CN115439815A - 行驶工况识别方法、装置、设备、介质及车辆 - Google Patents
行驶工况识别方法、装置、设备、介质及车辆 Download PDFInfo
- Publication number
- CN115439815A CN115439815A CN202210967278.0A CN202210967278A CN115439815A CN 115439815 A CN115439815 A CN 115439815A CN 202210967278 A CN202210967278 A CN 202210967278A CN 115439815 A CN115439815 A CN 115439815A
- Authority
- CN
- China
- Prior art keywords
- driving condition
- identified
- dimension
- training
- image data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Abstract
本公开涉及一种行驶工况识别方法、装置、设备、介质及车辆。本公开通过获取待识别行驶工况的图像数据,基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据,基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别,基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。相较于现有技术中需要使用多个模型依次对工况进行识别,本公开可以同时识别出各个维度下对应的目标类别,将多种维度工况的识别进行融合,降低了模型调度次数与推理时间,提高了识别速度,从而可以及时识别出当前的行驶工况。
Description
技术领域
本公开涉及智能驾驶技术领域,尤其涉及一种行驶工况识别方法、装置、设备、介质及车辆。
背景技术
随着自动驾驶技术的发展,车辆的智能驾驶功能也越来越成熟。
对于智能驾驶而言,需要有效地识别出当前行驶环境的工况,对于不利于智能驾驶的场景需要及时发出告警、甚至主动退出辅助驾驶模式来确保行车安全。
当前对于工况识别的模型主要基于图片识别。当需要识别的工况场景较多时,需要的识别模型的数量也很多。但是,过量的模型运行时需要消耗较大的资源,推理的时延较长,识别速度较慢,导致车辆不能及时识别出当前的工况。
发明内容
为了解决上述技术问题,本公开提供了一种行驶工况识别方法、装置、设备、介质及车辆,以提高对行驶工况识别的速度,从而及时地识别出当前的工况。
第一方面,本公开实施例提供一种行驶工况识别方法,所述方法包括:
获取待识别行驶工况的图像数据;
基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据;
基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别;
基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
在一些实施例中,所述多个维度至少包括场景维度、天气维度、光线维度、时间维度。
在一些实施例中,所述获取待识别行驶工况的图像数据,包括:
获取待识别行驶工况的视频流数据;
基于所述待识别行驶工况的视频流数据得到待识别行驶工况的图像数据。
在一些实施例中,所述基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据,包括:
基于所述待识别行驶工况的图像数据提取出所述待识别行驶工况的浅层特征数据;
基于所述待识别行驶工况的浅层特征提取出多个维度分别对应的深层特征数据;
相应的,基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别,包括:
基于所述多个维度分别对应的深层特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别。
在一些实施例中,所述待识别行驶工况的图像数据包括所述待识别行驶工况的多张图像;
所述获取待识别行驶工况的图像数据之后,所述方法还包括:
将所述待识别行驶工况的多张图像依次输入到预先训练完成的行驶工况识别模型中,通过所述预先训练完成的行驶工况识别模型得到所述待识别行驶工况的多张图像中的每张图像在各个维度下对应的预测类别;
对于多张图像中的每张图像在各个维度下对应的预测类别,若得到的预测类别中连续出现同一类别、且出现次数大于预设阈值,则确定该预测类别为所述待识别行驶工况在该维度下对应的目标类别。
在一些实施例中,所述行驶工况识别模型是通过如下方法训练得到的:
获取多张训练图像以及每张训练图像对应的行驶工况;
基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果;
基于每张训练图像对应的行驶工况对所述每张训练图像在多个维度下的训练结果进行损失计算,得到所述行驶工况识别模型在每个维度下的损失计算结果;
对每个维度下的损失计算结果进行汇总,更新所述行驶工况识别模型的模型参数;
若所述行驶工况识别模型的准确率大于预设阈值,则所述行驶工况识别模型训练完成。
在一些实施例中,所述基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果之前,所述行驶工况识别模型的训练方法还包括:
对多个维度下的模型进行训练,得到多个维度下的基础模型;
将所述多个维度下的基础模型进行融合,得到所述行驶工况识别模型。
第二方面,本公开实施例提供一种行驶工况识别装置,包括:
获取模块,用于获取待识别行驶工况的图像数据;
第一得到模块,用于基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据;
第一确定模块,用于基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别;
第二得到模块,用于基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
第三方面,本公开实施例提供一种电子设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如第一方面所述的方法。
第四方面,本公开实施例提供一种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以实现第一方面所述的方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如上所述的行驶工况识别方法。
第六方面,本公开实施例提供一种车辆,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如第一方面所述的方法。
本公开实施例提供的行驶工况识别方法、装置、设备、介质及车辆,通过获取待识别行驶工况的图像数据,基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据,基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别,基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。相较于现有技术中需要使用多个模型依次对工况进行识别,本公开可以同时识别出各个维度下对应的目标类别,将多种维度工况的识别进行融合,降低了模型调度次数与推理时间,提高了识别速度,从而可以及时识别出当前的行驶工况。
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。
为了更清楚地说明本公开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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的行驶工况识别方法流程图;
图2为本公开另一实施例提供的行驶工况识别方法流程图;
图3为本公开另一实施例提供的行驶工况识别方法流程图;
图4为本公开实施例提供的行驶工况识别过程的示意图;
图5为本公开实施例提供的行驶工况识别模型的训练方法流程图;
图6为本公开实施例提供的行驶工况识别装置的结构示意图;
图7为本公开实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本公开实施例提供了一种行驶工况识别方法,下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的行驶工况识别方法流程图。该方法可以应用于同时对行驶工况的多个维度进行识别,得到多个维度下的识别结果,可以及时地识别出当前的行驶工况。可以理解的是,本公开实施例提供的行驶工况识别方法还可以应用在其他场景中。
下面对图1所示的行驶工况识别方法进行介绍,该方法包括的具体步骤如下:
S101、获取待识别行驶工况的图像数据。
车辆在行驶过程中,车载终端可以实时获取到待识别行驶工况的图像数据。待识别行驶工况的图像数据可以是车载相机采集到的视频数据,也可以是车载相机采集到的图片数据。
S102、基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据。
在获取到待识别行驶工况的图像数据之后,车载终端可以基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据。在一些实施例中,车载终端可以得到场景维度、天气维度、光线维度、时间维度等多个维度分别对应的特征数据。例如,天气维度下对应的特征数据有气温、空气湿度等。
S103、基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别。
在得到多个维度分别对应的特征数据后,车载终端可以从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别。例如,天气维度下对应多个类别,至少包括晴天、阴天、小雨、大雨、雪天、其它等,车载终端可以根据天气维度对应的特征数据,确定出待识别行驶工况在天气维度下对应的目标类别;场景维度下对应多个类别,至少包括高速、城区、国道、隧道、收费站、其它等,车载终端可以根据场景维度对应的特征数据,确定出待识别行驶工况在场景维度下对应的目标类别;光线维度下对应多个类别,至少包括自然光、灯光、强光、黑暗、其它等,车载终端可以根据光线维度对应的特征数据,确定出待识别行驶工况在光线维度下对应的目标类别;同样地,时间维度下对应多个类别,至少包括白天、黑夜、其它等,车载终端可以根据时间维度对应的特征数据,确定出待识别行驶工况在时间维度下对应的目标类别。
S104、基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
车载终端基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。在一些实施例中,将各个维度下对应的目标类别进行综合,得到所述待识别行驶工况的识别结果。例如,所述待识别行驶工况在场景维度下对应的目标类别为高速,在天气维度下对应的目标类别为晴天,在光线维度下对应的目标类别为强光,在时间维度下对应的目标类别为白天,可以识别出所述待识别行驶工况为晴天、强光、白天、高速。
本公开实施例通过获取待识别行驶工况的图像数据,基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据,基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别,基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。相较于现有技术中需要使用多个模型依次对工况进行识别,本公开可以同时识别出各个维度下对应的目标类别,将多种维度工况的识别进行融合,降低了模型调度次数与推理时间,提高了识别速度,从而可以及时识别出当前的行驶工况。
图2为本公开另一实施例提供的行驶工况识别方法流程图,如图2所示,该方法包括如下几个步骤:
S201、获取待识别行驶工况的视频流数据。
例如,车载相机实时采集当前行驶工况的视频流数据,车载终端获取相机采集的视频流数据。
S202、基于所述待识别行驶工况的视频流数据得到待识别行驶工况的图像数据。
车载终端在获取到待识别行驶工况的视频流数据之后,可以从所述待识别行驶工况的视频流数据中得到待识别行驶工况的图像数据。例如,逐帧从视频流数据中获取到图像数据。
S203、基于所述待识别行驶工况的图像数据提取出所述待识别行驶工况的浅层特征数据。
如图4所示,车载终端通过主干网络从所述待识别行驶工况的图像数据提取出所述待识别行驶工况的浅层特征数据,浅层特征数据包括亮度、纹理、轮廓等。为了尽可能地降低推理时间、降低计算成本,倾向于选择小型化、轻量级的主干网络,主干网络连月不开包括但不限于mobilenet,vargnet,shufflenet等。
S204、基于所述待识别行驶工况的浅层特征提取出多个维度分别对应的深层特征数据。
在提取出所述待识别行驶工况的浅层特征数据之后,车载终端基于所述待识别行驶工况的浅层特征提取出多个维度分别对应的深层特征数据。如图4所示,车载终端将所述待识别行驶工况的浅层特征通过多个分支,各个分支采用不同的特征提取层,进一步提取出各个维度分别对应的深层特征数据。例如,时间维度对应的深层特征数据可以为亮度、能见度。白天亮度高、能见度高;黑夜亮度较高、能见度较低。
在一些实施例中,所述多个维度至少包括场景维度、天气维度、光线维度、时间维度。场景维度包括高速、城区、国道、隧道、收费站、其它等类别;天气维度包括晴天、阴天、小雨、大雨、雪天、其它等类别;光线维度包括自然光、灯光、强光、黑暗、其它等类别,时间维度包括白天、黑夜、其它等类别。
S205、基于所述多个维度分别对应的深层特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别。
车载终端可以基于所述多个维度分别对应的深层特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别。例如,时间维度对应的深层特征数据为亮度高、能见度高,确定出所述待识别行驶工况在时间维度下对应的目标类别为白天。同样地,基于场景维度分别对应的深层特征数据,确定出所述待识别行驶工况在场景维度下对应的目标类别。
S206、基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
具体的,S206和S104的实现过程和原理一致,此处不再赘述。
本公开实施例通过获取待识别行驶工况的视频流数据,基于所述待识别行驶工况的视频流数据得到待识别行驶工况的图像数据。进一步,基于所述待识别行驶工况的图像数据提取出所述待识别行驶工况的浅层特征数据,基于所述待识别行驶工况的浅层特征提取出多个维度分别对应的深层特征数据。然后,基于所述多个维度分别对应的深层特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别,进而基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。相较于现有技术中需要使用多个模型依次对工况进行识别,本公开可以同时识别出各个维度下对应的目标类别,将多种维度工况的识别进行融合,降低了模型调度次数与推理时间,提高了识别速度,可以及时识别出当前的行驶工况,以针对不同的工况采用相应的策略,从而确保行车安全。
图3为本公开另一实施例提供的行驶工况识别方法流程图,如图3所示,该方法包括如下几个步骤:
S301、获取待识别行驶工况的图像数据。
具体的,S301和S101的实现过程和原理一致,此处不再赘述。
S302、将所述待识别行驶工况的多张图像依次输入到预先训练完成的行驶工况识别模型中,通过所述预先训练完成的行驶工况识别模型得到所述待识别行驶工况的多张图像中的每张图像在各个维度下对应的预测类别。
所述待识别行驶工况的图像数据包括待识别行驶工况的多张图像。例如,在车载终端获取到待识别行驶工况的图像数据之后,可以将所述待识别行驶工况的多张图像依次输入到预先训练完成的行驶工况识别模型中,通过所述预先训练完成的行驶工况识别模型得到所述待识别行驶工况的多张图像中的每张图像在各个维度下对应的预测类别。例如,有10张图像,车载终端将这10张图像依次输入到预先训练完成的行驶工况识别模型中,可以得到10张图像分别在各个维度下对应的预测类别。本公开实施例将多种维度工况的识别进行融合,降低了模型调度次数与推理时间。
S303、对于多张图像中的每张图像在各个维度下对应的预测类别,若得到的预测类别中连续出现同一类别、且出现次数大于预设阈值,则确定该预测类别为所述待识别行驶工况在该维度下对应的目标类别。
为了降低误报率,使用滤波的思想对预测类别进行平滑,定义长度为N的滑动时间窗,即图像数量为N,对于每个维度,对时间窗内的图像的预测类别进行投票,当某一预测类别在滑窗中的占比大于预设阈值时,则确定该预测类别为所述待识别行驶工况在该维度下对应的目标类别。预设阈值为图像总数量的60%,用户可以设定比例,不做限定。例如,10张图像中连续8张在天气维度下的预测类别为小雨,则确定所述待识别行驶工况在天气维度下对应的目标类别为小雨。例如,10张图像中连续7张在场景维度下的预测类别为高速,则确定所述待识别行驶工况在场景维度下对应的目标类别为高速。
在一些实施例中,对于多张图像中的每张图像在各个维度下对应的预测类别,若得到的预测类别中未连续出现同一类别、或出现次数小于或等于预设阈值,则不输出该维度下的目标类别,其它维度下的目标类别正常输出。例如,10张图像中场景维度下的预测类别中未连续出现同一类别、或出现次数小于或等于预设阈值时,无法确定场景维度下的目标类别,即不输出场景维度下的目标类别,天气、光线、时间等维度下的目标类别正常输出。
S304、基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
具体的,S304和S104的实现过程和原理一致,此处不再赘述。
本公开实施例通过获取待识别行驶工况的图像数据,将所述待识别行驶工况的多张图像依次输入到预先训练完成的行驶工况识别模型中,通过所述预先训练完成的行驶工况识别模型得到所述待识别行驶工况的多张图像中的每张图像在各个维度下对应的预测类别。对于多张图像中的每张图像在各个维度下对应的预测类别,若得到的预测类别中连续出现同一类别、且出现次数大于预设阈值,则确定该预测类别为所述待识别行驶工况在该维度下对应的目标类别,进而基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。由于设置了阈值,增加了判断,当得到的预测类别中连续出现同一类别、且出现次数大于预设阈值时,确定该预测类别为所述待识别行驶工况在该维度下对应的目标类别,可以降低误报率,提高识别的准确度。
图5为本公开实施例提供的行驶工况识别模型的训练方法流程图,如图5所示,该方法包括如下几个步骤:
S501、获取多张训练图像以及每张训练图像对应的行驶工况。
本步骤属于模型的训练阶段,模型的输入是多张训练图像。用户可以将多张训练图像以及每张训练图像对应的行驶工况存储在车载终端中,车载终端从本地获取多张训练图像以及每张训练图像对应的行驶工况。在一些实施例中,车载终端可以从服务器获取多张训练图像以及每张训练图像对应的行驶工况。
S502、基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果。
例如,车载终端基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果。训练结果不准确,需要不断调整模型的参数。当样本数量较多时,可以提高模型识别的准确率。
在一些实施例中,所述基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果之前,所述方法还包括:对多个维度下的模型进行训练,得到多个维度下的基础模型;将所述多个维度下的基础模型进行融合,得到所述行驶工况识别模型。
车载终端对多个维度下的模型进行训练,得到多个维度下的基础模型,进一步将所述多个维度下的基础模型进行融合,得到所述行驶工况识别模型。具体的,可以提取出各个维度下的基础模型共有的参数、特有的参数,对特有的参数直接增加到模型中,对共有的参数取均值进行修正,将多个维度下的基础模型融合得到所述行驶工况识别模型。相较于现有技术中需要使用多个模型依次对工况进行识别,本公开提供的行驶工况识别模型将多种维度工况的识别进行融合,降低了模型调度次数与推理时间,提高了识别速度。
S503、基于每张训练图像对应的行驶工况对所述每张训练图像在多个维度下的训练结果进行损失计算,得到所述行驶工况识别模型在每个维度下的损失计算结果。
车载终端基于每张训练图像对应的行驶工况对所述每张训练图像在多个维度下的训练结果进行损失计算,得到所述行驶工况识别模型在每个维度下的损失计算结果,实质是对所述每张训练图像在多个维度下的训练结果做损失处理,使每张训练图像在多个维度下的训练结果趋近于该训练图像对应的行驶工况。
在一些实施例中,可以通过损失函数,本公开的损失函数为交叉熵损失函数,还可以为其它损失函数,不做限定。
其中,i表示第i张训练图像,N表示图像的数量,M表示类别的数量。yic表示符号函数,取值为0或1,如果第i张训练图像在该维度下的行驶工况与预测类别c相同,取值为1,否则取0。Pic表示第i张训练图像为预测类别c的概率。例如,天气维度下包括6个类别,M为6。预测类别为模型在该维度下输出的训练结果。
S504、对每个维度下的损失计算结果进行汇总,更新所述行驶工况识别模型的模型参数。
车载终端对每个维度下的损失计算结果进行汇总,更新所述行驶工况识别模型的模型参数,调整参数,以使训练出的模型更准确。
S505、若所述行驶工况识别模型的准确率大于预设阈值,则所述行驶工况识别模型训练完成。
如果行驶工况识别模型的准确率大于预设阈值,则确定所述行驶工况识别模型训练完成,即可以使用该模型对行驶工况进行识别了。如果行驶工况识别模型的准确率小雨或等于预设阈值,进行新一轮的训练,得到新一轮的模型参数,继续对模型参数进行优化,进一步提高行驶工况识别模型的准确度,从而提高行驶工况识别结果的准确性。
本公开实施例通过获取多张训练图像以及每张训练图像对应的行驶工况,基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果。进一步,基于每张训练图像对应的行驶工况对所述每张训练图像在多个维度下的训练结果进行损失计算,得到所述行驶工况识别模型在每个维度下的损失计算结果,对每个维度下的损失计算结果进行汇总,更新所述行驶工况识别模型的模型参数。若所述行驶工况识别模型的准确率大于预设阈值,则所述行驶工况识别模型训练完成。由于通过行驶工况识别模型的准确率与预设阈值进行比较,不断优化模型参数,进一步提高行驶工况识别模型的准确度,进而提高行驶工况识别结果的准确性。另外,对行驶工况识别模型进行多个维度工况识别的训练,可以同时识别出各个维度下对应的目标类别,将多种维度工况的识别进行融合,降低了模型调度次数与推理时间,提高了识别速度。
图6为本公开实施例提供的行驶工况识别装置的结构示意图。该行驶工况识别装置可以是如上实施例所述的车载终端,或者该行驶工况识别装置可以该车载终端的部件或组件。本公开实施例提供的行驶工况识别装置可以执行行驶工况识别方法实施例提供的处理流程,如图6所示,行驶工况识别装置60包括:获取模块61、第一得到模块62、第一确定模块63、第二得到模块64;其中,获取模块61用于获取待识别行驶工况的图像数据;第一得到模块62用于基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据;第一确定模块63用于基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别;第二得到模块64用于基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
可选的,所述多个维度至少包括场景维度、天气维度、光线维度、时间维度。
可选的,所述获取模块61获取待识别行驶工况的图像数据时,具体用于:获取待识别行驶工况的视频流数据;基于所述待识别行驶工况的视频流数据得到待识别行驶工况的图像数据。
可选的,所述第一得到模块62基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据时,具体用于:基于所述待识别行驶工况的图像数据提取出所述待识别行驶工况的浅层特征数据;基于所述待识别行驶工况的浅层特征提取出多个维度分别对应的深层特征数据;
相应的,所述第一确定模块63基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别时,具体用于:基于所述多个维度分别对应的深层特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别。
可选的,所述待识别行驶工况的图像数据包括所述待识别行驶工况的多张图像;
所述装置60还包括:第三得到模块65、第二确定模块66;第三得到模块65用于将所述待识别行驶工况的多张图像依次输入到预先训练完成的行驶工况识别模型中,通过所述预先训练完成的行驶工况识别模型得到所述待识别行驶工况的多张图像中的每张图像在各个维度下对应的预测类别;第二确定模块66用于对于多张图像中的每张图像在各个维度下对应的预测类别,若得到的预测类别中连续出现同一类别、且出现次数大于预设阈值,则确定该预测类别为所述待识别行驶工况在该维度下对应的目标类别。
可选的,所述行驶工况识别模型是通过如下方法训练得到的:获取多张训练图像以及每张训练图像对应的行驶工况;基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果;基于每张训练图像对应的行驶工况对所述每张训练图像在多个维度下的训练结果进行损失计算,得到所述行驶工况识别模型在每个维度下的损失计算结果;对每个维度下的损失计算结果进行汇总,更新所述行驶工况识别模型的模型参数;若所述行驶工况识别模型的准确率大于预设阈值,则所述行驶工况识别模型训练完成。
可选的,所述基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果之前,所述行驶工况识别模型的训练方法还包括:对多个维度下的模型进行训练,得到多个维度下的基础模型;将所述多个维度下的基础模型进行融合,得到所述行驶工况识别模型。
图6所示实施例的行驶工况识别装置可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图7为本公开实施例中的一种电子设备的结构示意图。下面具体参考图7,其示出了适于用来实现本公开实施例中的电子设备600的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的行驶工况识别方法。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码,从而实现如上所述的行驶工况识别方法。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取待识别行驶工况的图像数据;
基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据;
基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别;
基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
可选的,当上述一个或者多个程序被该电子设备执行时,该电子设备还可以执行上述实施例所述的其他步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种行驶工况识别方法,其特征在于,包括:
获取待识别行驶工况的图像数据;
基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据;
基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别;
基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述多个维度至少包括场景维度、天气维度、光线维度、时间维度。
3.根据权利要求1所述的方法,其特征在于,所述获取待识别行驶工况的图像数据,包括:
获取待识别行驶工况的视频流数据;
基于所述待识别行驶工况的视频流数据得到待识别行驶工况的图像数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据,包括:
基于所述待识别行驶工况的图像数据提取出所述待识别行驶工况的浅层特征数据;
基于所述待识别行驶工况的浅层特征提取出多个维度分别对应的深层特征数据;
相应的,基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别,包括:
基于所述多个维度分别对应的深层特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别。
5.根据权利要求1所述的方法,其特征在于,所述待识别行驶工况的图像数据包括所述待识别行驶工况的多张图像;
所述获取待识别行驶工况的图像数据之后,所述方法还包括:
将所述待识别行驶工况的多张图像依次输入到预先训练完成的行驶工况识别模型中,通过所述预先训练完成的行驶工况识别模型得到所述待识别行驶工况的多张图像中的每张图像在各个维度下对应的预测类别;
对于多张图像中的每张图像在各个维度下对应的预测类别,若得到的预测类别中连续出现同一类别、且出现次数大于预设阈值,则确定该预测类别为所述待识别行驶工况在该维度下对应的目标类别。
6.根据权利要求5所述的方法,其特征在于,所述行驶工况识别模型是通过如下方法训练得到的:
获取多张训练图像以及每张训练图像对应的行驶工况;
基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果;
基于每张训练图像对应的行驶工况对所述每张训练图像在多个维度下的训练结果进行损失计算,得到所述行驶工况识别模型在每个维度下的损失计算结果;
对每个维度下的损失计算结果进行汇总,更新所述行驶工况识别模型的模型参数;
若所述行驶工况识别模型的准确率大于预设阈值,则所述行驶工况识别模型训练完成。
7.根据权利要求6所述的方法,其特征在于,所述基于所述多张训练图像对行驶工况识别模型进行训练,得到每张训练图像在多个维度下的训练结果之前,所述行驶工况识别模型的训练方法还包括:
对多个维度下的模型进行训练,得到多个维度下的基础模型;
将所述多个维度下的基础模型进行融合,得到所述行驶工况识别模型。
8.一种行驶工况识别装置,其特征在于,包括:
获取模块,用于获取待识别行驶工况的图像数据;
第一得到模块,用于基于所述待识别行驶工况的图像数据得到多个维度分别对应的特征数据;
第一确定模块,用于基于所述多个维度分别对应的特征数据,从各个维度的多个类别中确定出所述待识别行驶工况在各个维度下对应的目标类别;
第二得到模块,用于基于所述待识别行驶工况在各个维度下对应的目标类别,得到所述待识别行驶工况的识别结果。
9.一种电子设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-7中任一所述的方法。
10.一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如权利要求1-7中任一项所述的方法。
11.一种车辆,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967278.0A CN115439815A (zh) | 2022-08-12 | 2022-08-12 | 行驶工况识别方法、装置、设备、介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967278.0A CN115439815A (zh) | 2022-08-12 | 2022-08-12 | 行驶工况识别方法、装置、设备、介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439815A true CN115439815A (zh) | 2022-12-06 |
Family
ID=84242586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967278.0A Pending CN115439815A (zh) | 2022-08-12 | 2022-08-12 | 行驶工况识别方法、装置、设备、介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439815A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842223A (zh) * | 2023-08-29 | 2023-10-03 | 天津鑫宝龙电梯集团有限公司 | 一种工况数据管理方法、装置、设备和介质 |
-
2022
- 2022-08-12 CN CN202210967278.0A patent/CN115439815A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842223A (zh) * | 2023-08-29 | 2023-10-03 | 天津鑫宝龙电梯集团有限公司 | 一种工况数据管理方法、装置、设备和介质 |
CN116842223B (zh) * | 2023-08-29 | 2023-11-10 | 天津鑫宝龙电梯集团有限公司 | 一种工况数据管理方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
CN110376594B (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN110135302B (zh) | 训练车道线识别模型的方法、装置、设备和存储介质 | |
CN114926766A (zh) | 识别方法及装置、设备、计算机可读存储介质 | |
CN115439815A (zh) | 行驶工况识别方法、装置、设备、介质及车辆 | |
CN115761702A (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN115187945A (zh) | 车道线识别方法、装置、电子设备、存储介质 | |
CN113705381B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN114419018A (zh) | 图像采样方法、系统、设备及介质 | |
CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
CN110135517B (zh) | 用于获取车辆相似度的方法及装置 | |
CN112434644A (zh) | 车辆图像的处理方法、装置、电子设备及存储介质 | |
CN115512336B (zh) | 基于路灯光源的车辆定位方法、装置和电子设备 | |
CN114756565B (zh) | 地图更新方法、装置、电子设备和计算机可读介质 | |
CN111353470A (zh) | 图像的处理方法、装置、可读介质和电子设备 | |
CN117037502B (zh) | 车辆处理信息生成方法、装置、设备和计算机可读介质 | |
CN115546769B (zh) | 道路图像识别方法、装置、设备、计算机可读介质 | |
CN113327611B (zh) | 语音唤醒方法、装置、存储介质及电子设备 | |
CN114241792B (zh) | 一种车流量检测方法及系统 | |
CN113627241B (zh) | 一种用于行人重识别的背景抑制方法与系统 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114390071A (zh) | 多媒体数据的推送方法、装置、电子设备及可读存储介质 | |
CN117011787A (zh) | 应用于加油站的信息处理方法、装置和电子设备 |
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 |