CN117370606A - 车载终端视频推荐方法及控制设备 - Google Patents
车载终端视频推荐方法及控制设备 Download PDFInfo
- Publication number
- CN117370606A CN117370606A CN202210751823.2A CN202210751823A CN117370606A CN 117370606 A CN117370606 A CN 117370606A CN 202210751823 A CN202210751823 A CN 202210751823A CN 117370606 A CN117370606 A CN 117370606A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- video
- mounted terminal
- driving scene
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/74—Browsing; Visualisation therefor
-
- 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
- G06V10/764—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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明提供一种车载终端视频推荐方法及控制设备。该方法包括:获取车辆当前所处环境的环境图像;根据环境图像确定车辆当前的驾驶场景;若车辆当前的行驶速度为0,则根据驾驶场景获取相关视频,并通过车载终端输出相关视频。本发明确定车外驾驶场景,进而根据驾驶场景推荐相应类型的视频进行播放,使得车内播放视频与车外场景相契合,为用户提供全方位的视听体验,提升了用户的驾驶感受。
Description
技术领域
本发明涉及车载系统技术领域,尤其涉及一种车载终端视频推荐方法及控制设备。
背景技术
随着汽车产业的发展,汽车的配置越来越丰富。为了增加驾驶过程中的舒适度,汽车普遍搭载有视频播放器,为用户提供视频服务。车载视频播放器可以用于播放本地存储的视频或播放网络视频。
现有技术中,汽车的视频推荐功能比较单一,通常基于用户常看视频为用户推荐相关视频,不能满足用户日益提升的驾驶需求。
发明内容
本发明实施例提供了一种车载终端视频推荐方法及控制设备,以解决现有技术中汽车的视频推荐通常基于用户常看视频,不能满足用户的驾驶需求的问题。
第一方面,本发明实施例提供了一种车载终端视频推荐方法,包括:
获取车辆当前所处环境的环境图像;
根据环境图像确定车辆当前的驾驶场景;
若车辆当前的行驶速度为0,则根据驾驶场景获取相关视频,并通过车载终端输出相关视频。
第二方面,本发明实施例提供了一种控制设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
本发明实施例提供一种车载终端视频推荐方法及控制设备,上述方法包括:获取车辆当前所处环境的环境图像;根据环境图像确定车辆当前的驾驶场景;若车辆当前的行驶速度为0,则根据驾驶场景获取相关视频,并通过车载终端输出相关视频。本发明实施例确定车外驾驶场景,进而根据驾驶场景推荐相应类型的视频进行播放,使得车内播放视频与车外场景相契合,为用户提供全方位的视听体验,提升了用户的驾驶感受。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车载终端视频推荐方法的实现流程图;
图2是本发明实施例提供的车载终端视频推荐装置的结构示意图;
图3是本发明实施例提供的控制设备的示意图。
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,以便透彻理解本发明实施例。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发明。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发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的车载终端视频推荐方法的实现流程图,详述如下:
S101:获取车辆当前所处环境的环境图像;
其中,车辆可以为燃油汽车、纯电动汽车或者混合动力汽车。
车辆行驶过程中,所处环境会不同。例如,周围环境可能为雪山、草原或大海等。本发明实施例中获取当前车辆所处环境的环境图像,其中,环境图像可以由车辆外部设置的图像采集设备或视频采集设备采集得到。示例性的,视频采集设备(例如DVR,DigitalVideo Recorder,硬盘录像机)可以输出视频流,环境图像可以为视频流中的一帧图像,或从预设时长的视频流中抽取得到的多帧图像。
在进一步的实施例中,可在车头、车顶、车辆左侧或右侧等位置设置一台或多台DVR。例如,仅在车头位置设置一台DVR,或分别在车辆左侧和右侧各设置一台DVR。DVR仅用于获车辆外部的环境信息,设置数量和设置位置在此不做限定。
S102:根据环境图像确定车辆当前的驾驶场景;
驾驶场景为预设的多种不同的驾驶场景中的一种。例如,驾驶场景可以为沙漠、草原、海洋、雪地、乡村或城市;本发明实施例获取车辆所处环境的环境图像,进而根据环境图像识别车辆当前的驾驶场景类别。
S103:若车辆当前的行驶速度为0,则根据驾驶场景获取相关视频,并通过车载终端输出相关视频。
本发明实施例根据驾驶场景推荐对应风格的视频并播放,使得车内播放的视频风格与车外场景相契合,为用户提供全方位的视听体验,提升了用户的驾驶感受,同时拓展了车内设备的功能。其中,为提高驾驶的安全性,本发明实施例仅在停车状态进行视频的推荐,防止视频分散驾驶员的注意力,影响安全驾驶。
示例性的,当检测到驾驶场景为草原时,播放草原相关的视频;当检测到驾驶场景为雪山时,播放雪山相关的视频。根据驾驶场景自动匹配相应类型的视频播放。
在进一步的实施例中,在S103之前,上述推荐方法还可以包括:
S104:获取驾驶员的面部信息;
S105:根据驾驶员的面部信息,确定驾驶员的年龄与性别。
相应的,S103可以包括:
S1031:根据驾驶场景、驾驶员的年龄及驾驶员的性别,获取相关视频,并通过车载终端输出相关视频。
其中,可通过视频采集设备采集驾驶员的面部图像,并根据驾驶员的面部图像确定驾驶员的年龄与性别。
基于以上,在其中一个实施例中,S105可以具体为:将驾驶员的面部图像输入神经网络模型,得到驾驶员的年龄与性别。
在进一步的实施例中,S105还可以具体用于:提取驾驶员的面部图像中的小波特征,通过分类器对小波特征进行降维操作;根据降维后的小波特征,利用预训练的支持向量机SVM分类器,得到驾驶员的年龄与性别。支持向量机SVM分类器适用于小样本机器学习,速度快。本发明实施例中通过视频采集设备采集驾驶员的面部图像,无需获取大量图像即可快速识别驾驶员的年龄及性别。
由于不同年龄、不同性别的用户的喜好不同,因此,本发明实施例中根据驾驶场景,结合驾驶员的年龄与性别为用户进行视频的精准推荐,满足不同用户的需求。
车载终端可以直接从数据库获取相关视频,或与第三方视频应用建立连接,从第三方视频应用获取相关视频。
相应的,若车载终端从数据库获取视频,则基于此,在进一步的实施例中,S1031具体可以包括:
1、根据驾驶场景在本地数据库或云端数据库获取第一类视频;
2、根据驾驶员的年龄及驾驶员的性别,在第一类视频中选取相关视频,并发送给车载终端进行播放。
本发明实施例直接从数据库(本地数据库或云端数据库)获取与车辆当前的驾驶场景相匹配的第一类视频,进而在第一类视频中选取与驾驶员的年龄及性别相匹配的视频进行播放。本发明实施例中采用两次筛选,降低了筛选复杂度。
进一步的,也可从数据库中选取与驾驶员的年龄及性别相匹配的第二类视频,进而在第二类视频中选取与驾驶场景相匹配的视频作为相关视频。
相关视频的选取不限于上述两种方法,本发明实施例对此不做限定。
若从第三方视频应用获取视频,则基于此,在进一步的实施例中,S1031可以具体包括:
1、将驾驶场景、驾驶员的年龄及驾驶员的性别,发送给视频应用接口API;
2、接收视频应用接口API发送的视频ID列表,并发送给车载终端;其中,车载终端用于根据视频ID列表获取相关视频并播放。
本发明实施例也可直接调用第三方视频应用搜索得到相关视频,并在线抓取播放,无需下载。其中,上述视频可以为短视频。
在进一步的实施例中,环境图像的数量可以为多张;S102可以包括:
S1021:将多张环境图像输入分类模型;
S1022:针对每张环境图像,控制分类模型提取该张环境图像的特征向量,并根据该张环境图像的特征向量,得到该张环境图像的分类结果;
S1023:控制分类模型将多个分类结果中数量最多的分类结果输出作为车辆当前的驾驶场景。
本发明实施例中采用分类模型,根据多张环境图像进行识别,将分类结果中数量最多的一类作为最终的驾驶场景,有效提高了分类的准确性。
在进一步的实施例中,分类模型可以为神经网络模型。
进一步的,分类模型可以为Resnet(Residual Network,残差网络)卷积神经网络。
Resnet是一种残差网络,经过堆叠可以构成一个很深的网络。相比传统的VGG(Visual Geometry Group,视觉几何组)网络,复杂度降低,所需的参数量下降。同时网络深度更深,不会出现梯度消失现象,加速了网络的收敛,分类准确度加深,解决了深层次的网络退化问题。
基于以上,本发明实施例采用Resnet卷积神经网络对环境图像进行分类。该网络结构由16层卷积层、2层池化层和一层全连接层组成,分类准确度高,速度快,可快速输出准确的驾驶场景。
进一步的,分类模型还可以为LeNet卷积神经网络、AlexNet卷积神经网络或GoogLeNet卷积神经网络等。
在进一步的实施例中,在S102之前,上述推荐方法还可以包括:
S106:采集多种驾驶场景下的环境图像,对基础神经网络模型进行训练得到分类模型。
例如,分别采集沙漠、草原、海洋、雪地、乡村和城市六种驾驶场景下的环境图像形成样本集。选取样本集中的60%作为训练样本输入基础神经网络模型得到分类结果,利用分类结果和标签数据构造模型的损失函数,通过优化损失函数对分类参数进行优化迭代,直至达到迭代次数,结束训练。然后将样本集中的20%作为验证样本集,剩余20%作为测试样本集输入训练完成的神经网络模型进行验证和测试,得到分类模型。具体在此不再赘述。
其中,分类模型与基础神经网络模型的类型一致,例如,可以为Resnet卷积神经网络。
为提高分类准确度,本发明实施例中采用多张环境图像进行分类识别,基于此,在进一步的实施例中,在S101之前,上述推荐方法还可以包括:
S107:获取第一预设时长内视频采集设备采集得到的车辆周围环境的视频流;
S108:按照预设频率在视频流中抽取多张图片,得到多张原始图像;
S109:对多张原始图像进行预处理,得到多张环境图像。
为获取得到多张环境图像,本发明实施例可以采用DVR采集车辆周围环境的实时影像并发送给控制设备。由于车辆行驶过程中车外场景会发生变化,因此本发明实施例中截取第一预设时长内的视频流,用于获取多张原始图像。由于分类模型对输入图像的尺寸等有一定的要求,因此在输入网络模型之前需要对原始图像进行预处理,以满足分类模型的需求。
在进一步的实施例中,第一预设时长可以为30s~1min。
第一预设时长可根据实际应用需求设定,但第一预设时长不宜过长,避免时间过长驾驶场景发生变化,导致分类结果出现偏差。
在进一步的实施例中,上述推荐方法还可以包括:
S1010:若车辆当前的行驶速度不为0,则记录车辆当前的驾驶场景,并跳转至获取S101的步骤继续执行。
为保证驾驶安全,若车辆当前正处于行驶状态,不进行视频的推荐,仅记录当前驾驶场景以用于后续视频推荐用。
在进一步的实施例中,S103可以具体包括:
1、若车辆当前的行驶速度为0,则获取当前时刻前第二预设时长内得到的多个驾驶场景;
2、将多个驾驶场景中数量最多的一种驾驶场景,作为目标驾驶场景;
3、根据目标驾驶场景获取相关视频,并通过车载终端输出相关视频。
驾驶场景的识别可能会存在误差,同时短时间内车外驾驶场景不会发生大的变化。基于此,结合上述实施例,获取停车前第二预设时长内的多个驾驶场景,根据数量最多的一种驾驶场景进行视频推荐,有效提高了驾驶场景的准确性。
同时,基于上述实施例,本发明实施例中在车辆行驶途中持续确定驾驶场景,停车后可立即根据驾驶场景匹配相关视频,无需停车后再进行图像识别确定驾驶场景,延时时间短,使用户即刻观看到精准的推荐视频。
在进一步的实施例中,驾驶场景可以为沙漠、草原、海洋、雪地、乡村或城市。
具体的,当检测到驾驶场景为海洋时,播放海洋风格或与海洋相关的视频;当驾驶场景为乡村时,播放乡村风格或与乡村相关的视频;当驾驶场景为城市时,推荐现代风格的视频;停车时,根据驾驶场景推荐播放不同风格的视频,让用户在对应场景下具有更好的视听体验。
具体的,驾驶场景不限于上述六个场景,还可包括其他场景,在此不做限定。
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,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的车载终端视频推荐装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图2所示,车载终端视频推荐装置包括:
第一参数获取模块21,用于获取车辆当前所处环境的环境图像;
驾驶场景确定模块22,根据环境图像确定车辆当前的驾驶场景;
第一判断模块23,用于若车辆当前的行驶速度为0,则根据驾驶场景获取相关视频,并通过车载终端输出相关视频。
在进一步的实施例中,上述推荐装置还可以包括:
第二参数获取模块24,用于获取驾驶员的面部信息;
驾驶员信息确定模块25,用于根据驾驶员的面部信息,确定驾驶员的年龄与性别;
相应的,第一判断模块23可以包括:
视频推荐单元231,用于根据驾驶场景、驾驶员的年龄及驾驶员的性别,获取相关视频,并通过车载终端输出相关视频。
在进一步的实施例中,视频推荐单元231可以包括:
第一视频获取子单元2311,用于根据驾驶场景在本地数据库或云端数据库获取第一类视频;
第二视频获取子单元2312,用于根据驾驶员的年龄及驾驶员的性别,在第一类视频中选取相关视频,并发送给车载终端进行播放。
在进一步的实施例中,推荐单元231可以包括:
视频请求发送子单元2313,用于将驾驶场景、驾驶员的年龄及驾驶员的性别,发送给视频应用接口API;
第三视频获取子单元2314,用于接收视频应用接口API发送的视频ID列表,并发送给车载终端;
其中,车载终端用于根据视频ID列表获取相关视频并播放。
在进一步的实施例中,环境图像的数量为多张;驾驶场景确定模块22可以具体用于:
1、将多张环境图像输入分类模型;
2、针对每张环境图像,控制分类模型提取该张环境图像的特征向量,并根据该张环境图像的特征向量,得到该张环境图像的分类结果;
3、控制分类模型将多个分类结果中数量最多的分类结果输出作为车辆当前的驾驶场景。
在进一步的实施例中,上述推荐装置还可以包括:
视频流获取模块26,用于获取第一预设时长内视频采集设备采集得到的车辆周围环境的视频流;
图像抽取模块27,用于按照预设频率在视频流中抽取多张图片,得到多张原始图像;
图像预处理模块28,用于对多张原始图像进行预处理,得到多张环境图像。
在进一步的实施例中,上述推荐装置还可以包括:
第二判断模块29,用于若车辆当前的行驶速度不为0,则记录车辆当前的驾驶场景,并跳转至获取车辆当前所处环境的环境图像的步骤继续执行。
在进一步的实施例中,第一判断模块23可以具体用于:
1、若车辆当前的行驶速度为0,则获取当前时刻前第二预设时长内得到的多个驾驶场景;
2、将多个驾驶场景中数量最多的一种驾驶场景,作为目标驾驶场景;
3、根据目标驾驶场景获取相关视频,并通过车载终端输出相关视频。
在进一步的实施例中,驾驶场景可以为沙漠、草原、海洋、雪地、乡村或城市。
图3是本发明实施例提供的控制设备的示意图。如图3所示,该实施例的控制设备3包括:处理器30和存储器31。存储器31用于存储计算机程序32,处理器30用于调用并运行存储器31中存储的计算机程序32,执行上述各个车载终端视频推荐方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器30用于调用并运行存储器31中存储的计算机程序32,实现上述各装置实施例中各模块/单元的功能,例如图2所示模块21至23的功能。
示例性的,计算机程序32可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器31中,并由处理器30执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序32在控制设备3中的执行过程。例如,计算机程序32可以被分割成图2所示的模块/单元21至23。
控制设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。控制设备3可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是控制设备3的示例,并不构成对控制设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),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)、现场可编程门阵列(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31可以是控制设备3的内部存储单元,例如控制设备3的硬盘或内存。存储器31也可以是控制设备3的外部存储设备,例如控制设备3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31还可以既包括控制设备3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及终端所需的其他程序和数据。存储器31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。
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发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,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。
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。
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。
集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,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,计算机程序包括计算机程序代码,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。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车载终端视频推荐方法,其特征在于,包括:
获取车辆当前所处环境的环境图像;
根据所述环境图像确定车辆当前的驾驶场景;
若车辆当前的行驶速度为0,则根据所述驾驶场景获取相关视频,并通过车载终端输出所述相关视频。
2.根据权利要求1所述的车载终端视频推荐方法,其特征在于,在所述若车辆当前的行驶速度为0,则根据所述驾驶场景获取相关视频,并通过车载终端输出所述相关视频之前,所述推荐方法还包括:
获取驾驶员的面部信息;
根据所述驾驶员的面部信息,确定所述驾驶员的年龄与性别;
相应的,所述根据所述驾驶场景获取相关视频,并通过车载终端输出所述相关视频,包括:
根据所述驾驶场景、所述驾驶员的年龄及所述驾驶员的性别,获取所述相关视频,并通过车载终端输出所述相关视频。
3.根据权利要求2所述的车载终端视频推荐方法,其特征在于,所述根据所述驾驶场景、所述驾驶员的年龄及所述驾驶员的性别,获取所述相关视频,并通过车载终端输出所述相关视频,包括:
根据所述驾驶场景在本地数据库或云端数据库获取第一类视频;
根据所述驾驶员的年龄及所述驾驶员的性别,在所述第一类视频中选取所述相关视频,并发送给所述车载终端进行播放。
4.根据权利要求2所述的车载终端视频推荐方法,其特征在于,所根据所述驾驶场景、所述驾驶员的年龄及所述驾驶员的性别,获取所述相关视频,并通过车载终端输出所述相关视频,包括:
将所述驾驶场景、所述驾驶员的年龄及所述驾驶员的性别,发送给视频应用接口API;
接收所述视频应用接口API发送的视频ID列表,并发送给所述车载终端;
其中,所述车载终端用于根据所述视频ID列表获取所述相关视频并播放。
5.根据权利要求1所述的车载终端视频推荐方法,其特征在于,所述环境图像的数量为多张;所述根据所述环境图像确定车辆当前的驾驶场景,包括:
将多张所述环境图像输入分类模型;
针对每张环境图像,控制所述分类模型提取该张环境图像的特征向量,并根据该张环境图像的特征向量,得到该张环境图像的分类结果;
控制所述分类模型将多个分类结果中数量最多的分类结果输出作为所述车辆当前的驾驶场景。
6.根据权利要求5所述的车载终端视频推荐方法,其特征在于,在所述获取车辆当前所处环境的环境图像之前,所述推荐方法还包括:
获取第一预设时长内视频采集设备采集得到的车辆周围环境的视频流;
按照预设频率在所述视频流中抽取多张图片,得到多张原始图像;
对所述多张原始图像进行预处理,得到多张所述环境图像。
7.根据权利要求1所述的车载终端视频推荐方法,其特征在于,所述推荐方法还包括:
若车辆当前的行驶速度不为0,则记录车辆当前的驾驶场景,并跳转至所述获取车辆当前所处环境的环境图像的步骤继续执行。
8.根据权利要求7所述的车载终端视频推荐方法,其特征在于,所述若车辆当前的行驶速度为0,则根据所述驾驶场景获取相关视频,并通过车载终端输出所述相关视频,包括:
若车辆当前的行驶速度为0,则获取当前时刻前第二预设时长内得到的多个所述驾驶场景;
将多个所述驾驶场景中数量最多的一种驾驶场景,作为目标驾驶场景;
根据所述目标驾驶场景获取所述相关视频,并通过所述车载终端输出所述相关视频。
9.根据权利要求1至8任一项所述的车载终端视频推荐方法,其特征在于,所述驾驶场景为沙漠、草原、海洋、雪地、乡村或城市。
10.一种控制设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至9中任一项所述的车载终端视频推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751823.2A CN117370606A (zh) | 2022-06-28 | 2022-06-28 | 车载终端视频推荐方法及控制设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751823.2A CN117370606A (zh) | 2022-06-28 | 2022-06-28 | 车载终端视频推荐方法及控制设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117370606A true CN117370606A (zh) | 2024-01-09 |
Family
ID=89404541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210751823.2A Pending CN117370606A (zh) | 2022-06-28 | 2022-06-28 | 车载终端视频推荐方法及控制设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370606A (zh) |
-
2022
- 2022-06-28 CN CN202210751823.2A patent/CN117370606A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6843937B2 (ja) | ビデオデータの処理方法、装置及び読み取り可能な記憶媒体 | |
CN109145784B (zh) | 用于处理视频的方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
JP7402239B2 (ja) | 顔認識方法、ニューラルネットワークのトレーニング方法、顔認識装置、電子機器及びコンピュータ可読記憶媒体 | |
CN111988638B (zh) | 一种拼接视频的获取方法、装置、电子设备和存储介质 | |
CN111522996B (zh) | 视频片段的检索方法和装置 | |
CN107977390B (zh) | 绘本识别方法、装置、系统及电子设备 | |
CN114550070A (zh) | 视频片段的识别方法、装置、设备以及存储介质 | |
CN112966574A (zh) | 人体三维关键点预测方法、装置及电子设备 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
CN111401259A (zh) | 模型训练方法、系统、计算机可读介质和电子设备 | |
CN113627402A (zh) | 一种图像识别方法及相关装置 | |
CN112989312B (zh) | 验证码的识别方法、装置、电子设备和存储介质 | |
CN114037886A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN112232259A (zh) | 一种网约车驾驶员行为监测的方法和装置及设备 | |
CN113472834A (zh) | 一种对象推送方法及设备 | |
CN116631060A (zh) | 基于单帧图像的手势识别方法及装置 | |
CN111414959A (zh) | 图像识别方法、装置、计算机可读介质和电子设备 | |
CN117370606A (zh) | 车载终端视频推荐方法及控制设备 | |
CN113705666B (zh) | 分割网络训练方法、使用方法、装置、设备及存储介质 | |
CN115379290A (zh) | 视频处理方法、装置、设备及存储介质 | |
CN115243073A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN114500879A (zh) | 视频数据处理方法、装置、设备及存储介质 | |
CN114495160A (zh) | 一种基于改进RFBNet算法的行人检测方法及系统 | |
CN110163043B (zh) | 面部检测方法、装置、存储介质及电子装置 |
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 |