CN118279877A - 一种车辆智能驾驶视觉感知系统 - Google Patents

Abstract

本发明涉及智能驾驶视觉感知技术领域，且公开了一种车辆智能驾驶视觉感知系统，包括多维采集模块、深度感知模块和评估管控模块，该系统通过多维采集模块采集数据集，深度感知模块预处理单元根据常规数据集依次识别行人、车辆或障碍物，并判断当前交通状态是否拥挤，结合特殊数据集过滤优化得到关键信息素Gjxx，多维采集兼容感知能力强，深度感知模块构建深度学习算法模型，并通过联网数据集中的数字交通信息进行模型训练，更能满足当前驾驶路段环境所需的感知需求，深度感知模块计算得到深度风险系数Sdfx和风险预测系数Fxyc，评估管控模块判断生成对应的管控信号，深度学习决策准确性高。

Description

一种车辆智能驾驶视觉感知系统

技术领域

本发明涉及智能驾驶视觉感知技术领域，具体为一种车辆智能驾驶视觉感知系统。

背景技术

车辆智能驾驶视觉感知系统是现代自动驾驶技术中至关重要的组成部分，它通过模拟人类驾驶员的视觉感知能力来识别和理解车辆周围的环境。车辆智能驾驶视觉感知系统的核心技术包括图像获取、处理、分析和理解，涉及到计算机视觉、机器学习、人工智能等多个领域。视觉感知系统的硬件基础通常包括多组高清摄像头，捕捉车辆外部全方位视角的画面数据。这些摄像头能够在不同的光照条件下工作，并且具备高动态范围HDR来适应极端的亮度变化。软件方面，视觉感知系统采用智能算法模型进行图像预处理，通过去噪、对比度增强和颜色校正等多个步骤来提高图像质量，再使用边缘检测、特征提取和模式识别等技术来识别图像中的物体，如其他车辆、行人、交通标志和道路边界等，在复杂多变的真实世界环境中也能保持高性能。除了物体识别之外，视觉感知系统还需要理解场景的语义信息，比如判断路面的状况、识别车道和交叉口的类型、理解交通信号灯的状态等。这些信息对于制定合适的驾驶策略至关重要。安全性是视觉感知系统设计的核心考虑因素之一。系统必须能够在各种天气条件和光照环境下稳定工作，并且能够及时检测并响应潜在的危险情况。如果系统检测到前方有突然障碍物出现，它需要迅速评估情况并采取紧急制动措施。随着技术的发展，车辆智能驾驶视觉感知系统正变得越来越智能和自适应。未来的系统将更加精准地理解复杂场景，更好地与其他车辆和基础设施进行通信，并在更广泛的驾驶条件下提供支持。这将极大地推动自动驾驶技术的发展，为人们提供更安全、更便捷、更舒适的出行体验。

目前，传统车辆智能驾驶视觉感知系统面对复杂拥挤的交通环境，存在感知盲区，容易误报或漏报关键信息，从而影响到智能驾驶决策的准确性，感知算法模型在实际应用场景下泛化能力不足，性能下降导致数据分析存在兼容性障碍。

发明内容

针对现有技术的不足，本发明提供了一种车辆智能驾驶视觉感知系统，具备多维采集兼容感知能力强、深度学习决策准确性高等优点，解决了传统车辆智能驾驶视觉感知系统存在盲区决策准确性低，算法模型泛化能力不足存在分析障碍的问题。

为实现上述目的，本发明提供如下技术方案：

根据本发明的第一方面，提供了一种车辆智能驾驶视觉感知系统。该系统包括：

多维采集模块、深度感知模块和评估管控模块；

所述多维采集模块包括驾驶数据单元、常规采集单元、特殊采集单元和联网数据单元；所述驾驶数据单元通过网络连接座舱操作系统采集驾驶数据集，并传输至深度感知模块；所述驾驶数据集包括实时车速、油量、电量、转向角度和导航信息；所述常规采集单元通过网络连接高清摄像头采集常规数据集，并传输至深度感知模块；所述常规数据集包括高清摄像头捕捉到的车辆外部全方位视角的图像信息，所述常规采集单元将常规数据集分别描述为、、、...、，至对应多个不同视角高清摄像头捕捉到的画面信息；所述特殊采集单元通过网络连接红外激光摄像头采集特殊数据集，并传输至深度感知模块；所述特殊数据集包括红外激光摄像头捕捉到的车辆外部全方位视角的图像信息，所述特殊采集单元将特殊数据集分别描述为、、、...、，至对应多个不同视角红外激光摄像头捕捉到的画面信息；所述联网数据单元通过网络连接云平台采集联网数据集，并传输至深度感知模块；联网数据集包括云平台提供的数字交通信息，所述联网数据单元将联网数据集分别描述为、、、...、，至对应驾驶环境中多个路段的数字交通信息；所述多维采集模块通过网络连接深度感知模块；

所述深度感知模块包括预处理单元、感知分析单元和预测分析单元；所述预处理单元依次识别常规数据集至中存在的行人、车辆或障碍物，并统计存在行人、车辆或障碍物的高清摄像头总数；若常规数据集至中存在行人、车辆或障碍物的高清摄像头总数超过高清摄像头总数的一半，判断当前交通状态为拥挤，预处理单元将常规数据集结合特殊数据集，过滤优化得到关键信息素；若常规数据集至中存在行人、车辆或障碍物的高清摄像头总数未超过高清摄像头总数的一半，判断当前交通状态为畅通，预处理单元根据常规数据集过滤优化得到关键信息素；所述预处理单元将关键信息素传输至感知分析单元；联网数据集进行模型训练，所述感知分析单元将关键信息素和驾驶数据集代入训练后的深度学习算法模型，计算得到深度风险系数，并传输至预测分析单元；所述预测分析单元根据深度风险系数、关键信息素和联网数据集，计算得到风险预测系数，并传输至评估管控模块，所述深度感知模块通过网络连接评估管控模块；

所述评估管控模块根据关键信息素、深度风险系数和风险预测系数，判断生成对应的管控信号，并对应连接座舱操作系统或自动驾驶系统进行驾驶管控。

进一步地：所述感知分析单元使用Keras深度学习框架提供的Subclassing API来构建深度学习算法模型，并通过联网数据集中的数字交通信息进行模型训练，所述感知分析单元将训练后的深度学习算法模型描述为，表示深度学习算法模型开始训练的时间点，表示深度学习算法模型结束训练的时间点。

进一步地：所述感知分析单元将关键信息素和驾驶数据集代入训练后的深度学习算法模型，计算得到深度风险系数，其计算公式如下：公式中，表示深度风险系数，表示将摄像头识别到的行人、车辆和障碍物关键信息结合驾驶操作实时车速、油量、电量、转向角度和导航信息代入训练后的深度学习算法模型，分析评估出当前驾驶环境下的深度风险系数。

进一步地：所述预测分析单元根据深度风险系数、关键信息素和联网数据集，计算得到风险预测系数，其计算公式如下：公式中，表示风险预测系数，表示深度风险系数在计算风险预测过程中的采样比例，表示关键信息素在计算风险预测过程中的采样比例，表示数字交通信息在计算风险预测过程中的采样比例，表示将当前驾驶环境下的深度风险系数、摄像头识别到的行人、车辆和障碍物关键信息和数字交通信息代入训练后的深度学习算法模型，分析预测出未来驾驶环境下的风险预测系数。

进一步地：所述关键信息素中车辆行驶方向存在行人、车辆和障碍物时，评估管控模块判断生成刹车管控信号，并连接座舱操作系统主动刹车减速。

进一步地：所述深度风险系数高于风险预测系数时，评估管控模块判断生成被动管控信号，所述深度风险系数低于等于风险预测系数时，评估管控模块判断生成主动管控信号。

进一步地：所述评估管控模块根据被动管控信号连接座舱操作系统显示关键信息素和联网数据集，所述评估管控模块根据主动管控信号连接智能驾驶系统主动切换为全自动驾驶模式。

根据本发明的第二方面，提供了一种电子设备。该电子设备包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行所述的一种车辆智能驾驶视觉感知系统中的方法。

根据本发明的第三方面，提供了一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现所述的一种车辆智能驾驶视觉感知系统中的方法。

与现有技术相比，本发明提供了一种车辆智能驾驶视觉感知系统，具备以下有益效果：

1、本发明通过多维采集模块设置驾驶数据单元、常规采集单元、特殊采集单元和联网数据单元采集驾驶数据集、常规数据集、特殊数据集和联网数据集，深度感知模块设置预处理单元、感知分析单元和预测分析单元，预处理单元根据常规数据集依次识别常规数据集至中存在的行人、车辆或障碍物，并统计存在行人、车辆或障碍物的高清摄像头总数，若常规数据集至中存在行人、车辆或障碍物的高清摄像头总数超过高清摄像头总数的一半，判断当前交通状态为拥挤，拥挤环境下常规感知方式存在盲区，导致系统分析能力下降，需要特殊感知方式弥补关键信息的缺失，预处理单元将常规数据集结合特殊数据集，过滤优化得到关键信息素，多维采集兼容感知能力强。

2、本发明通过感知分析单元使用Keras深度学习框架提供的Subclassing API来构建深度学习算法模型，并通过联网数据集中的数字交通信息进行模型训练，更能满足当前驾驶路段环境所需的感知需求，感知分析单元将关键信息素和驾驶数据集代入训练后的深度学习算法模型，计算得到深度风险系数，为后续精准决策驾驶操作提供可靠依据，预测分析单元根据深度风险系数、关键信息素和联网数据集，计算得到风险预测系数，为后续切换自动驾驶模式提供数据参考，评估管控模块根据关键信息素判断生成刹车管控信号，并连接座舱操作系统主动刹车减速，缩短了决策周期，提高了系统应急响应速度，评估管控模块根据深度风险系数和风险预测系数判断生成被动管控信号或主动管控信号，辅助驾驶员决策当前交通状态下行车操作或主动切换为全自动驾驶模式，避免复杂拥挤交通环境下，驾驶员响应不及时而导致交通事故，深度学习决策准确性高。

附图说明

结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本发明的限定。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本发明实施例的车辆智能驾驶视觉感知系统的结构示意图；

图2示出了能够实施本发明实施例的示例性电子设备的方框图。

具体实施方式

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，都属于本发明保护的范围。

图1示出了根据本发明实施例的车辆智能驾驶视觉感知系统的结构示意图，该系统包括：

多维采集模块110、深度感知模块120和评估管控模块130；

多维采集模块110包括驾驶数据单元111、常规采集单元112、特殊采集单元113和联网数据单元114，驾驶数据单元111通过网络连接座舱操作系统采集驾驶数据集，并传输至深度感知模块120，驾驶数据集包括实时车速、油量、电量、转向角度和导航信息，驾驶数据单元111将驾驶数据集分别描述为、、、和，常规采集单元112通过网络连接高清摄像头采集常规数据集，并传输至深度感知模块120，常规数据集包括高清摄像头捕捉到的车辆外部全方位视角的图像信息，常规采集单元112将常规数据集分别描述为、、、...、，至对应多个不同视角高清摄像头捕捉到的画面信息，特殊采集单元113通过网络连接红外激光摄像头采集特殊数据集，并传输至深度感知模块120，特殊数据集包括红外激光摄像头捕捉到的车辆外部全方位视角的图像信息，特殊采集单元113将特殊数据集分别描述为、、、...、，至对应多个不同视角红外激光摄像头捕捉到的画面信息，联网数据单元114通过网络连接云平台采集联网数据集，并传输至深度感知模块120，联网数据集包括云平台提供的数字交通信息，联网数据单元114将联网数据集分别描述为、、、...、，至对应驾驶环境中多个路段的数字交通信息，多维采集模块110通过网络连接深度感知模块120；

深度感知模块120包括预处理单元121、感知分析单元122和预测分析单元123，预处理单元121根据常规数据集和特殊数据集，过滤优化得到关键信息素，并传输至感知分析单元122，其过滤优化流程如下：

首先依次识别常规数据集至中存在的行人、车辆或障碍物，并统计存在行人、车辆或障碍物的高清摄像头总数；

若常规数据集至中存在行人、车辆或障碍物的高清摄像头总数超过高清摄像头总数的一半，判断当前交通状态为拥挤，拥挤环境下常规感知方式存在盲区，导致系统分析能力下降，需要特殊感知方式弥补关键信息的缺失，预处理单元121将常规数据集结合特殊数据集，过滤优化得到关键信息素，多维采集兼容感知能力强；

若常规数据集至中存在行人、车辆或障碍物的高清摄像头总数未超过高清摄像头总数的一半，判断当前交通状态为畅通，预处理单元121根据常规数据集过滤优化得到关键信息素；

感知分析单元122设置有深度学习框架，感知分析单元122使用Keras深度学习框架提供的Subclassing API来构建深度学习算法模型，并通过联网数据集中的数字交通信息进行模型训练，感知分析单元122将训练后的深度学习算法模型描述为，表示深度学习算法模型开始训练的时间点，表示深度学习算法模型结束训练的时间点，训练后的深度学习算法模型更能满足当前驾驶路段环境所需的感知需求，感知分析单元122将关键信息素和驾驶数据集代入训练后的深度学习算法模型，计算得到深度风险系数，并传输至预测分析单元123，其计算公式如下：公式中，表示深度风险系数，表示将摄像头识别到的行人、车辆和障碍物关键信息结合驾驶操作实时车速、油量、电量、转向角度和导航信息代入训练后的深度学习算法模型，分析评估出当前驾驶环境下的深度风险系数，根据深度风险系数，深度分析当前路段环境的多维数据，为后续精准决策驾驶操作提供可靠依据；

预测分析单元123根据深度风险系数、关键信息素和联网数据集，计算得到风险预测系数，并传输至评估管控模块130，深度感知模块120通过网络连接评估管控模块130，其计算公式如下：公式中，表示风险预测系数，表示深度风险系数在计算风险预测过程中的采样比例，表示关键信息素在计算风险预测过程中的采样比例，表示数字交通信息在计算风险预测过程中的采样比例，表示将当前驾驶环境下的深度风险系数、摄像头识别到的行人、车辆和障碍物关键信息和数字交通信息代入训练后的深度学习算法模型，分析预测出未来驾驶环境下的风险预测系数，根据风险预测系数，分析预测出未来驾驶环境下的行驶风险，为后续切换自动驾驶模式提供数据参考；

评估管控模块130根据关键信息素、深度风险系数和风险预测系数，判断生成对应的管控信号，并对应连接座舱操作系统或自动驾驶系统进行驾驶管控，关键信息素中车辆行驶方向存在行人、车辆和障碍物时，评估管控模块130判断生成刹车管控信号，并连接座舱操作系统主动刹车减速，缩短了决策周期，提高了系统应急响应速度，保障了复杂拥挤交通环境下的行车安全，深度风险系数高于风险预测系数时，评估管控模块130判断生成被动管控信号，并连接座舱操作系统显示关键信息素和联网数据集，辅助驾驶员决策当前交通状态下行车操作，深度风险系数低于等于风险预测系数时，评估管控模块130判断生成主动管控信号，并连接连接智能驾驶系统主动切换为全自动驾驶模式，避免复杂拥挤交通环境下，驾驶员响应不及时而导致交通事故，深度学习决策准确性高。

根据本发明实施例，本发明还提供了一种电子设备和一种可读存储介质。

图2示出了可以用来实施本发明实施例的电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，例如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，例如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本发明的实现。

电子设备包括计算单元201，其可以根据存储在ROM202中的计算机程序或者从存储单元208加载到RAM203中的计算机程序，来执行各种适当的动作和处理。在RAM203中，还可存储电子设备操作所需的各种程序和数据。计算单元201、ROM202以及RAM203通过总线204彼此相连。I/O接口205也连接至总线204。

电子设备中的多个部件连接至I/O接口205，包括：输入单元206，例如键盘、鼠标等；输出单元207，例如各种类型的显示器、扬声器等；存储单元208，例如磁盘、光盘等；以及通信单元209，例如网卡、调制解调器、无线通信收发机等。通信单元209允许电子设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元201的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元201执行上文所描述的各个方法和处理。例如，在一些实施例中，车辆智能驾驶视觉感知系统中的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元208。在一些实施例中，计算机程序的部分或者全部可以经由ROM202和/或通信单元209而被载入和/或安装到电子设备上。当计算机程序加载到RAM203并由计算单元201执行时，可以执行上文描述的车辆智能驾驶视觉感知系统中的方法的一个或多个步骤。备选地，在其他实施例中，计算单元201可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行车辆智能驾驶视觉感知系统中的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。可读存储介质可以是机器可读信号介质或机器可读储存介质。可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种车辆智能驾驶视觉感知系统，其特征在于，包括：多维采集模块、深度感知模块和评估管控模块；

所述多维采集模块包括驾驶数据单元、常规采集单元、特殊采集单元和联网数据单元；所述驾驶数据单元通过网络连接座舱操作系统采集驾驶数据集，并传输至深度感知模块；所述驾驶数据集包括实时车速、油量、电量、转向角度和导航信息；所述常规采集单元通过网络连接高清摄像头采集常规数据集，并传输至深度感知模块；所述常规数据集包括高清摄像头捕捉到的车辆外部全方位视角的图像信息，所述常规采集单元将常规数据集分别描述为、、、...、，至对应多个不同视角高清摄像头捕捉到的画面信息；所述特殊采集单元通过网络连接红外激光摄像头采集特殊数据集，并传输至深度感知模块；所述特殊数据集包括红外激光摄像头捕捉到的车辆外部全方位视角的图像信息，所述特殊采集单元将特殊数据集分别描述为、、、...、，至对应多个不同视角红外激光摄像头捕捉到的画面信息；所述联网数据单元通过网络连接云平台采集联网数据集，并传输至深度感知模块；联网数据集包括云平台提供的数字交通信息，所述联网数据单元将联网数据集分别描述为、、、...、，至对应驾驶环境中多个路段的数字交通信息；所述多维采集模块通过网络连接深度感知模块；

所述深度感知模块包括预处理单元、感知分析单元和预测分析单元；所述预处理单元依次识别常规数据集至中存在的行人、车辆或障碍物，并统计存在行人、车辆或障碍物的高清摄像头总数；若常规数据集至中存在行人、车辆或障碍物的高清摄像头总数超过高清摄像头总数的一半，判断当前交通状态为拥挤，预处理单元将常规数据集结合特殊数据集，过滤优化得到关键信息素；若常规数据集至中存在行人、车辆或障碍物的高清摄像头总数未超过高清摄像头总数的一半，判断当前交通状态为畅通，预处理单元根据常规数据集过滤优化得到关键信息素；所述预处理单元将关键信息素传输至感知分析单元；所述感知分析单元设置有深度学习框架，并结合联网数据集进行模型训练，所述感知分析单元将关键信息素和驾驶数据集代入训练后的深度学习算法模型，计算得到深度风险系数，并传输至预测分析单元；所述预测分析单元根据深度风险系数、关键信息素和联网数据集，计算得到风险预测系数，并传输至评估管控模块，所述深度感知模块通过网络连接评估管控模块；

所述评估管控模块根据关键信息素、深度风险系数和风险预测系数，判断生成对应的管控信号，并对应连接座舱操作系统或自动驾驶系统进行驾驶管控。

2.根据权利要求1所述的一种车辆智能驾驶视觉感知系统，其特征在于：所述感知分析单元使用Keras深度学习框架提供的Subclassing API来构建深度学习算法模型，并通过联网数据集中的数字交通信息进行模型训练，所述感知分析单元将训练后的深度学习算法模型描述为，表示深度学习算法模型开始训练的时间点，表示深度学习算法模型结束训练的时间点。

3.根据权利要求2所述的一种车辆智能驾驶视觉感知系统，其特征在于：所述感知分析单元将关键信息素和驾驶数据集代入训练后的深度学习算法模型，计算得到深度风险系数，其计算公式如下：公式中，表示深度风险系数，表示将摄像头识别到的行人、车辆和障碍物关键信息结合驾驶操作实时车速、油量、电量、转向角度和导航信息代入训练后的深度学习算法模型，分析评估出当前驾驶环境下的深度风险系数。

4.根据权利要求3所述的一种车辆智能驾驶视觉感知系统，其特征在于：所述预测分析单元根据深度风险系数、关键信息素和联网数据集，计算得到风险预测系数，其计算公式如下：公式中，表示风险预测系数，表示深度风险系数在计算风险预测过程中的采样比例，表示关键信息素在计算风险预测过程中的采样比例，表示数字交通信息在计算风险预测过程中的采样比例，表示将当前驾驶环境下的深度风险系数、摄像头识别到的行人、车辆和障碍物关键信息和数字交通信息代入训练后的深度学习算法模型，分析预测出未来驾驶环境下的风险预测系数。

5.根据权利要求4所述的一种车辆智能驾驶视觉感知系统，其特征在于：所述关键信息素中车辆行驶方向存在行人、车辆和障碍物时，评估管控模块判断生成刹车管控信号，并连接座舱操作系统主动刹车减速。

6.根据权利要求5所述的一种车辆智能驾驶视觉感知系统，其特征在于：所述深度风险系数高于风险预测系数时，评估管控模块判断生成被动管控信号，所述深度风险系数低于等于风险预测系数时，评估管控模块判断生成主动管控信号。

7.根据权利要求6所述的一种车辆智能驾驶视觉感知系统，其特征在于：所述评估管控模块根据被动管控信号连接座舱操作系统显示关键信息素和联网数据集，所述评估管控模块根据主动管控信号连接智能驾驶系统主动切换为全自动驾驶模式。

8.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1至7任一项所述的一种车辆智能驾驶视觉感知系统中的方法。

9.一种存储介质，其特征在于，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现如权利要求1至7中任一项所述的一种车辆智能驾驶视觉感知系统中的方法。