CN206649533U - 车载图像识别装置和车辆 - Google Patents
车载图像识别装置和车辆 Download PDFInfo
- Publication number
- CN206649533U CN206649533U CN201720293704.1U CN201720293704U CN206649533U CN 206649533 U CN206649533 U CN 206649533U CN 201720293704 U CN201720293704 U CN 201720293704U CN 206649533 U CN206649533 U CN 206649533U
- Authority
- CN
- China
- Prior art keywords
- radar
- processor
- image
- vehicle
- video data
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本实用新型公开了一种车载图像识别装置和车辆。其中,该装置包括:雷达,用于采集雷达回波信号成像模块,与雷达连接,用于根据雷达回波信号生成合成孔径雷达图像;第一处理器,与成像模块连接,用于采用预设第一深度学习算法得到与合成孔径雷达图像对应的物体识别结果,本实用新型解决了现有技术中在光线不好或者恶劣天气下,无法辨识车辆上摄像头采集的视频数据的技术问题。
Description
技术领域
本实用新型涉及图像处理领域,具体而言,涉及一种车载图像识别装置和车辆。
背景技术
随着我国机动车辆数量的急剧增加,对交通控制、安全管理的要求也越来越高,智能交通系统已经成为当前交通管理发展的防线,以图像处理技术为基础的物体识别系统作为智能交通的一个重要的组成部分,在高度公路、一般道路等行驶中起着重要的作用。
现有技术中经常使用的为通过摄像头来进行车辆前方或者周围数据的采集,然后对摄像头数据进行分析来进行物体的识别,但是在光线不好或者恶劣天气的情况下,会严重影响摄像头数据,导致摄像头数据无法识别,影响对物体的判断,不利于司机作出决断。
针对上述现有技术中在光线不好或者恶劣天气下,无法辨识车辆上摄像头采集的视频数据的问题,目前尚未提出有效的解决方案。
实用新型内容
本实用新型实施例提供了一种车载图像识别装置和车辆,以至少解决现有技术中在光线不好或者恶劣天气下,无法辨识车辆上摄像头采集的视频数据的技术问题。
根据本实用新型实施例的一个方面,提供了一种车载图像识别装置,包括:雷达,用于采集雷达回波信号;成像模块,与雷达连接,用于根据雷达回波信号生成合成孔径雷达图像;第一处理器,与成像模块连接,用于采用预设第一深度学习算法得到与合成孔径雷达图像对应的物体识别结果。
进一步的,装置还包括:摄像模块,摄像模块与第一处理器连接,用于采集视频数据。
进一步的,装置还包括:第二处理器,与摄像模块和第一处理器连接,用于采用预设第二深度学习算法得到与视频数据对应的物体识别结果。
进一步的,第二处理器包括现场可编程门阵列和/或图形处理器。
进一步的,预设第二深度学习算法为半监督的深度学习算法。
进一步的,装置还包括:显示器,与第一处理器连接,用于显示物体识别结果。
进一步的,第一处理器包括现场可编程门阵列和/或图形处理器。
进一步的,成像模块包括现场可编程门阵列和/或图形处理器。
进一步的,雷达为合成孔径雷达。
根据本实用新型实施例的另一方面,还提供了一种车辆,包括上述车载图像识别装置。
在本实用新型实施例中,通过雷达采集雷达回波信号,并由与雷达连接的成像模块根据雷达回波信号生成合成孔径雷达图像,再由与成像模块连接的第一处理器,采用预设第一深度学习算法得到与合成孔径雷达图像对应的物体识别结果,达到了对物体识别的目的,并且由于合成孔径雷达图像受光线或天气的影响极小,因此即使是在光线不好或者恶劣天气下,也可以获得更加准确的图像信息,从而复原合成孔径雷达图像映射的实际物体,保障车辆行驶安全,进而解决了现有技术中在光线不好或者恶劣天气下,无法辨识车辆上摄像头采集的视频数据的技术问题。
附图说明
此处所说明的附图用来提供对本实用新型的进一步理解,构成本申请的一部分,本实用新型的示意性实施例及其说明用于解释本实用新型,并不构成对本实用新型的不当限定。在附图中:
图1是根据本实用新型实施例的一种车载图像识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本实用新型方案,下面将结合本实用新型实施例中的附图,对本实用新型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实用新型一部分的实施例,而不是全部的实施例。基于本实用新型中的实施例,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,都应当属于本实用新型保护的范围。
需要说明的是,本实用新型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,以便这里描述的本实用新型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
根据本实用新型实施例,提供了一种车载图像识别装置的产品实施例,图1是根据本实用新型实施例的车载图像识别装置,如图1所示,该装置包括雷达101、成像模块103和第一处理器105,其中,雷达101,用于采集雷达回波信号;成像模块103,与雷达连接,用于根据雷达回波信号生成合成孔径雷达图像;第一处理器105,与成像模块连接,用于采用预设第一深度学习算法得到与合成孔径雷达图像对应的物体识别结果。
具体的,合成孔径雷达图像,即SAR(Synthetic Aperture Radar)图像,合成孔径雷达图像可以通过合成孔径雷达获取,因此本实施例中的雷达101可以为合成孔径雷达,合成孔径雷达具有不受光照和气候条件等限制实现全天时、全天候观察的特点,并且具备穿透能力,因此即使是在光线不好或者恶劣天气下,也可以获得可以供正常使用的合成孔径雷达图像。
在一种可选的实施例中,在需要对车辆前方或者周围的物体进行识别的时候,可以通过雷达101和成像模块103得到目标对象的合成孔径雷达图像,然后由第一处理器105将目标对象的合成孔径雷达图像与预存的合成孔径雷达图像进行匹配,在匹配成功的情况下,根据预存的合成孔径雷达图像与物体识别结果的对应关系,确定目标对象的合成孔径雷达图像对应的物体识别结果。
具体的,第一处理器105可以预先存储至少一个合成孔径雷达图像,获取到目标对象的合成孔径雷达图像后,将目标对象的合成孔径雷达图像与预先存储的至少一个合成孔径雷达图像一一进行比对和匹配,由于第一处理器105中预存有每个合成孔径雷达图像对应的物体识别结果,因此,当目标对象的合成孔径雷达图像与预先存储的至少一个合成孔径雷达图像匹配成功后,就可以对应的确定目标对象的合成孔径雷达图像对应的物体识别结果。
在本实用新型实施例中,通过雷达101采集雷达回波信号,并由与雷达101连接的成像模块103根据雷达回波信号生成合成孔径雷达图像,再由与成像模块103连接的第一处理器105,采用预设第一深度学习算法得到与合成孔径雷达图像对应的物体识别结果,达到了对物体识别的目的,并且由于合成孔径雷达图像受光线或天气的影响极小,因此即使是在光线不好或者恶劣天气下,也可以获得更加准确的图像信息,从而复原合成孔径雷达图像映射的实际物体,保障车辆行驶安全,进而解决了现有技术中在光线不好或者恶劣天气下,无法辨识车辆上摄像头采集的视频数据的技术问题。
在一种可选的实施例中,如图1所示,装置还包括:摄像模块107,摄像模块107与第一处理器105连接,用于采集视频数据。
在一种可选的实施例中,如图1所示,装置还包括:第二处理器109,与摄像模块107和第一处理器105连接,用于采用预设第二深度学习算法得到与视频数据对应的物体识别结果。
具体的,为了实现根据合成孔径雷达图像得到物体识别结果,需要事先进行数据训练,其中一种数据训练方式为采集一定数目的合成孔径雷达图像直接进行训练,即对合成孔径雷达图像进行标定,但是由于合成孔径雷达图像的后期辨识度不高,因此如果直接对合成孔径雷达图像进行标定,准确率会比较低,因此,优选的,可以采用获取预定数目的视频数据并将视频数据作为标定数据的方式,具体为首先由摄像模块107以及雷达101和成像模块103同步获取预定数目的视频数据和预定数目的合成孔径雷达图像,然后由第二处理器109对预定数目的视频数据进行训练,可以采用光学图像成熟的深度学习引擎来实现对视频数据的训练,从而得到视频数据和物体识别结果之间的对应关系,再由第一处理器105根据预定数目的视频数据和预定数目的合成孔径雷达图像之间的对应关系,得到合成孔径雷达图像与物体识别结果的对应关系。
此处需要注意的是,同步获取预定数目的视频数据和预定数目的合成孔径雷达图像除了需要保证同步性,还需要保证对象的一致性。
在一种可选的实施例中,由于天气、光线、角度或曝光等原因,导致用于深度学习的训练帧包括视频数据帧以及合成孔径雷达图像帧难以达到深度学习的输入要求,因此需要对训练帧进行分析和筛选,筛选出适合用来深度学习的样本数据,以保证深度学习的有效性。
在一种可选的实施例中,第二处理器109对预定数据的视频数据进行训练的时候,需要对视频数据进行分割增强等数字图像处理。
在一种可选的实施例中,第一处理器105根据预定数目的视频数据和预定数目的合成孔径雷达图像之间的对应关系,得到合成孔径雷达图像与物体识别结果的对应关系之前,还需要截取预定数目的视频数据和预定数目的合成孔径雷达图像中时间刻度一致的帧进行比对,得到预定数目的视频数据和预定数目的合成孔径雷达图像之间的对应关系。具体的,为了根据视频数据与物体识别结果之间的对应关系得到合成孔径雷达图像与物体识别结果之间的对应关系,需要首先确定视频数据和合成孔径雷达图像之间的对应关系,除了在获取预定数目的视频数据和预定数目的合成孔径雷达图像时保证对象的一致性以及同步性之外,还需要截取预定数目的视频数据和预定数目的合成孔径雷达图像的帧进行比对,必须保证这些帧在时间刻度上的一致性。
在一种可选的实施例中,第二处理器109包括现场可编程门阵列和/或图形处理器。
具体的,第二处理器109可以采用现场可编程门阵列(FPGA)和/或图形处理器(GPU)来实现提高实时性,优选为使用现场可编程门阵列(FPGA)。
在一种可选的实施例中,第二处理器109中预设第二深度学习算法为半监督的深度学习算法。
在一种可选的实施例中,如图1所示,装置还包括:显示器111,与第一处理器105连接,用于显示物体识别结果。
在一种可选的实施例中,第一处理器105包括现场可编程门阵列和/或图形处理器。
具体的,第一处理器105可以采用现场可编程门阵列(FPGA)和/或图形处理器(GPU)来实现提高实时性,优选为使用现场可编程门阵列(FPGA)。
在一种可选的实施例中,成像模块103包括现场可编程门阵列和/或图形处理器。
具体的,成像模块103可以采用现场可编程门阵列(FPGA)和/或图形处理器(GPU)来实现提高实时性,优选为使用现场可编程门阵列(FPGA)。
在一种可选的实施例中,物体识别结果至少包括物体名称信息。
具体的,物体识别结果还可以包括物体样图等。
在一种可选的实施例中,可以首先由成像模块103使用FPGA进行合成孔径雷达图像的成像,同时使用摄像模块107进行同步的视频采集,并确保合成孔径雷达图像的成像对象和摄像模块拍摄对象的一致性,每采集一定的合成孔径雷达图像和视频数据,便开始进行深度训练,输入到第二处理器109中由第二处理器109对视频数据进行深度学习,得到视频数据对应的物体识别结果,第一处理器105根据合成孔径雷达图像以及视频数据对应的物体识别结果,结合合成孔径雷达图像与视频数据的对应关系,获得合成孔径雷达图像对应的物体识别结果,当需要对目标对象进行识别时,首先由雷达101和成像模块103得到目标对象的合成孔径雷达图像,由第一处理器105将目标对象的合成孔径雷达图像与预存的合成孔径雷达图像进行匹配,在匹配成功的情况下,根据预存的合成孔径雷达图像与物体识别结果的对应关系,确定目标对象的合成孔径雷达图像对应的物体识别结果并由显示器111进行显示,该目标对象的物体识别结果信息可以传输到车辆主动安全系统来触发刹车或警示或其他安全措施的执行。
实施例2
根据本实用新型实施例,提供了一种车辆的产品实施例,该车辆包括上述车载图像识别装置。
上述本实用新型实施例序号仅仅为了描述,不代表实施例的优劣。
在本实用新型的上述实施例中,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,在本实用新型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,本实用新型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)执行本实用新型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。
以上所述仅是本实用新型的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本实用新型原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本实用新型的保护范围。
Claims (10)
1.一种车载图像识别装置,其特征在于,包括:
雷达,用于采集雷达回波信号;
成像模块,与所述雷达连接,用于根据所述雷达回波信号生成合成孔径雷达图像;
第一处理器,与所述成像模块连接,用于采用预设第一深度学习算法得到与所述合成孔径雷达图像对应的物体识别结果。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括:
摄像模块,所述摄像模块与所述第一处理器连接,用于采集视频数据。
3.根据权利要求2所述的装置,其特征在于,所述装置还包括:
第二处理器,与所述摄像模块和所述第一处理器连接,用于采用预设第二深度学习算法得到与所述视频数据对应的物体识别结果。
4.根据权利要求3所述的装置,其特征在于,所述第二处理器包括现场可编程门阵列和/或图形处理器。
5.根据权利要求3所述的装置,其特征在于,所述预设第二深度学习算法为半监督的深度学习算法。
6.根据权利要求1所述的装置,其特征在于,所述装置还包括:
显示器,与所述第一处理器连接,用于显示所述物体识别结果。
7.根据权利要求1-6中任意一项所述的装置,其特征在于,所述第一处理器包括现场可编程门阵列和/或图形处理器。
8.根据权利要求1-6中任意一项所述的装置,其特征在于,所述成像模块包括现场可编程门阵列和/或图形处理器。
9.根据权利要求1-6中任意一项所述的装置,其特征在于,所述雷达为合成孔径雷达。
10.一种车辆,其特征在于,包括权利要求1-9中任意一项所述的车载图像识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201720293704.1U CN206649533U (zh) | 2017-03-23 | 2017-03-23 | 车载图像识别装置和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201720293704.1U CN206649533U (zh) | 2017-03-23 | 2017-03-23 | 车载图像识别装置和车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN206649533U true CN206649533U (zh) | 2017-11-17 |
Family
ID=60279995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201720293704.1U Active CN206649533U (zh) | 2017-03-23 | 2017-03-23 | 车载图像识别装置和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN206649533U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629246A (zh) * | 2017-03-23 | 2018-10-09 | 北京行易道科技有限公司 | 车载图像处理方法、装置以及车辆 |
CN110379178A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 |
-
2017
- 2017-03-23 CN CN201720293704.1U patent/CN206649533U/zh active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629246A (zh) * | 2017-03-23 | 2018-10-09 | 北京行易道科技有限公司 | 车载图像处理方法、装置以及车辆 |
CN108629246B (zh) * | 2017-03-23 | 2024-03-01 | 北京行易道科技有限公司 | 车载图像处理方法、装置以及车辆 |
CN110379178A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840880B (zh) | 一种路面识别方法和装置 | |
CN109087510B (zh) | 交通监测方法及装置 | |
DE102018121019A1 (de) | Erweitern von realen sensoraufzeichnungen mit simulierten sensordaten | |
CN112507862B (zh) | 基于多任务卷积神经网络的车辆朝向检测方法及系统 | |
CN114022830A (zh) | 一种目标确定方法以及目标确定装置 | |
CN112348737B (zh) | 模拟图像生成的方法、电子设备及存储介质 | |
CN103778643A (zh) | 一种实时生成目标深度信息的方法及其装置 | |
CN206649533U (zh) | 车载图像识别装置和车辆 | |
US11797858B2 (en) | Translation of training data between observation modalities | |
CN112699885A (zh) | 一种基于对抗生成网络gan的语义分割训练数据增广方法和系统 | |
CN111381585A (zh) | 一种构建占据栅格地图的方法及其装置、相关设备 | |
CN115457354A (zh) | 融合方法、3d目标检测方法、车载设备及存储介质 | |
CN108629246B (zh) | 车载图像处理方法、装置以及车辆 | |
CN112507891B (zh) | 自动化识别高速路口并构建路口向量的方法及装置 | |
CN110334652A (zh) | 图像处理方法、电子设备及存储介质 | |
EP3832525A1 (en) | Vehicles, systems, and methods for determining an entry of an occupancy map of a vicinity of a vehicle | |
CN116630931A (zh) | 障碍物检测方法、系统、农业机械、电子设备和存储介质 | |
CN115586506A (zh) | 一种抗干扰目标分类方法及装置 | |
CN115346184A (zh) | 一种车道信息检测方法、终端及计算机存储介质 | |
CN115240168A (zh) | 感知结果获取方法、装置、计算机设备、存储介质 | |
CN114913488A (zh) | 抛洒物检测方法、装置、电子设备及存储介质 | |
CN113624223A (zh) | 一种室内停车场地图构建方法及装置 | |
CN112966622A (zh) | 一种停车场语义地图完善方法、装置、设备和介质 | |
CN110012351A (zh) | 标签数据获取方法、存储器、终端、车辆以及车联网系统 | |
CN116343158B (zh) | 车道线检测模型的训练方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |