WO2019183751A1 - 一种车前积雪与结冰的检测报警方法、存储介质和服务器 - Google Patents

一种车前积雪与结冰的检测报警方法、存储介质和服务器 Download PDF

Info

Publication number
WO2019183751A1
WO2019183751A1 PCT/CN2018/080473 CN2018080473W WO2019183751A1 WO 2019183751 A1 WO2019183751 A1 WO 2019183751A1 CN 2018080473 W CN2018080473 W CN 2018080473W WO 2019183751 A1 WO2019183751 A1 WO 2019183751A1
Authority
WO
WIPO (PCT)
Prior art keywords
snow
ice
vehicle
recognition result
road surface
Prior art date
Application number
PCT/CN2018/080473
Other languages
English (en)
French (fr)
Inventor
周清华
刘光军
陈炎平
黄雯
Original Assignee
深圳市锐明技术股份有限公司
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 深圳市锐明技术股份有限公司 filed Critical 深圳市锐明技术股份有限公司
Priority to PCT/CN2018/080473 priority Critical patent/WO2019183751A1/zh
Priority to CN201880000221.5A priority patent/CN108513674B/zh
Publication of WO2019183751A1 publication Critical patent/WO2019183751A1/zh

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
    • G08B19/02—Alarm responsive to formation or anticipated formation of ice
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Definitions

  • the present invention relates to the field of image processing technologies, and in particular, to a method for detecting and alarming snow and ice in front of a vehicle, a storage medium, and a server.
  • the embodiment of the invention provides a method for detecting and alarming snow and ice in front of a vehicle, a storage medium and a server, which can detect the snow and icing conditions of the road area and issue alarm information in time to greatly reduce the snow and icing road surface. The adverse effects of the situation on driving.
  • a method for detecting and alarming snow and ice in front of a vehicle including:
  • it also includes:
  • the preset time or the preset distance sends an early warning message to the vehicle that is going to travel.
  • the method further includes:
  • the recognition result is that there is snow or ice on the road surface, the weather condition of the area to which the location corresponding to the positioning information belongs is obtained;
  • the deep learning model is pre-trained by the following steps:
  • the standard recognition result includes snow or ice on the road surface, or no snow or ice on the road surface;
  • it also includes:
  • the generated alarm information is stored in the designated alarm list
  • the alarm information required for the request is queried from the alarm list, and then the alarm information required for the request is fed back to the requesting party.
  • a detection and alarm device for snow and ice in front of a vehicle including:
  • a shooting video acquisition module configured to acquire a first video of a camera on a vehicle to capture a scene in front of the vehicle
  • a picture intercepting module configured to intercept, from a video frame of the first video, a first picture that represents a road surface condition in the front scene
  • An identification module configured to input the first picture as an input to a pre-trained completed deep learning model, to obtain a recognition result output by the deep learning model, where the recognition result is that there is snow or ice on the road surface, or a road surface There is no snow or ice on it;
  • the alarm module is configured to issue an alarm message if the recognition result is that there is snow or ice on the road surface.
  • the detecting and alarming device for snow and ice in front of the vehicle further comprises:
  • a positioning information acquiring module configured to acquire positioning information of the vehicle when the camera captures a first video of a scene in front of the vehicle;
  • An association storage module configured to store the positioning information in association with the identification result
  • the early warning module is configured to: if the recognition result is that there is snow or ice on the road surface, and detecting that the vehicle is going to travel through the location corresponding to the positioning information, the preset time or the preset distance is to be traveled The vehicle issues an early warning message.
  • the detecting and alarming device for snow and ice in front of the vehicle further comprises:
  • a weather condition obtaining module configured to obtain weather conditions of a region corresponding to the location corresponding to the positioning information if the recognition result is that snow or ice is present on the road surface
  • An ablation duration determining module configured to determine a length of time required for snow or icing ablation in the region to be located according to the weather condition
  • the ablation time determining module is configured to determine an ablation time of snow or ice on the location corresponding to the positioning information according to the determined duration;
  • the effectiveness modification module is configured to modify the state of the recognition result stored in association with the positioning information to be invalid when the ablation time arrives.
  • a server comprising a memory, a processor, and a computer program stored in the memory and operable on the processor, the processor implementing the aforementioned vehicle front product when executing the computer program Steps for detecting alarms for snow and icing.
  • a computer readable storage medium storing a computer program, the step of implementing the above-described method for detecting and alarming snow and ice in front of a vehicle when the computer program is executed by a processor .
  • the first video of the scene in front of the vehicle is captured by acquiring the camera, and a picture representing the condition of the road surface is intercepted therefrom, and the picture is input to the deep learning model completed by the pre-training to obtain the recognition result, so that the current vehicle can be obtained.
  • the picture is input to the deep learning model completed by the pre-training to obtain the recognition result, so that the current vehicle can be obtained.
  • FIG. 1 is a flow chart of an embodiment of a method for detecting and alarming snow and ice in front of a vehicle according to an embodiment of the present invention
  • FIG. 2 is a schematic flow chart of pre-training a deep learning model in an application scenario according to an embodiment of the invention for detecting and alarming snow and ice in front of the vehicle;
  • FIG. 3 is a schematic flow chart of providing early warning information for other vehicles in an application scenario according to an embodiment of the invention for detecting and alarming snow and ice in front of the vehicle;
  • FIG. 4 is a schematic flow chart of estimating ice and snow ablation time in an application scenario according to an embodiment of the invention for detecting and alarming snow and ice in front of the vehicle;
  • FIG. 5 is a structural diagram of an embodiment of a device for detecting and alarming snow and ice in front of a vehicle according to an embodiment of the present invention
  • FIG. 6 is a schematic diagram of a server according to an embodiment of the present invention.
  • the embodiment of the invention provides a method for detecting and alarming snow and icing in front of a vehicle, a storage medium and a server, which are used for solving the problem of detecting the snow and icing conditions of the road area and issuing corresponding alarms in time.
  • the invention adopts a deep learning-based image method to detect road area snow and icing conditions in real time and issue real-time alarms.
  • all vehicles installing the method or system are connected to the platform to form a city network, in each All vehicles in a city can share information.
  • a car detects the presence of snow and ice in a certain area, it can remind the other vehicles passing through the place in advance within a certain period of time to maximize the dangerous situation. Early warning to prevent unnecessary accidents.
  • an embodiment of a method for detecting and alarming snow and ice in front of a vehicle in an embodiment of the present invention includes:
  • the executor of the embodiment may be a terminal device or a server.
  • the executor of the embodiment is a server, such as a cloud server platform.
  • the vehicle can be equipped with an ADAS (Advanced Driver Assistance System) camera at a suitable position on the front window of the vehicle for capturing video and video of the scene in front of the vehicle, so that the server can obtain the first video by communicating with the vehicle's ADAS system.
  • ADAS Advanced Driver Assistance System
  • the camera can be mounted specifically on the vertical centerline of the glass so that it is not easily affected by the wiper.
  • the communication module communicating with the server on the vehicle can be specifically connected to the MDVR (Mobile).
  • MDVR Mobile
  • 2G/3G/4G/5G network bandwidth can be applied. It is usually realized by connecting the corresponding antennas, and wired network communication can also be used in the indoor test environment.
  • each video frame in the first video may be acquired, and a picture including the front road surface condition, that is, the first picture described above, is intercepted from the video frame.
  • the camera is usually fixedly mounted on a vehicle, and the shooting angle of the camera is unchanged after installation.
  • the camera can be installed on the vertical center line of the front window of the vehicle, and the camera is facing the vehicle.
  • the road surface condition image contained in the first video captured by the camera occupies a fixed area in the video frame. Therefore, when the first picture representing the road surface condition is captured in the front scene, the fixed area image in the video frame of the first video may be intercepted, and the cut fixed area image is the first picture.
  • step 102 extracting an image in the intercepted area from a video frame of the first video to obtain the first picture.
  • the first picture is input as an input to a pre-trained deep learning model, and a recognition result output by the deep learning model is obtained, where the result is snow or ice on the road surface or does not exist on the road surface. Snow or ice;
  • the first picture may be input as an input to a pre-trained deep learning model to obtain a recognition result output by the deep learning model, where the result is snow or knot on the road surface. There is no snow or ice on the ice or on the road.
  • the deep learning model is obtained by training a large number of training samples in advance, and can identify and judge the road surface condition in the first picture to know whether there is snow on the road surface in the first picture or Icing.
  • the alarm information may be sent by an LED or an LCD prompter on the vehicle.
  • a voice prompt or a screen prompt may be sent to the driver of the vehicle, so that the driver can detect the time and perform the slow-down processing in time.
  • the generated alarm information is stored in the designated alarm list; when receiving the request for querying the alarm information, The alarm list is queried for the alarm information required by the request, and then the alarm information required for the request is fed back to the requesting party.
  • the alarm information can be transmitted to the server, and the server adds the alarm information to the specified alarm list, and can select to classify the alarm information in the alarm list according to time or according to the alarm type. Arrange for easy access.
  • the server may also store the first picture and/or the first video as needed, wherein the number of pictures or the length of the video may be set as needed for use as evidence.
  • the deep learning model can be pre-trained by the following steps:
  • the training recognition result is used as a target, and the model parameters of the deep learning model are adjusted to minimize an error between the obtained training recognition result and a standard recognition result corresponding to each of the sample pictures.
  • step 201 before training the deep learning model, it is necessary to collect a plurality of sample videos for training in advance, which are taken from the front scene, including snow or ice on the front road surface, and the front of the vehicle. There is no snow or ice on the road surface. The larger the amount of data for these sample videos, the better the training effect on the deep learning model.
  • the foregoing step 202 is similar to the content of the foregoing step 102, and the principle is basically the same, and details are not described herein again.
  • step 203 after collecting and intercepting the sample images for training, it is also necessary to mark the standard recognition results corresponding to the sample images, that is, which sample images are collected from the road conditions in which snow or ice is present, and which samples are taken. The picture is taken from the condition of the road where there is no snow or ice.
  • each sample picture is input to the deep learning model, and since the deep learning model has not been trained yet, the output training result and the pre-marked standard recognition result may exist. Certain deviations and errors.
  • an error between the training recognition result and the standard recognition result corresponding to the sample picture may be calculated, and the model parameter of the deep learning model is adjusted according to the calculated error, so as to make the follow-up
  • the error between the training recognition result of the training output and the standard recognition result is minimized.
  • the preset condition may be determined when training a specific deep learning model, for example, the setting error is less than a specific threshold, and the specific threshold may be a percentage value. The smaller the specific threshold is, the more the deep learning model obtained by the final training is completed. Stable, the higher the recognition accuracy.
  • the recognition result in this embodiment may also be combined with the positioning information to provide early warning information for other vehicles.
  • the method for detecting and detecting snow and ice in front of the vehicle may further include:
  • the preset time or the preset distance is used to issue an early warning message to the vehicle that is going to travel. .
  • the server can combine the GPS positioning and the high-precision map, and obtain the identification result by acquiring the positioning information of the vehicle when the camera captures the first video of the front scene.
  • the server can mark where there is snow or ice on the corresponding position mark of the high-precision map, and which position does not have snow or ice.
  • the server Since the server stores the positioning information and the recognition result in association, when the server finds that the vehicle is about to travel past a certain location where there is snow or ice, the server may issue the vehicle a short time or distance. Early warning information so that the driver on the vehicle can make countermeasures or prepare for work in advance.
  • the method for detecting snow and ice in front of the vehicle may further include:
  • step 401 for the recognition result associated with a certain positioning information, if the recognition result is that there is snow or ice on the road surface, there is snow or ice representing the location corresponding to the positioning information, and the server estimates the location.
  • the server may obtain weather information of the area from the website of the weather bureau, including information such as temperature, air humidity, and snowfall.
  • the length of time required for snow or ice ablation may be determined according to the weather condition.
  • the duration can be determined by the correspondence between the preset weather conditions and the ablation duration. For example, according to the empirical value, the ablation duration corresponding to "the temperature is between 10 and 20 degrees, and the snowfall is less than 1.0 mm in 12 hours" can be set to 1 hour.
  • the ablation time of snow or ice on the ground corresponding to the positioning information can be calculated.
  • the duration required for the ablation is equal to the ablation time minus the shooting time point of the first video
  • the server can know the shooting time point of the first video, so that the ablation time can be calculated to be equal to the shooting time of the first video plus The length of time required for the upper ablation. For example, if the shooting time of the first video is 9:00 am and the time required for ablation is 1 hour, the ablation time is 10:00 am.
  • step 404 when the ablation time arrives, it can be understood that if the recognition result is that there is snow or ice on the road surface, since the ablation time is reached, the positioning information may be considered to correspond to snow on the ground or The icing has been ablated, so the recognition result has expired for the warning function of the server, so that the server can modify the state of the recognition result stored in association with the positioning information to be invalid.
  • the present embodiment can maximize the accuracy warning of the snow or icing danger appearing in front of the driver's driving, and the accuracy of the duration of the danger signal at the alarm position.
  • the server can comprehensively and accurately provide the driver with a real-time warning of the danger of snow or ice in front of the vehicle to avoid such accidents.
  • the first video of the scene in front of the vehicle is captured by acquiring the camera, and a picture representing the condition of the road surface is intercepted therefrom, and the picture is input to the deep learning model completed by the pre-training to obtain the recognition result, so that the current vehicle of the vehicle can be obtained.
  • the picture is input to the deep learning model completed by the pre-training to obtain the recognition result, so that the current vehicle of the vehicle can be obtained.
  • the embodiment uses a deep learning algorithm to detect the snow or icing condition of the road surface, and the accuracy of the detection can be continuously improved as the number of samples increases; and the vehicles can be interconnected by the server, and the alarm information provided by the vehicle is provided. After real-time warning of the vehicle, it can provide early warning for other vehicles in other areas corresponding to the alarm within a certain period of time, thus forming an overall city (or other regional) alarm linkage network, providing a more comprehensive alarm strategy, and the vehicle networking strategy is also It is more convenient to operate and manage all vehicles.
  • the above mainly describes a method for detecting and warning of snow and ice in front of the vehicle, and a description will be given below of a detection and alarm device for snow and ice in front of the vehicle.
  • FIG. 5 is a structural diagram showing an embodiment of a detection and alarm device for snow and ice in front of a vehicle in an embodiment of the present invention.
  • a detection and alarm device for snow and ice in front of the vehicle includes:
  • the photographing video acquisition module 501 is configured to acquire a first video of the front camera scene captured by the camera on the vehicle;
  • a picture intercepting module 502 configured to intercept, from a video frame of the first video, a first picture that represents a road surface condition in the front scene;
  • the identification module 503 is configured to input the first picture as an input to a pre-trained deep learning model, and obtain a recognition result output by the deep learning model, where the recognition result is that snow or ice is present on the road surface, or There is no snow or ice on the road surface;
  • the alarm module 504 is configured to issue an alarm message if the recognition result is that there is snow or ice on the road surface.
  • the detecting and alarming device for snow and ice in front of the vehicle may further include:
  • a positioning information acquiring module configured to acquire positioning information of the vehicle when the camera captures a first video of a scene in front of the vehicle;
  • An association storage module configured to store the positioning information in association with the identification result
  • the early warning module is configured to: if the recognition result is that there is snow or ice on the road surface, and detecting that the vehicle is going to travel through the location corresponding to the positioning information, the preset time or the preset distance is to be traveled The vehicle issues an early warning message.
  • the detecting and alarming device for snow and ice in front of the vehicle may further include:
  • a weather condition obtaining module configured to obtain weather conditions of a region corresponding to the location corresponding to the positioning information if the recognition result is that snow or ice is present on the road surface
  • An ablation duration determining module configured to determine a length of time required for snow or icing ablation in the region to be located according to the weather condition
  • the ablation time determining module is configured to determine an ablation time of snow or ice on the location corresponding to the positioning information according to the determined duration;
  • the effectiveness modification module is configured to modify the state of the recognition result stored in association with the positioning information to be invalid when the ablation time arrives.
  • the deep learning model can be pre-trained by the following steps:
  • a sample video collection module configured to pre-collect a plurality of sample videos taken from a scene before the vehicle
  • a sample picture intercepting module configured to intercept, from each of the sample videos, a sample picture that characterizes a road surface condition
  • a standard result marking module configured to pre-mark standard identification results corresponding to each of the sample pictures, the standard recognition result includes snow or ice on the road surface, or no snow or ice on the road surface;
  • a training module configured to input each of the sample pictures as input to the deep learning model, to obtain a training recognition result output by the deep learning model
  • a parameter adjustment module configured to target the training recognition result, and adjust a model parameter of the deep learning model to minimize an error between the obtained training recognition result and a standard recognition result corresponding to each sample picture ;
  • the detecting and alarming device for snow and ice in front of the vehicle may further include:
  • An alarm list module configured to store the generated alarm information to a designated alarm list if the recognition result is that there is snow or ice on the road surface;
  • the alarm information querying module is configured to, when receiving the request for querying the alarm information, query the alarm list for the alarm information required by the request, and then feed back the alarm information required by the request to the requesting party.
  • FIG. 6 is a schematic diagram of a server according to an embodiment of the present invention.
  • the server 6 of this embodiment includes a processor 60, a memory 61, and a computer program 62 stored in the memory 61 and operable on the processor 60, for example, performing the above-described snow accumulation in front of the vehicle.
  • a program for detecting alarms with icing The processor 60 executes the computer program 62 to implement the steps in the foregoing embodiments of the method for detecting and alerting snow and ice in front of the vehicle, such as steps 101 to 104 shown in FIG.
  • the processor 60 when executing the computer program 62, implements the functions of the modules/units in the various apparatus embodiments described above, such as the functions of the modules 501 through 504 shown in FIG.
  • the computer program 62 can be partitioned into one or more modules/units that are stored in the memory 61 and executed by the processor 60 to complete this invention.
  • the one or more modules/units may be instruction segments of a series of computer programs capable of performing a particular function, the instruction segments being used to describe the execution of the computer program 62 in the server 6.
  • the server 6 can be a computing device such as a local server or a cloud server.
  • the server may include, but is not limited to, a processor 60, a memory 61. It will be understood by those skilled in the art that FIG. 6 is merely an example of the server 6, and does not constitute a limitation to the server 6, and may include more or less components than those illustrated, or some components may be combined, or different components, such as
  • the server may also include an input and output device, a network access device, a bus, and the like.
  • the processor 60 can be a central processing unit (Central Processing Unit, CPU), can also be other general purpose processors, digital signal processors (Digital Signal Processor, DSP), Application Specific Integrated Circuit (ASIC), off-the-shelf programmable gate array (Field-Programmable Gate Array, FPGA) or other programmable logic device, discrete gate or transistor logic device, discrete hardware components, etc.
  • the general purpose processor may be a microprocessor or the processor or any conventional processor or the like.
  • the memory 61 may be an internal storage unit of the server 6, such as a hard disk or a memory of the server 6.
  • the memory 61 may also be an external storage device of the server 6, such as a plug-in hard disk, a smart memory card (SMC), and a secure digital (SD) card provided on the server 6. Flash card (Flash Card) and so on.
  • the memory 61 may also include both an internal storage unit of the server 6 and an external storage device.
  • the memory 61 is used to store the computer program and other programs and data required by the server.
  • the memory 61 can also be used to temporarily store data that has been output or is about to be output.
  • modules, units, and/or method steps of the various embodiments described in connection with the embodiments disclosed herein can be implemented in electronic hardware or a combination of computer software and electronic hardware. Whether these functions are performed in hardware or software depends on the specific application and design constraints of the solution. A person skilled in the art can use different methods for implementing the described functions for each particular application, but such implementation should not be considered to be beyond the scope of the present invention.
  • the disclosed system, apparatus, and method may be implemented in other manners.
  • the device embodiments described above are merely illustrative.
  • the division of the unit is only a logical function division.
  • there may be another division manner for example, multiple units or components may be combined or Can be integrated into another system, or some features can be ignored or not executed.
  • the mutual coupling or direct coupling or communication connection shown or discussed may be an indirect coupling or communication connection through some interface, device or unit, and may be in an electrical, mechanical or other form.
  • the units described as separate components may or may not be physically separated, and the components displayed as units may or may not be physical units, that is, may be located in one place, or may be distributed to multiple network units. Some or all of the units may be selected according to actual needs to achieve the purpose of the solution of the embodiment.
  • each functional unit in each embodiment of the present invention may be integrated into one processing unit, or each unit may exist physically separately, or two or more units may be integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or in the form of a software functional unit.
  • the integrated unit if implemented in the form of a software functional unit and sold or used as a standalone product, may be stored in a computer readable storage medium.
  • the technical solution of the present invention which is essential or contributes to the prior art, or all or part of the technical solution, may be embodied in the form of a software product stored in a storage medium.
  • a number of instructions are included to cause a computer device (which may be a personal computer, server, or network device, etc.) to perform all or part of the steps of the methods described in various embodiments of the present invention.
  • the foregoing storage medium includes: a U disk, a mobile hard disk, a read-only memory (ROM), and a random access memory (RAM, Random Access).

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种车前积雪与结冰的检测报警方法，用于解决如何检测路面积雪与结冰情况并及时发出相应报警的问题。该方法包括：获取车辆上摄像头拍摄车前场景的第一视频（101）；从第一视频的视频帧中截取出车前场景中表征路面状况的第一图片（102）；将第一图片作为输入投入至预训练完成的深度学习模型，得到深度学习模型输出的识别结果（103），识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；若识别结果为路面上存在积雪或结冰，则发出报警信息（104）。

Description

一种车前积雪与结冰的检测报警方法、存储介质和服务器 技术领域
本发明涉及图像处理技术领域，尤其涉及一种车前积雪与结冰的检测报警方法、存储介质和服务器。
 背景技术
行车途中，路上若有积雪与结冰是令司机非常头疼的一件事，积雪与结冰是路面行车的不稳定因素，是造成很多交通事故的罪魁祸首，长期以来是司机师傅们的心头大患。
因此，如何检测路面积雪与结冰情况并及时发出相应报警成为本领域技术人员亟需解决的问题。
 技术问题
本发明实施例提供了一种车前积雪与结冰的检测报警方法、存储介质和服务器，能够实现检测路面积雪与结冰情况并及时发出报警信息，大大减轻积雪与结冰的路面情况对行车带来的不良影响。
 技术解决方案
第一方面，提供了一种车前积雪与结冰的检测报警方法，包括：
获取车辆上摄像头拍摄车前场景的第一视频；
从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；
将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
若所述识别结果为路面上存在积雪或结冰，则发出报警信息。
可选地，还包括：
获取所述摄像头拍摄车前场景的第一视频时所述车辆的定位信息；
将所述定位信息与所述识别结果关联存储；
若所述识别结果为路面上存在积雪或结冰，且检测到车辆将要行驶经过所述定位信息对应的地点，则提前预设时间或者预设距离对将要行驶经过的车辆发出预警信息。
可选地，在将所述定位信息与所述识别结果关联存储之后，还包括：
若所述识别结果为路面上存在积雪或结冰，获取所述定位信息对应的地点所属地区的天气情况；
根据所述天气情况确定所述所属地区中积雪或结冰消融所需的时长；
根据确定出的所述时长确定所述定位信息对应的地点上积雪或结冰的消融时间；
当所述消融时间到达时，将与所述定位信息关联存储的识别结果的状态修改为失效。
可选地，所述深度学习模型通过以下步骤预先训练得到：
预先收集多个拍摄自车前场景的样本视频；
从各个所述样本视频中截取出表征路面状况的样本图片；
预先标记各个所述样本图片对应的标准识别结果，所述标准识别结果包括路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
将各个所述样本图片作为输入投入至所述深度学习模型，得到所述深度学习模型输出的训练识别结果；
将所述训练识别结果作为目标，调整所述深度学习模型的模型参数，以最小化得到的所述训练识别结果与各个所述样本图片对应的标准识别结果之间的误差；
若所述误差满足预设条件，则确定所述深度学习模型训练完成。
可选地，还包括：
若所述识别结果为路面上存在积雪或结冰，则将生成的报警信息存储至指定的报警列表；
当接收到查询报警信息的请求时，从所述报警列表中查询所述请求所需的报警信息，然后将所述请求所需的报警信息反馈给请求方。
第二方面，提供了一种车前积雪与结冰的检测报警装置，包括：
拍摄视频获取模块，用于获取车辆上摄像头拍摄车前场景的第一视频；
图片截取模块，用于从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；
识别模块，用于将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
报警模块，用于若所述识别结果为路面上存在积雪或结冰，则发出报警信息。
可选地，所述车前积雪与结冰的检测报警装置还包括：
定位信息获取模块，用于获取所述摄像头拍摄车前场景的第一视频时所述车辆的定位信息；
关联存储模块，用于将所述定位信息与所述识别结果关联存储；
提前预警模块，用于若所述识别结果为路面上存在积雪或结冰，且检测到车辆将要行驶经过所述定位信息对应的地点，则提前预设时间或者预设距离对将要行驶经过的车辆发出预警信息。
可选地，所述车前积雪与结冰的检测报警装置还包括：
天气情况获取模块，用于若所述识别结果为路面上存在积雪或结冰，获取所述定位信息对应的地点所属地区的天气情况；
消融时长确定模块，用于根据所述天气情况确定所述所属地区中积雪或结冰消融所需的时长；
消融时间确定模块，用于根据确定出的所述时长确定所述定位信息对应的地点上积雪或结冰的消融时间；
效力修改模块，用于当所述消融时间到达时，将与所述定位信息关联存储的识别结果的状态修改为失效。
第三方面，提供了一种服务器，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，所述处理器执行所述计算机程序时实现上述车前积雪与结冰的检测报警方法的步骤。
第四方面，提供了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，所述计算机程序被处理器执行时实现上述车前积雪与结冰的检测报警方法的步骤。
 有益效果
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，首先，获取车辆上摄像头拍摄车前场景的第一视频；然后，从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；接着，将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；若所述识别结果为路面上存在积雪或结冰，则发出报警信息。在本发明实施例中，通过获取摄像头拍摄车前场景的第一视频，并从中截取表征路面状况的图片，将该图片投入至预训练完成的深度学习模型得到识别结果，从而可以得到该车辆当前车前路面上是否存在积雪或结冰，若存在，则发出报警信息，实现了检测路面积雪与结冰情况并及时发出报警信息，大大减轻了积雪与结冰的路面情况对行车带来的不良影响。
 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为本发明实施例中一种车前积雪与结冰的检测报警方法一个实施例流程图；
图2为本发明实施例中一种车前积雪与结冰的检测报警方法在一个应用场景下预先训练深度学习模型的流程示意图；
图3为本发明实施例中一种车前积雪与结冰的检测报警方法在一个应用场景下为其它车辆提供预警信息的流程示意图；
图4为本发明实施例中一种车前积雪与结冰的检测报警方法在一个应用场景下估算冰雪消融时间的流程示意图；
图5为本发明实施例中一种车前积雪与结冰的检测报警装置一个实施例结构图；
图6为本发明一实施例提供的服务器的示意图。
 本发明的实施方式
本发明实施例提供了一种车前积雪与结冰的检测报警方法、存储介质和服务器，用于解决如何检测路面积雪与结冰情况并及时发出相应报警的问题。
本发明采用基于深度学习的图像方式实时检测路面积雪与结冰情况并发出实时报警，在此基础上，将所有安装此方法程序或系统的车辆在平台连网，形成一个城市网，在每个城市内的所有车辆间能够信息共享，在一辆车检测出某地存在路面积雪与结冰后能在一定时间内对经过此地的其他车辆进行提前提醒，最大限度上对危险情况进行提前预警，防止不必要的事故发生。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种车前积雪与结冰的检测报警方法一个实施例包括：
101、获取车辆上摄像头拍摄车前场景的第一视频；
本实施例的执行主体可以是终端设备或者服务器，优选地，本实施例的执行主体为一服务器，比如云端服务器平台。
该车辆可以在车辆前窗玻璃的适当位置上安装ADAS（高级驾驶辅助系统）摄像头，用于拍摄车前场景的视频、录像，从而，服务器可以与车辆的ADAS系统通信获取到该第一视频。该摄像头具体可以安装在玻璃的竖直中心线上，这样不容易被雨刮影响。
需要说明的是车辆上与服务器通信的通信模块具体可以连接在MDVR（Mobile Digital Video Recorders）上，可适用2G/3G/4G/5G网络带宽，一般通过相应天线连接设备实现，室内测试环境下亦可用有线网络通讯。
102、从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；
可以理解的是，在获取到第一视频之后，可以获取第一视频中各个视频帧，并从视频帧中截取出包含有车前路面状况的图片，即上述的第一图片。
可以理解的是，摄像头通常是固定安装在一个车辆上的，且安装后摄像头的拍摄角度不变，比如可以将该摄像头安装在车辆前窗玻璃的竖直中心线上，摄像头拍摄角度正对车辆前方的路面。这样，摄像头拍摄出来的第一视频中包含的路面状况图像占据视频帧中的区域是固定的。因此，在截取出所述车前场景中表征路面状况的第一图片时，可以截取第一视频的视频帧中的固定区域图像，截取出的固定区域图像即为该第一图片。
具体地，可以包括以下步骤：
（1）预先获取车辆上摄像头拍摄车前场景的测试视频；
（2）选取出所述测试视频的视频帧中包含车前场景的路面状况的截取区域，并存储所述截取区域；
（3）在执行步骤102时，从所述第一视频的视频帧中截取出所述截取区域内的图像，得到所述第一图片。
103、将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
在截取出第一图片之后，可以将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰。
可以理解的是，所述深度学习模型是预先经过大量的训练样本训练完成得到的，可以对第一图片中的路面状况进行识别判断，从而得知该第一图片中的路面是否存在积雪或结冰。
其中，上述深度学习模型的预训练过程将在下述内容中进行详细描述。
104、若所述识别结果为路面上存在积雪或结冰，则发出报警信息。
在本实施例中，若所述识别结果为路面上存在积雪或结冰，则可以认为当前的路面状况存在不稳定因素，因此发出报警信息。具体地，该报警信息可以由车辆上的LED或LCD提示器发出，比如可以向车辆的驾驶员发出语音提示或者画面提示，方便驾驶员能第一时间察觉并及时做出减速慢行的处理。
进一步地，为了便于报警信息的管理，若所述识别结果为路面上存在积雪或结冰，则将生成的报警信息存储至指定的报警列表；当接收到查询报警信息的请求时，从所述报警列表中查询所述请求所需的报警信息，然后将所述请求所需的报警信息反馈给请求方。在本实施例中，在报警信息生成后，该报警信息可以传到服务器上，服务器将报警信息添加至指定的报警列表中，可以选择按照时间或者按照报警类型对报警列表中的报警信息分类、排列，以方便查询。另外，服务器还可以根据需要存储第一图片和/或第一视频，其中图片的张数或视频的长度均可以根据需要设置，以留作证据使用。
下面，将对上述卷积神经网络的预训练过程进行详细介绍。如图2所示，所述深度学习模型可以通过以下步骤预先训练得到：
201、预先收集多个拍摄自车前场景的样本视频；
202、从各个所述样本视频中截取出表征路面状况的样本图片；
203、预先标记各个所述样本图片对应的标准识别结果，所述标准识别结果包括路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
204、将各个所述样本图片作为输入投入至所述深度学习模型，得到所述深度学习模型输出的训练识别结果；
205、将所述训练识别结果作为目标，调整所述深度学习模型的模型参数，以最小化得到的所述训练识别结果与各个所述样本图片对应的标准识别结果之间的误差；
206、若所述误差满足预设条件，则确定所述深度学习模型训练完成。
对于上述步骤201，在训练深度学习模型之前，需要预先收集用于训练的多个样本视频，这些样本视频均拍摄自车前场景中，包含了车前路面存在积雪或结冰，以及车前路面不存在积雪或结冰的情况。这些样本视频的数据量越大，对深度学习模型的训练效果就越好。
上述步骤202与上述步骤102的内容相似，原理基本相同，此处不再赘述。
对于上述步骤203，在收集、截取到这些训练用的样本图片之后，还需要标记这些样本图片对应的标准识别结果，即哪些样本图片是采集自存在积雪或结冰的路面状况的，哪些样本图片是采集自不存在积雪或结冰的路面状况的。
对于上述步骤204，在本次训练中，将各个所述样本图片输入至深度学习模型，由于该深度学习模型此时尚未训练完成，因此其输出的训练识别结果与预先标记的标准识别结果会存在一定的偏差、误差。
对于上述步骤205，在得到训练识别结果之后，可以计算所述训练识别结果与样本图片对应的标准识别结果之间的误差，并根据计算出来的误差调整该深度学习模型的模型参数，尽量使得后续训练输出的训练识别结果与标准识别结果之间的误差最小化。
对于上述步骤206，在反复调整深度学习模型的模型参数，进行多次训练之后，对比每次的训练识别结果与训练组样本对应的标准识别结果之间的误差，如果该误差满足预设条件，比如误差小于5%，则可以确定所述深度学习模型训练完成。其中，所述预设条件可以在训练具体的深度学习模型时确定，比如设定误差小于特定阈值，该特定阈值可以是一个百分比数值，特定阈值越小，则最后训练完成得到的深度学习模型越稳定，识别精度越高。
进一步地，本实施例中的识别结果还可以与定位信息结合起来，为其它车辆提供预警信息。如图3所示，该车前积雪与结冰的检测报警方法还可以包括：
301、获取所述摄像头拍摄车前场景的第一视频时所述车辆的定位信息；
302、将所述定位信息与所述识别结果关联存储；
303、若所述识别结果为路面上存在积雪或结冰，且检测到车辆将要行驶经过所述定位信息对应的地点，则提前预设时间或者预设距离对将要行驶经过的车辆发出预警信息。
对于上述步骤301~303，可以理解的是，服务器可以将GPS定位和高精度地图结合起来，通过获取所述摄像头拍摄车前场景的第一视频时所述车辆的定位信息，即确定出识别结果对应路面位置，并将该定位信息与识别结果关联存储，从而服务器可以在高精度地图的对应位置标记上哪个位置存在积雪或结冰、哪个位置不存在积雪或结冰。当服务器与大量的车辆通信连接，车辆行驶过的路面越多时，服务器在高精度地图上标记的已识别的位置也就越多，从而经过一段时间的信息积累之后，服务器理论上可以得知该高精度地图上每一路面位置的路面状况。由于服务器是关联存储所述定位信息与所述识别结果的，因此，当服务器发现有车辆即将行驶经过某个存在积雪或结冰的位置时，服务器可以提前一小段时间或距离对该车辆发出预警信息，以便于车辆上的驾驶员可以提前做出应对措施或准备工作。
进一步地，在将所述定位信息与所述识别结果关联存储之后，如图4所示，该车前积雪与结冰的检测报警方法还可以包括：
401、若所述识别结果为路面上存在积雪或结冰，获取所述定位信息对应的地点所属地区的天气情况；
402、根据所述天气情况确定所述所属地区中积雪或结冰消融所需的时长；
403、根据确定出的所述时长确定所述定位信息对应的地点上积雪或结冰的消融时间；
404、当所述消融时间到达时，将与所述定位信息关联存储的识别结果的状态修改为失效。
对于步骤401，对于某个定位信息所关联的识别结果，如果该识别结果为路面上存在积雪或结冰，则代表该定位信息对应的地点存在积雪或结冰，服务器为了估算这个地点的积雪或结冰什么时候消融，需要获取该定位信息对应的地点所属地区的天气情况。具体地，服务器可以从气象局的网站获取到该地区的天气信息，包括温度、空气湿度、降雪量等信息。
对于步骤402，在获取到该定位信息对应的地面所属地区的天气情况之后，可以根据该天气情况确定出积雪或结冰消融所需的时长。该时长可以由预先设置的天气情况与消融时长的对应关系确定的到。比如，可以根据经验值设置“温度在10~20度之间，降雪量为12小时内小于1.0mm”对应的消融时长为1小时。
对于步骤403，可以理解的是，在得到该所属地区中积雪或结冰消融所需的时长之后，可以计算出该定位信息对应的地面上积雪或结冰的消融时间。具体可以是，消融所需的时长等于消融时间减去第一视频的拍摄时间点，服务器可以获知到第一视频的拍摄时间点，从而可以计算得出消融时间等于第一视频的拍摄时间点加上消融所需的时长。举例说明，假设第一视频的拍摄时间点为上午9点，消融所需的时长为1小时，则消融时间为上午10点。
对于步骤404，当所述消融时间到达时，可以理解的是，如果该识别结果为路面上存在积雪或结冰，由于消融时间按达到时，可以认为该定位信息对应地面上的积雪或结冰已经消融，因此该识别结果对于服务器的预警功能来说已经失效了，从而服务器可以将与所述定位信息关联存储的识别结果的状态修改为失效。
由上述步骤401~404的内容可知，本实施例可以最大限度做好对驾驶员行车中的前方出现的积雪或结冰危险预警提醒，以及报警位置处危险信号存在时间长短的准确率。这样，服务器便能全面而准确得为驾驶员做好车前积雪或结冰危险实时预警，最大限度避免此类事故的发生。
本实施例中，首先，获取车辆上摄像头拍摄车前场景的第一视频；然后，从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；接着，将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；若所述识别结果为路面上存在积雪或结冰，则发出报警信息。在本实施例中，通过获取摄像头拍摄车前场景的第一视频，并从中截取表征路面状况的图片，将该图片投入至预训练完成的深度学习模型得到识别结果，从而可以得到该车辆当前车前路面上是否存在积雪或结冰，若存在，则发出报警信息，实现了检测路面积雪与结冰情况并及时发出报警信息，大大减轻了积雪与结冰的路面情况对行车带来的不良影响。
另外，本实施例采用深度学习算法检测路面的积雪或结冰状况，可随样本数量的不断增大不断提高检测的准确率；并且，车辆之间可以通过服务器实现互联，车辆提供的报警信息在对本车实时预警之后，一定时间内可持续为其他经过报警对应地区的其他车辆提供预警，从而形成整体城市（或其他区域）性报警联动网络，提供更加全面的报警策略，同时车联网策略也更加方便全部车辆的运营管理。
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。
上面主要描述了一种车前积雪与结冰的检测报警方法，下面将对一种车前积雪与结冰的检测报警装置进行详细描述。
图5示出了本发明实施例中一种车前积雪与结冰的检测报警装置一个实施例结构图。
本实施例中，一种车前积雪与结冰的检测报警装置包括：
拍摄视频获取模块501，用于获取车辆上摄像头拍摄车前场景的第一视频；
图片截取模块502，用于从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；
识别模块503，用于将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
报警模块504，用于若所述识别结果为路面上存在积雪或结冰，则发出报警信息。
进一步地，所述车前积雪与结冰的检测报警装置还可以包括：
定位信息获取模块，用于获取所述摄像头拍摄车前场景的第一视频时所述车辆的定位信息；
关联存储模块，用于将所述定位信息与所述识别结果关联存储；
提前预警模块，用于若所述识别结果为路面上存在积雪或结冰，且检测到车辆将要行驶经过所述定位信息对应的地点，则提前预设时间或者预设距离对将要行驶经过的车辆发出预警信息。
进一步地，所述车前积雪与结冰的检测报警装置还可以包括：
天气情况获取模块，用于若所述识别结果为路面上存在积雪或结冰，获取所述定位信息对应的地点所属地区的天气情况；
消融时长确定模块，用于根据所述天气情况确定所述所属地区中积雪或结冰消融所需的时长；
消融时间确定模块，用于根据确定出的所述时长确定所述定位信息对应的地点上积雪或结冰的消融时间；
效力修改模块，用于当所述消融时间到达时，将与所述定位信息关联存储的识别结果的状态修改为失效。
进一步地，所述深度学习模型可以通过以下步骤预先训练得到：
样本视频收集模块，用于预先收集多个拍摄自车前场景的样本视频；
样本图片截取模块，用于从各个所述样本视频中截取出表征路面状况的样本图片；
标准结果标记模块，用于预先标记各个所述样本图片对应的标准识别结果，所述标准识别结果包括路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
训练模块，用于将各个所述样本图片作为输入投入至所述深度学习模型，得到所述深度学习模型输出的训练识别结果；
参数调整模块，用于将所述训练识别结果作为目标，调整所述深度学习模型的模型参数，以最小化得到的所述训练识别结果与各个所述样本图片对应的标准识别结果之间的误差；
确定训练完成模块，用于若所述误差满足预设条件，则确定所述深度学习模型训练完成。
进一步地，所述车前积雪与结冰的检测报警装置还可以包括：
报警列表模块，用于若所述识别结果为路面上存在积雪或结冰，则将生成的报警信息存储至指定的报警列表；
报警信息查询模块，用于当接收到查询报警信息的请求时，从所述报警列表中查询所述请求所需的报警信息，然后将所述请求所需的报警信息反馈给请求方。
图6是本发明一实施例提供的服务器的示意图。如图6所示，该实施例的服务器6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如执行上述车前积雪与结冰的检测报警方法的程序。所述处理器60执行所述计算机程序62时实现上述各个车前积雪与结冰的检测报警方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至504的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序的指令段，该指令段用于描述所述计算机程序62在所述服务器6中的执行过程。
所述服务器6可以是本地服务器、云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是服务器6的示例，并不构成对服务器6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，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器60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。
所述存储器61可以是所述服务器6的内部存储单元，例如服务器6的硬盘或内存。所述存储器61也可以是所述服务器6的外部存储设备，例如所述服务器6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，所述存储器61还可以既包括所述服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器61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，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，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实施例的模块、单元和/或方法步骤，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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。
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，本发明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（可以是个人计算机，服务器，或者网络设备等）执行本发明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、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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。

Claims (10)

  1. 一种车前积雪与结冰的检测报警方法，其特征在于，包括：
    获取车辆上摄像头拍摄车前场景的第一视频；
    从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；
    将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
    若所述识别结果为路面上存在积雪或结冰，则发出报警信息。
  2. 根据权利要求1所述的车前积雪与结冰的检测报警方法，其特征在于，还包括：
    获取所述摄像头拍摄车前场景的第一视频时所述车辆的定位信息；
    将所述定位信息与所述识别结果关联存储；
    若所述识别结果为路面上存在积雪或结冰，且检测到车辆将要行驶经过所述定位信息对应的地点，则提前预设时间或者预设距离对将要行驶经过的车辆发出预警信息。
  3. 根据权利要求2所述的车前积雪与结冰的检测报警方法，其特征在于，在将所述定位信息与所述识别结果关联存储之后，还包括：
    若所述识别结果为路面上存在积雪或结冰，获取所述定位信息对应的地点所属地区的天气情况；
    根据所述天气情况确定所述所属地区中积雪或结冰消融所需的时长；
    根据确定出的所述时长确定所述定位信息对应的地点上积雪或结冰的消融时间；
    当所述消融时间到达时，将与所述定位信息关联存储的识别结果的状态修改为失效。
  4. 根据权利要求1所述的车前积雪与结冰的检测报警方法，其特征在于，所述深度学习模型通过以下步骤预先训练得到：
    预先收集多个拍摄自车前场景的样本视频；
    从各个所述样本视频中截取出表征路面状况的样本图片；
    预先标记各个所述样本图片对应的标准识别结果，所述标准识别结果包括路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
    将各个所述样本图片作为输入投入至所述深度学习模型，得到所述深度学习模型输出的训练识别结果；
    将所述训练识别结果作为目标，调整所述深度学习模型的模型参数，以最小化得到的所述训练识别结果与各个所述样本图片对应的标准识别结果之间的误差；
    若所述误差满足预设条件，则确定所述深度学习模型训练完成。
  5. 根据权利要求1至4中任一项所述的车前积雪与结冰的检测报警方法，其特征在于，还包括：
    若所述识别结果为路面上存在积雪或结冰，则将生成的报警信息存储至指定的报警列表；
    当接收到查询报警信息的请求时，从所述报警列表中查询所述请求所需的报警信息，然后将所述请求所需的报警信息反馈给请求方。
  6. 一种车前积雪与结冰的检测报警装置，其特征在于，包括：
    拍摄视频获取模块，用于获取车辆上摄像头拍摄车前场景的第一视频；
    图片截取模块，用于从所述第一视频的视频帧中截取出所述车前场景中表征路面状况的第一图片；
    识别模块，用于将所述第一图片作为输入投入至预训练完成的深度学习模型，得到所述深度学习模型输出的识别结果，所述识别结果为路面上存在积雪或结冰，或者路面上不存在积雪或结冰；
    报警模块，用于若所述识别结果为路面上存在积雪或结冰，则发出报警信息。
  7. 根据权利要求6所述的车前积雪与结冰的检测报警装置，其特征在于，所述车前积雪与结冰的检测报警装置还包括：
    定位信息获取模块，用于获取所述摄像头拍摄车前场景的第一视频时所述车辆的定位信息；
    关联存储模块，用于将所述定位信息与所述识别结果关联存储；
    提前预警模块，用于若所述识别结果为路面上存在积雪或结冰，且检测到车辆将要行驶经过所述定位信息对应的地点，则提前预设时间或者预设距离对将要行驶经过的车辆发出预警信息。
  8. 根据权利要求7所述的车前积雪与结冰的检测报警装置，其特征在于，所述车前积雪与结冰的检测报警装置还包括：
    天气情况获取模块，用于若所述识别结果为路面上存在积雪或结冰，获取所述定位信息对应的地点所属地区的天气情况；
    消融时长确定模块，用于根据所述天气情况确定所述所属地区中积雪或结冰消融所需的时长；
    消融时间确定模块，用于根据确定出的所述时长确定所述定位信息对应的地点上积雪或结冰的消融时间；
    效力修改模块，用于当所述消融时间到达时，将与所述定位信息关联存储的识别结果的状态修改为失效。
  9. 一种服务器，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5中任一项所述车前积雪与结冰的检测报警方法的步骤。
  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5中任一项所述车前积雪与结冰的检测报警方法的步骤。
PCT/CN2018/080473 2018-03-26 2018-03-26 一种车前积雪与结冰的检测报警方法、存储介质和服务器 WO2019183751A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2018/080473 WO2019183751A1 (zh) 2018-03-26 2018-03-26 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN201880000221.5A CN108513674B (zh) 2018-03-26 2018-03-26 一种车前积雪与结冰的检测报警方法、存储介质和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/080473 WO2019183751A1 (zh) 2018-03-26 2018-03-26 一种车前积雪与结冰的检测报警方法、存储介质和服务器

Publications (1)

Publication Number Publication Date
WO2019183751A1 true WO2019183751A1 (zh) 2019-10-03

Family

ID=63404311

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/080473 WO2019183751A1 (zh) 2018-03-26 2018-03-26 一种车前积雪与结冰的检测报警方法、存储介质和服务器

Country Status (2)

Country Link
CN (1) CN108513674B (zh)
WO (1) WO2019183751A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126261A (zh) * 2019-12-23 2020-05-08 珠海深圳清华大学研究院创新中心 视频数据分析方法及装置、树莓派装置及可读存储介质
CN112949561A (zh) * 2021-03-25 2021-06-11 深圳佳兆业科技集团有限公司 社区预警方法、装置、计算机设备和存储介质
CN113111693A (zh) * 2020-01-13 2021-07-13 北汽福田汽车股份有限公司 一种利用汽车摄像头识别的方法、车载控制器和汽车
CN113727071A (zh) * 2021-08-30 2021-11-30 合众新能源汽车有限公司 路况显示方法和系统

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019183751A1 (zh) * 2018-03-26 2019-10-03 深圳市锐明技术股份有限公司 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN111209772A (zh) * 2018-11-21 2020-05-29 奥迪股份公司 轮胎冻结的预防方法、装置、计算机设备和存储介质
CN109963121A (zh) * 2019-03-06 2019-07-02 广东美的制冷设备有限公司 视频拍摄方法和空调设备
CN109903560B (zh) * 2019-03-13 2020-03-31 中电共建科技(北京)有限公司 一种道路结冰及融雪化冰的在线监测方法及系统
CN110186471A (zh) * 2019-05-06 2019-08-30 平安科技（深圳）有限公司 基于历史视频的导航方法、装置、计算机设备及存储介质
CN110363070A (zh) * 2019-05-31 2019-10-22 合刃科技（武汉）有限公司 智能识别道路状态的方法、装置及计算机程序产品
CN110473418B (zh) * 2019-07-25 2022-05-20 平安科技（深圳）有限公司 危险路段识别方法、装置、服务器及存储介质
CN111091066B (zh) * 2019-11-25 2023-09-22 重庆工程职业技术学院 一种自动驾驶汽车地面状态评定方法及系统
CN110906937B (zh) * 2019-12-17 2023-06-27 陕西瑞特测控技术有限公司 一种避开结冰路面的导航定位方法
KR102288312B1 (ko) * 2020-02-13 2021-08-10 인하대학교 산학협력단 블랙 아이스를 검출하는 방법 및 장치
CN112309117A (zh) * 2020-10-30 2021-02-02 上海炬宏信息技术有限公司 一种基于密度聚类的交通事件融合系统和方法
CN113902986A (zh) * 2021-09-14 2022-01-07 中山大学 基于深度学习的视频路面积雪状态细粒度识别方法及系统
CN113954600B (zh) * 2021-11-19 2024-01-16 岚图汽车科技有限公司 车辆驻车结冰预警预热方法、装置、设备及存储介质
CN114999117B (zh) * 2022-06-29 2023-09-01 洛阳腾飞建设工程集团有限公司 一种机场道面冰雪状况监测预警方法、系统、终端及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030026483A1 (en) * 2001-02-01 2003-02-06 Pietro Perona Unsupervised learning of object categories from cluttered images
CN204154308U (zh) * 2014-07-28 2015-02-11 张蕾 图像与激光复合式遥感路面监测自动报警系统
CN104652341A (zh) * 2015-03-24 2015-05-27 淄博高华新能源科技有限公司 一种路面冰情检测及自动融冰系统
CN105184271A (zh) * 2015-09-18 2015-12-23 苏州派瑞雷尔智能科技有限公司 一种基于深度学习的车辆自动检测方法
US9443153B1 (en) * 2015-06-12 2016-09-13 Volkswagen Ag Automatic labeling and learning of driver yield intention
CN108513674A (zh) * 2018-03-26 2018-09-07 深圳市锐明技术股份有限公司 一种车前积雪与结冰的检测报警方法、存储介质和服务器

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2815773C3 (de) * 1978-04-12 1981-07-16 Wilfried Prof. Dr.-Ing. 2100 Hamburg Fritzsche Warnanlage für Verkehrswege an einem lawinengefährdeten Berghang
JPS61138193A (ja) * 1984-12-10 1986-06-25 Matsushita Seiko Co Ltd 路面凍結予知装置
DE4437577A1 (de) * 1994-10-20 1996-04-25 Hea Hamburger Elektro Apparate Verfahren und Vorrichtung zum Feststellen von Glätte auf Fahrbahnen und dergleichen
JPH08263784A (ja) * 1995-03-23 1996-10-11 Honda Motor Co Ltd 道路状況認識装置
JP2010151543A (ja) * 2008-12-24 2010-07-08 Toyota Motor Corp 路面凍結予測装置
CN202904888U (zh) * 2012-10-08 2013-04-24 江苏省交通科学研究院股份有限公司 公路结冰预警系统
CN103208205B (zh) * 2013-03-20 2015-05-13 北京航空航天大学 一种基于车联网的车辆安全行驶预警方法
JP2017187458A (ja) * 2016-03-31 2017-10-12 株式会社福地建装 降雪予測装置
CN105788313A (zh) * 2016-05-18 2016-07-20 陕西科技大学 一种高速公路路面结冰的监测识别装置及方法
CN106448162B (zh) * 2016-09-30 2020-07-17 中星技术股份有限公司 道路监控方法及道路监控装置
CN107274383A (zh) * 2017-05-17 2017-10-20 南京邮电大学 一种基于深度学习的雾霾能见度检测方法
CN107248258A (zh) * 2017-07-28 2017-10-13 湖北国创高新材料股份有限公司 一种道路结冰安全预警装置及预警方法
CN107554420A (zh) * 2017-09-11 2018-01-09 安徽实运信息科技有限责任公司 一种基于道路环境的安全车距报警系统
CN107609602A (zh) * 2017-09-28 2018-01-19 吉林大学 一种基于卷积神经网络的驾驶场景分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030026483A1 (en) * 2001-02-01 2003-02-06 Pietro Perona Unsupervised learning of object categories from cluttered images
CN204154308U (zh) * 2014-07-28 2015-02-11 张蕾 图像与激光复合式遥感路面监测自动报警系统
CN104652341A (zh) * 2015-03-24 2015-05-27 淄博高华新能源科技有限公司 一种路面冰情检测及自动融冰系统
US9443153B1 (en) * 2015-06-12 2016-09-13 Volkswagen Ag Automatic labeling and learning of driver yield intention
CN105184271A (zh) * 2015-09-18 2015-12-23 苏州派瑞雷尔智能科技有限公司 一种基于深度学习的车辆自动检测方法
CN108513674A (zh) * 2018-03-26 2018-09-07 深圳市锐明技术股份有限公司 一种车前积雪与结冰的检测报警方法、存储介质和服务器

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126261A (zh) * 2019-12-23 2020-05-08 珠海深圳清华大学研究院创新中心 视频数据分析方法及装置、树莓派装置及可读存储介质
CN111126261B (zh) * 2019-12-23 2023-05-26 珠海深圳清华大学研究院创新中心 视频数据分析方法及装置、树莓派装置及可读存储介质
CN113111693A (zh) * 2020-01-13 2021-07-13 北汽福田汽车股份有限公司 一种利用汽车摄像头识别的方法、车载控制器和汽车
CN113111693B (zh) * 2020-01-13 2024-04-09 北汽福田汽车股份有限公司 一种利用汽车摄像头识别的方法、车载控制器和汽车
CN112949561A (zh) * 2021-03-25 2021-06-11 深圳佳兆业科技集团有限公司 社区预警方法、装置、计算机设备和存储介质
CN113727071A (zh) * 2021-08-30 2021-11-30 合众新能源汽车有限公司 路况显示方法和系统

Also Published As

Publication number Publication date
CN108513674A (zh) 2018-09-07
CN108513674B (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
WO2019183751A1 (zh) 一种车前积雪与结冰的检测报警方法、存储介质和服务器
WO2019183752A1 (zh) 一种车前积雪与结冰的检测报警方法、存储介质和服务器
JP7218535B2 (ja) 交通違反車両識別システム及びサーバ
CN105620489B (zh) 驾驶辅助系统及车辆实时预警提醒方法
CN105512623B (zh) 基于多传感器雾天行车视觉增强与能见度预警系统及方法
WO2021063006A1 (zh) 驾驶预警方法、装置、电子设备和计算机存储介质
US11205284B2 (en) Vehicle-mounted camera pose estimation method, apparatus, and system, and electronic device
CN110738150B (zh) 相机联动抓拍方法、装置以及计算机存储介质
WO2021155685A1 (zh) 一种更新地图的方法、装置和设备
CN112349144B (zh) 一种基于单目视觉的车辆碰撞预警方法及系统
CN111141311B (zh) 一种高精度地图定位模块的评估方法及系统
CN108764042B (zh) 一种异常路况信息识别方法、装置及终端设备
WO2021195955A1 (zh) 检测车辆行驶场景的复杂度的方法和装置
WO2022227766A1 (zh) 交通异常检测的方法和装置
JP2022103234A (ja) 情報処理装置、情報処理方法、プログラム
CN103488976A (zh) 一种基于智能驾驶中停止线实时检测以及距离测量的方法
CN109080640A (zh) 用于在车辆内提供昏睡警报的方法
US11189162B2 (en) Information processing system, program, and information processing method
WO2023240805A1 (zh) 一种基于滤波校正的网联车超速预警方法及系统
Jiang et al. Target detection algorithm based on MMW radar and camera fusion
JP2022529337A (ja) 交通道路用のデジタル復元方法、装置及びシステム
CN206162876U (zh) 基于能见度检测的道路限速监拍系统
CN115761668A (zh) 摄像头的污渍识别方法、装置、车辆及存储介质
CN111489380A (zh) 一种目标物体轨迹分析方法
KR101339255B1 (ko) 차량의 차선 감지방법 및 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18911964

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18911964

Country of ref document: EP

Kind code of ref document: A1