CN115635969A - 一种车辆控制方法、装置及车辆 - Google Patents

Abstract

本发明提供一种车辆控制方法、装置及车辆，方法包括：获取驾驶员的面容图像和车辆前方的实时路况图像；根据面容图像识别驾驶员的身份信息，根据身份信息在身份信息数据库中确定驾驶员的驾驶习惯信息；采用深度学习算法对实时路况图像进行数据分析，得到实时路况信息；根据驾驶习惯信息和实时路况信息确定驾驶参数，根据驾驶参数控制车辆运动；获取车辆运动时驾驶员的人脸图像，提取人脸图像中驾驶员的笑容和头部摆动角度，根据笑容和头部摆动角度确定驾驶员的情绪指数；根据情绪指数调整驾驶参数，根据调整后的驾驶参数控制车辆运动。本发明的技术方案能够自适应调整辅助驾驶系统的控制策略，提高辅助驾驶时驾驶员的驾驶体验。

Description

一种车辆控制方法、装置及车辆

技术领域

本发明涉及车辆控制技术领域，具体而言，涉及一种车辆控制方法、装置及车辆。

背景技术

随着车联网技术和人工智能技术等的不断发展，辅助驾驶系统在汽车中的应用越来越广泛。目前，现有的辅助驾驶系统常通过多种感知传感器获取交通环境信息，然后根据交通环境信息制定相应的车辆控制策略，以限定的行驶速度、固定的时距控制车辆运动，并基于车辆与前车之间的速度差确定车辆的即时加速度，以此实现车辆的辅助驾驶。

但是，不同的驾驶员驾驶车辆行驶在不同的路况中时，对车辆速度、时距和加速度等方面的驾驶习惯是不同的，而现有的辅助驾驶系统仅能根据交通环境信息进行辅助驾驶，辅助驾驶的控制策略比较单一，导致辅助驾驶时的驾驶员驾驶体验较差。

发明内容

本发明解决的问题是如何自适应调整辅助驾驶系统的控制策略，提高辅助驾驶时驾驶员的驾驶体验。

为解决上述问题，本发明提供一种车辆控制方法、装置及车辆。

第一方面，本发明提供了一种车辆控制方法，包括：

获取驾驶员的面容图像和车辆前方的实时路况图像；

根据面容图像识别驾驶员的身份信息，根据身份信息在身份信息数据库中确定驾驶员的驾驶习惯信息，身份信息数据库中包括对应的身份信息和驾驶习惯信息；

采用深度学习算法对实时路况图像进行数据分析，得到实时路况信息；根据驾驶习惯信息和实时路况信息确定驾驶参数，根据驾驶参数控制车辆运动；

获取车辆按照所述驾驶参数运动时所述驾驶员的人脸图像，提取所述人脸图像中所述驾驶员的笑容和头部摆动角度，根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数；

根据所述情绪指数调整所述驾驶参数，根据调整后的驾驶参数控制车辆运动。

可选地，根据身份信息在身份信息数据库中确定驾驶员的驾驶习惯信息包括：判断身份信息数据库中是否存储有驾驶员的驾驶习惯信息；若是，则读取对应的驾驶习惯信息；若否，在身份信息数据库中对身份信息进行建档。

可选地，采用深度学习算法对实时路况图像进行数据分析，得到实时路况信息包括：采用训练好的深度卷积神经网络对实时路况图像进行卷积处理，得到实时路况图像的当前特征组合；将当前特征组合与预设数据库中的目标特征组合进行匹配，根据匹配结果确定当前特征组合对应的实时路况信息，其中，预设数据库中包括相对应的目标特征组合和目标路况信息。

可选地，深度卷积神经网络包括依次连接的多个第一卷积层、多个第一池化层、多个第二卷积层、多个第二池化层和多个第三卷积层；采用训练好的深度卷积神经网络对实时路况图像进行卷积处理包括：将实时路况图像输入多个第一卷积层进行卷积处理，得到多个第一特征映射；将所有第一特征映射输入多个第一池化层进行池化处理，得到多个第一池化运算映射；将所有第一池化运算映射输入多个第二卷积层进行卷积处理，得到多个第二特征映射；将所有第二特征映射输入多个第二池化层进行池化处理，得到多个第二池化运算映射；将所有第二池化运算映射输入多个第三卷积层进行卷积处理，得到多个第三特征映射，所有第三特征映射组成特征组合。

可选地，所述情绪指数包括微笑指数和摇头指数，所述头部摆动角度包括抬头角度、平面旋转角度和摇头角度，所述根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数包括：

根据所述笑容和所述头部摆动角度采用第一公式确定所述微笑指数和所述摇头指数，所述第一公式包括：

其中，smile表示所述微笑指数，shakeindex表示所述摇头指数，V1表示所述笑容，V2表示所述抬头角度，V3表示所述平面旋转角度，V4表示所述摇头角度。

可选地，所述根据所述情绪指数调整所述驾驶参数包括：

根据所述微笑指数和所述摇头指数采用第二公式确定所述驾驶员对车辆当前运动情况的评分，所述第二公式包括：

X＝[5/(1+e^{-(0.25*smile-1.2*shakeindex)/10})]，

其中，X表示车辆当前运动情况的评分，smile表示所述微笑指数，shakeindex表示所述摇头指数；

将所述评分与预设阈值进行对比，当所述评分大于或等于所述预设阈值时，保持所述驾驶参数不变；当所述评分小于所述预设阈值时，结合所述实时路况信息调整所述驾驶参数。

可选地，驾驶习惯信息包括不同路况下驾驶参数，根据驾驶习惯信息和实时路况信息确定驾驶参数包括：在驾驶习惯信息中确定与实时路况信息对应的驾驶参数。

可选地，根据驾驶习惯信息和实时路况信息确定驾驶参数还包括：若在身份信息数据库中未查找到与驾驶员相匹配的驾驶习惯信息，则驾驶参数采用与实时路况信息相对应的预设初始驾驶参数。

本发明提供的车辆控制方法，获取驾驶员的面容图像和车辆前方的实时路况图像，根据面容图像进行图像识别，可确定驾驶员的身份信息，根据身份信息在预先建立的身份信息数据库中查找对应的驾驶习惯信息。采用深度学习算法对实时路况图像进行数据分析，例如采用预先训练好的深度学习模型对实时图像进行处理，得到实时路况信息。综合驾驶习惯信息和实时路况信息确定驾驶参数，使得辅助驾驶系统能够根据驾驶员和路况的不同，自适应调整控制策略，以适配不同的驾驶员在不同的路况中驾驶车辆时的驾驶习惯，提高了辅助驾驶时驾驶员的驾驶体验。获取车辆按照该驾驶参数运动时驾驶员的人脸图像，根据人脸图像中的笑容和头部摆动角度识别驾驶员的情绪指数，根据该情绪指数调整该驾驶参数，根据驾驶员的情绪反馈调整驾驶参数，使得辅助驾驶系统的控制策略更加贴近驾驶员的想法，大幅提高了辅助驾驶时驾驶员的驾驶体验。

第二方面，本发明还提供一种车辆控制装置，包括：

获取模块，用于获取驾驶员的面容图像和车辆前方的实时路况图像；

面容识别模块，用于根据面容图像识别驾驶员的身份信息，根据身份信息在身份信息数据库中确定驾驶员的驾驶习惯信息，身份信息数据库中包括对应的身份信息和驾驶习惯信息；

路况甄别模块，用于采用深度学习算法对实时路况图像进行数据分析，得到实时路况信息；

综合处理模块，用于根据驾驶习惯信息和实时路况信息确定驾驶参数，根据驾驶参数控制车辆运动；获取车辆按照所述驾驶参数运动时所述驾驶员的人脸图像，提取所述人脸图像中所述驾驶员的笑容和头部摆动角度，根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数；根据所述情绪指数调整所述驾驶参数，根据调整后的驾驶参数控制车辆运动。

第三方面，本发明还提供一种车辆控制装置，包括存储器和处理器：存储器，用于存储计算机程序；处理器，用于当执行计算机程序时，实现第一方面任一项的车辆控制方法。

本发明提供的车辆控制装置与车辆控制方法相对于现有技术的优势相同，在此不再赘述。

第四方面，本发明还提供一种车辆，其特征在于，包括第一摄像头、第二摄像头和上述的车辆控制装置，第一摄像头、第二摄像头分别与车辆控制装置的处理器连接；第一摄像头用于拍摄驾驶员的面容图像和人脸图像，第二摄像头用于拍摄车辆前方的实时路况图像。

本发明提供的车辆与车辆控制装置相对于现有技术的优势相同，在此不再赘述。

第五方面，本发明还提供一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序，当计算机程序被处理器读取并运行时，实现上述任一项的车辆控制方法。

本发明提供的计算机可读存储介质与车辆控制方法相对于现有技术的优势相同，在此不再赘述。

附图说明

图1为本发明实施例的一种车辆控制方法的流程示意图；

图2为本发明实施例的一种车辆控制装置的结构示意图；

图3为本发明实施例的一种车辆的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

如图1所示，本发明实施例提供的一种车辆控制方法，包括：

步骤S100，获取驾驶员的面容图像和车辆前方的实时路况图像；

步骤S200，根据所述面容图像识别所述驾驶员的身份信息，根据所述身份信息在身份信息数据库中确定所述驾驶员的驾驶习惯信息，所述身份信息数据库中包括对应的所述身份信息和所述驾驶习惯信息；

步骤S300，采用深度学习算法对所述实时路况图像进行数据分析，得到实时路况信息；根据所述驾驶习惯信息和实时路况信息确定驾驶参数，根据所述驾驶参数控制车辆运动；

步骤S400，获取车辆按照所述驾驶参数运动时所述驾驶员的人脸图像，提取所述人脸图像中所述驾驶员的笑容和头部摆动角度，根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数；

步骤S500，根据所述情绪指数调整所述驾驶参数，根据调整后的驾驶参数控制车辆运动。

具体地，获取驾驶员的面容图像和车辆前方的实时路况图像，例如通过第一摄像头获取驾驶员面容图像，传感器获取车辆周围物体距离，第二摄像头获取信号灯、标识牌图像等。

根据面容图像识别驾驶员的身份信息，根据身份信息在身份信息数据库中确定驾驶员的驾驶习惯信息，身份信息数据库中包括对应的身份信息和驾驶习惯信息，例如识别面容图像为第一驾驶员，调取第一驾驶员驾驶习惯信息，驾驶习惯信息包括停车距离、启动和停车的加速度等。

采用深度学习算法对获取的实时路况图像进行数据分析，得到实时路况信息，例如第二摄像头获取到了信号灯图像，经过训练好的深度学习模型提取信息，分析出当前为可通行状态、剩余通行时间10s、距路口10m等。

根据驾驶习惯信息和实时路况信息确定驾驶参数，根据驾驶参数控制车辆运动，例如获取到当前路况为信号灯可通行状态、剩余通行时间10s、距离路口10m，可从驾驶习惯信息、实时路况信息与驾驶参数的对应关系中获取对应的驾驶参数控制车辆运动。驾驶参数可包括速度、加速度和时距等。

通过获取驾驶员面部信息以及路况信息，根据面部信息调取驾驶习惯信息，结合实时路况信息确定驾驶参数，提高了辅助驾驶时驾驶员的驾驶体验。

其中，本实施例中仅展示识别驾驶员信息及交通信号灯图像信息，获取对应信号灯图像信息的驾驶参数，应当理解的是，以获取信号灯图像信息例，包括周围车辆、行人的距离位置等信息均可对应确定驾驶参数，其余驾驶参数获取确定过程不再赘述，按照上述获取、识别及确定过程执行即可。

本实施例中，获取驾驶员的面容图像和车辆前方的实时路况图像，根据面容图像进行图像识别，可确定驾驶员的身份信息，根据身份信息在预先建立的身份信息数据库中查找对应的驾驶习惯信息。采用深度学习算法对实时路况图像进行数据分析，例如采用预先训练好的深度学习模型对实时图像进行处理，得到实时路况信息。综合驾驶习惯信息和实时路况信息确定驾驶参数，使得辅助驾驶系统能够根据驾驶员和路况的不同，自适应调整控制策略，以适配不同的驾驶员在不同的路况中驾驶车辆时的驾驶习惯，提高了辅助驾驶时驾驶员的驾驶体验。获取车辆按照该驾驶参数运动时驾驶员的人脸图像，根据人脸图像中的笑容和头部摆动角度识别驾驶员的情绪指数，根据该情绪指数调整该驾驶参数，根据驾驶员的情绪反馈调整驾驶参数，使得辅助驾驶系统的控制策略更加贴近驾驶员的想法，大幅提高了辅助驾驶时驾驶员的驾驶体验。

可选地，根据身份信息在身份信息数据库中确定驾驶员的驾驶习惯信息包括：判断身份信息数据库中是否存储有驾驶员的驾驶习惯信息；若是，则读取对应的驾驶习惯信息；若否，在身份信息数据库中对身份信息进行建档，

具体的，根据驾驶员面容信息，在身份信息数据库中读取驾驶员驾驶习惯信息存档，若读档成功，根据存档内容获取驾驶习惯信息；若读档失败，在辅助驾驶系统的身份数据库根据驾驶员面容信息建立新档，例如获取人员A的面容信息，在辅助驾驶系统的身份信息数据库未能读取到存档，则对人员A的身份信息建档，后续驾驶过程中记录人员A的驾驶习惯信息至该新档。

本可选的实施例中，根据身份信息能够在身份信息数据库中快速确定驾驶员的驾驶习惯信息，进而提高确定驾驶参数的速度，以提高辅助驾驶时驾驶员的驾驶体验。

可选地，采用深度学习算法对实时路况图像进行数据分析，得到实时路况信息包括：采用训练好的深度卷积神经网络对实时路况图像进行卷积处理，得到实时路况图像的当前特征组合；将当前特征组合与预设数据库中的目标特征组合进行匹配，根据匹配结果确定当前特征组合对应的实时路况信息，其中，预设数据库中包括相对应的目标特征组合和目标路况信息。

具体地，将实时路况图像经训练好的深度卷积神经网络进行卷积处理，提取得到图像特征，能够筛除实时路况图像中的干扰特征，将图像特征和预设数据库中目标特征进行匹配，判断当前的实时路况。

其中，预设数据库中可设有目标特征-目标路况信息数据组，目标特征-目标路况信息数据组一一对应，经深度卷积神经网络处理的路况图片输出的图片特征包括至少一个特征点，对应至少一组目标特征与目标路况信息。

本可选地实施例中，通过对路况图片的卷积处理，获得图片特征，并且图片特征对应至少一组目标特征与目标路况信息，提高实时路况的判断准确能力，并且可以减少路况判断的延迟，提高辅助驾驶时驾驶员的驾驶体验。

可选地，深度卷积神经网络包括依次连接的多个第一卷积层、多个第一池化层、多个第二卷积层、多个第二池化层和多个第三卷积层；采用训练好的深度卷积神经网络对实时路况图像进行卷积处理包括：将实时路况图像输入多个第一卷积层进行卷积处理，得到多个第一特征映射；将所有第一特征映射输入多个第一池化层进行池化处理，得到多个第一池化运算映射；将所有第一池化运算映射输入多个第二卷积层进行卷积处理，得到多个第二特征映射；将所有第二特征映射输入多个第二池化层进行池化处理，得到多个第二池化运算映射；将所有第二池化运算映射输入多个第三卷积层进行卷积处理，得到多个第三特征映射，所有第三特征映射组成特征组合。

具体地，实时路况图像经深度卷积神经网络处理，例如，假设实时路况图像维度为25×25，每一个图像数据值代表一个像素值，作为输入加载到深度神经卷积网络中，经过6个维度为4×4的第一卷积层C1，卷积步长为1，得到16个特征映射，再经过6个2×2的第一池化层S2，得到6个池化运算映射，在经过16个4×4的第二卷积层C3，得到16个特征映射，以及16个2×2的第二池化层S4,得到16个池化运算映射。最后经过拥有120个4×4的第三卷积层C5，输出120个1×1的特征映射，最终将单值特征映射组成特征组合得到路况图像。

本可选的实施例中，通过对实时路况图像进行卷积处理，获得图片特征，通过图片特征能够快速判断实时路况，提高实时路况的判断准确能力，提高辅助驾驶时驾驶员的驾驶体验。

可选地，所述情绪指数包括微笑指数和摇头指数，所述头部摆动角度包括抬头角度、平面旋转角度和摇头角度，所述根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数包括：

根据所述笑容和所述头部摆动角度采用第一公式确定所述微笑指数和所述摇头指数，所述第一公式包括：

其中，smile表示所述微笑指数，shakeindex表示所述摇头指数，V1表示所述笑容，V2表示所述抬头角度，V3表示所述平面旋转角度，V4表示所述摇头角度。

具体地，提取人脸图像中的第二人脸特征数据，对所述第二人脸特征数据进行归一化处理，获得归一化后的人脸特征数据，基于第一公式，采用归一化后的人脸特征数据确定驾驶员的情绪指数。

其中，采用smile(V1)(笑容)、pitchangle(V2)(抬头角度)、rollangle(V3)(平面旋转角度)和yawangle(V4)(摇头角度)4个分量表示人脸特征数据，可采用face++人脸识别平台识别人脸特征数据。

可选地，所述根据所述情绪指数调整所述驾驶参数包括：

根据所述微笑指数和所述摇头指数采用第二公式确定所述驾驶员对车辆当前运动情况的评分，所述第二公式包括：

X＝[5/(1+e^{-(0.25*smile-1.2*shakeindex)/10})]，

其中，X表示车辆当前运动情况的评分，smile表示所述微笑指数，shakeindex表示所述摇头指数；

将所述评分与预设阈值进行对比，当所述评分大于或等于所述预设阈值时，保持所述驾驶参数不变；当所述评分小于所述预设阈值时，结合所述实时路况信息调整所述驾驶参数。

具体地，驾驶员对车辆当前运动情况的评分反映了驾驶员对辅助驾驶系统的控制策略的满意程度，当评分大于或等于预设阈值时，可表示驾驶员比较满意，因此保持该驾驶参数不变。当评分小于预设与预设阈值时，表示驾驶员可能不太满意，因此调整驾驶参数以提高驾驶员的体验。可根据实时路况信息调整驾驶参数，例如实时路况信息(天气、道路情况等)较好时，可将驾驶参数向激进的方向进行适当调整(例如将车辆速度增加预设值等)；当天气等实时路况信息不好时，可将驾驶参数向平稳的方向进行适当调整(例如将车辆速度降低预设值等)。当调整驾驶参数后，可继续实时获取驾驶员的人脸图像，若根据人脸图像检测到驾驶员的情绪指数和评分没有变化或变得更差时，则以与上次调整相反的方向对驾驶参数进行调整。

可选地，驾驶习惯信息包括不同路况下驾驶参数，根据驾驶习惯信息和实时路况信息确定驾驶参数包括：在驾驶习惯信息中确定与实时路况信息对应的驾驶参数。

具体地，驾驶习惯信息包括多种路况下的驾驶参数，例如实时路况信息为车辆距离信号灯10m，剩余通行时间8秒，在驾驶习惯里面寻找对应情况下的驾驶参数，按照驾驶参数控制车辆以2m/s速度通过信号灯。

本可选的实施例中，通过获取实时路况，确定基于驾驶员个人习惯的驾驶参数，该驾驶参数能够适配该驾驶员在该路况下的驾驶习惯，以对应的驾驶参数控制车辆运行，提高了辅助驾驶时驾驶员的驾驶体验。

可选地，根据驾驶习惯信息和实时路况信息确定驾驶参数还包括：若在身份信息数据库中未查找到与驾驶员相匹配的驾驶习惯信息，则驾驶参数采用与实时路况信息相对应的预设初始驾驶参数。

具体地，根据驾驶习惯信息和实时路况信息确定驾驶参数还包括：若在身份信息数据库中未查找到与驾驶员相匹配的驾驶习惯信息，则驾驶参数采用与实时路况信息相对应的预设初始驾驶参数，例如在辅助驾驶系统的身份信息数据库未能读取到存档时，基于人员A面容信息建立第N个存档，第N个存档采用系统预设的基础数值作为习惯，提供辅助驾驶，基础数值可为车辆出厂默认的速度、时距、加速度等。

本可选的实施例中，通过对无存档人员新建存档，加载系统默认参数，能够提高辅助驾驶时无驾驶习惯存档的驾驶员的驾驶体验。

如图2所示，本发明另一实施例提供的一种车辆控制装置，包括：

获取模块，用于获取驾驶员的面容图像和车辆前方的实时路况图像；

面容识别模块，用于根据面容图像识别驾驶员的身份信息，根据身份信息在身份信息数据库中确定驾驶员的驾驶习惯信息，身份信息数据库中包括对应的身份信息和驾驶习惯信息；

路况甄别模块，用于采用深度学习算法对实时路况图像进行数据分析，得到实时路况信息；

综合处理模块，用于根据驾驶习惯信息和实时路况信息确定驾驶参数，根据驾驶参数控制车辆运动；获取车辆按照所述驾驶参数运动时所述驾驶员的人脸图像，提取所述人脸图像中所述驾驶员的笑容和头部摆动角度，根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数；根据所述情绪指数调整所述驾驶参数，根据调整后的驾驶参数控制车辆运动。

本发明另一实施例还提供一种车辆控制装置，包括存储器和处理器：存储器，用于存储计算机程序；处理器，用于当执行计算机程序时，实现上述任一项的车辆控制方法。

如图3所示，本发明另一实施例还提供一种车辆，包括第一摄像头、第二摄像头和如权利要上述的车辆控制装置，第一摄像头、第二摄像头分别与车辆控制装置的处理器连接；第一摄像头用于拍摄驾驶员的面容图像和人脸图像，第二摄像头用于拍摄车辆前方的实时路况图像。

本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，当计算机程序被处理器读取并运行时，实现上述任一项的车辆控制方法。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种车辆控制方法，其特征在于，包括：

获取驾驶员的面容图像和车辆前方的实时路况图像；

根据所述面容图像识别所述驾驶员的身份信息，根据所述身份信息在身份信息数据库中确定所述驾驶员的驾驶习惯信息，所述身份信息数据库中包括对应的所述身份信息和所述驾驶习惯信息；

采用深度学习算法对所述实时路况图像进行数据分析，得到实时路况信息；根据所述驾驶习惯信息和实时路况信息确定驾驶参数，根据所述驾驶参数控制车辆运动；

获取车辆按照所述驾驶参数运动时所述驾驶员的人脸图像，提取所述人脸图像中所述驾驶员的笑容和头部摆动角度，根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数；

根据所述情绪指数调整所述驾驶参数，根据调整后的驾驶参数控制车辆运动。

2.根据权利要求1所述的车辆控制方法，其特征在于，所述根据所述身份信息在身份信息数据库中确定所述驾驶员的驾驶习惯信息包括：

判断所述身份信息数据库中是否存储有所述驾驶员的驾驶习惯信息；

若是，则读取对应的所述驾驶习惯信息；若否，在所述身份信息数据库中对所述身份信息进行建档。

3.根据权利要求1所述的车辆控制方法，其特征在于，所述采用深度学习算法对所述实时路况图像进行数据分析，得到实时路况信息包括：

采用训练好的深度卷积神经网络对所述实时路况图像进行卷积处理，得到所述实时路况图像的当前特征组合；

将所述当前特征组合与预设数据库中的目标特征组合进行匹配，根据匹配结果确定所述当前特征组合对应的所述实时路况信息，其中，所述预设数据库中包括相对应的目标特征组合和目标路况信息。

4.根据权利要求3所述的车辆控制方法，其特征在于，所述深度卷积神经网络包括依次连接的多个第一卷积层、多个第一池化层、多个第二卷积层、多个第二池化层和多个第三卷积层；

所述采用训练好的深度卷积神经网络对所述实时路况图像进行卷积处理包括：

将所述实时路况图像输入多个所述第一卷积层进行卷积处理，得到多个第一特征映射；

将所有所述第一特征映射输入多个所述第一池化层进行池化处理，得到多个第一池化运算映射；

将所有所述第一池化运算映射输入多个所述第二卷积层进行卷积处理，得到多个第二特征映射；

将所有所述第二特征映射输入多个所述第二池化层进行池化处理，得到多个第二池化运算映射；

将所有所述第二池化运算映射输入多个所述第三卷积层进行卷积处理，得到多个第三特征映射，所有所述第三特征映射组成所述特征组合。

5.根据权利要求1所述的车辆控制方法，其特征在于，所述情绪指数包括微笑指数和摇头指数，所述头部摆动角度包括抬头角度、平面旋转角度和摇头角度，所述根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数包括：

根据所述笑容和所述头部摆动角度采用第一公式确定所述微笑指数和所述摇头指数，所述第一公式包括：

其中，smile表示所述微笑指数，shakeindex表示所述摇头指数，V1表示所述笑容，V2表示所述抬头角度，V3表示所述平面旋转角度，V4表示所述摇头角度。

6.根据权利要求5所述的车辆控制方法，其特征在于，所述根据所述情绪指数调整所述驾驶参数包括：

根据所述微笑指数和所述摇头指数采用第二公式确定所述驾驶员对车辆当前运动情况的评分，所述第二公式包括：

X＝[5/(1+e^{-(0.25*smile-1.2*shakeindex)/10})]，

其中，X表示车辆当前运动情况的评分，smile表示所述微笑指数，shakeindex表示所述摇头指数；

将所述评分与预设阈值进行对比，当所述评分大于或等于所述预设阈值时，保持所述驾驶参数不变；当所述评分小于所述预设阈值时，结合所述实时路况信息调整所述驾驶参数。

7.根据权利要求1至6任一项所述的车辆控制方法，其特征在于，所述驾驶习惯信息包括不同路况下所述驾驶参数，所述根据所述驾驶习惯信息和实时路况信息确定驾驶参数包括：在所述驾驶习惯信息中确定与所述实时路况信息对应的所述驾驶参数；

和/或，

所述根据所述驾驶习惯信息和实时路况信息确定驾驶参数还包括：若在所述身份信息数据库中未查找到与所述驾驶员相匹配的驾驶习惯信息，则所述驾驶参数采用与所述实时路况信息相对应的预设初始驾驶参数。

8.一种车辆控制装置，其特征在于，包括：

获取模块，用于获取驾驶员的面容图像和车辆前方的实时路况图像；

面容识别模块，用于根据所述面容图像识别所述驾驶员的身份信息，根据所述身份信息在身份信息数据库中确定所述驾驶员的驾驶习惯信息，所述身份信息数据库中包括对应的所述身份信息和所述驾驶习惯信息；

路况甄别模块，用于采用深度学习算法对所述实时路况图像进行数据分析，得到实时路况信息；

综合处理模块，用于根据所述驾驶习惯信息和实时路况信息确定驾驶参数，根据所述驾驶参数控制车辆运动；获取车辆按照所述驾驶参数运动时所述驾驶员的人脸图像，提取所述人脸图像中所述驾驶员的笑容和头部摆动角度，根据所述笑容和所述头部摆动角度确定所述驾驶员的情绪指数；根据所述情绪指数调整所述驾驶参数，根据调整后的驾驶参数控制车辆运动。

9.一种车辆控制装置，其特征在于，包括存储器和处理器：

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1-7中任一项所述的车辆控制方法。

10.一种车辆，其特征在于，包括第一摄像头、第二摄像头和如权利要求9所述的车辆控制装置，所述第一摄像头、所述第二摄像头分别与所述车辆控制装置的处理器连接；

所述第一摄像头用于拍摄驾驶员的面容图像和人脸图像，所述第二摄像头用于拍摄车辆前方的实时路况图像。

Images