的第一加权值；
第一权重计算单元113，用于将各第一加权值与对应的置信度进行乘，分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值。
如图4所示，在一个具体的例子中，所述决策参考值获取单元12进一步包括：
信息接收单元120，用于从实时地图软件获得当前地图信息的具体类型，以及从天气预报软件获得当前能见度类型；
第一查询单元121，用于在预先标定的地图和决策参考值对应表，以及能见度和决策参考值对应表中进行查询，分别获得所述当前地图信息的具体类型以及当前能见度类型所对应的决策参考值。
如图5所示，在一个具体的例子中，所述行为模式值获取单元13进一步包括：
第二加权值获取单元130，用于分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值所对应的第二加权值；
第二权重计算单元131，用于将各决策参考值与对应的第二加权值相乘，并将各乘积的总和作为当前的整体行为模式值。
如图6所示，在一个具体的例子中，所述决策确定单元14进一步包括：
第二查询单元140，用于根据所述当前的整体行为模式值，在预先标定的行为模式值与灯光控制策略对应表中进行查询，获得当前的灯光控制策略；
执行单元141，用于根据所确定的灯光控制策略，对汽车的灯光进行控制。
关于本系统的更多的细节，可以参考前述对图1的描述，在此不进行详述。
实施本发明实施例，具有如下的有益效果：
本发明提供了一种基于深度学习汽车灯光控制方法及系统，通过将摄像头获取到的车外环境信息、车内环境信息、地图信息，以及和驾驶习惯、天气信息等进行有机结合，通过深度学习模型，将这些信息按照一定权重比例进行计算，推导出更加精确的灯光控制策略；
本发明采用了两次权重计算，第一个权重运算是使用了深度学习处理单元进行处理，第二个权重运算单元主要是通过一些后处理的方式进行判断；其中，深度学习模型的处理主要是通过图像识别的方式，其中会涉及到置信度的问题；而在后处理中，采用置信度比较高的地图信息和可见度信息。这样的分层次处理，可以提高系统可配置性，同时可以使灯光控制策略更加符合各种复杂的场景，同时提高了安全性；
实施本发明的技术方案，可以基于深度学习等为汽车路况准确检测以及通过深度学习的结果和灯光控制系统联动规避危险，形成更好的驾驶习惯和道路安全。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种基于深度学习的汽车灯光控制方法，其特征在于，包括如下步骤：
步骤S10，通过安装于汽车外部的环视摄像头和安装于汽车内部的车内摄像头，检测获得车外环境图像和车内环境图像，并作为深度学习模型的输入条件；
步骤S11，基于所述深度学习模型对所述车外环境图像和车内环境图像进行分析，获得车道线、当前车道信息、驾驶员对应的决策参考值；其中，各决策参考值通过车道线、当前车道信息、驾驶员的具体形态对应的置信度以及第一加权值相乘获得；
步骤S12，获得当前地图信息和能见度信息所对应的决策参考值；
步骤S13，对所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值进行加权处理，获得整体行为模式值；
步骤S14，根据所述整体行为模式值，确定当前的灯光控制策略，并根据所确定的灯光控制策略，对汽车的灯光进行控制。
2.如权利要求1所述的方法，其特征在于，进一步包括：
预先形成包含有多个车外环境图像、车内环境图像的训练集，并在深度学习处理单元中进行训练，形成深度学习模型。
3.如权利要求1或2所述的方法，其特征在于，所述步骤S11进一步包括：
基于深度学习模型分析所述车外环境图像，识别获得车道线对应的具体形态、当前车道信息的具体形态，以及各自对应的置信度；
基于深度学习模型分析所述车内环境图像，识别驾驶员的手部动作以及面部表情，获得驾驶员的具体形态，以及其对应的置信度；
获得所述车道线对应的具体形态、当前车道信息的具体形态、驾驶员的具体形态所对应的第一加权值；
将各第一加权值与对应的置信度进行乘，分别获得所述车道线、当前车道信息和驾驶员所对应的决策参考值。
4.如权利要求3所述的方法，其特征在于，所述步骤S12进一步包括：
从实时地图软件获得当前地图信息的具体类型，以及从天气预报软件获得当前能见度类型；
在预先标定的地图和决策参考值对应表，以及能见度和决策参考值对应表中进行查询，分别获得所述当前地图信息的具体类型以及当前能见度类型所对应的决策参考值。
5.如权利要求4所述的方法，其特征在于，所述步骤S13进一步包括：
分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值所对应的第二加权值；
将各决策参考值与对应的第二加权值相乘，并将各乘积的总和作为当前的整体行为模式值。
6.如权利要求5所述的方法，其特征在于，所述步骤S14进一步包括：
根据所述当前的整体行为模式值，在预先标定的行为模式值与灯光控制策略对应表中进行查询，获得当前的灯光控制策略；
根据所确定的灯光控制策略，对汽车的灯光进行控制。
7.一种基于深度学习的汽车灯光控制系统，其特征在于，包括：
环境图图像获取单元，用于通过安装于汽车外部的环视摄像头和安装于汽车内部的车内摄像头，检测获得车外环境图像和车内环境图像，并作为深度学习模型的输入条件；
深度学习处理单元，用于基于所述深度学习模型对所述车外环境图像和车内环境图像进行分析，获得车道线、当前车道信息、驾驶员对应的决策参考值其中，各决策参考值通过车道线、当前车道信息、驾驶员的具体形态对应的置信度以及第一加权值相乘获得；
决策参考值获取单元，获得当前地图信息和能见度信息所对应的决策参考值；
行为模式值获取单元，用于对所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值进行加权处理，获得整体行为模式值；
决策处理单元，用于根据所述整体行为模式值，确定当前的灯光控制策略，并根据所确定的灯光控制策略，对汽车的灯光进行控制。
8.如权利要求7所述的系统，其特征在于，所述深度学习处理单元进一步包括：
车外环境图像识别单元，用于基于深度学习模型分析所述车外环境图像，识别获得车道线对应的具体形态、当前车道信息的具体形态，以及各自对应的置信度；
车内环境图像识别单元，用于基于深度学习模型分析所述车内环境图像，识别驾驶员的手部动作以及面部表情，获得驾驶员的具体形态，以及其对应的置信度；
第一加权值获得单元，用于获得所述车道线对应的具体形态、当前车道信息的具体形态、驾驶员的具体形态所对应的第一加权值；
第一权重计算单元，用于将各第一加权值与对应的置信度进行乘，分别获得所述车道线、当前车道信息和驾驶员所对应的决策参考值。
9.如权利要求8所述的系统，其特征在于，所述决策参考值获取单元进一步包括：
信息接收单元，用于从实时地图软件获得当前地图信息的具体类型，以及从天气预报软件获得当前能见度类型；
第一查询单元，用于在预先标定的地图和决策参考值对应表，以及能见度和决策参考值对应表中进行查询，分别获得所述当前地图信息的具体类型以及当前能见度类型所对应的决策参考值。
10.如权利要求9所述的系统，其特征在于，所述行为模式值获取单元进一步包括：
第二加权值获取单元，用于分别获得所述车道线、当前车道信息、驾驶员、地图信息和能见度信息所对应的决策参考值所对应的第二加权值；
第二权重计算单元，用于将各决策参考值与对应的第二加权值相乘，并将各乘积的总和作为当前的整体行为模式值。
CN202110140149.XA 2021-02-02 2021-02-02 一种基于深度学习汽车灯光控制方法及系统 Active CN114842432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110140149.XA CN114842432B (zh) 2021-02-02 2021-02-02 一种基于深度学习汽车灯光控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110140149.XA CN114842432B (zh) 2021-02-02 2021-02-02 一种基于深度学习汽车灯光控制方法及系统

Publications (2)

Publication Number Publication Date
CN114842432A CN114842432A (zh) 2022-08-02
CN114842432B true CN114842432B (zh) 2024-08-20

Family

ID=82560931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110140149.XA Active CN114842432B (zh) 2021-02-02 2021-02-02 一种基于深度学习汽车灯光控制方法及系统

Country Status (1)

Country Link
CN (1) CN114842432B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115107832A (zh) * 2022-08-09 2022-09-27 中车唐山机车车辆有限公司 列车前照灯控制方法、车载终端、控制系统及存储介质
CN116634638A (zh) * 2023-05-16 2023-08-22 珠海光通智装科技有限公司 灯光控制策略的生成方法、灯光控制方法以及相关装置
CN118372736A (zh) * 2024-06-26 2024-07-23 蜂巢传动科技邳州有限公司 一种汽车灯光控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106080590A (zh) * 2016-06-12 2016-11-09 百度在线网络技术（北京）有限公司 车辆控制方法和装置以及决策模型的获取方法和装置
CN110472556A (zh) * 2019-08-12 2019-11-19 一汽轿车股份有限公司 基于单目视觉的驾驶员注意力状态分析系统和分析方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107864538A (zh) * 2016-09-22 2018-03-30 腾讯科技（深圳）有限公司 灯光控制方法及装置
CN106709449B (zh) * 2016-12-22 2020-04-21 深圳市深网视界科技有限公司 一种基于深度学习和强化学习的行人重识别方法及系统
US10803324B1 (en) * 2017-01-03 2020-10-13 Waylens, Inc. Adaptive, self-evolving learning and testing platform for self-driving and real-time map construction
CN107521501B (zh) * 2017-07-11 2020-06-30 上海蔚来汽车有限公司 基于博弈论的驾驶员辅助系统决策方法、系统及其他
US10592785B2 (en) * 2017-07-12 2020-03-17 Futurewei Technologies, Inc. Integrated system for detection of driver condition
CN111361494B (zh) * 2018-12-25 2022-02-22 深圳市丰驰顺行信息技术有限公司 一种车灯自动控制方法及系统
CN110077414B (zh) * 2019-04-04 2020-12-01 合肥思艾汽车科技有限公司 一种基于驾驶员状态监测的车辆行驶安全保障方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106080590A (zh) * 2016-06-12 2016-11-09 百度在线网络技术（北京）有限公司 车辆控制方法和装置以及决策模型的获取方法和装置
CN110472556A (zh) * 2019-08-12 2019-11-19 一汽轿车股份有限公司 基于单目视觉的驾驶员注意力状态分析系统和分析方法

Also Published As

Publication number Publication date
CN114842432A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN114842432B (zh) 一种基于深度学习汽车灯光控制方法及系统
CN107176165B (zh) 车辆的控制装置
KR101798519B1 (ko) 긴급 제동 시스템 및 그 제어방법
US10072936B2 (en) Estimating a street type using sensor-based surroundings data
CN103874931B (zh) 用于求取车辆的环境中的对象的位置的方法和设备
US20100241605A1 (en) Method and device for identifying traffic-relevant information
JP4556794B2 (ja) ナビゲーション装置
US20140247351A1 (en) Vehicle imaging system and method for categorizing objects using relative motion analysis
EP3475121B1 (en) Imaging system with adaptive high beam control
US20220371580A1 (en) Vehicle driving support system and vehicle driving support method
WO2020066303A1 (ja) 道路標識認識装置
CN117885765A (zh) 车辆的控制方法、装置及车辆
EP3763578B1 (en) Vehicle-mounted equipment control device
CN116985801A (zh) 车辆自适应巡航弯道车速控制的方法及装置
JP2006160032A (ja) 運転状態判定装置及び運転状態判定方法
US11820282B2 (en) Notification apparatus, vehicle, notification method, and storage medium
CN114771398A (zh) 车灯控制方法、系统、装置和计算机可读介质
JP4253901B2 (ja) 車両の障害物検出装置
CN115871545A (zh) 车辆灯光的控制方法及装置、电子设备及存储介质
CN118144675B (zh) 限速提醒方法、装置、车辆及存储介质
CN116709032A (zh) 车载摄像头的控制方法、装置及电子设备
US20230242140A1 (en) Driving assistance device, vehicle, driving assistance method, and storage medium
US20220371601A1 (en) Vehicle driving support system and vehicle driving support method
CN118163704A (zh) 车辆雾灯调控方法、装置、设备及车辆
CN116409235A (zh) 一种车辆远光灯的控制方法、装置及电子设备

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