CN115243038A - 监测路侧相机的方法、服务端与自动驾驶系统 - Google Patents
监测路侧相机的方法、服务端与自动驾驶系统 Download PDFInfo
- Publication number
- CN115243038A CN115243038A CN202211162001.7A CN202211162001A CN115243038A CN 115243038 A CN115243038 A CN 115243038A CN 202211162001 A CN202211162001 A CN 202211162001A CN 115243038 A CN115243038 A CN 115243038A
- Authority
- CN
- China
- Prior art keywords
- target image
- abnormal
- roadside camera
- determining
- probability
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/02—Diagnosis, testing or measuring for television systems or their details for colour television signals
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种监测路侧相机的方法、服务端与自动驾驶系统。该方法包括:获取目标图像,目标图像是通过路侧相机采集得到的;获取目标图像的特征参量,特征参量包括亮度、分辨率和颜色中的至少之一;根据目标图像的特征参量的相关特性,确定路侧相机是否异常,相关特性包括特征参量的大小和/或类别。实现了对路侧相机是否异常的精准确定。
Description
技术领域
本申请涉及自动驾驶领域,具体而言,涉及一种监测路侧相机的方法、服务端、计算机可读存储介质、处理器与自动驾驶系统。
背景技术
在车路协同路侧感知场景中,为了获得道路中的机动车辆、非机动车辆、行人、障碍物的信息,通常需要在路侧部署图像采集设备。
现有技术中,一般是维护人员定期对路侧相机进行维护,更换掉无法正常工作的相机,缺乏一种自动监测路侧相机是否异常的方案。
发明内容
本申请的主要目的在于提供一种监测路侧相机的方法、服务端、计算机可读存储介质、处理器与自动驾驶系统,以解决现有技术中缺乏一种自动监测路侧相机是否异常的方案的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种监测路侧相机的方法,包括:获取目标图像,所述目标图像是通过路侧相机采集得到的;获取所述目标图像的特征参量,所述特征参量包括亮度、分辨率和颜色中的至少之一;根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,所述相关特性包括所述特征参量的大小和/或类别。
可选地,根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,包括至少以下之一:在所述目标图像的亮度小于第一亮度阈值的情况下,确定所述路侧相机异常;在所述目标图像的分辨率小于第一分辨率阈值的情况下,确定所述路侧相机异常;在所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常。
可选地,根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,包括:获取天气信息,所述天气信息包括天气是否为晴天和能见度的大小;根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常。
可选地,根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常,包括至少以下之一:在所述天气信息表征为晴天且所述能见度大于或者等于预定能见度,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常;在所述天气信息表征为晴天且所述能见度大于或者等于所述预定能见度,且所述目标图像的分辨率小于第二分辨率阈值的情况下,确定所述路侧相机是否异常;在所述天气信息表征为晴天且所述能见度大于或者等于所述预定能见度,且所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常。
可选地,根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常,包括至少以下之一:在所述天气信息表征为阴天和/或所述能见度小于预定能见度,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第一概率,所述第一概率小于1;在所述天气信息表征为阴天和/或所述能见度小于预定能见度,且所述目标图像的分辨率小于第二分辨率阈值的情况下,确定所述路侧相机异常的概率为第二概率,所述第二概率小于1;在所述天气信息表征为阴天和/或所述能见度小于预定能见度,且所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常的概率为第三概率,所述第三概率小于1。
可选地,根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常,包括:获取环境信息,所述环境信息至少包括路灯的亮度;根据所述天气信息、所述目标图像的所述特征参量和所述环境信息,确定所述路侧相机是否异常。
可选地,根据所述天气信息、所述目标图像的所述特征参量和所述环境信息,确定所述路侧相机是否异常,包括:在所述天气信息表征为晴天且所述能见度大于或者等于预定能见度,所述路灯的亮度小于亮度阈值,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第四概率,所述第四概率小于1;在所述天气信息表征为晴天且所述能见度小于预定能见度,所述路灯的亮度小于亮度阈值,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第五概率,所述第五概率小于所述第四概率;在所述天气信息表征为阴天且所述能见度小于预定能见度,所述路灯的亮度小于亮度阈值,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第六概率,所述第六概率小于所述第五概率。
可选地,根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,包括:构建神经网络模型,其中,所述神经网络模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:历史目标图像的所述特征参量以及与所述历史目标图像的所述特征参量对应的历史路侧相机异常情况;根据所述神经网络模型和所述目标图像的所述特征参量,确定所述路侧相机是否异常。
可选地,在根据多张所述目标图像的所述特征参量,确定所述路侧相机是否异常之后,所述方法还包括:确定异常的种类;在所述异常的种类为第一种类的情况下,发送清洁指令至客户终端,其中,通过清洁操作可以清除所述第一种类的异常;在所述异常的种类为第二种类的情况下,发送设备更换指令至所述客户终端,其中,所述第二种类的异常是由于所述路侧相机的至少部分零件无法正常工作引起的。
根据本申请的另一方面,提供了一种服务端,包括:第一获取单元,用于获取目标图像,所述目标图像是通过路侧相机采集得到的;第二获取单元,用于获取所述目标图像的特征参量,所述特征参量包括亮度、分辨率和颜色中的至少之一;第一确定单元,用于根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,所述相关特性包括所述特征参量的大小和/或类别。
可选地,所述第一确定单元包括第一确定模块、第二确定模块和第三确定模块中的至少之一:所述第一确定模块,用于在所述目标图像的亮度小于第一亮度阈值的情况下,确定所述路侧相机异常;所述第二确定模块,用于在所述目标图像的分辨率小于第一分辨率阈值的情况下,确定所述路侧相机异常;所述第三确定模块,用于在所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常。
根据本申请的另一个方面,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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的又一个方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的方法。
根据本申请的一个方面,提供了一种服务端,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述的方法。
根据本申请的一个方面,提供了一种自动驾驶系统,包括车辆、路侧相机和服务端,所述车辆和所述服务端通信,所述路侧相机与所述服务端通信。
应用本申请的技术方案,通过获取目标图像,获取目标图像的特征参量,根据目标图像的特征参量的相关特性,确定路侧相机是否异常,相关特性包括特征参量的大小和/或类别。根据路侧相机拍摄到的目标图像的特征参量的相关特性,实现了对路侧相机是否异常的确定,为自动化的实现方式,无需人的参与,无需维护人员定期对路侧相机进行维护,即无需人为判断就实现了对路侧相机是否异常的确定。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的监测路侧相机的方法流程图;
图2示出了根据本申请的实施例的服务端示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术所介绍的,现有技术中缺乏一种自动监测路侧相机是否异常的方案,为解决现有技术中缺乏一种自动监测路侧相机是否异常的方案的技术问题,本申请的实施例提供了一种监测路侧相机的方法、服务端、计算机可读存储介质、处理器与自动驾驶系统。
根据本申请的实施例,提供了一种监测路侧相机的方法。
图1是根据本申请实施例的监测路侧相机的方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取目标图像,上述目标图像是通过路侧相机采集得到的;
步骤S102,获取上述目标图像的特征参量,上述特征参量包括亮度、分辨率和颜色中的至少之一;
步骤S103,根据上述目标图像的上述特征参量的相关特性,确定上述路侧相机是否异常,上述相关特性包括上述特征参量的大小和/或类别。
为保证判断结果的准确性,可以采集连续多帧的目标图像,进行路侧相机是否异常的判断。例如,连续采集100帧的图像进行判断。
上述方案中,通过获取目标图像,获取目标图像的特征参量,根据目标图像的特征参量的相关特性,确定路侧相机是否异常,相关特性包括特征参量的大小和/或类别。根据路侧相机拍摄到的目标图像的特征参量的相关特性,实现了对路侧相机是否异常的确定,为自动化的实现方式,无需人的参与,无需维护人员定期对路侧相机进行维护,即无需人为判断就实现了对路侧相机是否异常的确定。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的一种实施例中,根据上述目标图像的上述特征参量的相关特性,确定上述路侧相机是否异常,包括至少以下之一:在上述目标图像的亮度小于第一亮度阈值的情况下,确定上述路侧相机异常;在上述目标图像的分辨率小于第一分辨率阈值的情况下,确定上述路侧相机异常;在上述目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,确定上述路侧相机异常。具体地,如果采集到的目标图像的亮度小于第一亮度阈值,可能是路侧相机的镜头被遮挡导致的,也可能是路侧相机的镜头有灰尘导致的;如果采集到的目标图像的分辨率小于第一分辨率阈值,可能是路侧相机的镜头被遮挡导致的,也可能是路侧相机的镜头有灰尘导致的;如果目标图像中的汽车的颜色本来是红色的,结果图像中显示的是非红色的,可能是由于相机的镜头被带颜色的透明物体遮挡导致的。总之,在目标图像至少出现上述情形的情况下,可以初步判定路侧相机异常。
本申请的一种实施例中,根据上述目标图像的上述特征参量的相关特性,确定上述路侧相机是否异常,包括:获取天气信息,上述天气信息包括天气是否为晴天和能见度的大小;根据上述天气信息和上述目标图像的上述特征参量,确定上述路侧相机是否异常。天气包括阴天、晴天、下雨、下雪等,有雾、沙尘暴等均会影响到能见度的大小,例如,晴天有沙尘暴和晴天没有沙尘暴的能见度是不同的,所以,综合考量天气信息和目标图像的上述特征参量,可以更进一步地确定路侧相机是否异常。
本申请的一种实施例中,根据上述天气信息和上述目标图像的上述特征参量,确定上述路侧相机是否异常,包括至少以下之一:在上述天气信息表征为晴天且上述能见度大于或者等于预定能见度,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常;即在晴天并且能见度比较大的情况下,目标图像的亮度仍然较低的情况下,可以确定是路侧相机本身的原因导致的,确定路侧相机异常;在上述天气信息表征为晴天且上述能见度大于或者等于上述预定能见度,且上述目标图像的分辨率小于第二分辨率阈值的情况下,确定上述路侧相机是否异常;即在晴天并且能见度比较大的情况下,目标图像的分辨率仍然较低的情况下,可以确定是路侧相机本身的原因导致的,确定路侧相机异常;在上述天气信息表征为晴天且上述能见度大于或者等于上述预定能见度,且上述目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,确定上述路侧相机异常。即在晴天并且能见度比较大的情况下,目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,可以确定是路侧相机本身的原因导致的,确定路侧相机异常。
本申请的一种实施例中,根据上述天气信息和上述目标图像的上述特征参量,确定上述路侧相机是否异常,包括至少以下之一:在上述天气信息表征为阴天和/或上述能见度小于预定能见度,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第一概率,上述第一概率小于1;即在阴天和/或上述能见度小于预定能见度,目标图像的亮度小于第二亮度阈值可能是由于天气的原因导致的,所以不能保证路侧相机绝对异常;在上述天气信息表征为阴天和/或上述能见度小于预定能见度,且上述目标图像的分辨率小于第二分辨率阈值的情况下,确定上述路侧相机异常的概率为第二概率,上述第二概率小于1;即在阴天和/或上述能见度小于预定能见度,目标图像的分辨率小于第二分辨率阈值,可能是由于天气的原因导致的,所以不能保证路侧相机绝对异常;在上述天气信息表征为阴天和/或上述能见度小于预定能见度,且上述目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,确定上述路侧相机异常的概率为第三概率,上述第三概率小于1。即在阴天和/或上述能见度小于预定能见度,目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,可能是由于天气的原因导致的,所以不能保证路侧相机绝对异常。
本申请的一种实施例中,根据上述天气信息和上述目标图像的上述特征参量,确定上述路侧相机是否异常,包括:获取环境信息,上述环境信息至少包括路灯的亮度;根据上述天气信息、上述目标图像的上述特征参量和上述环境信息,确定上述路侧相机是否异常。即包括路灯的亮度、是否为背阴处等环境信息,也会影响到目标图像的效果,所以,综合考虑上述天气信息、上述目标图像的上述特征参量和上述环境信息,可以更为准确地确定路侧相机是否异常。
本申请的一种实施例中,根据上述天气信息、上述目标图像的上述特征参量和上述环境信息,确定上述路侧相机是否异常,包括:在上述天气信息表征为晴天且上述能见度大于或者等于预定能见度,上述路灯的亮度小于亮度阈值,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第四概率,上述第四概率小于1;即在晴天且能见度较大,路灯比较暗的情况下,目标图像的亮度小于第二亮度阈值可能是由于路灯导致的,所以路侧相机异常的概率小于1;在上述天气信息表征为晴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第五概率,上述第五概率小于上述第四概率;即在晴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值的情况下,目标图像的亮度小于第二亮度阈值可能是由于能见度和路灯的亮度的导致的,所以路侧相机异常的概率小于1,并且第五概率小于上述第四概率;在上述天气信息表征为阴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第六概率,上述第六概率小于上述第五概率。即在阴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值,目标图像的亮度小于第二亮度阈值可能是由于能见度、路灯的亮度、阴天导致的,所以路侧相机异常的概率小于1,并且第六概率小于上述第五概率。
本申请的一种实施例中,根据上述目标图像的上述特征参量的相关特性,确定上述路侧相机是否异常,包括:构建神经网络模型,其中,上述神经网络模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:历史目标图像的上述特征参量以及与上述历史目标图像的上述特征参量对应的历史路侧相机异常情况;根据上述神经网络模型和上述目标图像的上述特征参量,确定上述路侧相机是否异常。即采用机器学习的方式经过训练得到神经网络模型,以实现对路侧相机异常情况的精准确定。
本申请的一种实施例中,在根据多张上述目标图像的上述特征参量,确定上述路侧相机是否异常之后,上述方法还包括:确定异常的种类:在上述异常的种类为第一种类的情况下,发送清洁指令至客户终端,其中,通过清洁操作可以清除上述第一种类的异常;例如,相机的镜头上有灰尘;在上述异常的种类为第二种类的情况下,发送设备更换指令至上述客户终端,其中,上述第二种类的异常是由于上述路侧相机的至少部分零件无法正常工作引起的。例如,相机的光圈损坏了。
本申请实施例还提供了一种服务端,需要说明的是,本申请实施例的服务端可以用于执行本申请实施例所提供的用于监测路侧相机的方法。以下对本申请实施例提供的服务端进行介绍。
图2是根据本申请实施例的服务端的示意图。如图2所示,该装置包括:
第一获取单元10,用于获取目标图像,上述目标图像是通过路侧相机采集得到的;
第二获取单元20,用于获取上述目标图像的特征参量,上述特征参量包括亮度、分辨率和颜色中的至少之一;
第一确定单元30,用于根据上述目标图像的上述特征参量的相关特性,确定上述路侧相机是否异常,上述相关特性包括上述特征参量的大小和/或类别。
上述方案中,第一获取单元获取目标图像,第二获取单元获取目标图像的特征参量,第一确定单元根据目标图像的特征参量的相关特性,确定路侧相机是否异常,相关特性包括特征参量的大小和/或类别。根据路侧相机拍摄到的目标图像的特征参量的相关特性,实现了对路侧相机是否异常的确定,为自动化的实现方式,无需人的参与,无需维护人员定期对路侧相机进行维护,即无需人为判断就实现了对路侧相机是否异常的确定。
本申请的一种实施例中,上述第一确定单元包括第一确定模块、第二确定模块和第三确定模块中的至少之一:上述第一确定模块用于在上述目标图像的亮度小于第一亮度阈值的情况下,确定上述路侧相机异常;上述第二确定模块用于在上述目标图像的分辨率小于第一分辨率阈值的情况下,确定上述路侧相机异常;上述第三确定模块用于在上述目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,确定上述路侧相机异常。具体地,如果采集到的目标图像的亮度小于第一亮度阈值,可能是路侧相机的镜头被遮挡导致的,也可能是路侧相机的镜头有灰尘导致的;如果采集到的目标图像的分辨率小于第一分辨率阈值,可能是路侧相机的镜头被遮挡导致的,也可能是路侧相机的镜头有灰尘导致的;如果目标图像中的汽车的颜色本来是红色的,结果图像中显示的是非红色的,可能是由于相机的镜头被带颜色的透明物体遮挡导致的。总之,在目标图像至少出现上述情形的情况下,可以初步判定路侧相机异常。
本申请的一种实施例中,第一确定单元包括获取模块和第四确定模块,获取模块用于获取天气信息,上述天气信息包括天气是否为晴天和能见度的大小;第四确定模块用于根据上述天气信息和上述目标图像的上述特征参量,确定上述路侧相机是否异常。天气包括阴天、晴天、下雨、下雪等,有雾、沙尘暴等均会影响到能见度的大小,例如,晴天有沙尘暴和晴天没有沙尘暴的能见度是不同的,所以,综合考量天气信息和目标图像的上述特征参量,可以更进一步地确定路侧相机是否异常。
本申请的一种实施例中,第四确定模块包括第一确定子模块、第二确定子模块和第三确定子模块中的至少之一,第一确定子模块用于在上述天气信息表征为晴天且上述能见度大于或者等于预定能见度,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常;即在晴天并且能见度比较大的情况下,目标图像的亮度仍然较低的情况下,可以确定是路侧相机本身的原因导致的,确定路侧相机异常;第二确定子模块用于在上述天气信息表征为晴天且上述能见度大于或者等于上述预定能见度,且上述目标图像的分辨率小于第二分辨率阈值的情况下,确定上述路侧相机是否异常;即在晴天并且能见度比较大的情况下,目标图像的分辨率仍然较低的情况下,可以确定是路侧相机本身的原因导致的,确定路侧相机异常;第三确定子模块用于在上述天气信息表征为晴天且上述能见度大于或者等于上述预定能见度,且上述目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,确定上述路侧相机异常。即在晴天并且能见度比较大的情况下,目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,可以确定是路侧相机本身的原因导致的,确定路侧相机异常。
本申请的一种实施例中,第四确定模块包括第四确定子模块、第五确定子模块和第六确定子模块中的至少之一,第四确定子模块用于在上述天气信息表征为阴天和/或上述能见度小于预定能见度,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第一概率,上述第一概率小于1;即在阴天和/或上述能见度小于预定能见度,目标图像的亮度小于第二亮度阈值可能是由于天气的原因导致的,所以不能保证路侧相机绝对异常;第五确定子模块用于在上述天气信息表征为阴天和/或上述能见度小于预定能见度,且上述目标图像的分辨率小于第二分辨率阈值的情况下,确定上述路侧相机异常的概率为第二概率,上述第二概率小于1;即在阴天和/或上述能见度小于预定能见度,目标图像的分辨率小于第二分辨率阈值,可能是由于天气的原因导致的,所以不能保证路侧相机绝对异常;第六确定子模块用于在上述天气信息表征为阴天和/或上述能见度小于预定能见度,且上述目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,确定上述路侧相机异常的概率为第三概率,上述第三概率小于1。即在阴天和/或上述能见度小于预定能见度,目标图像中的目标物体的颜色与上述目标物体的常规颜色不相同的情况下,可能是由于天气的原因导致的,所以不能保证路侧相机绝对异常。
本申请的一种实施例中,第四确定模块包括获取子模块和第七确定子模块,获取子模块用于获取环境信息,上述环境信息至少包括路灯的亮度;第七确定子模块用于根据上述天气信息、上述目标图像的上述特征参量和上述环境信息,确定上述路侧相机是否异常。即包括路灯的亮度、是否为背阴处等环境信息,也会影响到目标图像的效果,所以,综合考虑上述天气信息、上述目标图像的上述特征参量和上述环境信息,可以更为准确地确定路侧相机是否异常。
本申请的一种实施例中,第七确定子模块包括第一处理子模块、第二处理子模块和第三处理子模块,第一处理子模块用于在上述天气信息表征为晴天且上述能见度大于或者等于预定能见度,上述路灯的亮度小于亮度阈值,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第四概率,上述第四概率小于1;即在晴天且能见度较大,路灯比较暗的情况下,目标图像的亮度小于第二亮度阈值可能是由于路灯导致的,所以路侧相机异常的概率小于1;第二处理子模块用于在上述天气信息表征为晴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第五概率,上述第五概率小于上述第四概率;即在晴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值的情况下,目标图像的亮度小于第二亮度阈值可能是由于能见度和路灯的亮度的导致的,所以路侧相机异常的概率小于1,并且第五概率小于上述第四概率;第三处理子模块用于在上述天气信息表征为阴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值,且上述目标图像的亮度小于第二亮度阈值的情况下,确定上述路侧相机异常的概率为第六概率,上述第六概率小于上述第五概率。即在阴天且上述能见度小于预定能见度,上述路灯的亮度小于亮度阈值,目标图像的亮度小于第二亮度阈值可能是由于能见度、路灯的亮度、阴天导致的,所以路侧相机异常的概率小于1,并且第六概率小于上述第五概率。
本申请的一种实施例中,第一确定单元包括构建模块和第五确定模块,构建模块用于构建神经网络模型,其中,上述神经网络模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:历史目标图像的上述特征参量以及与上述历史目标图像的上述特征参量对应的历史路侧相机异常情况;第五确定模块用于根据上述神经网络模型和上述目标图像的上述特征参量,确定上述路侧相机是否异常。即采用机器学习的方式经过训练得到神经网络模型,以实现对路侧相机异常情况的精准确定。
本申请的一种实施例中,上述装置还包括第二确定单元、第一发送单元和第二发送单元,第二确定单元用于在根据多张上述目标图像的上述特征参量,确定上述路侧相机是否异常之后,确定异常的种类;第一发送单元用于在上述异常的种类为第一种类的情况下,发送清洁指令至客户终端,其中,通过清洁操作可以清除上述第一种类的异常;例如,相机的镜头上有灰尘;第二发送单元用于在上述异常的种类为第二种类的情况下,发送设备更换指令至上述客户终端,其中,上述第二种类的异常是由于上述路侧相机的至少部分零件无法正常工作引起的。例如,相机的光圈损坏了。
上述服务端包括处理器和存储器,上述第一获取单元、第二获取单元和第一确定单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对路侧相机的图像质量的检测。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序运行时控制上述计算机可读存储介质所在设备执行上述监测路侧相机的方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述监测路侧相机的方法。
本发明实施例提供了一种服务端,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置为由上述一个或多个处理器执行,上述一个或多个程序包括用于任意一种上述的方法。
本发明实施例提供了一种自动驾驶系统,包括车辆、路侧相机和上述的服务端,上述车辆和上述服务端通信,上述路侧相机与上述服务端通信。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,获取目标图像,上述目标图像是通过路侧相机采集得到的;
步骤S102,获取上述目标图像的特征参量,上述特征参量包括亮度、分辨率和颜色中的至少之一;
步骤S103,根据上述目标图像的上述特征参量的相关特性,确定上述路侧相机是否异常,上述相关特性包括上述特征参量的大小和/或类别。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,获取目标图像,上述目标图像是通过路侧相机采集得到的;
步骤S102,获取上述目标图像的特征参量,上述特征参量包括亮度、分辨率和颜色中的至少之一;
步骤S103,根据上述目标图像的上述特征参量的相关特性,确定上述路侧相机是否异常,上述相关特性包括上述特征参量的大小和/或类别。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的监测路侧相机的方法,通过获取目标图像,获取目标图像的特征参量,根据目标图像的特征参量的相关特性,确定路侧相机是否异常,相关特性包括特征参量的大小和/或类别。根据路侧相机拍摄到的目标图像的特征参量的相关特性,实现了对路侧相机是否异常的确定,为自动化的实现方式,无需人的参与,无需维护人员定期对路侧相机进行维护,即无需人为判断就实现了对路侧相机是否异常的确定。
2)、本申请的服务端,第一获取单元获取目标图像,第二获取单元获取目标图像的特征参量,第一确定单元根据目标图像的特征参量的相关特性,确定路侧相机是否异常,相关特性包括特征参量的大小和/或类别。根据路侧相机拍摄到的目标图像的特征参量的相关特性,实现了对路侧相机是否异常的确定,为自动化的实现方式,无需人的参与,无需维护人员定期对路侧相机进行维护,即无需人为判断就实现了对路侧相机是否异常的确定。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种监测路侧相机的方法,其特征在于,包括:
获取目标图像,所述目标图像是通过路侧相机采集得到的;
获取所述目标图像的特征参量,所述特征参量包括亮度、分辨率和颜色中的至少之一;
根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,所述相关特性包括所述特征参量的大小和/或类别。
2.根据权利要求1所述的方法,其特征在于,根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,包括至少以下之一:
在所述目标图像的亮度小于第一亮度阈值的情况下,确定所述路侧相机异常;
在所述目标图像的分辨率小于第一分辨率阈值的情况下,确定所述路侧相机异常;
在所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常。
3.根据权利要求1所述的方法,其特征在于,根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,包括:
获取天气信息,所述天气信息包括天气是否为晴天和能见度的大小;
根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常。
4.根据权利要求3所述的方法,其特征在于,根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常,包括至少以下之一:
在所述天气信息表征为晴天且所述能见度大于或者等于预定能见度,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常;
在所述天气信息表征为晴天且所述能见度大于或者等于所述预定能见度,且所述目标图像的分辨率小于第二分辨率阈值的情况下,确定所述路侧相机是否异常;
在所述天气信息表征为晴天且所述能见度大于或者等于所述预定能见度,且所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常。
5.根据权利要求3所述的方法,其特征在于,根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常,包括至少以下之一:
在所述天气信息表征为阴天和/或所述能见度小于预定能见度,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第一概率,所述第一概率小于1;
在所述天气信息表征为阴天和/或所述能见度小于预定能见度,且所述目标图像的分辨率小于第二分辨率阈值的情况下,确定所述路侧相机异常的概率为第二概率,所述第二概率小于1;
在所述天气信息表征为阴天和/或所述能见度小于预定能见度,且所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常的概率为第三概率,所述第三概率小于1。
6.根据权利要求3所述的方法,其特征在于,根据所述天气信息和所述目标图像的所述特征参量,确定所述路侧相机是否异常,包括:
获取环境信息,所述环境信息至少包括路灯的亮度;
根据所述天气信息、所述目标图像的所述特征参量和所述环境信息,确定所述路侧相机是否异常。
7.根据权利要求6所述的方法,其特征在于,根据所述天气信息、所述目标图像的所述特征参量和所述环境信息,确定所述路侧相机是否异常,包括:
在所述天气信息表征为晴天且所述能见度大于或者等于预定能见度,所述路灯的亮度小于亮度阈值,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第四概率,所述第四概率小于1;
在所述天气信息表征为晴天且所述能见度小于预定能见度,所述路灯的亮度小于亮度阈值,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第五概率,所述第五概率小于所述第四概率;
在所述天气信息表征为阴天且所述能见度小于预定能见度,所述路灯的亮度小于亮度阈值,且所述目标图像的亮度小于第二亮度阈值的情况下,确定所述路侧相机异常的概率为第六概率,所述第六概率小于所述第五概率。
8.根据权利要求1至7中任一项所述的方法,其特征在于,根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,包括:
构建神经网络模型,其中,所述神经网络模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:历史目标图像的所述特征参量以及与所述历史目标图像的所述特征参量对应的历史路侧相机异常情况;
根据所述神经网络模型和所述目标图像的所述特征参量,确定所述路侧相机是否异常。
9.根据权利要求1至7中任一项所述的方法,其特征在于,在根据多张所述目标图像的所述特征参量,确定所述路侧相机是否异常之后,所述方法还包括:
确定异常的种类;
在所述异常的种类为第一种类的情况下,发送清洁指令至客户终端,其中,通过清洁操作可以清除所述第一种类的异常;
在所述异常的种类为第二种类的情况下,发送设备更换指令至所述客户终端,其中,所述第二种类的异常是由于所述路侧相机的至少部分零件无法正常工作引起的。
10.一种服务端,其特征在于,包括:
第一获取单元,用于获取目标图像,所述目标图像是通过路侧相机采集得到的;
第二获取单元,用于获取所述目标图像的特征参量,所述特征参量包括亮度、分辨率和颜色中的至少之一;
第一确定单元,用于根据所述目标图像的所述特征参量的相关特性,确定所述路侧相机是否异常,所述相关特性包括所述特征参量的大小和/或类别。
11.根据权利要求10所述的服务端,其特征在于,所述第一确定单元包括第一确定模块、第二确定模块和第三确定模块中的至少之一:
所述第一确定模块,用于在所述目标图像的亮度小于第一亮度阈值的情况下,确定所述路侧相机异常;
所述第二确定模块,用于在所述目标图像的分辨率小于第一分辨率阈值的情况下,确定所述路侧相机异常;
所述第三确定模块,用于在所述目标图像中的目标物体的颜色与所述目标物体的常规颜色不相同的情况下,确定所述路侧相机异常。
12.一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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任意一项所述的方法。
13.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至9中任意一项所述的方法。
14.一种服务端,其特征在于,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至9中任意一项所述的方法。
15.一种自动驾驶系统,其特征在于,包括车辆、路侧相机和权利要求14所述的服务端,所述车辆和所述服务端通信,所述路侧相机与所述服务端通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162001.7A CN115243038B (zh) | 2022-09-23 | 2022-09-23 | 监测路侧相机的方法、服务端与自动驾驶系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162001.7A CN115243038B (zh) | 2022-09-23 | 2022-09-23 | 监测路侧相机的方法、服务端与自动驾驶系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115243038A true CN115243038A (zh) | 2022-10-25 |
CN115243038B CN115243038B (zh) | 2023-01-24 |
Family
ID=83667297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211162001.7A Active CN115243038B (zh) | 2022-09-23 | 2022-09-23 | 监测路侧相机的方法、服务端与自动驾驶系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115243038B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001216574A (ja) * | 2000-01-31 | 2001-08-10 | Oki Electric Ind Co Ltd | カメラシステム |
JP2008236353A (ja) * | 2007-03-20 | 2008-10-02 | Mitsubishi Electric Corp | カメラ異常検知装置 |
US20120026326A1 (en) * | 2010-07-30 | 2012-02-02 | Hitachi, Ltd. | Surveillance camera system having camera malfunction detection function |
JP2012028992A (ja) * | 2010-07-22 | 2012-02-09 | Itec Hankyu Hanshin Co Ltd | 自立監視型カメラ装置 |
CN102421008A (zh) * | 2011-12-07 | 2012-04-18 | 浙江捷尚视觉科技有限公司 | 视频质量智能检测系统 |
US20170339401A1 (en) * | 2016-05-20 | 2017-11-23 | Rohm Co., Ltd. | Image monitoring apparatus, image display system, and vehicle |
CN107404647A (zh) * | 2016-05-20 | 2017-11-28 | 中兴通讯股份有限公司 | 镜头状态检测方法及装置 |
CN109816621A (zh) * | 2017-11-16 | 2019-05-28 | 富士通株式会社 | 异常光斑的检测装置及方法、电子设备 |
CN112040219A (zh) * | 2020-07-28 | 2020-12-04 | 北京旷视科技有限公司 | 相机画面检测方法、装置、电子设备及可读存储介质 |
CN112381889A (zh) * | 2020-11-19 | 2021-02-19 | 北京百度网讯科技有限公司 | 相机检验方法、装置、设备及存储介质 |
CN113573046A (zh) * | 2021-07-16 | 2021-10-29 | 深圳传音控股股份有限公司 | 镜头异常处理方法、移动终端及存储介质 |
CN114359414A (zh) * | 2021-12-28 | 2022-04-15 | 诚瑞光学(南宁)有限公司 | 镜头脏污识别方法、装置、计算机设备及存储介质 |
CN114822035A (zh) * | 2022-05-09 | 2022-07-29 | 北京亮道智能汽车技术有限公司 | 一种路侧感知设备异常识别方法及路侧感知融合系统 |
CN114913109A (zh) * | 2021-01-29 | 2022-08-16 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、测试图卡和终端设备 |
-
2022
- 2022-09-23 CN CN202211162001.7A patent/CN115243038B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001216574A (ja) * | 2000-01-31 | 2001-08-10 | Oki Electric Ind Co Ltd | カメラシステム |
JP2008236353A (ja) * | 2007-03-20 | 2008-10-02 | Mitsubishi Electric Corp | カメラ異常検知装置 |
JP2012028992A (ja) * | 2010-07-22 | 2012-02-09 | Itec Hankyu Hanshin Co Ltd | 自立監視型カメラ装置 |
US20120026326A1 (en) * | 2010-07-30 | 2012-02-02 | Hitachi, Ltd. | Surveillance camera system having camera malfunction detection function |
CN102421008A (zh) * | 2011-12-07 | 2012-04-18 | 浙江捷尚视觉科技有限公司 | 视频质量智能检测系统 |
CN107404647A (zh) * | 2016-05-20 | 2017-11-28 | 中兴通讯股份有限公司 | 镜头状态检测方法及装置 |
US20170339401A1 (en) * | 2016-05-20 | 2017-11-23 | Rohm Co., Ltd. | Image monitoring apparatus, image display system, and vehicle |
CN109816621A (zh) * | 2017-11-16 | 2019-05-28 | 富士通株式会社 | 异常光斑的检测装置及方法、电子设备 |
CN112040219A (zh) * | 2020-07-28 | 2020-12-04 | 北京旷视科技有限公司 | 相机画面检测方法、装置、电子设备及可读存储介质 |
CN112381889A (zh) * | 2020-11-19 | 2021-02-19 | 北京百度网讯科技有限公司 | 相机检验方法、装置、设备及存储介质 |
CN114913109A (zh) * | 2021-01-29 | 2022-08-16 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、测试图卡和终端设备 |
CN113573046A (zh) * | 2021-07-16 | 2021-10-29 | 深圳传音控股股份有限公司 | 镜头异常处理方法、移动终端及存储介质 |
CN114359414A (zh) * | 2021-12-28 | 2022-04-15 | 诚瑞光学(南宁)有限公司 | 镜头脏污识别方法、装置、计算机设备及存储介质 |
CN114822035A (zh) * | 2022-05-09 | 2022-07-29 | 北京亮道智能汽车技术有限公司 | 一种路侧感知设备异常识别方法及路侧感知融合系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115243038B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390314B (zh) | 一种视觉感知方法及设备 | |
CN109167929B (zh) | 车载相机参数的调节方法、装置与电子设备 | |
CN112101272A (zh) | 交通灯检测的方法、装置、计算机存储介质和路侧设备 | |
CN115357006A (zh) | 基于数字孪生的智能网联汽车虚实测试方法、设备及介质 | |
CN116824862B (zh) | 一种智慧隧道交通运行管控方法、设备及介质 | |
CN115294544A (zh) | 驾驶场景分类方法、装置、设备及存储介质 | |
CN115243038B (zh) | 监测路侧相机的方法、服务端与自动驾驶系统 | |
CN112651913A (zh) | 一种发票印章淡化方法、系统、装置及计算机存储介质 | |
CN116010854B (zh) | 异常原因的确定方法、装置、电子设备及存储介质 | |
CN109934342B (zh) | 神经网络模型训练方法、深度图像修复方法及系统 | |
CN112565387B (zh) | 更新高精地图的方法及装置 | |
CN114550129B (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
Duthon et al. | Benchmark for the robustness of image features in rainy conditions | |
CN113031010A (zh) | 检测天气的方法、装置、计算机可读存储介质与处理器 | |
CN112556703B (zh) | 更新高精地图的方法、装置及系统 | |
CN112597960A (zh) | 图像的处理方法、处理装置与计算机可读存储介质 | |
CN115223382A (zh) | 一种汽车监控显示方法及系统 | |
CN113938673A (zh) | 一种智慧城市监控管理系统及方法 | |
CN113320546A (zh) | 基于阴影的车辆定位方法和控制装置、存储介质及车辆 | |
CN112597874A (zh) | 信号灯的识别方法、装置及计算机可读存储介质 | |
CN116386060B (zh) | 一种水尺数据自动标注方法、装置、设备及介质 | |
CN115236689B (zh) | 确定激光雷达和图像采集设备的相对位置的方法与装置 | |
CN111310660A (zh) | 用于adas场景的目标检测虚警抑制方法及装置 | |
CN115230722A (zh) | 车辆控制方法、装置、计算机可读存储介质与处理器 | |
CN113723268B (zh) | 识别电网故障的方法、装置、计算机存储介质及处理器 |
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 |