CN117557600A - 一种车载影像处理方法及系统 - Google Patents
一种车载影像处理方法及系统 Download PDFInfo
- Publication number
- CN117557600A CN117557600A CN202311689773.0A CN202311689773A CN117557600A CN 117557600 A CN117557600 A CN 117557600A CN 202311689773 A CN202311689773 A CN 202311689773A CN 117557600 A CN117557600 A CN 117557600A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- generate
- bit
- evolution
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 170
- 230000003287 optical effect Effects 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 66
- 230000000877 morphologic effect Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims description 108
- 230000008859 change Effects 0.000 claims description 80
- 238000005457 optimization Methods 0.000 claims description 58
- 239000013598 vector Substances 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 27
- 208000010392 Bone Fractures Diseases 0.000 claims description 23
- 206010017076 Fracture Diseases 0.000 claims description 23
- 230000000007 visual effect Effects 0.000 claims description 21
- 230000001427 coherent effect Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 210000001161 mammalian embryo Anatomy 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000004660 morphological change Effects 0.000 description 6
- 230000004438 eyesight Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及影像处理技术领域，尤其涉及一种车载影像处理方法及系统。该方法包括以下步骤：获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据。本发明实现高效、准确的影像处理。
Description
技术领域
本发明涉及影像处理技术领域，尤其涉及一种车载影像处理方法及系统。
背景技术
随着车辆自动化技术的快速发展，车载影像处理系统在驾驶辅助、智能交通等领域发挥着重要作用，传统的车载影像处理方法主要依赖于人工特征提取和手工设计的算法，存在着识别准确率不高、效率不高的问题，因此，为了满足现代化的车载影像处理需求，需要一种智能化的车载影像处理方法及系统。
发明内容
本发明为解决上述技术问题，提出了一种车载影像处理方法及系统，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种车载影像处理方法，包括以下步骤：
步骤S1：获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；
步骤S2：对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；
步骤S3：根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据；通过影像形态振动数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像；
步骤S4：利用优化动态位面影像对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；对奇点拓扑演变数据进行演化轨迹分析，以生成奇点演化轨迹曲线；通过优化动态位面影像对奇点演化轨迹曲线进行碰撞趋势预测，以生成碰撞趋势预警数据；
步骤S5：对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；对帧图像时间轴进行时延均值计算，以生成时延均值数据；通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像；
步骤S6：利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，以生成边界框规避决策数据；通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以构建位面影像模型，以执行车载影像处理作业。
本发明通过目标检测和边界框分割技术，识别车载影像中的目标物体，生成其位置和边界框数据，光流跟踪技术用于跟踪目标物体在不同帧之间的运动，生成特征边界框序列，提供目标物体的动态信息，通过对特征边界框序列进行分析，捕捉目标物体的动态演变信息，时序位面断裂处理将车载影像转化为多维位面影像，在时域上呈现目标物体的运动轨迹，拓扑流形变形分析提取位面影像的拓扑演化特征，用于奇点识别和碰撞趋势预测，通过拓扑演化特征数据，识别动态多维位面影像中的位面奇点，即拓扑结构的突变点，有助于捕捉重要的场景变化，影像形态振动分析提取车载影像中的形态变化信息，进一步优化位面影像的质量和准确性，通过对优化动态位面影像进行分析，捕捉位面奇点的拓扑演变信息，生成奇点演化轨迹曲线，通过对奇点演化轨迹曲线进行碰撞趋势预测，提供与潜在碰撞相关的预警数据，帮助驾驶员采取适当的措施以避免碰撞事故，通过时间帧分析和时延均值计算，提取优化动态位面影像的时间信息，时延均值数据帮助确定位面影像的帧间延迟情况，进而优化位面影像的视觉表现，提高信息传递的准确性，利用碰撞趋势预警数据对特征边界框序列进行分析，生成边界框规避决策数据，即对潜在碰撞物体进行规避的决策，通过对时延优化位面影像进行逐帧插值映射，构建位面影像模型，实施车载影像处理作业，如实时显示警告、辅助驾驶决策等。
优选地，步骤S1包括以下步骤：
步骤S11：获取车载影像；
步骤S12：对车载影像进行目标检测，以标记目标检测点，目标检测点包括车辆检测点、行人检测点、路标检测点及障碍物监测点；
步骤S13：对目标检测点进行像素级区域提取，以生成目标像素区域；
步骤S14：利用图像分割算法对目标像素区域进行边界框分割，以生成目标边界框数据；
步骤S15：通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列。
本发明通过目标检测识别车辆、行人、路标和其他障碍物等目标，通过标记目标检测点的方式将它们在影像中进行标注，为处理提供准确的目标位置信息，通过像素级区域提取，将目标检测点所对应的像素区域从车载影像中提取出来，形成目标的局部图像，为边界框分割和跟踪提供输入数据，图像分割算法对目标像素区域进行边界框分割，将目标从背景中分离出来，生成包围目标的边界框数据，边界框数据描述目标的位置、大小和形状，为光流跟踪提供准确的目标边界框信息，通过光流跟踪算法，根据车载影像中的像素位移信息，对目标边界框进行跟踪，得到目标在连续帧之间的运动轨迹，特征边界框序列用于分析目标的运动模式、速度和加速度等信息，为动态演变分析和形态振动分析提供数据基础。
优选地，步骤S15包括以下步骤：
步骤S151：对目标边界框数据进行光流强度计算，以生成边界框光流向量；
步骤S152：利用边界框光流向量对目标边界框数据进行边界框分布分析，以生成边界框分布数据；
步骤S153：通过车载影像对边界框分布数据进行运动矢量分析，以生成运动矢量数据；
步骤S154：基于运动矢量数据对边界框光流向量进行多帧运行分析，以生成边界框多帧光流动态数据；
步骤S155：通过车载影像边界框多帧光流动态数据进行光流跟踪，以生成特征边界框序列。
本发明通过计算目标边界框中像素的光流强度，获得描述目标在连续帧之间运动方向和速度的光流向量，光流向量提供目标的运动信息，为分析和跟踪提供基础。通过分析边界框光流向量的分布情况，得到目标在连续帧之间的运动模式和变化趋势，边界框分布数据描述目标的运动特征，为运动矢量分析和跟踪提供依据，通过在车载影像中分析边界框分布数据，获得目标的运动矢量信息，包括目标的位移、速度和加速度等，运动矢量数据提供目标运动的详细描述，为运动分析和预测提供基础，通过对运动矢量数据进行多帧运行分析，获得边界框光流向量在连续帧之间的变化情况，边界框多帧光流动态数据提供目标的动态特征，包括目标的加速度、曲率和运动模式的变化等，提供更全面跟踪和分析的信息，通过利用车载影像中的边界框多帧光流动态数据，进行光流跟踪，从而生成目标的特征边界框序列，特征边界框序列描述目标在不同帧之间的位置、形状和运动轨迹，为车载影像处理提供更准确和连续的目标跟踪结果。
优选地，步骤S2包括以下步骤：
步骤S21：对特征边界框序列进行空间定位特征提取，以生成空间定位参数；
步骤S22：根据空间定位参数对特征边界框序列进行动态演变分析，以生成动态演变数据；
步骤S23：基于动态演变数据对车载影像进行时序帧影像提取，以生成车载时序帧影像；
步骤S24：对车载时序帧影像进行帧位面断裂处理，以生成动态多维位面影像；步骤S25：对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据。
本发明通过对特征边界框序列进行空间定位特征提取，获取目标在三维空间中的位置、方向和大小等信息，空间定位参数提供目标的准确位置和姿态，为动态演变分析和位面影像处理提供基础，通过分析特征边界框序列的空间定位参数，得到目标在时间上的动态演变信息，动态演变数据描述目标的运动轨迹、形状变化和运动状态等，为车载影像处理提供更丰富的动态信息，根据动态演变数据对车载影像进行时序帧影像提取，将车载影像中与目标相关的连续帧提取出来，形成车载时序帧影像序列，车载时序帧影像提供目标的时间关联信息，为分析和处理提供连续的影像数据，通过对车载时序帧影像进行帧位面断裂处理，处理不同帧之间的位面差异，将它们融合成动态多维位面影像，提供更完整和连续的目标信息，为拓扑流形变形分析提供更准确的输入数据，通过对动态多维位面影像进行拓扑流形变形分析，提取目标在拓扑空间中的演化特征，拓扑演化特征数据描述目标的形态变化、结构特征和关系演化等信息，为车载影像处理和目标识别提供更深入的特征分析基础。
优选地，步骤S25包括以下步骤：
步骤S251：对动态多维位面影像进行拓扑时间维度分析，构建流形演化时序图；
步骤S252：对流形演化时序图进行拓扑对象识别，以生成拓扑特征对象，拓扑特征对象包括边界框，障碍物，行人及车辆；
步骤S253：利用流形演化时序图对拓扑特征对象进行流形曲率变化计算，以生成拓扑对象流形曲率数据；
步骤S254：基于拓扑对象流形曲率数据对流形演化时序图进行流形同调分析，以生成同调特征向量；
步骤S255：根据同调特征向量对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据。
本发明通过对动态多维位面影像进行拓扑时间维度分析，建立目标在时间上的拓扑关系演化图，流形演化时序图描述目标在不同时间点上的位置和关系变化，为拓扑特征对象识别和分析提供基础，通过对流形演化时序图进行拓扑对象识别，识别出图中的拓扑特征对象，如边界框、障碍物、行人和车辆等，拓扑特征对象提供目标的空间位置和形状信息，为流形曲率变化计算和同调分析提供对象基础，通过对流形演化时序图中的拓扑特征对象进行流形曲率变化计算，获得目标在拓扑空间中的曲率变化信息，拓扑对象流形曲率数据体现目标的形态演化和曲率特征，为流形同调分析提供基础，通过对拓扑对象流形曲率数据进行流形同调分析，提取目标在拓扑空间中的同调特征，同调特征向量描述目标的拓扑结构、连接性和演化模式，为拓扑流形变形分析提供基础，通过利用同调特征向量对动态多维位面影像进行拓扑流形变形分析，提取目标的拓扑演化特征，拓扑演化特征数据描述目标的形态变化、拓扑关系和演化轨迹，为车载影像处理和目标分析提供更全面和准确的信息。
优选地，步骤S3包括以下步骤：
步骤S31：根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰模拟，生成拓扑扰动数据；
步骤S32：根据拓扑扰动数据对动态多维位面影像进行位面差异识别，以生成位面奇点；
步骤S33：对车载影像进行形态振动分析，以生成影像形态振动数据；
步骤S34：对影像形态振动数据进行形态振动频率计算，以生成形态振动频率数据；
步骤S35：通过形态振动频率数据对动态多维位面影像进行膨胀位面约束分析，以生成膨胀位面约束数据；
步骤S36：利用膨胀位面约束数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像。
本发明通过对动态多维位面影像进行拓扑微扰模拟，引入一定的拓扑扰动，模拟目标在拓扑空间中的变化和不确定性，拓扑扰动数据增加影像的多样性和复杂性，提供更丰富的信息以用于位面差异识别和形态振动分析，通过对拓扑扰动后的动态多维位面影像进行位面差异识别，检测出位面之间的差异和变化，位面奇点表示目标在空间中的显著特征点或异常区域，为形态振动分析和位面膨胀优化提供重要的参考信息，通过对车载影像进行形态振动分析，捕捉到目标在影像中的形态变化和振动模式，影像形态振动数据描述目标的形态特征和运动变化，为形态振动频率计算和膨胀位面约束分析提供基础，通过对影像形态振动数据进行形态振动频率计算，得到目标形态振动的频率信息，形态振动频率数据反映目标的振动速度、频率范围和振动模式，为膨胀位面约束分析和位面膨胀优化提供重要参考，通过利用形态振动频率数据对动态多维位面影像进行膨胀位面约束分析，限制位面的扩张范围和形态变化，使其符合目标的振动特征，膨胀位面约束数据保持位面的连续性和一致性，为位面膨胀优化提供约束条件和指导，通过利用膨胀位面约束数据对动态多维位面影像进行位面膨胀优化，调整位面的形态和结构，使其更加符合目标的形态振动特征和拓扑约束，优化提高位面的准确性和连续性，得到更优化的动态位面影像结果，为车载影像处理和目标分析提供更可靠和精确的数据。
优选地，步骤S4包括以下步骤：
步骤S41：利用优化动态位面影像对位面奇点进行多时点同胚映射关系演算，生成位面奇点变化规律；
步骤S42：通过位面奇点变化规律对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；
步骤S43：通过奇点拓扑演变数据对优化动态位面影像进行奇点位置追踪，以生成奇点位置数据；
步骤S44：对奇点位置数据进行演化轨迹分析，生成奇点演化轨迹数据；
步骤S45：对奇点演化轨迹数据进行轨迹曲线拟合，以生成奇点演化轨迹曲线；
步骤S46：对奇点演化轨迹曲线进行奇点运动特征分析，以生成奇点运动特征数据；
步骤S47：通过优化动态位面影像对奇点运动特征数据进行碰撞趋势预测，以生成碰撞趋势预警数据。
本发明通过对优化动态位面影像进行多时点同胚映射关系演算，确定位面奇点在不同时间点上的对应关系，位面奇点变化规律描述奇点随时间的演化和变化趋势，为奇点拓扑演变分析和奇点位置追踪提供重要依据，通过对位面奇点变化规律进行拓扑演变分析，揭示位面奇点之间的拓扑关系和演变规律，奇点拓扑演变数据描述奇点之间的连接、分离、合等拓扑变化，为奇点位置追踪和碰撞趋势预警提供重要信息，利用奇点拓扑演变数据对优化动态位面影像进行奇点位置追踪，确定奇点在不同时间点上的位置，奇点位置数据描述奇点的空间位置和运动轨迹，为奇点演化轨迹分析和碰撞趋势预警提供基础，通过对奇点位置数据进行演化轨迹分析，揭示奇点在空间中的运动轨迹和变化趋势，奇点演化轨迹数据描述奇点的轨迹形态和运动特征，提供轨迹曲线拟合和奇点运动特征分析基础，通过对奇点演化轨迹数据进行轨迹曲线拟合，得到奇点运动轨迹的数学模型，奇点演化轨迹曲线更精确地描述奇点的运动轨迹和变化趋势，为奇点运动特征分析和碰撞趋势预警提供更准确的数据基础，对奇点演化轨迹曲线进行奇点运动特征分析，提取奇点运动的特征参数和统计信息，奇点运动特征数据描述奇点的速度、加速度、方向变化等运动特性，为碰撞趋势预测和预警提供重要依据，利用优化动态位面影像和奇点运动特征数据，预测奇点之间的碰撞趋势，碰撞趋势预警数据提供目标之间的接近程度、碰撞潜在风险等信息，为驾驶员或系统提供预警和决策支持，以提高行车安全性和避免碰撞事故的发生。
优选地，步骤S5包括以下步骤：
步骤S51：对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；
步骤S52：基于帧图像时间轴对优化动态位面影像进行帧间色值差异对比，以生成色值差异数据；
步骤S53：通过色值差异数据对帧图像时间轴进行时延变化识别，以生成帧间时延变化数据；
步骤S54：利用帧间时延变化数据对帧图像时间轴进行时延均值计算，以生成时延均值数据；
步骤S55：通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像。
本发明通过时间帧分析，将优化动态位面影像划分为一系列时间上连续的帧图像，帧图像时间轴提供对位面影像的时间维度的描述，使得帧间分析和时延优化基于时间轴进行，对优化动态位面影像进行帧间色值差异对比，计算不同帧之间的色值差异，色值差异数据反映帧图像之间的变化情况，用于时延变化识别和时延优化，利用色值差异数据对帧图像时间轴进行时延变化识别，检测出帧图像之间的时延变化情况，帧间时延变化数据提供不同帧之间的时延差异信息，为时延优化提供依据，通过帧间时延变化数据进行时延均值计算，得到帧图像时间轴上的时延均值，时延均值数据提供不同时间点上的帧图像时延平均值，为时延优化提供参考，基于时延均值数据，进行视觉帧延迟优化，调整帧图像的展示顺序，减少视觉帧延迟，时延优化位面影像提供更流畅、更实时的图像显示效果，提升车载影像处理系统的响应速度和用户体验。
优选地，步骤S6包括以下步骤：
步骤S61：利用碰撞趋势预警数据对特征边界框序列进行实时碰撞概率评估，以生成实时碰撞概率指数；
步骤S62：通过实时碰撞概率指数对时延优化位面影像进行碰撞规避动作决策分析，以生成边界框规避决策数据；
步骤S63：通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以生成规避决策位面影像；
步骤S64：利用循环卷积网络对规避决策位面影像进行膨胀卷积，以构建位面影像模型，以执行车载影像处理作业。
本发明通过碰撞趋势预警数据对特征边界框序列进行实时碰撞概率评估，估计当前车辆是否存在碰撞风险，实时碰撞概率指数提供一个衡量碰撞风险程度的指标，帮助车载影像处理系统及时做出反应，基于实时碰撞概率指数，对时延优化位面影像进行碰撞规避动作决策分析，根据碰撞风险程度做出相应的规避动作决策，边界框规避决策数据提供针对不同碰撞风险情况下的规避策略，为规避决策和操作提供依据，利用边界框规避决策数据对时延优化位面影像进行逐帧插值映射，根据规避决策数据调整位面影像的内容和位置，生成的规避决策位面影像展示规避后的图像内容，提供车辆周围环境的可视化信息，有助于驾驶员做出准确的决策，通过利用循环卷积网络对规避决策位面影像进行膨胀卷积，构建一个位面影像模型，模型用于执行车载影像处理作业，例如目标检测、轨迹预测等，位面影像模型提供对规避决策位面影像的进一步分析和处理能力，为车载影像处理系统提供更多功能和效能。
在本说明书中，提供一种车载影像处理系统，包括：
光流跟踪模块，获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；
位面断裂模块，对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；
位面膨胀优化模块，根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据；通过影像形态振动数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像；
演化轨迹模块，利用优化动态位面影像对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；对奇点拓扑演变数据进行演化轨迹分析，以生成奇点演化轨迹曲线；通过优化动态位面影像对奇点演化轨迹曲线进行碰撞趋势预测，以生成碰撞趋势预警数据；
时延优化模块，对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；对帧图像时间轴进行时延均值计算，以生成时延均值数据；通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像；
位面影像模型模块，利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，以生成边界框规避决策数据；通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以构建位面影像模型，以执行车载影像处理作业。
本发明通过构建车载影像处理系统，利用光流跟踪模块获取车载影像中的光流信息，分析图像中物体的运动方向和速度，了解车辆周围环境中物体的运动情况，提供实时的动态信息，利用计算机视觉算法，如卷积神经网络(CNN)，对车载影像进行处理，以检测出目标物体，检测到的目标物体用边界框进行标记，以表示其在图像中的位置和大小，通过对目标检测点进行边界框分割，生成目标物体的边界框数据，确定目标物体在图像中的具体区域，利用光流跟踪算法，对目标边界框数据进行分析，获取目标物体在不同帧图像中的位置变化情况，从而生成特征边界框序列，提供目标物体的运动轨迹信息，用于分析和处理，位面断裂模块对特征边界框序列进行动态演变分析，位面断裂模块生成动态演变数据，用于描述目标物体的形态和运动演化，通过对车载影像进行时序位面断裂处理，生成动态多维位面影像，描述目标物体运动和形态变化的多维数据，对动态多维位面影像进行分析，提取其中的拓扑结构信息和变形情况，拓扑演化特征数据对目标物体的拓扑结构进行建模和描述，位面膨胀优化模块利用拓扑演化特征数据对动态多维位面影像进行分析和处理，通过识别位面奇点对其进行优化，改善目标物体的表示效果，提高视觉质量和准确性，演化轨迹模块对优化动态位面影像进行演化轨迹分析，生成奇点演化轨迹曲线，描述目标物体的运动轨迹和变化趋势，利用优化动态位面影像，分析其中的位面奇点演化情况，对奇点拓扑演变数据进行处理和建模，生成奇点演化轨迹曲线，描述目标物体的运动轨迹和变化趋势，利用优化动态位面影像和奇点演化轨迹曲线，分析目标物体的运动情况，预测潜在的碰撞趋势，生成的碰撞趋势预警数据用于提前预警可能发生的碰撞事件，提高行车安全性及影像视觉体验。时延优化模块对优化动态位面影像进行分析，计算帧图像之间的时间延迟，进行时延优化，通过优化帧图像的时序和传输，减少延迟，提高图像的实时性和观察性，位面影像模型模块通过逐帧插值映射和位面影像模型的构建，执行车载影像处理作业，如对碰撞决策进行分析和边界框规避决策的执行。
附图说明
图1为本发明一种车载影像处理方法及系统的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，不用于限定本发明。
本申请实例提供一种车载影像处理方法及系统。所述车载影像处理方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供了一种车载影像处理方法，所述方法包括以下步骤：
步骤S1：获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；
步骤S2：对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；
步骤S3：根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据；通过影像形态振动数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像；
步骤S4：利用优化动态位面影像对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；对奇点拓扑演变数据进行演化轨迹分析，以生成奇点演化轨迹曲线；通过优化动态位面影像对奇点演化轨迹曲线进行碰撞趋势预测，以生成碰撞趋势预警数据；
步骤S5：对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；对帧图像时间轴进行时延均值计算，以生成时延均值数据；通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像；
步骤S6：利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，以生成边界框规避决策数据；通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以构建位面影像模型，以执行车载影像处理作业。
本发明通过目标检测和边界框分割技术，识别车载影像中的目标物体，生成其位置和边界框数据，光流跟踪技术用于跟踪目标物体在不同帧之间的运动，生成特征边界框序列，提供目标物体的动态信息，通过对特征边界框序列进行分析，捕捉目标物体的动态演变信息，时序位面断裂处理将车载影像转化为多维位面影像，在时域上呈现目标物体的运动轨迹，拓扑流形变形分析提取位面影像的拓扑演化特征，用于奇点识别和碰撞趋势预测，通过拓扑演化特征数据，识别动态多维位面影像中的位面奇点，即拓扑结构的突变点，有助于捕捉重要的场景变化，影像形态振动分析提取车载影像中的形态变化信息，进一步优化位面影像的质量和准确性，通过对优化动态位面影像进行分析，捕捉位面奇点的拓扑演变信息，生成奇点演化轨迹曲线，通过对奇点演化轨迹曲线进行碰撞趋势预测，提供与潜在碰撞相关的预警数据，帮助驾驶员采取适当的措施以避免碰撞事故，通过时间帧分析和时延均值计算，提取优化动态位面影像的时间信息，时延均值数据帮助确定位面影像的帧间延迟情况，进而优化位面影像的视觉表现，提高信息传递的准确性，利用碰撞趋势预警数据对特征边界框序列进行分析，生成边界框规避决策数据，即对潜在碰撞物体进行规避的决策，通过对时延优化位面影像进行逐帧插值映射，构建位面影像模型，实施车载影像处理作业，如实时显示警告、辅助驾驶决策等。
本发明实施例中，参考图1，为本发明一种车载影像处理方法的步骤流程示意图，在本实例中，所述一种车载影像处理方法的步骤包括：
步骤S1：获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；
本实施例中，从车载摄像头获取车载影像，利用目标检测算法对车载影像进行目标检测，目标检测算法识别和标记出车载影像中的目标物体，例如车辆、行人、路标、障碍物等，为每个目标物体生成一个目标检测点，其中包括目标的类别、位置和边界框信息。对目标检测点进行边界框分割，将目标物体从背景中分割出来，生成目标的像素级区域，用于精确描述目标物体的位置和形状。利用车载影像对目标边界框数据进行光流跟踪，以跟踪目标物体在连续帧之间的运动，光流跟踪是通过分析相邻帧之间的像素位移来估计目标物体的运动轨迹，使用光流估计算法，例如Lucas-Kanade光流算法或基于深度学习的光流模型，光流跟踪将生成特征边界框序列，描述目标物体随时间的运动情况。
步骤S2：对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；
本实施例中，对特征边界框序列进行动态演变分析，通过分析序列中的变化模式和运动特征，提取目标物体的动态信息，包括计算目标物体的速度、加速度、运动方向等参数，以及识别目标物体的运动模式(例如直线运动、曲线运动)和行为(例如停止、转弯)，利用动态演变数据，确定在车载影像中进行时序位面断裂处理的区域，对选定的区域进行时序位面断裂处理，将其分割成多个时序位面，时序位面断裂处理使用图像处理算法，例如基于运动边缘的分割方法或基于像素级标注的语义分割方法，每个时序位面包含特定时间段内的目标物体的视觉信息，通过对动态多维位面影像分析位面之间的拓扑关系和变形模式，提取目标物体的拓扑演化特征，拓扑流形变形分析包括计算位面之间的拓扑距离、形状变化、拓扑演化速度等参数，以及识别位面之间的拓扑变形模式(例如扩散、融合、分离)和拓扑演化行为(例如聚集、分散)。
步骤S3：根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据；通过影像形态振动数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像；
本实施例中，基于拓扑演化特征数据，使用拓扑分析算法，例如基于图论的算法或拓扑学习的方法，来检测位面奇点提取其位置和属性信息，对动态多维位面影像进行拓扑微扰识别，以检测位面奇点，位面奇点指在拓扑演化过程中出现的特殊结构或异常情况，例如位面的分裂、合、断裂等，拓扑微扰识别，对车载影像进行形态振动分析，通过分析像素级的形态变化和振动模式，提取影像的形态振动数据，形态振动分析包括计算像素值的变化幅度、频率谱特征等，以及识别影像中的运动模式和振动行为，对选定的区域进行位面膨胀优化，调整位面的形态和位置，以优化动态位面影像，位面膨胀优化使用图像处理算法，例如形态学操作、运动补偿或基于物理模型的优化方法，优化后的动态位面影像将具有更平滑的形态、更准确的位面位置和更稳定的拓扑结构。
步骤S4：利用优化动态位面影像对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；对奇点拓扑演变数据进行演化轨迹分析，以生成奇点演化轨迹曲线；通过优化动态位面影像对奇点演化轨迹曲线进行碰撞趋势预测，以生成碰撞趋势预警数据；
本实施例中，通过观察位面的拓扑关系和变化模式，对优化动态位面影像进行位面奇点的拓扑演变分析，提取位面奇点的拓扑演变数据，位面奇点的拓扑演变数据描述位面奇点在时间上的演化过程，包括位面的出现、消失、合、分裂等变化，对奇点拓扑演变数据进行演化轨迹分析，通过分析位面奇点的出现、消失和运动轨迹，提取奇点的演化轨迹曲线，演化轨迹曲线描述奇点在时间和空间上的变化趋势，例如奇点的移动方向、速度和加速度等，对奇点演化轨迹曲线进行碰撞趋势预测，通过分析奇点之间的相对位置和运动趋势，预测是否存在碰撞的可能性，碰撞趋势预测使用碰撞检测算法、物理模型或机器学习方法，根据奇点的运动状态和相互作用规律来推断碰撞可能性，根据碰撞趋势预测结果，生成碰撞趋势预警数据，提供关于潜在碰撞的警示信息。
步骤S5：对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；对帧图像时间轴进行时延均值计算，以生成时延均值数据；通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像；
本实施例中，对优化动态位面影像进行时间帧分析，将每一帧影像按时间顺序排列，形成帧图像时间轴，帧图像时间轴是一个包含所有帧图像的序列，用于表示动态位面影像在时间上的变化，对帧图像时间轴进行时延均值计算，统计每一帧图像与前一帧之间的时间延迟，得到时延均值数据，时延均值数据反映帧图像时间轴中相邻帧图像之间的平均时间间隔，根据时延均值数据，对优化动态位面影像进行视觉帧延迟优化，调整帧图像之间的时间间隔，以达到更合理的视觉感知效果，视觉帧延迟优化通过增加或减小帧之间的时间间隔来控制动态位面影像的播放速度和流畅度，使其更符合人眼的感知习惯。
步骤S6：利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，以生成边界框规避决策数据；通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以构建位面影像模型，以执行车载影像处理作业。
本实施例中，获取特征边界框序列，边界框是对时延优化位面影像中感兴趣目标的位置和尺寸的表示，利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，比较特征边界框与预警信息中的碰撞趋势，判断是否存在碰撞风险，根据碰撞决策分析的结果，生成边界框规避决策数据，即对于存在碰撞风险的特征边界框，提供相应的规避动作或建议，例如调整车辆行驶轨迹、减速或避让等，获取边界框规避决策数据，提供对特征边界框进行规避的决策或建议，对时延优化位面影像进行逐帧插值映射，根据边界框规避决策数据，在每一帧影像中根据特征边界框的位置和尺寸进行插值和映射操作，以构建位面影像模型，位面影像模型是根据边界框规避决策数据生成的一种对时延优化位面影像进行处理的表示，其中特征边界框的位置和尺寸被映射到对应的帧影像中。
本实施例中，参考图2，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：获取车载影像；
步骤S12：对车载影像进行目标检测，以标记目标检测点，目标检测点包括车辆检测点、行人检测点、路标检测点及障碍物监测点；
步骤S13：对目标检测点进行像素级区域提取，以生成目标像素区域；
步骤S14：利用图像分割算法对目标像素区域进行边界框分割，以生成目标边界框数据；
步骤S15：通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列。
本实施例中，在车载系统中获取车载影像数据，使用车载摄像头或其他影像传感器进行采集，确保获取的车载影像具有足够的分辨率和清晰度，以便进行目标检测和图像处理操作，使用目标检测算法，如基于深度学习的目标检测模型(如YOLO、Faster R-CNN等)，对车载影像进行处理，目标检测算法将识别和标记车载影像中的不同目标类别，例如车辆、行人、路标和障碍物等，在车载影像中，目标检测点表示目标物体在图像中的位置，且每个目标检测点与特定的目标类别相关联，根据目标检测点的位置信息，提取对应目标的像素区域，目标像素区域是目标物体在车载影像中的像素级表示，它包含目标的形状、纹理和颜色等信息，使用图像分割算法，如语义分割或实例分割模型，对目标像素区域进行处理，图像分割算法将像素区域划分为不同的区域或对象，为每个区域生成对应的边界框，目标边界框数据包含了目标的位置、尺寸和形状等信息，用于进一步的目标跟踪和分析，利用光流跟踪算法，如Lucas-Kanade算法或稠密光流算法，对车载影像中的目标边界框进行跟踪，光流跟踪算法通过分析连续帧之间的像素位移，估计目标边界框的运动轨迹，特征边界框序列是根据光流跟踪结果生成的一系列特征边界框，用于描述目标在车载影像中的运动和变化。
本实施例中，步骤S15的具体步骤为：
步骤S151：对目标边界框数据进行光流强度计算，以生成边界框光流向量；
步骤S152：利用边界框光流向量对目标边界框数据进行边界框分布分析，以生成边界框分布数据；
步骤S153：通过车载影像对边界框分布数据进行运动矢量分析，以生成运动矢量数据；
步骤S154：基于运动矢量数据对边界框光流向量进行多帧运行分析，以生成边界框多帧光流动态数据；
步骤S155：通过车载影像边界框多帧光流动态数据进行光流跟踪，以生成特征边界框序列。
本实施例中，使用光流计算算法，如基于稠密光流的方法(如Lucas-Kanade算法或Farneback算法)，对目标边界框数据进行处理，光流计算算法通过分析连续帧之间的像素位移，估计目标边界框内像素的运动，对于每个目标边界框，计算光流强度和方向，生成边界框光流向量表示目标运动的方向和速度，对于一系列连续的边界框光流向量，进行边界框分布分析，以使用统计方法，如计算光流向量的平均值、方差、最大值和最小值等，来描述边界框光流向量的分布情况，边界框分布数据提供有关目标运动模式和变化的统计信息，运动矢量分析包括运动的方向、速度、加速度等信息，以描述目标在车载影像中的运动特征，运动矢量数据提供更详细的目标运动信息，用于运动分析和预测，基于运动矢量数据，对连续帧的边界框光流向量进行分析，计算光流向量的变化率、平均值、方差等，描述目标边界框的多帧光流动态特征，边界框多帧光流动态数据提供目标运动的连续性和变化趋势，用于更准确地跟踪目标和预测其未来位置，利用边界框多帧光流动态数据，应用光流跟踪算法(如基于稠密光流的方法)对车载影像中的目标进行跟踪，用光流动态数据来估计目标的运动轨迹和位置变化，通过光流跟踪，生成特征边界框序列。
本实施例中，参考图3，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对特征边界框序列进行空间定位特征提取，以生成空间定位参数；
步骤S22：根据空间定位参数对特征边界框序列进行动态演变分析，以生成动态演变数据；
步骤S23：基于动态演变数据对车载影像进行时序帧影像提取，以生成车载时序帧影像；
步骤S24：对车载时序帧影像进行帧位面断裂处理，以生成动态多维位面影像；
步骤S25：对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据。
本实施例中，针对特征边界框序列，首先需要对每个边界框进行空间定位特征提取，使用特征点检测算法(如Harris角点检测、SIFT、SURF等)或者特征描述算法(如ORB、BRISK等)来提取关键点和特征描述子，对于每个边界框，提取的特征点和描述子表示该边界框在空间中的位置、方向和尺度等特征，根据边界框的空间定位参数，计算边界框之间的相对运动关系，例如位移、旋转和尺度变化等，动态演变数据包括边界框的运动轨迹、速度、加速度等信息，根据特征边界框序列的动态演变信息，确定每个边界框在每个时间步的位置和尺度，根据边界框的位置和尺度信息，从原始车载影像中提取相应的图像区域，形成车载时序帧影像序列，对车载时序帧影像进行帧位面断裂处理，旨在处理由于车辆运动或其他因素，导致的图像位面不连续情况，如路面不平导致的车辆抖动而造成的影像振动，采用图像配准或光流估计等技术，将车载时序帧影像序列中的图像进行对齐和校正，使得位面连续且一致，处理后的结果是动态多维位面影像，其中每个位面对应车载时序帧影像序列中的一个时间步，提供了连续且一致的视觉信息，拓扑流形变形分析包括形状变化、拓扑结构变化等方面的分析，以描述目标在时间序列中的拓扑演化特征，采用计算机视觉和拓扑学的方法，对动态多维位面影像进行分析，提取拓扑演化特征数据。
本实施例中，步骤S25的具体步骤为：
步骤S251：对动态多维位面影像进行拓扑时间维度分析，构建流形演化时序图；
步骤S252：对流形演化时序图进行拓扑对象识别，以生成拓扑特征对象，拓扑特征对象包括边界框，障碍物，行人及车辆；
步骤S253：利用流形演化时序图对拓扑特征对象进行流形曲率变化计算，以生成拓扑对象流形曲率数据；
步骤S254：基于拓扑对象流形曲率数据对流形演化时序图进行流形同调分析，以生成同调特征向量；
步骤S255：根据同调特征向量对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据。
本实施例中，采用拓扑学的方法，如连通性分析、区域生长等，构建流形演化时序图，对动态多维位面影像进行拓扑时间维度分析，旨在捕捉目标在时间序列中的拓扑关系演化，在时序图中，每个节点表示一个时间步的拓扑结构，边表示相邻时间步之间的拓扑关系，采用图像分割算法或目标检测算法，对每个时间步的位面影像进行分割或检测，得到边界框、障碍物、行人和车辆等拓扑特征对象，确定每个拓扑特征对象在时序图中的位置和演化轨迹，以便分析和处理，利用流形演化时序图，对拓扑特征对象进行流形曲率变化计算，计算每个拓扑特征对象在时序图中的曲率变化，表示其形状的演化程度，曲率变化通过计算对象周围的曲率或曲率流的变化来获取，反映对象在时间序列中的形状演化趋势，利用拓扑数据分析方法，如同调同余、同调滤波等，对流形演化时序图进行同调分析，提取同调特征，同调特征用向量表示，反映时序图中拓扑对象的拓扑性质和演化特征，根据同调特征向量的值，对位面影像进行形状变形、尺度变化等操作，对动态多维位面影像进行拓扑流形变形分析，以反映拓扑演化特征，拓扑流形变形分析的结果是拓扑演化特征数据，包含动态多维位面影像中的拓扑结构和演化信息。
本实施例中，参考图4，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰模拟，生成拓扑扰动数据；
步骤S32：根据拓扑扰动数据对动态多维位面影像进行位面差异识别，以生成位面奇点；
步骤S33：对车载影像进行形态振动分析，以生成影像形态振动数据；
步骤S34：对影像形态振动数据进行形态振动频率计算，以生成形态振动频率数据；
步骤S35：通过形态振动频率数据对动态多维位面影像进行膨胀位面约束分析，以生成膨胀位面约束数据；
步骤S36：利用膨胀位面约束数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像。
本实施例中，对动态多维位面影像进行拓扑微扰模拟，拓扑微扰模拟通过在位面影像中引入微小的拓扑扰动，如增加、删除或改变物体的形状、位置或连接关系等，通过对位面影像进行拓扑微扰模拟，生成一系列拓扑扰动数据，用于分析和处理，利用生成的拓扑扰动数据，对动态多维位面影像进行位面差异识别，比较原始位面影像与扰动后的位面影像之间的差异，识别出位面差异的区域，位面差异的区域被视为位面奇点，表示拓扑结构对象发生了显著变化的区域，采用图像处理和计算机视觉技术，如光流法、特征点追踪等，来分析车载影像中物体的形态振动情况，在崎岖或者不平的路面行驶时，所获得的车载影像是抖动的，形态振动分析捕捉到车载影像中外来因素导致的车载影像画面形态变化和振动特征，用信号处理和频谱分析的方法，如傅里叶变换、功率谱密度估计等，来计算形态振动信号的频率成分，形态振动频率数据表示车载影像画面形态变化的频率特征，利用形态振动频率数据，对动态多维位面影像进行膨胀位面约束分析，根据形态振动频率数据中的频率成分，设定不同的位面约束条件，如膨胀速度、膨胀幅度等，膨胀位面约束分析确定位面影像中物体的膨胀行为和受约束的演化规律，生成膨胀位面约束数据，利用优化算法和数值优化方法，如迭代优化、基于物理模型的仿真等，对位面影像进行膨胀优化，位面膨胀优化过程会根据膨胀位面约束数据中设定的约束条件，调整位面影像中物体的形状、位置或连接关系，使其符合预期的膨胀行为，通过位面膨胀优化，生成优化后的动态位面影像，其中物体的形态和拓扑结构将更加符合膨胀位面约束数据所设定的要求。
本实施例中，步骤S4包括以下步骤：
步骤S41：利用优化动态位面影像对位面奇点进行多时点同胚映射关系演算，生成位面奇点变化规律；
步骤S42：通过位面奇点变化规律对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；
步骤S43：通过奇点拓扑演变数据对优化动态位面影像进行奇点位置追踪，以生成奇点位置数据；
步骤S44：对奇点位置数据进行演化轨迹分析，生成奇点演化轨迹数据；
步骤S45：对奇点演化轨迹数据进行轨迹曲线拟合，以生成奇点演化轨迹曲线；
步骤S46：对奇点演化轨迹曲线进行奇点运动特征分析，以生成奇点运动特征数据；
步骤S47：通过优化动态位面影像对奇点运动特征数据进行碰撞趋势预测，以生成碰撞趋势预警数据。
本实施例中，对位面影像序列进行多时点同胚映射关系演算，多时点同胚映射是一种计算方法，通过比较不同时点的位面影像，找到它们之间的对应关系，即位面奇点的变化规律。通过多时点同胚映射关系演算，分析位面奇点在时间上的演变情况，生成位面奇点变化规律数据，观察位面奇点在拓扑结构上的变化，如位面的连接关系、拓扑属性等，通过拓扑演变分析，生成奇点拓扑演变数据，描述位面奇点的拓扑变化情况，根据奇点拓扑演变数据中的位面奇点变化规律，追踪位面奇点在不同时点上的位置，通过奇点位置追踪，生成奇点位置数据，记录位面奇点在时间上的位置信息，通过比较不同时点的奇点位置，分析奇点在时间上的轨迹变化，通过演化轨迹分析，生成奇点演化轨迹数据，描述奇点在时间上的运动轨迹，利用奇点演化轨迹数据，进行轨迹曲线拟合，采用数学建模和曲线拟合的方法，如最小二乘法、样条曲线拟合等，拟合奇点演化轨迹，通过轨迹曲线拟合，生成奇点演化轨迹曲线，用于分析和展示，计算奇点在演化轨迹上的运动速度、加速度等运动特征，通过奇点运动特征分析，生成奇点运动特征数据，描述奇点在时间上的运动行为，分析奇点的运动特征以及它们与其他位面的相对位置关系，推测是否存在可能的碰撞趋势，通过预测，生成碰撞趋势预警数据，提前警示可能发生的碰撞事件。
本实施例中，步骤S5包括以下步骤：
步骤S51：对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；
步骤S52：基于帧图像时间轴对优化动态位面影像进行帧间色值差异对比，以生成色值差异数据；
步骤S53：通过色值差异数据对帧图像时间轴进行时延变化识别，以生成帧间时延变化数据；
步骤S54：利用帧间时延变化数据对帧图像时间轴进行时延均值计算，以生成时延均值数据；
步骤S55：通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像。
本实施例中，对位面影像序列进行时间帧分析，将每个时间点的位面影像提取出来，将提取的位面影像按照时间顺序排列，形成帧图像时间轴，表示位面影像序列的时间变化，利用生成的帧图像时间轴，对相邻的帧图像进行像素级别的比较，计算它们之间的色值差异，色值差异使用各种度量方法，如均方差、结构相似性指数(SSIM)等，通过帧间色值差异对比，得到位面影像序列中每两帧之间的色值差异数据，利用色值差异数据，对帧图像时间轴进行时延变化的识别，分析色值差异数据中的变化趋势和幅度，判断帧图像之间的时延变化情况，通过对帧图像时间轴的时延变化识别，生成帧间时延变化数据，描述位面影像序列中帧间时延的变化情况，利用帧间时延变化数据，对帧图像时间轴进行时延均值计算，统计帧间时延变化数据中的时延值，计算其均值，通过时延均值计算，得到位面影像序列的平均时延，根据时延均值确定适当的帧间隔，即调整位面影像序列中相邻帧之间的时间间隔，缩短帧间隔提高动态效果的流畅性，提高动态效果的连续性，通过时延优化，生成经过调整帧间隔的时延优化位面影像，以达到更好的视觉效果。
本实施例中，步骤S6包括以下步骤：
步骤S61：利用碰撞趋势预警数据对特征边界框序列进行实时碰撞概率评估，以生成实时碰撞概率指数；
步骤S62：通过实时碰撞概率指数对时延优化位面影像进行碰撞规避动作决策分析，以生成边界框规避决策数据；
步骤S63：通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以生成规避决策位面影像；
步骤S64：利用循环卷积网络对规避决策位面影像进行膨胀卷积，以构建位面影像模型，以执行车载影像处理作业。
本实施例中，对特征边界框序列进行实时碰撞概率评估，特征边界框是指在位面影像中检测到的感兴趣区域，包含车辆、行人、路标及障碍物等目标，结合碰撞趋势预警数据和特征边界框序列，进行碰撞概率计算，使用机器学习算法、物理模型或规则引擎等方法来评估潜在碰撞的可能性，生成实时碰撞概率指数，用于表示每个特征边界框发生碰撞的概率，指数值越高表示碰撞的可能性越大，分析每个特征边界框的实时碰撞概率指数，判断是否存在潜在碰撞的风险，基于碰撞概率指数，制定相应的碰撞规避动作决策，如刹车、转向等，以避免潜在碰撞，生成边界框规避决策数据，记录每个特征边界框的规避动作决策，逐帧遍历时延优化位面影像，根据边界框规避决策数据中的规避动作决策，对每一帧进行插值映射，插值映射根据规避动作决策调整位面影像中的目标位置、方向等，以反映规避动作的效果，生成规避决策位面影像，表示经过逐帧插值映射后的时延优化位面影像，其中包含规避动作的效果，使用循环卷积网络(Recurrent Convolutional Neural Network)对规避决策位面影像进行处理，循环卷积网络对位面影像进行膨胀卷积操作，以捕捉特征的空间关系和时序信息，通过循环卷积网络的处理，提取规避决策位面影像中的特征，进行车载影像处理作业，如目标检测、目标跟踪等。
在本实施例中，提供了一种车载影像处理系统，包括：
光流跟踪模块，获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；
位面断裂模块，对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；
位面膨胀优化模块，根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据；通过影像形态振动数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像；
演化轨迹模块，利用优化动态位面影像对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；对奇点拓扑演变数据进行演化轨迹分析，以生成奇点演化轨迹曲线；通过优化动态位面影像对奇点演化轨迹曲线进行碰撞趋势预测，以生成碰撞趋势预警数据；
时延优化模块，对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；对帧图像时间轴进行时延均值计算，以生成时延均值数据；通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像；
位面影像模型模块，利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，以生成边界框规避决策数据；通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以构建位面影像模型，以执行车载影像处理作业。
本发明通过构建车载影像处理系统，利用光流跟踪模块获取车载影像中的光流信息，分析图像中物体的运动方向和速度，了解车辆周围环境中物体的运动情况，提供实时的动态信息，利用计算机视觉算法，如卷积神经网络(CNN)，对车载影像进行处理，以检测出目标物体，检测到的目标物体用边界框进行标记，以表示其在图像中的位置和大小，通过对目标检测点进行边界框分割，生成目标物体的边界框数据，确定目标物体在图像中的具体区域，利用光流跟踪算法，对目标边界框数据进行分析，获取目标物体在不同帧图像中的位置变化情况，从而生成特征边界框序列，提供目标物体的运动轨迹信息，用于分析和处理，位面断裂模块对特征边界框序列进行动态演变分析，位面断裂模块生成动态演变数据，用于描述目标物体的形态和运动演化，通过对车载影像进行时序位面断裂处理，生成动态多维位面影像，描述目标物体运动和形态变化的多维数据，对动态多维位面影像进行分析，提取其中的拓扑结构信息和变形情况，拓扑演化特征数据对目标物体的拓扑结构进行建模和描述，位面膨胀优化模块利用拓扑演化特征数据对动态多维位面影像进行分析和处理，通过识别位面奇点对其进行优化，改善目标物体的表示效果，提高视觉质量和准确性，演化轨迹模块对优化动态位面影像进行演化轨迹分析，生成奇点演化轨迹曲线，描述目标物体的运动轨迹和变化趋势，利用优化动态位面影像，分析其中的位面奇点演化情况，对奇点拓扑演变数据进行处理和建模，生成奇点演化轨迹曲线，描述目标物体的运动轨迹和变化趋势，利用优化动态位面影像和奇点演化轨迹曲线，分析目标物体的运动情况，预测潜在的碰撞趋势，生成的碰撞趋势预警数据用于提前预警可能发生的碰撞事件，提高行车安全性及影像视觉体验。时延优化模块对优化动态位面影像进行分析，计算帧图像之间的时间延迟，进行时延优化，通过优化帧图像的时序和传输，减少延迟，提高图像的实时性和观察性，位面影像模型模块通过逐帧插值映射和位面影像模型的构建，执行车载影像处理作业，如对碰撞决策进行分析和边界框规避决策的执行。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
上所述仅是本发明的具体实施方式，使本领域技术人员理解或实现本发明。对实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车载影像处理方法，其特征在于，包括以下步骤：
步骤S1：获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；
步骤S2：对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；
步骤S3：根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据；通过影像形态振动数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像；
步骤S4：利用优化动态位面影像对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；对奇点拓扑演变数据进行演化轨迹分析，以生成奇点演化轨迹曲线；通过优化动态位面影像对奇点演化轨迹曲线进行碰撞趋势预测，以生成碰撞趋势预警数据；
步骤S5：对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；对帧图像时间轴进行时延均值计算，以生成时延均值数据；通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像；
步骤S6：利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，以生成边界框规避决策数据；通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以构建位面影像模型，以执行车载影像处理作业。
2.根据权利要求1所述的方法，其特征在于，步骤S1的具体步骤为：
步骤S11：获取车载影像；
步骤S12：对车载影像进行目标检测，以标记目标检测点，目标检测点包括车辆检测点、行人检测点、路标检测点及障碍物监测点；
步骤S13：对目标检测点进行像素级区域提取，以生成目标像素区域；
步骤S14：利用图像分割算法对目标像素区域进行边界框分割，以生成目标边界框数据；
步骤S15：通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列。
3.根据权利要求2所述的方法，其特征在于，步骤S15的具体步骤为：
步骤S151：对目标边界框数据进行光流强度计算，以生成边界框光流向量；
步骤S152：利用边界框光流向量对目标边界框数据进行边界框分布分析，以生成边界框分布数据；
步骤S153：通过车载影像对边界框分布数据进行运动矢量分析，以生成运动矢量数据；
步骤S154：基于运动矢量数据对边界框光流向量进行多帧运行分析，以生成边界框多帧光流动态数据；
步骤S155：通过车载影像边界框多帧光流动态数据进行光流跟踪，以生成特征边界框序列。
4.根据权利要求1所述的方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对特征边界框序列进行空间定位特征提取，以生成空间定位参数；
步骤S22：根据空间定位参数对特征边界框序列进行动态演变分析，以生成动态演变数据；
步骤S23：基于动态演变数据对车载影像进行时序帧影像提取，以生成车载时序帧影像；
步骤S24：对车载时序帧影像进行帧位面断裂处理，以生成动态多维位面影像；
步骤S25：对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据。
5.根据权利要求4所述的方法，其特征在于，步骤S25的具体步骤为：
步骤S251：对动态多维位面影像进行拓扑时间维度分析，构建流形演化时序图；
步骤S252：对流形演化时序图进行拓扑对象识别，以生成拓扑特征对象，拓扑特征对象包括边界框，障碍物，行人及车辆；
步骤S253：利用流形演化时序图对拓扑特征对象进行流形曲率变化计算，以生成拓扑对象流形曲率数据；
步骤S254：基于拓扑对象流形曲率数据对流形演化时序图进行流形同调分析，以生成同调特征向量；
步骤S255：根据同调特征向量对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据。
6.根据权利要求1所述的方法，其特征在于，步骤S3的具体步骤为：
步骤S31：根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰模拟，生成拓扑扰动数据；
步骤S32：根据拓扑扰动数据对动态多维位面影像进行位面差异识别，以生成位面奇点；
步骤S33：对车载影像进行形态振动分析，以生成影像形态振动数据；
步骤S34：对影像形态振动数据进行形态振动频率计算，以生成形态振动频率数据；
步骤S35：通过形态振动频率数据对动态多维位面影像进行膨胀位面约束分析，以生成膨胀位面约束数据；
步骤S36：利用膨胀位面约束数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像。
7.根据权利要求1所述的方法，其特征在于，步骤S4的具体步骤为：
步骤S41：利用优化动态位面影像对位面奇点进行多时点同胚映射关系演算，生成位面奇点变化规律；
步骤S42：通过位面奇点变化规律对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；
步骤S43：通过奇点拓扑演变数据对优化动态位面影像进行奇点位置追踪，以生成奇点位置数据；
步骤S44：对奇点位置数据进行演化轨迹分析，生成奇点演化轨迹数据；
步骤S45：对奇点演化轨迹数据进行轨迹曲线拟合，以生成奇点演化轨迹曲线；
步骤S46：对奇点演化轨迹曲线进行奇点运动特征分析，以生成奇点运动特征数据；
步骤S47：通过优化动态位面影像对奇点运动特征数据进行碰撞趋势预测，以生成碰撞趋势预警数据。
8.根据权利要求1所述的方法，其特征在于，步骤S5的具体步骤为：
步骤S51：对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；
步骤S52：基于帧图像时间轴对优化动态位面影像进行帧间色值差异对比，以生成色值差异数据；
步骤S53：通过色值差异数据对帧图像时间轴进行时延变化识别，以生成帧间时延变化数据；
步骤S54：利用帧间时延变化数据对帧图像时间轴进行时延均值计算，以生成时延均值数据；
步骤S55：通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像。
9.根据权利要求1所述的方法，其特征在于，步骤S6的具体步骤为：
步骤S61：利用碰撞趋势预警数据对特征边界框序列进行实时碰撞概率评估，以生成实时碰撞概率指数；
步骤S62：通过实时碰撞概率指数对时延优化位面影像进行碰撞规避动作决策分析，以生成边界框规避决策数据；
步骤S63：通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以生成规避决策位面影像；
步骤S64：利用循环卷积网络对规避决策位面影像进行膨胀卷积，以构建位面影像模型，以执行车载影像处理作业。
10.一种车载影像处理系统，其特征在于，用于执行如权利要求1所述的车载影像处理方法，包括：
光流跟踪模块，获取车载影像；对车载影像进行目标检测，以标记目标检测点；对目标检测点进行边界框分割，以生成目标边界框数据；通过车载影像对目标边界框数据进行光流跟踪，以生成特征边界框序列；
位面断裂模块，对特征边界框序列进行动态演变分析，以生成动态演变数据；基于动态演变数据对车载影像进行时序位面断裂处理，以生成动态多维位面影像；对动态多维位面影像进行拓扑流形变形分析，以生成拓扑演化特征数据；
位面膨胀优化模块，根据拓扑演化特征数据对动态多维位面影像进行拓扑微扰识别，以生成位面奇点；对车载影像进行形态振动分析，以生成影像形态振动数据；通过影像形态振动数据对动态多维位面影像进行位面膨胀优化，以生成优化动态位面影像；
演化轨迹模块，利用优化动态位面影像对位面奇点进行拓扑演变分析，以生成奇点拓扑演变数据；对奇点拓扑演变数据进行演化轨迹分析，以生成奇点演化轨迹曲线；通过优化动态位面影像对奇点演化轨迹曲线进行碰撞趋势预测，以生成碰撞趋势预警数据；
时延优化模块，对优化动态位面影像进行时间帧分析，以生成帧图像时间轴；对帧图像时间轴进行时延均值计算，以生成时延均值数据；通过时延均值数据对优化动态位面影像进行视觉帧延迟优化，以生成时延优化位面影像；
位面影像模型模块，利用碰撞趋势预警数据对特征边界框序列进行碰撞决策分析，以生成边界框规避决策数据；通过边界框规避决策数据对时延优化位面影像进行逐帧插值映射，以构建位面影像模型，以执行车载影像处理作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311689773.0A CN117557600B (zh) | 2023-12-07 | 2023-12-07 | 一种车载影像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311689773.0A CN117557600B (zh) | 2023-12-07 | 2023-12-07 | 一种车载影像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557600A true CN117557600A (zh) | 2024-02-13 |
| CN117557600B CN117557600B (zh) | 2024-08-06 |
Family
ID=89814696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311689773.0A Active CN117557600B (zh) | 2023-12-07 | 2023-12-07 | 一种车载影像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557600B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876626A (zh) * | 2024-03-12 | 2024-04-12 | 国网电商科技有限公司 | 一种电力数据三维可视化方法、系统、设备和存储介质 |
| CN118332390A (zh) * | 2024-06-13 | 2024-07-12 | 张家港智能电力研究院有限公司 | 一种优化自动编码神经网络的复合分类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050080542A1 (en) * | 2003-02-26 | 2005-04-14 | Jianbo Lu | Reference signal generator for an integrated sensing system |
| US20190102840A1 (en) * | 2017-09-06 | 2019-04-04 | Swiss Reinsurance Company Ltd. | Electronic System for Dynamic, Quasi-Realtime Measuring and Identifying Driver Maneuvers Solely Based on Mobile Phone Telemetry, and a Corresponding Method Thereof |
| CN113370977A (zh) * | 2021-05-06 | 2021-09-10 | 上海大学 | 一种基于视觉的智能车辆前向碰撞预警方法及系统 |
| CN114898042A (zh) * | 2022-05-20 | 2022-08-12 | 南京理工大学 | 基于时空紧迫性的人车碰撞危险态势预测方法 |
| CN115588310A (zh) * | 2022-06-28 | 2023-01-10 | 中国公路工程咨询集团有限公司 | 一种基于轨迹数据的车辆碰撞风险预测方法 |
| CN116206285A (zh) * | 2023-03-06 | 2023-06-02 | 酷哇科技有限公司 | 应用于自动驾驶的交通弱势群体碰撞风险评估方法及系统 |
| CN117011341A (zh) * | 2023-08-09 | 2023-11-07 | 智慧互通科技股份有限公司 | 基于目标追踪的车辆轨迹检测方法及系统 |
-
2023
- 2023-12-07 CN CN202311689773.0A patent/CN117557600B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050080542A1 (en) * | 2003-02-26 | 2005-04-14 | Jianbo Lu | Reference signal generator for an integrated sensing system |
| US20190102840A1 (en) * | 2017-09-06 | 2019-04-04 | Swiss Reinsurance Company Ltd. | Electronic System for Dynamic, Quasi-Realtime Measuring and Identifying Driver Maneuvers Solely Based on Mobile Phone Telemetry, and a Corresponding Method Thereof |
| CN113370977A (zh) * | 2021-05-06 | 2021-09-10 | 上海大学 | 一种基于视觉的智能车辆前向碰撞预警方法及系统 |
| CN114898042A (zh) * | 2022-05-20 | 2022-08-12 | 南京理工大学 | 基于时空紧迫性的人车碰撞危险态势预测方法 |
| CN115588310A (zh) * | 2022-06-28 | 2023-01-10 | 中国公路工程咨询集团有限公司 | 一种基于轨迹数据的车辆碰撞风险预测方法 |
| CN116206285A (zh) * | 2023-03-06 | 2023-06-02 | 酷哇科技有限公司 | 应用于自动驾驶的交通弱势群体碰撞风险评估方法及系统 |
| CN117011341A (zh) * | 2023-08-09 | 2023-11-07 | 智慧互通科技股份有限公司 | 基于目标追踪的车辆轨迹检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| MUHAMMAD HARIS: "Vehicle Crash Prediction using Vision", 2021 55TH ANNUAL CONFERENCE ON INFORMATION SCIENCES AND SYSTEMS (CISS), 26 March 2021 (2021-03-26) * |
| 张立军;黄露莹;孟德建;: "基于轨迹预测和模糊分析的商用车盲区防碰撞预警", 同济大学学报(自然科学版), no. 1, 15 December 2019 (2019-12-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876626A (zh) * | 2024-03-12 | 2024-04-12 | 国网电商科技有限公司 | 一种电力数据三维可视化方法、系统、设备和存储介质 |
| CN117876626B (zh) * | 2024-03-12 | 2024-05-14 | 国网电商科技有限公司 | 一种电力数据三维可视化方法、系统、设备和存储介质 |
| CN118332390A (zh) * | 2024-06-13 | 2024-07-12 | 张家港智能电力研究院有限公司 | 一种优化自动编码神经网络的复合分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557600B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117557600B (zh) | 一种车载影像处理方法及系统 | |
| CN106875424B (zh) | 一种基于机器视觉的城市环境行驶车辆行为识别方法 | |
| CN111652097B (zh) | 一种图像毫米波雷达融合目标检测方法 | |
| EP2858008B1 (en) | Target detecting method and system | |
| Zhang et al. | A longitudinal scanline based vehicle trajectory reconstruction method for high-angle traffic video | |
| CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
| CN117593592B (zh) | 车底异物智能扫描识别系统及方法 | |
| Gerát et al. | Vehicle speed detection from camera stream using image processing methods | |
| JP7091686B2 (ja) | 立体物認識装置、撮像装置および車両 | |
| CN106815578A (zh) | 一种基于深度运动图‑尺度不变特征变换的手势识别方法 | |
| CN118096815B (zh) | 一种基于机器视觉的道路非常态事件检测系统 | |
| KR101984209B1 (ko) | 지능형 프레임별 연속추적제어모듈을 통한 연속프레임별 특정차량 실시간 추적장치 및 방법 | |
| CN113592905B (zh) | 基于单目摄像头的车辆行驶轨迹预测方法 | |
| CN106228570A (zh) | 一种真值数据确定方法和装置 | |
| CN117949942B (zh) | 基于雷达数据和视频数据融合的目标跟踪方法及系统 | |
| CN118154622A (zh) | 一种机器视觉的监控图像处理算法及系统 | |
| CN112100435A (zh) | 一种基于边缘端交通音视频同步样本的自动标注方法 | |
| CN112541938A (zh) | 一种行人速度测量方法、系统、介质及计算设备 | |
| Głowacz et al. | Video detection algorithm using an optical flow calculation method | |
| CN103077536B (zh) | 时空变尺度运动目标检测方法 | |
| CN117372969B (zh) | 一种面向监控场景的异常事件检测方法 | |
| CN116110230A (zh) | 基于车载摄像头的车辆越车道线识别方法及系统 | |
| CN115797409A (zh) | 3d目标对象定位方法、装置及电子设备 | |
| CN114022854A (zh) | 一种车辆逆行检测方法和装置及计算机可读存储介质 | |
| KR20230132325A (ko) | 라이다를 이용한 차선 검출장치 및 방법 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |