CN116245716A - 车辆的路况图像的处理方法及装置 - Google Patents

车辆的路况图像的处理方法及装置 Download PDF

Info

Publication number
CN116245716A
CN116245716A CN202310497919.5A CN202310497919A CN116245716A CN 116245716 A CN116245716 A CN 116245716A CN 202310497919 A CN202310497919 A CN 202310497919A CN 116245716 A CN116245716 A CN 116245716A
Authority
CN
China
Prior art keywords
image
style
matrix
road condition
target
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
Application number
CN202310497919.5A
Other languages
English (en)
Inventor
孙宇嘉
陈博
高洪伟
付振
王明月
袁鲁峰
何金鑫
梁小明
王紫烟
张毅
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.)
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Original Assignee
Faw Nanjing Technology Development Co ltd
FAW Group Corp
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 Faw Nanjing Technology Development Co ltd, FAW Group Corp filed Critical Faw Nanjing Technology Development Co ltd
Priority to CN202310497919.5A priority Critical patent/CN116245716A/zh
Publication of CN116245716A publication Critical patent/CN116245716A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • 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
    • 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
    • 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种车辆的路况图像的处理方法及装置。其中，该方法包括：获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格；对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中目标图像矩阵为初始图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵；对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像。本发明解决了相关技术中对车辆的路况图像的处理准确率低的技术问题。

Description

车辆的路况图像的处理方法及装置
技术领域
本发明涉及车辆数据处理领域，具体而言，涉及一种车辆的路况图像的处理方法及装置。
背景技术
随着自动驾驶相关技术的迅猛发展，自动驾驶模式释放了座舱内乘客的驾驶职能，使驾驶员可以降低精力在车辆控制和路况观察上。因此，乘用车的功能正在从载客向综合娱乐的第三空间转变。为此，用户对车辆的综合娱乐系统功能的需求正在发生跨越性改变，例如：座舱内更多和更大的显示屏幕、座舱内影音和音乐播放、座舱内综合交互能力等。
然而，现有技术中是通过抽取图像中的关键物体后，通过三维建模的方式，对车辆行驶过程中周围环境图像进行显示，这就导致对车辆的路况图像的处理准确率低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆的路况图像的处理方法及装置，以至少解决相关技术中对车辆的路况图像的处理准确率低的技术问题。
根据本发明实施例的一个方面，提供了一种车辆的路况图像的处理方法，包括：获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格的图像；对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中目标图像矩阵为初始路况图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵；对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像。
可选地，对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像，包括：获取初始路况图像的图像特征，以及目标风格矩阵的风格特征；基于图像特征与风格特征，对初始路况图像和目标风格矩阵进行特征融合，得到融合特征矩阵；将融合特征矩阵与目标图像矩阵进行融合，得到目标路况图像。
可选地，基于图像特征与风格特征，对初始路况图像和目标风格矩阵进行特征融合，得到融合特征矩阵，包括：控制第一神经网络对图像特征和目标风格矩阵进行特征编码，得到融合特征矩阵。
可选地，将融合特征矩阵与目标图像矩阵进行融合，得到目标路况图像，包括：控制第一神经网络对融合特征矩阵和目标图像矩阵进行编码，得到目标路况图像。
可选地，对初始路况图像进行关键物体提取得到目标图像矩阵，包括：对初始路况图像进行归一化处理，得到归一化后的路况图像；控制第二神经网络对归一化后的路况图像进行关键物体提取，得到目标图像矩阵。
可选地，对预设风格图像进行风格特征提取得到目标风格矩阵，包括：通过第一神经网络对预设风格图像进行风格特征提取，得到目标风格矩阵。
可选地，获取车辆的预设风格图像，包括：接收目标对象对路况图像的风格的输入信息，其中，输入信息用于表示对路况图像的风格进行选择；基于输入信息，在车辆的预设路况图像数据中确定预设风格图像。
根据本发明实施例的另一方面，还提供了一种车辆的路况图像的处理装置，包括：获取模块，用于获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格的图像；提取模块，用于对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中目标图像矩阵为初始图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵；融合模块，用于对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的车辆的路况图像的处理方法。
根据本发明实施例的另一方面，还提供了一种车辆，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项中的车辆的路况图像的处理方法。
在本发明实施例中，采用获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格；对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中目标图像矩阵为初始图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵；对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像的方式。容易注意到的是，对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，可以得到目标路况图像，其中，目标图像矩阵是通过对初始路况图像进行关键特征提取得到的，目标风格矩阵是通过对预设风格图像进行风格特征提取得到的，达到了能够根据用户的喜好和选择生成用户所需的目标图像的目的，从而实现了提高路况图像的处理准确率的技术效果，进而解决了相关技术中对车辆的路况图像的处理准确率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种车辆的路况图像的处理方法的流程图；
图2是根据本发明实施例的一种可选的车载驾驶环境娱乐可视化方法的框架示意图；
图3是根据本发明实施例的一种可选的车载驾驶环境娱乐可视化方法的流程图；
图4是根据本发明实施例的一种可选的车载驾驶环境娱乐可视化方法的结构示意图；
图5是根据本发明实施例的一种可选的关键物体描述矩阵的处理示意图；
图6是根据本发明实施例的一种可选的风格特征矩阵的处理示意图；
图7是根据本发明实施例的一种可选的目标图像的处理示意图；
图8是根据本发明实施例的一种车辆的路况图像的处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明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。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。
实施例1
根据本发明实施例，提供了一种车辆的路况图像的方法的实施例，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。
图1是根据本发明实施例的一种车辆的路况图像的处理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格的图像。
在本申请步骤S102提供的技术方案中，车辆可以是任意一种具有自动驾驶功能的车辆，例如，可以是具有自动驾驶功能的燃油车辆，也可以是具有自动驾驶功能的新能源车辆，还可以是具有自动驾驶功能的混合动力车辆，但不仅限于此。上述的初始路况图像可以是车辆的图像采集设备采集得到的，车辆所行驶道路上的周围环境图像，例如，可以是包含道路两旁环境的图像，也可以是包括车辆前方道路的图像，还可以是包含车辆后方道路的图像，但不仅限于此。
需要说明的是，上述图像采集设备可以是车辆上任意一种或多种能够采集图像的处理器、传感器、装置等，例如，可以是车载摄像头，但不仅限于此。上述的预设风格图像可以是用户选择的，能够体现初始路况图像的显示风格的图像，例如，可以是能够体现初始路况图像的画面显示类型（例如：油画类型、水彩画类型、水墨画类型等）、画面颜色的鲜艳程度、光影的亮度以及清晰度的图像，但不仅限于此。
在一种可选的实施例中，当车辆在道路上行驶时，车辆的显示设备会实时显示车辆所行驶道路上的路况图像，为了能够提升用户驾驶体验，使显示设备显示的路况图像符合用户所需要的风格，可以通过车辆的采集设备实时获取车辆所行驶道路上的初始路况图像以及接收用户选择的预设风格图像。
步骤S104，对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中，目标图像矩阵为初始路况图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵。
在本申请步骤S104提供的技术方案中，关键物体可以是初始路况图像中包含的物体，例如，可以是车辆行驶道路上的前方车辆、侧方车辆、路上的行人、障碍物等，但不仅限于此。上述的目标图像矩阵可以是包含关键物体的描述的矩阵，具体的矩阵类型在本实施例中不做具体限定，用户可根据实际需求自行设定。上述的风格类型矩阵可以是包含风格类型的矩阵，具体的矩阵类型在本实施例中不做具体限定，可以由用户实际需求自行设定。
在一种可选的实施例中，当获取到初始路况图像以及预设风格图像后，可以对初始路况图像中的关键物体进行关键特征提取，得到目标图像矩阵，其中，目标图像矩阵为初始路况图像中关键物体的描述矩阵；同时，还可以对预设风格图像进行风格特征提取，得到目标风格矩阵，其中，目标风格矩阵为预设风格图像中的风格类型矩阵。
在另一种可选的实施例中，当获取到初始路况图像和预设风格图像后，若初始路况图像中包含有行人，车辆等关键物体，可以对初始路况图像中的行人、车辆等关键物体进行关键特征提取，得到目标图像矩阵；同时，可以对预设风格图像中的画面显示类型、画面颜色的鲜艳程度、光影的亮度以及清晰度等风格特征进行特征提取，得到风格类型矩阵。
步骤S106，对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像。
上述的目标路况图像，可以是经过融合后得到的，包含有关键物体的路况图像。需要说明的是，经过融合，目标路况图像的风格类型符合用户的显示需求。
在一种可选的实施例中，得到初始路况图像、目标图像矩阵以及目标风格矩阵后，可以对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，可以得到符合用户需求的目标路况图像，例如，可以得到符合用户显示需求的，图像画面类型为油画、画面颜色的鲜艳程度为高、光影亮度为中以及清晰度为高的目标路况图像，但不仅限于此。又例如，可以对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到符合用户显示需求的，图像画面类型为水彩画、画面颜色的鲜艳程度为中，光影亮度为高以及清晰度为中的目标路况图像，但不仅限于此。
在本发明实施例中，采用获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格；对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中目标图像矩阵为初始图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵；对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像的方式。容易注意到的是，对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，可以得到目标路况图像，其中，目标图像矩阵是通过对初始路况图像进行关键特征提取得到的，目标风格矩阵是通过对预设风格图像进行风格特征提取得到的，达到了能够根据用户的喜好和选择生成用户所需的目标图像的目的，从而实现了提高路况图像的处理准确率的技术效果，进而解决了相关技术中对车辆的路况图像的处理准确率低的技术问题。
下面对该实施例的上述方法进行进一步介绍。
可选地，对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像，包括：获取初始路况图像的图像特征，以及目标风格矩阵的风格特征；基于图像特征与风格特征，对初始路况图像和目标风格矩阵进行特征融合，得到融合特征矩阵；将融合特征矩阵与目标图像矩阵进行融合，得到目标路况图像。
上述的图像特征可以包括但不限于：纹理特征、颜色特征、形状特征以及空间关系特征，在本实施例中，以纹理特征为例进行说明，但不仅限于此。上述的风格特征，可以是风格类型的特征，例如，可以包括但不限于：图像的画面显示类型的特征、画面颜色的鲜艳程度特征、光影的亮度特征以及清晰度特征。
在一种可选的实施例中，对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合时，首先可以获取初始路况图像的图像特征，以及目标风格矩阵的风格特征，其次可以基于图像特征与风格特征，对初始路况图像和目标风格矩阵进行特征融合，得到融合特征矩阵，最后可以将融合特征矩阵与目标图像矩阵进行融合，即可以得到用户所需的目标路况图像。
可选地，基于图像特征与风格特征，对初始路况图像和目标风格矩阵进行特征融合，得到融合特征矩阵，包括：控制第一神经网络对初始路况图像和目标风格矩阵进行特征编码，得到融合特征矩阵。
上述的第一神经网络可以是任意一种能够进行编码的神经网络，具体的神经网络类型在本实施例中不做限定，在本实施例中，以U型网络（简称U Net）为例进行说明，但不仅限于此。其中，U Net是一种采用卷积算子的编码和解码相结合的标准网络，其左半部分为特征提取网络（也称编码器），右半部分为特征融合网络（也称解码器）。
在一种可选的实施例中，将初始路况图像与目标风格矩阵进行特征融合包括：首先可以将初始路况图像的图像特征与目标风格矩阵的风格特征输入至第一神经网络中，其次可以控制第一神经网络对图像特征和风格特征进行特征编码，即可以得到融合特征矩阵。
需要说明的是，U Net编码网络的训练过程为，输入为固定尺寸的图像，标签为图像对应的纹理。其中，图像纹理可以通过软件人提取，但不仅限于此。
可选地，将融合特征矩阵与目标图像矩阵进行融合，得到目标路况图像，包括：控制第一神经网络对融合特征矩阵和目标图像矩阵进行编码，得到目标路况图像。
在一种可选的实施例中，将融合特征矩阵与目标图像矩阵进行融合包括：首先可以将融合特征矩阵和目标图像矩阵输入至第一神经网络中，其次可以控制第一神经网络，对融合特征矩阵和目标图像矩阵进行编码，即可以得到目标路况图像。
可选地，对初始路况图像进行关键物体提取得到目标图像矩阵，包括：对初始路况图像进行归一化处理，得到归一化后的路况图像；控制第二神经网络对归一化后的路况图像进行关键物体提取，得到目标图像矩阵。
上述的归一化处理可以是维度归一化处理，但不仅限于此。上述的第二神经网络可以是任意一种或多种能够进行关键物体提取的神经网络，具体的神经网络类型在本实施例中不做限定，在本实施例中，以残差（ResNet18）网络为例进行说明，但不仅限于此。其中，ResNet18网络是一种采用卷积算子的具有残差结构的标准网络。
在一种可选的实施例中，在得到初始路况图像后，首先还可以对初始路况图像进行维度归一化处理，得到归一化后的路况图像，其次可以将归一化后的路况图像输入至第二神经网络中，控制第二神经网络对归一化后的路况图像进行关键物体提取，可以得到目标图像矩阵。
需要说明的是，为了匹配后续的对图像维度的要求，可以对初始路况图像进行维度归一化处理。ResNet18网络（即第一神经网络）的训练过程为，输入为固定尺寸的图像，标签为图像上的关键物体的着色图像，损失函数为交叉熵函数。需要说明的是，损失函数不仅限于交叉熵函数，在本实施例中，以交叉熵函数为例进行说明。
可选地，对预设风格图像进行风格特征提取得到目标风格矩阵，包括：通过第一神经网络对预设风格图像进行风格特征提取，得到目标风格矩阵。
在一种可选的实施例中，在得到预设风格图像后，首先可以将预设风格图像输入至第一神经网络中，其次可以控制第一神经网络对预设风格图像进行风格特征提取，即可以得到目标风格矩阵。
可选地，获取车辆的预设风格图像，包括：接收目标对象对路况图像的风格的输入信息，其中，输入信息用于表示对路况图像的风格进行选择；基于输入信息，在车辆的预设路况图像数据中确定预设风格图像。
上述的目标对象可以是驾驶车辆的用户，但不仅限于此，还可以是车辆上的乘客。上述的输入信息可以是目标对象向车辆输入的，能够选择用户所需的风格图像的信息，例如可以是用户输入的“油画”地信息，也可以是用户输入的“油画，颜色鲜艳程度高”的信息，还可以是用户输入的“油画、颜色鲜艳程度高、清晰度高”的信息，但不仅限于此。上述的预设路况图像数据库可以是用户提前设置的，能够体现输入信息与风格图像的对应关系的数据库，预设路况图像数据库根据用户输入的输入信息，可以检索到对应的风格图像。
在一种可选的实施例中，车辆可以接收用户输入的输入信息，其中，输入信息用于选择路况图像的显示风格图像，在接收到用户的输入信息后，车辆可以基于输入信息在预设路况图像数据库中确定输入信息对应的预设风格图像。
在另一种可选的实施例中，车辆接受到目标对象输入的“油画”的信息后，可以基于“油画”在预设路况图像数据库中确定“油画”对应的预设风格图像。
在另一种可选的实施例中，车辆接受到目标对象输入的“油画、颜色鲜艳程度高”的信息后，可以基于“油画、颜色鲜艳程度高”在预设路况图像数据库中确定“油画、颜色鲜艳程度高”对应的预设风格图像。
在另一种可选的实施例中，车辆接受到目标对象输入的“油画、颜色鲜艳程度高、清晰度高”的信息后，可以基于“油画、颜色鲜艳程度高、清晰度高”在预设路况图像数据库中确定“油画、颜色鲜艳程度高、清晰度高”对应的预设风格图像。
本发明提出一种车辆行驶路况娱乐显示方法，在本发明所述技术方案中，通过车载图像采集装置进行原始图像采集，不依赖激光雷达等复杂传感器。通过深度学习的方法在原始路况图像的基础上进行用户自定义风格化表示，既保证用户体验的真实性，同时提供了诸如“魔幻”、“艺术”、“穿越”等沉浸式行驶体验。让用户在枯燥的高速公路行驶过程中能有仿佛穿梭在热带雨林的快感。
本发明提出了一种车载驾驶环境娱乐可视化方法，图2是根据本发明实施例的一种可选的车载驾驶环境娱乐可视化方法的框架示意图，如图2所示，通过将采集的原始图像和预设风格图像输入至神经网络风格迁移模块中，可以输出满足用户需求的显示图像。用户在驾驶车辆行驶过程中，车辆上搭载的图像采集设备对车辆周围的环境图像进行实时采集。用户可以根据自身喜好在预置的风格库中选取自己喜欢的风格。根据用户所选的风格，本发明对上述采集的车辆周围的环境图像进行风格变换，并最终在车载显示设备上将上述带有用户期望风格的车辆周围的环境图像显示出来，提升用户驾驶体验。上述的车载显示设备可以包括但不限于：车窗、中控大屏、后排娱乐大屏。
图3是根据本发明实施例的一种可选的车载驾驶环境娱乐可视化方法的流程图，如图3所示，该方法包括如下步骤：
步骤S301，通过车载图像采集设备（例如可以是摄像头），对车辆周围的环境图像进行采集，获得环境图像（即初始路况图像），可以是车辆前进方向、后向、左侧和右侧任意方向；
步骤S302，系统预置了一系列的风格图像供用户选择，用户在操作界面上输入或选取自己期望的风格描述文字，系统在预置风格图像数据库中，根据用户描述文字获取风格图像；
步骤S303，基于获得的环境图像，采用物体描述矩阵，如树木、车辆、建筑，等，得到关键物体描述矩阵；
步骤S304，基于获得的用户期望风格图像，采用神经网络方法提取图像中的风格特征矩阵；
步骤S305，基于获得的环境图像，采用神经网络方法逐层与获得的风格特征矩阵进行融合，获得融合特征矩阵；
步骤S306，基于获得的融合特征矩阵，结合获得的关键物体描述矩阵，逐层生成带有用户期望风格的环境图像；
步骤S307，将得到的用户期望风格的环境图像在车载显示设备上进行显示。
图4是根据本发明实施例的一种可选的车载驾驶环境娱乐可视化方法的结构示意图，如图4所示，获取到车辆周围的环境图像后可以对环境图像进行关键物体提取得到关键物体描述矩阵，同时，基于用户输入的期望风格得到对应的风格图像后，可以对风格图像进行风格特征提取得到风格特征矩阵；其次可以将获取到的车辆周围的环境图像和风格特征矩阵进行逐层融合，得到融合后的图像；然后可以将关键物体描述矩阵和融合后的图像再次进行融合，即可以得到用户所需的目标图像；最后可以将目标图像显示在车辆的显示设备上。
可选地，步骤S301可以包括：通过车载图像采集装置，获取车辆周围的环境图像。在一种可选的实施方式中，座舱域控制器以每秒25幅的速率采集车辆前视摄像头捕捉的图像。对上述图像进行维度归一化，例如，当原始图像的维度为[1024, 768, 3]时，归一化之后的维度为[720, 680, 3]，以匹配后续步骤对输入图像维度上的要求。需要说明的是，在本实施例中，车载图像采集装置不仅限于座舱域控制器，还可以是任意一种或多种能够进行图像采集的装置、处理器、传感器等，在本实施例中不做限定。需要说明的是，采集速率不仅限于25幅，还可以26幅等，具体的速率用户可根据实际需求自行设定。
可选地，步骤S302的内容可以包括：获取用户输入的期望风格，在风格数据库中查询，获取对应的风格图像。在一种可选地实施方式中，用户可在系统操作界面上手动输入期望的风格的文字描述如：“油画“、”水彩奈”，系统根据上述文字在预置的风格库中匹配对应的文字的风格图像。上述风格库是多条键值为风格文本，数值为图像数据的字典。
可选地，步骤S303的内容可以包括：基于环境图像，抽取图像中的关键物体描述矩阵。在一种可选的实施方式中，图5是根据本发明实施例的一种可选的关键物体描述矩阵的处理示意图，如图5所示，将归一化之后的车辆周围环境图像，输入到ResNet18网络（即第二神经网络）中，得到相应的关键物体描述矩阵。上述ResNet18网络是一种采用卷积算子的具有残差结构的标准网络。上述ResNet18网络的训练过程为，输入为固定尺寸的图像，标签为图像上的关键物体的着色图像，损失函数为交叉熵函数。需要说明的是，损失函数不仅限于交叉熵函数，还可以是任意一种损失函数，在本实施例中，以交叉熵函数为例进行说明，但不仅限于此。
可选地，步骤S304的内容可以包括：基于风格图像，抽取图像中的风格特征矩阵。在一种可选的实施方式中，图6是根据本发明实施例的一种可选的风格特征矩阵的处理示意图，如图6所示，将用户期望风格图像，输入到U Net 18网络（即第一神经网络）的编码网络中，得到对应的风格特征矩阵。上述U Net 18网络是一种采用卷积算子的编码和解码相结合的标准网络。上述U Net 18编码网络的训练过程为，输入为固定尺寸的图像，标签为图像对应的纹理。上述纹理可通过软件进行人工提取。
可选地，步骤S305的内容可以包括：逐层将风格特征矩阵融合到环境图像中。其中，可以通过U Net 18解码网络将风格特征矩阵融合至环境图像中，得到融合后的环境图像。
可选地，步骤S306的内容可以包括：基于融合后的图像，根据关键物体描述矩阵生成图像。在一种实施方式中，图7是根据本发明实施例的一种可选的目标图像的处理示意图，如图7所示，将所得风格特征矩阵和所得关键物体描述矩阵，输入到U Net 18（即第一神经网络）解码网络中进行逐层编码，生成合成图像。上述U Net 18解码网络的训练过程为，输入为风格特征矩阵和关键物体描述矩阵，标签为原始图像加上风格图像的纹理图像的合成图像。
在本发明实施例中，采用获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格；对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中目标图像矩阵为初始图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵；对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像的方式。容易注意到的是，对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，可以得到目标路况图像，其中，目标图像矩阵是通过对初始路况图像进行关键特征提取得到的，目标风格矩阵是通过对预设风格图像进行风格特征提取得到的，达到了能够根据用户的喜好和选择生成用户所需的目标图像的目的，从而实现了提高路况图像的处理准确率的技术效果，进而解决了相关技术中对车辆的路况图像的处理准确率低的技术问题。
本发明提出了一种车载驾驶环境娱乐可视化方法，可以实现如图2所示的效果。用户在驾驶车辆行驶过程中，车辆上搭载的图像采集设备对车辆周围的环境图像进行实时采集。用户根据自身喜好在预置的风格库中选取自己喜欢的风格。根据用户所选的风格，本发明对上述采集的车辆周围的环境图像进行风格变换，并最终在车载显示设备上将上述带有用户期望风格的车辆周围的环境图像显示出来，提升用户驾驶体验。上述车载显示设备包括：车窗、中控大屏、后排娱乐大屏等，但不仅限于此。
实施例2
根据本发明实施例，提供了一种车辆的路况图像的处理装置，该装置可以执行上述实施例1中提供的车辆的路况图像的处理方法，具体实现方式和优选应用场景与上述实施例1相同，在此不做赘述。
图8是根据本发明实施例的一种车辆的路况图像的处理装置的结构示意图，如图8所示，该装置包括：获取模块82、提取模块84和融合模块86。
其中，获取模块用于获取车辆的初始路况图像及预设风格图像，其中，初始路况图像为由车辆的图像采集设备对车辆所行驶在的道路的路况进行图像采集而得到，预设风格图像用于表征初始路况图像的显示风格的图像；提取模块用于对初始路况图像进行关键特征提取，得到目标图像矩阵，且对预设风格图像进行风格特征提取，得到目标风格矩阵，其中目标图像矩阵为初始路况图像中关键物体的描述矩阵，目标风格矩阵为预设风格图像中的风格类型矩阵；融合模块用于对初始路况图像、目标图像矩阵以及目标风格矩阵进行融合，得到目标路况图像。
可选地，融合模块包括：获取单元、特征融合单元和融合单元。
其中，获取单元用于获取初始路况图像的图像特征，以及目标风格矩阵的风格特征；特征融合单元用于基于图像特征与风格特征，对初始路况图像和目标风格矩阵进行特征融合，得到融合特征矩阵；融合单元将融合特征矩阵与目标图像矩阵进行融合，得到目标路况图像。
可选地，特征融合单元包括：第一控制子单元。
其中，第一控制子单元用于控制第一神经网络对图像特征和目标风格矩阵进行特征编码，得到融合特征矩阵。
可选地，融合单元包括：第二控制子单元。
其中，第二控制子单元用于控制第一神经网络对融合特征矩阵和目标图像矩阵进行编码，得到目标路况图像。
可选地，提取模块包括：处理单元、第一提取单元。
其中，处理单元用于对初始路况图像进行归一化处理，得到归一化后的路况图像；第一提取单元用于控制第二神经网络对归一化后的路况图像进行关键物体提取，得到目标图像矩阵。
可选地，提取模块还包括：第二提取单元。
其中，第二提取单元用于通过第一神经网络对预设风格图像进行风格特征提取，得到目标风格矩阵。
可选地，获取模块包括：接收单元、确定单元。
其中，接收单元用于接收目标对象对路况图像的风格的输入信息，其中，输入信息用于表示对路况图像的风格进行选择；确定单元用于基于输入信息，在车辆的预设路况图像数据中确定预设风格图像。
实施例3
根据本发明实施例，提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的车辆的路况图像的处理方法。
实施例4
根据本发明实施例，提供了一种车辆，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项中的车辆的路况图像的处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种车辆的路况图像的处理方法，其特征在于，包括：
获取车辆的初始路况图像及预设风格图像，其中，所述初始路况图像为由所述车辆的图像采集设备对所述车辆所行驶在的道路的路况进行图像采集而得到，所述预设风格图像用于表征所述初始路况图像的显示风格的图像；
对所述初始路况图像进行关键特征提取，得到目标图像矩阵，且对所述预设风格图像进行风格特征提取，得到目标风格矩阵，其中所述目标图像矩阵为所述初始路况图像中关键物体的描述矩阵，所述目标风格矩阵为所述预设风格图像中的风格类型矩阵；
对所述初始路况图像、所述目标图像矩阵以及所述目标风格矩阵进行融合，得到目标路况图像。
2.根据权利要求1所述的方法，其特征在于，对所述初始路况图像、所述目标图像矩阵以及所述目标风格矩阵进行融合，得到所述目标路况图像，包括：
获取所述初始路况图像的图像特征，以及所述目标风格矩阵的风格特征；
基于所述图像特征与所述风格特征，对所述初始路况图像和所述目标风格矩阵进行特征融合，得到融合特征矩阵；
将所述融合特征矩阵与所述目标图像矩阵进行融合，得到所述目标路况图像。
3.根据权利要求2所述的方法，其特征在于，基于所述图像特征与所述风格特征，对所述初始路况图像和所述目标风格矩阵进行特征融合，得到融合特征矩阵，包括：
控制第一神经网络对所述初始路况图像和所述目标风格矩阵进行特征编码，得到所述融合特征矩阵。
4.根据权利要求2所述的方法，其特征在于，将所述融合特征矩阵与所述目标图像矩阵进行融合，得到所述目标路况图像，包括：
控制第一神经网络对所述融合特征矩阵和所述目标图像矩阵进行编码，得到所述目标路况图像。
5.根据权利要求1所述的方法，其特征在于，对所述初始路况图像进行关键物体提取得到目标图像矩阵，包括：
对所述初始路况图像进行归一化处理，得到归一化后的路况图像；
控制第二神经网络对所述归一化后的路况图像进行关键物体提取，得到所述目标图像矩阵。
6.根据权利要求1所述的方法，其特征在于，对所述预设风格图像进行风格特征提取得到目标风格矩阵，包括：
通过第一神经网络对所述预设风格图像进行风格特征提取，得到所述目标风格矩阵。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，获取车辆的预设风格图像，包括：
接收目标对象对所述路况图像的风格的输入信息，其中，所述输入信息用于表示对所述路况图像的风格进行选择；
基于所述输入信息，在所述车辆的预设路况图像数据中确定所述预设风格图像。
8.一种车辆的路况图像的处理装置，其特征在于，包括：
获取模块，用于获取车辆的初始路况图像及预设风格图像，其中，所述初始路况图像为由所述车辆的图像采集设备对所述车辆所行驶在的道路的路况进行图像采集而得到，所述预设风格图像用于表征所述初始路况图像的显示风格的图像；
提取模块，用于对所述初始路况图像进行关键特征提取，得到目标图像矩阵，且对所述预设风格图像进行风格特征提取，得到目标风格矩阵，其中所述目标图像矩阵为所述初始图像中关键物体的描述矩阵，所述目标风格矩阵为所述预设风格图像中的风格类型矩阵；
融合模块，用于对所述初始路况图像、所述目标图像矩阵以及所述目标风格矩阵进行融合，得到目标路况图像。
9.一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8中任意一项所述的车辆的路况图像的处理方法。
10.一种车辆，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8任一项中所述的车辆的路况图像的处理方法。
CN202310497919.5A 2023-05-06 2023-05-06 车辆的路况图像的处理方法及装置 Pending CN116245716A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310497919.5A CN116245716A (zh) 2023-05-06 2023-05-06 车辆的路况图像的处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310497919.5A CN116245716A (zh) 2023-05-06 2023-05-06 车辆的路况图像的处理方法及装置

Publications (1)

Publication Number Publication Date
CN116245716A true CN116245716A (zh) 2023-06-09

Family

ID=86635985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310497919.5A Pending CN116245716A (zh) 2023-05-06 2023-05-06 车辆的路况图像的处理方法及装置

Country Status (1)

Country Link
CN (1) CN116245716A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446310A (zh) * 2018-02-05 2018-08-24 优视科技有限公司 虚拟街景地图生成方法、装置和客户端设备
CN110275618A (zh) * 2019-06-21 2019-09-24 北京三快在线科技有限公司 车辆部件显示方法和车辆部件显示装置
CN112991158A (zh) * 2021-03-31 2021-06-18 商汤集团有限公司 一种图像生成方法、装置、设备及存储介质
DE102021109050A1 (de) * 2020-04-15 2021-10-21 Nvidia Corporation Durch ein neuronales generative adversarial netzwerk unterstützte videokompression und -übertragung
CN113850169A (zh) * 2021-09-17 2021-12-28 西北工业大学 一种基于图像分割和生成对抗网络的人脸属性迁移方法
CN113902915A (zh) * 2021-10-12 2022-01-07 江苏大学 一种基于低光照复杂道路场景下的语义分割方法及系统
CN115115793A (zh) * 2022-06-27 2022-09-27 亿咖通(湖北)技术有限公司 图像处理方法、装置、设备及存储介质
CN115115571A (zh) * 2022-01-14 2022-09-27 长城汽车股份有限公司 影像数据生成方法、装置、车辆、电子设备及可读介质
CN115972909A (zh) * 2022-12-20 2023-04-18 深圳市星承智控科技有限公司 一种基于rtos的彩色液晶屏汽车多功能仪表装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446310A (zh) * 2018-02-05 2018-08-24 优视科技有限公司 虚拟街景地图生成方法、装置和客户端设备
CN110275618A (zh) * 2019-06-21 2019-09-24 北京三快在线科技有限公司 车辆部件显示方法和车辆部件显示装置
DE102021109050A1 (de) * 2020-04-15 2021-10-21 Nvidia Corporation Durch ein neuronales generative adversarial netzwerk unterstützte videokompression und -übertragung
CN112991158A (zh) * 2021-03-31 2021-06-18 商汤集团有限公司 一种图像生成方法、装置、设备及存储介质
CN113850169A (zh) * 2021-09-17 2021-12-28 西北工业大学 一种基于图像分割和生成对抗网络的人脸属性迁移方法
CN113902915A (zh) * 2021-10-12 2022-01-07 江苏大学 一种基于低光照复杂道路场景下的语义分割方法及系统
CN115115571A (zh) * 2022-01-14 2022-09-27 长城汽车股份有限公司 影像数据生成方法、装置、车辆、电子设备及可读介质
CN115115793A (zh) * 2022-06-27 2022-09-27 亿咖通(湖北)技术有限公司 图像处理方法、装置、设备及存储介质
CN115972909A (zh) * 2022-12-20 2023-04-18 深圳市星承智控科技有限公司 一种基于rtos的彩色液晶屏汽车多功能仪表装置

Similar Documents

Publication Publication Date Title
EP2810430B1 (en) Image capture system
CN113505772B (zh) 基于生成对抗网络的车牌图像生成方法及系统
CN114418895A (zh) 驾驶辅助方法及装置、车载设备及存储介质
CN107547803A (zh) 视频分割结果边缘优化处理方法、装置及计算设备
CN114117740A (zh) 基于自动驾驶的仿真测试场景生成方法及装置
CN113411550B (zh) 视频上色方法、装置、设备及存储介质
CN113469933A (zh) 用于小道路对象检测的生成对抗性网络模型
CN116071817A (zh) 一种汽车座舱用手势识别系统的网络架构及训练方法
DE102012020568A1 (de) Verfahren zum Betreiben einer Navigationseinrichtung und zur Erfassung einer wahrnehmbaren Umwelt
DE102016120116A1 (de) Verfahren zur Zurverfügungstellung eines einen Umgebungsbereich eines Kraftfahrzeugs beschreibenden Ausgangsbildes sowie vernetztes System
CN116245716A (zh) 车辆的路况图像的处理方法及装置
CN113673369A (zh) 遥感图像场景规划方法、装置、电子设备和存储介质
CN115063800B (zh) 文本识别方法和电子设备
CN111064905B (zh) 面向自动驾驶的视频场景转换方法
Yurtsever et al. Photorealism in driving simulations: Blending generative adversarial image synthesis with rendering
CN115951779A (zh) 车载数字虚拟形象交互、生成方法、装置、设备及介质
CN111160206A (zh) 一种交通环境元素视觉感知方法及装置
CN114332798A (zh) 网约车环境信息的处理方法及相关装置
CN116977484A (zh) 图像脱敏方法、装置、电子设备及存储介质
CN115801983A (zh) 图像叠加方法和装置、电子设备
CN115345782A (zh) 图像处理方法、装置、计算机、可读存储介质及程序产品
CN115115571A (zh) 影像数据生成方法、装置、车辆、电子设备及可读介质
CN111861952A (zh) 一种图像生成模型、卡号识别模型的训练方法及装置
CN112381068A (zh) 一种检测人“玩手机”的方法及系统
DE102019133631A1 (de) Bilderzeugungsvorrichtung und bilderzeugungsverfahren

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230609