CN116373794A - 车辆的控制方法、控制装置、电子设备及存储介质 - Google Patents

车辆的控制方法、控制装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116373794A
CN116373794A CN202310370182.0A CN202310370182A CN116373794A CN 116373794 A CN116373794 A CN 116373794A CN 202310370182 A CN202310370182 A CN 202310370182A CN 116373794 A CN116373794 A CN 116373794A
Authority
CN
China
Prior art keywords
vehicle
sample image
frame
determining
control
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
CN202310370182.0A
Other languages
English (en)
Inventor
胡束芒
林枝叶
吴会肖
赵龙
颉毅
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.)
Great Wall Motor Co Ltd
Original Assignee
Great Wall Motor 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 Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN202310370182.0A priority Critical patent/CN116373794A/zh
Publication of CN116373794A publication Critical patent/CN116373794A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S1/00—Cleaning of vehicles
    • B60S1/02—Cleaning windscreens, windows or optical devices
    • B60S1/04—Wipers or the like, e.g. scrapers
    • B60S1/06—Wipers or the like, e.g. scrapers characterised by the drive
    • B60S1/08—Wipers or the like, e.g. scrapers characterised by the drive electrically driven
    • B60S1/0818—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
    • B60S1/00—Cleaning of vehicles
    • B60S1/02—Cleaning windscreens, windows or optical devices
    • B60S1/04—Wipers or the like, e.g. scrapers
    • B60S1/06—Wipers or the like, e.g. scrapers characterised by the drive
    • B60S1/08—Wipers or the like, e.g. scrapers characterised by the drive electrically driven
    • B60S1/0818—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like
    • B60S1/0822—Wipers or the like, e.g. scrapers characterised by the drive electrically driven including control systems responsive to external conditions, e.g. by detection of moisture, dirt or the like characterized by the arrangement or type of detection means
    • B60S1/0833—Optical rain sensor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种车辆的控制方法、车辆的控制装置、电子设备及计算机存储介质，该控制方法包括：从已采集到的视频中抽取至少1帧样本图像，视频的画面中包含车辆的前挡风玻璃；针对每帧样本图像，从样本图像中确定至少1个检测区域，检测区域的面积大于预设的面积阈值；基于检测区域确定每帧样本图像中前挡风玻璃的遮挡百分比；在确定每帧样本图像对应的遮挡百分比满足预设条件的情况下，控制车辆的指定设备工作，指定设备至少包括雨刮。该方法能够提高雨量检测的准确性，进而提升雨刮控制的时效性。

Description

车辆的控制方法、控制装置、电子设备及存储介质
技术领域
本申请属于车辆技术领域，尤其涉及一种车辆的控制方法、车辆的控制装置、电子设备及计算机可读存储介质。
背景技术
随着智能汽车领域的发展，车辆设备的控制也越来越智能化。雨刮也不例外，目前雨刮的主流控制方式也是自动化的。
雨刮的自动化控制依赖于雨量的检测，目前，通常是利用红外闪射式的雨量传感器来实现雨量的检测。其具体检测原理包括：在前挡风玻璃上贴合雨量传感器；雨量传感器的发光二极管(Light Emitting Diode，LED)发射光线，投射至前挡风玻璃的对应区域。如果对应区域是干燥的，前挡风玻璃可反射所有发射光线至雨量传感器的光电二极管，此时，光电二极管接收到的反射光线的强度较高。但如果对应区域有雨滴，前挡风玻璃会发生散射，前挡风玻璃仅能够反射部分发射光线至雨量传感器的光电二极管，此时，光电二极管接收到的反射光线强度较低。利用该原理可确定前挡风玻璃的表面是否附着雨滴，进而确定是否控制雨刮工作。
但是，雨滴在整个前挡风玻璃上的分布是不均匀的，加上雨量传感器的感知区域较小，难免出现前挡风玻璃上的雨量估计不准确的状况，这将使得雨刮控制时效性较低。
发明内容
本申请提供了一种车辆的控制方法、车辆的控制装置、电子设备及计算机可读存储介质，能够提高雨刮控制的时效性。
第一方面，本申请提供了一种车辆的控制方法，包括：
从已采集到的视频中抽取至少1帧样本图像，视频的画面中包含车辆的前挡风玻璃；
针对每帧样本图像，从样本图像中确定至少1个检测区域，检测区域的面积大于预设的面积阈值；
基于检测区域确定每帧样本图像中前挡风玻璃的遮挡百分比；
在确定每帧样本图像对应的遮挡百分比满足预设条件的情况下，控制车辆的指定设备工作，指定设备至少包括雨刮。
第二方面，本申请提供了一种车辆的控制装置，包括：
抽取模块，用于从已采集到的视频中抽取至少1帧样本图像，视频的画面中包含车辆的前挡风玻璃；
第一确定模块，用于针对每帧样本图像，从样本图像中确定至少1个检测区域，检测区域的面积大于预设的面积阈值；
第二确定模块，用于基于检测区域确定每帧样本图像中前挡风玻璃的遮挡百分比；
控制模块，用于在确定每帧样本图像对应的遮挡百分比满足预设条件的情况下，控制车辆的指定设备工作，指定设备至少包括雨刮。
第三方面，本申请提供了一种电子设备，该电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面的方法的步骤。
第四方面，本申请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存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
第五方面，本申请提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。
本申请与现有技术相比存在的有益效果是：本申请从包含前挡风玻璃的视频中抽取至少1帧样本图像；在每个样本图像中，可以设置至少1个检测区域，该检测区域的面积大于预设的面积阈值，能够扩大雨量的检测范围。有了充足的检测范围，在一定程度上，能够提高雨量检测的准确性。雨水落在前挡风玻璃上时，样本图像中的前挡风玻璃会有遮挡，且雨量越大，遮挡越严重。基于此，可以认为前挡风玻璃的遮挡情况可以体现前挡风玻璃上的雨量。故此，可以检测每帧样本图像中前挡风玻璃上的遮挡百分比，并设置预设条件来确定当前的雨量是否应该启动雨刮。在确定每帧样本图像对应的遮挡百分比满足预设条件的情况下，认为当前的雨量较大；此时，为了提升对雨刮控制的时效性，可以控制包括雨刮在内的指定设备工作。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的车辆的控制方法的流程示意图；
图2是本申请实施例提供的检测区域的示意图；
图3是本申请实施例提供的落有雨水前挡风玻璃的示意图；
图4是本申请实施例提供的部分历史数据的示意图；
图5是本申请实施例提供的车辆的控制装置的结构示意图；
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
相关技术中，因雨量传感器的感知范围较小，容易使得雨量检测准确率偏低，进而导致雨刮控制的时效性偏低。
为了解决该问题，本申请提出了一种车辆的控制方法，该控制方法摒弃了基于雨量传感器进行雨量检测的做法。具体地，该控制方法是对行车过程中所采集的视频进行抽帧处理，以此来扩大感知范围，进而提升雨量检测的准确率。得益于雨量检测准确率的提升，让雨刮的及时开启成为可能，能够提升雨刮控制的时效性。下面将通过具体的实施例对本申请所提出的控制方法进行说明。
本申请实施例提供的车辆的控制方法可以应用于智能的车辆，车辆的电子控制单元(Electronic control unit，ECU)，或者可以向车辆或者电子控单元发送控制指令的电子设备。其中，电子设备可以包括手机、平板电脑、车载设备、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digitalassistant，PDA)等，本申请实施例对电子设备的具体类型不作任何限制。
为了说明本申请所提出的技术方案，下面将以车辆作为执行主体对各个实施例进行说明。
图1示出了本申请提供的车辆的控制方法的示意性流程图，该车辆的控制方法包括：
步骤110、从已采集到的视频中抽取至少1帧样本图像。
目前的雨量传感器存在感知范围小，雨量检测准确率偏低的问题。为了解决该问题，本申请实施例摒弃了通过雨量传感器来进行雨量检测的做法。
鉴于车辆在行车过程中，车辆的行车记录仪一般会通过视频来记录行车情况。而在视频的画面中，始终包含车辆的前挡风玻璃。基于此，车辆可以对该视频进行抽帧，得到至少1帧样本图像，以便于后续基于该样本图像进行雨量检测。
步骤120、针对每帧样本图像，从样本图像中确定至少1个检测区域。
为了扩大雨量的检测范围，针对每帧样本图像，车辆可根据该样本图像中前挡风玻璃所在的位置设置至少1个检测区域，其中，该检测区域应当大于预设的面积阈值。这样，车辆即可通过扩大雨量的检测范围，更准确地预估当前的降雨量，以便于及时启动雨刮，从而提升雨刮控制的时效性。
在一些实施例中，为了提高雨量检测的准确性，除了可以考虑检测区域的面积，还可以参考驾驶员的视线区域以及前挡风玻璃不同区域内的情况来设置检测区域。
仅作为示例，参阅图2，图2示出了一种检测区域的设置样式。在图2中，检测区域1为行车记录仪在前挡风玻璃区域内的聚焦区域，位置比较正，画面清晰；检测区域2为主要交通情况的区域，背景变化多，环境影响较大；检测区域3为驾驶员的视线区域；检测区域4为引擎盖区域，虽然背景变化小，影响因素也较少，但由于该区域较小且处于前挡风玻璃的底部，因此可能存在反应滞后的问题；检测区域5一般会因车内的标识映射而存在遮挡，容易影响雨量的检测。
步骤130、基于检测区域确定每帧样本图像中前挡风玻璃的遮挡百分比。
在一定程度上，遮挡百分比可以体现前挡风玻璃上的雨量。而针对不同帧的样本图像，其前挡风玻璃上的遮挡百分比可能有所区别。故此，为了准确预估雨量，针对每帧样本图像，可以根据该样本图像中的检测区域确定该样本图像中前挡风玻璃的遮挡百分比，以便于后续准确确定启动雨刮的时机。
步骤140、控制车辆的指定设备工作。
为了准确确定启动雨刮的时机，可以先设置预设条件来确定当前的雨量是否应该启动雨刮。仅作为示例，假定有m帧样本图像，预设条件可以为连续n帧样本图像的遮挡百分均大于预设的百分比阈值，其中n小于或等于m；可以为在m帧样本图像中，n帧样本图像的遮挡百分比大于预设百分比阈值，n小于m；还可以为m帧样本图像的平均遮挡百分比大于预设的百分比阈值。
在确定每帧样本图像对应的遮挡百分比满足预设条件的情况下，认为当前的雨量较大；此时，为了提升对雨刮控制的时效性，可以控制雨刮工作。
可以理解，在需要启动雨刮的时候，车内人员可能还习惯同时控制其它设备。例如调节座椅角度，使得视线更清晰；或者因车内外温差加大，导致前挡风玻璃结霜，因此还可能开启空调的除霜功能。基于此，当确定需要启动雨刮时，车辆可以控制至少包括雨刮的指定设备工作，以迎合车内人员的个性化设置，提升车内人员的体验感。
在本申请实施例中，车辆通过对行车过程中所采集的视频进行抽帧，得到对应的样本图像；针对每帧样本图像，车辆采用划分检测区域的方式，可保障该帧样本图像中有充足的区域来进行雨量检测，从而提升雨量检测的准确性；接着车辆便可以根据检测区域确定每帧样本图像中前挡风玻璃的遮挡百分比。遮挡百分比可以反映前挡风玻璃上的雨量，故此，车辆可以通过确定每帧样本图像对应的遮挡百分比是否满足预设条件来确定启动雨刮的时机。在每帧样本图像对应的遮挡百分比满足预设条件的情况下，说明当前的雨量较大，可以开启雨刮；此时，为了满足车内人员的个性化要求，提升车内人员的体验感，车辆可以控制至少包括雨刮的指定设备工作。
在一些实施例中，为了准确确定遮挡百分比，上述步骤130具体包括：
针对每帧样本图像：
步骤131、将样本图像中的每个检测区域栅格化。
参阅图3，当有雨水落在前挡风玻璃上，会呈现散点状。为了准确估计雨量，可以对散点进行统计。如果直接对散点个数进行统计，计算量过大，为了提高统计效率，可以简化统计方式，即车辆可以对检测区域栅格化，而后基于栅格对散点进行统计。
步骤132、针对每个检测区域，确定检测区域内的目标栅格的数量与所有栅格的数量的比值，目标栅格为包含检测目标的栅格。
在统计时，可以统计有散落入点的栅格的数量，为了便于描述，可以将其确定为目标栅格，也即包含检测目标的栅格。在一个检测区域内，总的栅格数量是恒定的，那么目标栅格越多，说明雨量越大；相反，目标栅格越少，说明雨量越小。基于此，可以计算目标栅格的数量与所有栅格的数量的比值，并用该比值来衡量对应检测区域内雨量的评估结果。
其中，目标栅格可以根据落入栅格内的雨点个数来确定，例如将包括三个以上的雨点的栅格确定为目标栅格。考虑到多个雨点可能汇聚成一个大雨点，这样的大雨点虽然数量较小，但是一个大雨点可能会同时占据多个栅格。基于此，为了提高目标栅格确定的准确性，目标栅格还可以结合雨点所占面积来确定，即将雨点所占面积大于a％的栅格确定为目标栅格，a的取值可以根据实际情况确定。当然，为了提高目标栅格确定的全面性，还可以组合这两种确定方法来确定目标栅格，具体的确定方法，在本申请中不作限定。
步骤133、基于各个检测区域对应的比值确定样本图像中前挡风玻璃的遮挡百分比。
在确定出各个检测区域对应的比值后，可以根据该比值确定样本图像中前挡风玻璃的遮挡百分比。例如，对各个检测区域的比值求平均值，基于该平均值确定前挡风玻璃的遮挡百分比。
在一些实施例中，由步骤120可知，检测区域可以参考驾驶员的视线区域以及前挡风玻璃不同区域内的情况来设置。基于此，车辆可以结合各个检测区域的重要程度赋予每个检测区域不同的权重值，相应地，可以用加权平均值代替平均值来确定前挡风玻璃的遮挡百分比。
仅作为示例，假定某帧样本图像中，共有3个检测区域，分别为检测区域1、检测区域2以及检测区域3。其中，检测区域2为驾驶员的视线区域，重要程度最高，检测区域1为摄像头聚焦区域，重要程度次之；检测区域3虽然不是重点区域，但由于其面积较大，因此重要程度与检测区域2相当。基于此，检测区域1的权重值可以设置为0.4，检测区域2和检测区域3的权重值均可设置为0.3。在确定该样本图像中前挡风玻璃的遮挡百分比时，可以先计算三个检测区域对应的比值的加权平均值，假定三个检测区域的比值为分别为r1、r2和r3，那么该加权平均值＝0.4r1+0.3r2+0.3r3。通过该方法确定的加权平均值，能够更好的表征当前挡风玻璃上的雨量，提高雨量检测的准确性。
在一些实施例中，为了降低雨量检测的计算量，并进一步提升指定设备启动的时效性，在上述步骤110之前，还可以包括：
步骤A1、基于多模态的检测数据确定样本图像的抽取频率。
检测数据是多模态的，车辆可以通过多模态的传感器检测而得。具体地，该多模态数据可以包括视频数据、语音数据以及对雨刮的控制数据等。车辆通过对检测数据进行分析，可以确定当前应当以什么样的抽取频率来抽取样本图像。
在一些实施例中，可以认为，当检测数据正常的情况下，说明天气状况良好。此时，车辆可处于监测状态，为了降低能耗，降低资源的占用率，抽取频率可以设置的较小，例如每5分钟抽取一帧样本图像。也就是说，当车辆处于监测状态时，下雨的可能性较低，因此车辆可以间隔较长时长抽取一帧样本图像。
当检测数据出现异常时，例如当基于视频数据检测到恶劣的天气信息；或者通过分析语音数据，确定当前车辆所处地区可能会下雨时。说明天气状况不佳，下雨的可能性较大。此时，车辆可处于检查状态，为了避免指定设备的误启动，且提升指定设备启动的时效性，车辆可以进一步确定是否有必要启动雨刷。显然，检查状态相较于监测状态，样本图像的检测需求更强烈。故此，可以设置适中的抽取频率，例如每30秒抽取一帧样本图像。也就是说，当车辆处于检查状态时，下雨的可能性较高，因此车辆可以间隔适当的时长抽取一帧样本图像，以准确确定启动指定设备的时机，提升指定设备控制的时效性。
前述仅体现了检测数据的一种异常情形，在另一种异常情形下，检测数据异常还可以包括通过当视频数据监测到当前天气信息为雨、雪或者霜；或者分析语音数据，确定当前已经开始下雨；再或者检测到用户对雨刮的控制数据。在该情形下，车辆处于响应状态，即需要快速确定当前的雨量，从而为车内人员提供个性化的服务。可以看出，响应状态相较于检查状态，样本图像的检测需求更高，可以认为检测需求已经达到最大。故此，可以设置较大的抽取频率。例基于视频的帧率来设置该抽取频率，即抽取连续帧的样本图像。也就是说，当车辆处于响应状态时，说明已经开始下雨了，此时车辆可以连续抽取样本图像，从而根据雨量为用户提供个性化的服务。
相应地，上述步骤110包括：基于抽取频率从视频中抽取至少1帧样本图像。
在确定出抽取频率后，车辆便可以根据该抽取频率抽取样本图像。这样获得的样本图像能够更好地应对当前的天气状况，提升后续指定设备控制的时效性。
在本申请实施例中，车辆根据多模态的检测数据来确定样本图像的抽取频率，基于该抽取频率对视频进行样本图像的抽取，能够在节省计算资源的同时，应对不同天气下雨量的检测需求。车辆对该方法得到的样本图像进行分析处理，可以保障多种天气情况下指定设备控制的时效性，为用户提供个性化的服务。
在一些实施例中，为了提供更符合用户需求的个性化服务，在确定每帧样本图像对应的遮挡百分比满足预设条件之后，还可以包括：
步骤B1、确定当前天气信息。
开启指定设备的天气通常是恶劣天气，例如雨雪天。在这样的天气下，车内人员通常会根据自己的喜好来控制指定设备。故此，为了进一步迎合当前车内人员对指定设备的控制偏好，在确定出需要启动指定设备后，可以先确定当前天气信息，以便于后续基于该天气信息为车内人员提供个性化服务。
步骤B2、基于当前天气信息和训练完成的指令偏好模型确定目标控制指令。
为车内人员提供个性化服务，也即根据天气信息确定车内人员对指定设备的控制偏好。为了准确确定该控制偏好，车辆可以获取训练完成的指令偏好模型，该指令偏好模型可以用来预测车内人员在当前天气下对指定设备的控制偏好。而后，车辆可以将当前天气信息输入至指令偏好模型中，得到目标控制指令。
相应地，控制车辆的指定设备工作，包括：基于目标控制指令控制指定设备工作。
可以理解，目标控制指令是符合车内人员对指定设备的控制偏好的。故此，根据目标控制指令来控制指定设备，可以为车内人员提供更具个性化的服务。
在一些实施例中，上述指令偏好模型可以根据概率分布统计模型或者隐马尔可夫模型构建。在获得构建好的指令偏好模型后，为了能够利用指令偏好模型获得较为准确的目标控制指令，可以采用预先构建的历史数据集训练该指定偏好模型。其中，历史数据集可以从历史数据库中获得。
在一些实施例中，历史数据库中记录有多个历史数据，针对每条历史数据，至少包括指定的历史天气信息、指定设备的设备信息以及对指定设备的历史控制信息。仅作为示例，参阅图4，图4示出了历史数据库中部分的历史数据。基于历史数据库获得的历史数据集，该历史数据集汇集了不同历史天气下，指定设备被控制的情况。通过该历史数据集训练指令偏好模型，能够让模型根据天气信息确定出符合大部分车内人员的目标指令。
在一些实施例中，不同的车内人员，对指定设备控制的偏好有所不同。通过前述历史数据集训练得到的指令偏好模型，所确定的目标控制指令一般针对性较差；即该目标控制指令只能做到迎合训练样本中大部分人员的偏好。为了让目标指令更具针对性，在确定目标控制指令之前，还可以包括：
步骤C1、获取当前车内人员的第一人员信息。
为了进一步提高服务的个性化，让指令偏好模型输出的目标控制指令具备更强的针对性，车辆可以通过当前车内人员所对应的历史数据对指令偏好模型进行优化。为了获取到当前车内人员所对应的历史数据，可以先获取当前车内人员的人员信息。为了与后续历史车内人员的人员信息区别开来，可以将该人员信息记作第一人员信息。
其中，人员信息(包括此处的第一人员信息以及后文中的第二人员信息)可以包括用车的人数、他们身份和所处位置。具体地，车辆可利用驾驶员监控系统(Driver MonitorSystem，DMS)识别驾驶员的身份；利用乘客监控系统(Occupancy Monitoring System，OMS)识别座舱内其他乘客的身份。
步骤C2、从历史数据库中查找与第一人员信息匹配的目标历史数据。
可以理解，为了能够基于第一人员信息查找到当前车内人员所对应的历史数据，历史数据库中的每条历史数据还包括历史车内人员的人员信息，同样，为了与当前车内人员的人员信息区别开来，可将历史车内人员的人员信息记作第二人员信息。
在获得第一人员信息后，便可以根据第一人员信息对历史数据库中的历史数据进行查找，以确定历史数据库中是否存在与第一人员信息匹配的目标历史数据，也即是否存在当前车内人员所对应的历史数据。
步骤C3、在查找到目标历史数据的情况下，基于目标历史数据优化指令偏好模型的模型参数。
如果能够基于第一人员信息查找到目标历史数据，车辆可以直接根据目标历史数据来优化指令偏好模型的模型参数。具体地，模型参数指的是指令偏好模型的概率矩阵权重值。
上述步骤B2包括：基于当前天气信息和优化后的指令偏好模型确定目标控制指令。
因指令偏好模型是根据当前车内人员所对应的历史数据优化得到的，那么可以认为，优化后的指令偏好模型能够输出更符合当前车内人员偏好的目标指令。故此，在得到当前天气信息后，可将其输入优化后的指令偏好模型中，以确定出更具针对性的目标控制指令，以便于后续基于该目标控制指令为当前车内人员提供更具个性化的服务。
在本申请实施例中，考虑从到不同的车内人员，偏好有所不同；故此，通过第一人员信息来获取当前车内人员所对应的历史数据，即目标历史数据。通过目标历史数据优化指令偏好模型，能够让指令偏好模型学习好当前车内人员所对应的概率矩阵权重值，从而使得优化后的指令偏好模型输出的目标控制指令更符合当前车内人员的偏好。
也就是说，在当前车内人员发生变化时，相应的，指令偏好模型的矩阵权重值也会发生变化。通过该方法，能够使得指令偏好模型的输出始终能够满足当前车内人员的偏好，让目标控制指令更具针对性，从而进一步提升服务的个性化。
在一些实施例中，当然，也可能存在无法基于第一人员信息查找到目标历史数据的情况，例如车内人员此前并未控制过指令设备，或者车辆是刚购置的。这种情况下，为了保障控制方法的可靠性，可以牺牲服务的个性化，直接基于未优化的指令偏好模型来确定目标控制指令。
在一些实施例中，从前述实施例中不难看出，准确的目标控制指令得益于大量的历史数据训练以及目标历史数据的优化。在数据量不够的情况下，车辆可以仅执行前述步骤110至步骤140，即保障雨刮控制的时效性。与此同时，为了能够让之后的服务更具个性化，可以开始累计历史数据，构建历史数据库。
具体地，历史数据库可以通过以下步骤构建：
步骤D1、采集指定的历史天气信息对应的历史车内人员对指定设备的操作日志。
与指定设备控制强相关的历史天气信息即为指定历史天气信息，可以包括大雨、小雨、雨雪以及大雪等。其中，操作日志的采集可以通过埋点设置进行采集，以得到相应的历史天气下，历史车内人员对指定设备操作的操作日志。
步骤D2、将操作日志与第二人员信息绑定，生成操作记录。
为了便于目标历史数据的获取，可以将操作日志与第二人员信息进行绑定，从而生成操作记录。仅作为示例，操作日志与第二人员信息进行绑定，可以是将不同的操作日志与对应的第二人员信息中的身份信息进行绑定。
步骤D3、基于操作记录构建历史数据库。
将各个操作记录整合到一起，便可以构建得到历史数据库。
在本申请实施例中，车辆可以通过埋点设置得到操作日志，将操作日志与第二人员信息进行绑定可以生成操作记录，将操作记录整合到一起，便可以构建得到历史数据库。
在一些实施例中，为了节约训练成本，加快训练速率，对于历史数据库中的历史数据，可以先进行分类。例如根据第二人员信息进行聚类，以得到不同历史车内人员所对应的历史数据。相应地，在获得第一人员信息后，可以直接基于第一人员信息抽取目标历史数据，并根据目标历史数据对构建好的指令偏好模型进行训练，以得到训练好的指令偏好模型。也就是说，可以省略根据所有历史数据对指令偏好模型训练的过程。但需要说明的是，通过该方法训练得到的指令偏好模型的针对性虽然会更强，但是鲁棒性相对较低。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例的车辆的控制方法，图5示出了本申请实施例提供的车辆的控制装置1的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该车辆的控制装置1包括：
抽取模块10，用于从已采集到的视频中抽取至少1帧样本图像，视频的画面中包含车辆的前挡风玻璃；
第一确定模块11，用于针对每帧样本图像，从样本图像中确定至少1个检测区域，检测区域的面积大于预设的面积阈值；
第二确定模块12，用于基于检测区域确定每帧样本图像中前挡风玻璃的遮挡百分比；
控制模块13，用于在确定每帧样本图像对应的遮挡百分比满足预设条件的情况下，控制车辆的指定设备工作，指定设备至少包括雨刮。
可选地，控制装置1还可以包括：
第三确定模块，用于在从已采集到的视频中抽取至少1帧样本图像之前，基于多模态的检测数据确定样本图像的抽取频率；
相应地，抽取模块10具体用于基于抽取频率从视频中抽取至少1帧样本图像。
可选地，控制装置1还可以包括：
第四确定模块，用于在确定每帧样本图像对应的遮挡百分比满足预设条件之后，确定当前天气信息；
第五确定模块，用于基于当前天气信息和训练完成的指令偏好模型确定目标控制指令，指令偏好模型用于预测车内人员在当前天气下对车辆的控制偏好；
相应地，控制模块具体用于基于目标控制指令控制指定设备工作。
可选地，控制装置1还可以包括：
获取模块，用于在基于当前天气信息和训练完成的指令偏好模型确定目标控制指令之前，获取当前车内人员的第一人员信息；
查找模块，用于从历史数据库中查找与第一人员信息匹配的目标历史数据，历史数据库中记录有多个历史数据，历史数据包括指定的历史天气信息、历史车内人员的第二人员信息、指定设备的设备信息以及对指定设备的历史控制信息；
优化模块，用于在查找到目标历史数据的情况下，基于目标历史数据优化指令偏好模型的模型参数；
相应地，第五确定模块具体用于基于当前天气信息和优化后的指令偏好模型确定目标控制指令。
可选地，控制装置1还可以包括：
采集模块，用于采集指定的历史天气信息对应的历史车内人员对指定设备的操作日志；
生成模块，用于操作日志与第二人员信息绑定，生成操作记录；
构建模块，用于基于操作记录构建历史数据库。
可选地，指令偏好模型基于概率分布统计模型或者隐马尔可夫模型构建；控制装置1还可以包括：
训练模块，用于在指令偏好模型构建完成后，基于历史数据库中的所有历史数据对指令偏好模型进行训练，以得到训练完成的指令偏好模型。
可选地，第二确定模块12可以包括：
针对每帧样本图像：
栅格化单元，用于将样本图像中的每个检测区域栅格化；
第一确定单元，用于针对每个检测区域，确定检测区域内的目标栅格的数量与所有栅格的数量的比值，目标栅格为包含检测目标的栅格；
第二确定单元，用于基于各个检测区域对应的比值确定样本图像中前挡风玻璃的遮挡百分比。
需要说明的是，上述装置/单元之间的信息交互和执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图6为本申请一实施例提供的电子设备的物理层面的结构示意图。如图6所示，该实施例的电子设备2包括：至少一个处理器20(图6中仅示出一个)处理器、存储器21以及存储在存储器21中并可在至少一个处理器20上运行的计算机程序22，处理器20执行计算机程序22时实现上述任意车辆的控制方法实施例中的步骤，例如图1所示出的步骤110至140。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，该处理器20还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器21在一些实施例中可以是电子设备2的内部存储单元，例如电子设备2的硬盘或内存。存储器21在另一些实施例中也可以是电子设备2的外部存储设备，例如电子设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，存储器21还可以既包括电子设备2的内部存储单元也包括外部存储设备。存储器21用于存储操作装置、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
该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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上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实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种车辆的控制方法，其特征在于，包括：
从已采集到的视频中抽取至少1帧样本图像，所述视频的画面中包含车辆的前挡风玻璃；
针对每帧所述样本图像，从所述样本图像中确定至少1个检测区域，所述检测区域的面积大于预设的面积阈值；
基于所述检测区域确定每帧所述样本图像中所述前挡风玻璃的遮挡百分比；
在确定每帧所述样本图像对应的所述遮挡百分比满足预设条件的情况下，控制所述车辆的指定设备工作，所述指定设备至少包括雨刮。
2.如权利要求1所述的控制方法，其特征在于，在所述从已采集到的视频中抽取至少1帧样本图像之前，还包括：
基于多模态的检测数据确定所述样本图像的抽取频率；
相应地，所述从已采集到的视频中抽取至少1帧样本图像，包括：
基于所述抽取频率从所述视频中抽取至少1帧所述样本图像。
3.如权利要求1所述的控制方法，其特征在于，在所述确定每帧所述样本图像对应的所述遮挡百分比满足预设条件之后，所述控制方法还包括：
确定当前天气信息；
基于所述当前天气信息和训练完成的指令偏好模型确定目标控制指令，所述指令偏好模型用于预测车内人员在当前天气下对所述车辆的控制偏好；
相应地，所述控制所述车辆的指定设备工作，包括：
基于所述目标控制指令控制所述指定设备工作。
4.如权利要求3所述的控制方法，其特征在于，在所述基于所述当前天气信息和训练完成的指令偏好模型确定目标控制指令之前，还包括：
获取当前车内人员的第一人员信息；
从历史数据库中查找与所述第一人员信息匹配的目标历史数据，所述历史数据库中记录有多个历史数据，所述历史数据包括指定的历史天气信息、历史车内人员的第二人员信息、指定设备的设备信息以及对所述指定设备的历史控制信息；
在查找到所述目标历史数据的情况下，基于所述目标历史数据优化所述指令偏好模型的模型参数；
相应地，所述基于所述当前天气信息和训练完成的指令偏好模型确定目标控制指令，包括：
基于所述当前天气信息和优化后的指令偏好模型确定所述目标控制指令。
5.如权利要求4所述的控制方法，其特征在于，所述历史数据库通过以下步骤构建：
采集所述指定的历史天气信息对应的所述历史车内人员对所述指定设备的操作日志；
将所述操作日志与所述第二人员信息绑定，生成操作记录；
基于所述操作记录构建所述历史数据库。
6.如权利要求4所述的控制方法，其特征在于，所述指令偏好模型基于概率分布统计模型或者隐马尔可夫模型构建；所述控制方法还包括：
在所述指令偏好模型构建完成后，基于所述历史数据库中的所有历史数据对所述指令偏好模型进行训练，以得到训练完成的所述指令偏好模型。
7.如权利要求1至6中任一项所述的控制方法，其特征在于，所述基于所述检测区域确定每帧所述样本图像中所述前挡风玻璃的遮挡百分比，包括：
针对每帧所述样本图像：
将所述样本图像中的每个所述检测区域栅格化；
针对每个所述检测区域，确定所述检测区域内的目标栅格的数量与所有栅格的数量的比值，所述目标栅格为包含检测目标的栅格；
基于各个所述检测区域对应的所述比值确定所述样本图像中所述前挡风玻璃的遮挡百分比。
8.一种车辆的控制装置，其特征在于，包括：
抽取模块，用于从已采集到的视频中抽取至少1帧样本图像，所述视频的画面中包含车辆的前挡风玻璃；
第一确定模块，用于针对每帧所述样本图像，从所述样本图像中确定至少1个检测区域，所述检测区域的面积大于预设的面积阈值；
第二确定模块，用于基于所述检测区域确定每帧所述样本图像中所述前挡风玻璃的遮挡百分比；
控制模块，用于在确定每帧所述样本图像对应的所述遮挡百分比满足预设条件的情况下，控制所述车辆的指定设备工作，所述指定设备至少包括雨刮。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的控制方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述的控制方法。
CN202310370182.0A 2023-04-07 2023-04-07 车辆的控制方法、控制装置、电子设备及存储介质 Pending CN116373794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310370182.0A CN116373794A (zh) 2023-04-07 2023-04-07 车辆的控制方法、控制装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310370182.0A CN116373794A (zh) 2023-04-07 2023-04-07 车辆的控制方法、控制装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116373794A true CN116373794A (zh) 2023-07-04

Family

ID=86961225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310370182.0A Pending CN116373794A (zh) 2023-04-07 2023-04-07 车辆的控制方法、控制装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116373794A (zh)

Similar Documents

Publication Publication Date Title
CN101510356B (zh) 视频检测系统及其数据处理装置、视频检测方法
KR102496654B1 (ko) 차량의 주행모드 전환 제어 장치 및 방법, 그리고 차량 시스템
CN114435138B (zh) 一种车辆能耗预测方法、装置、车辆及存储介质
CN107808392B (zh) 开放场景的安检车辆自动跟踪定位方法及系统
CN106945637B (zh) 一种基于行车记录仪的雨刮控制系统及其方法
CN102426801A (zh) 基于视觉分析的停车场泊位自动管理方法和系统
EP3163551A1 (en) System for distinguishing between traffic jam and parked vehicles
CN109080640A (zh) 用于在车辆内提供昏睡警报的方法
CN104442711A (zh) 自主车辆车窗清洁系统及其可读介质
US20180158327A1 (en) Method for generating a digital record and roadside unit of a road toll system implementing the method
CN105654734A (zh) 车辆违章行为的数据处理方法及装置
CN103857567A (zh) 用于识别车辆的窗玻璃上的定向结构的方法和设备
CN104751668A (zh) 交通信息管理系统
CN104794906A (zh) 室外停车场出口车辆管理平台
KR101788219B1 (ko) 차량을 이용한 기상 정보 수집 시스템 및 방법
CN111523368B (zh) 信息处理装置、服务器以及交通管理系统
CN105684062A (zh) 用于提供关于临近车辆的事件的事件消息的方法和装置
CN113076852A (zh) 一种基于5g通信的占用公交车道车载抓拍处理系统
CN116373794A (zh) 车辆的控制方法、控制装置、电子设备及存储介质
US11718151B2 (en) Determination device, vehicle control device, determination method and determination program
CN111559344A (zh) 一种基于图像识别的自动雨刮系统
CN112241004B (zh) 物体识别装置
CN112634650B (zh) 基于音视频监控的停车场管理方法和系统
CN113301327A (zh) 图像采集器的性能确定方法、装置、介质及电子设备
CN110539694B (zh) 雨量的告警方法、告警装置和车辆

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