车辆行驶图像识别装置制造方法及图纸

本发明专利技术实施例提供一种车辆行驶图像识别装置，属于图像处理技术领域。所述装置包括：获取模块，用于获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及识别模块，用于利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。本发明专利技术实施例只需要将获取的待识别的车辆行驶图像输入到目标对象识别模型，即可以自动地、实时地、有效地、准确地对待识别的车辆行驶图像中的目标对象进行识别，具有很高的智能性和鲁棒性。

Vehicle driving image recognition device

The embodiment of the invention provides a vehicle driving image recognition device, which belongs to the field of image processing technology. The device includes: a acquisition module for obtaining the image of the vehicle to be identified, the vehicle image to be identified is the image recorded by the vehicle in the course of the road, and the recognition module is used to identify the target object in the moving image of the vehicle to be identified by the target object recognition model. No, no. The present invention only needs to input the acquired vehicle driving image into the target object recognition model, that is, it can automatically, realtime, effectively and accurately identify the target object in the vehicle running image identified, which has high intelligence and robustness.

【技术实现步骤摘要】
车辆行驶图像识别装置
本专利技术实施例涉及图像处理
，具体地，涉及一种车辆行驶图像识别装置。
技术介绍
为了满足用户对设备智能性的期望，越来越多的智能、自动操作被研究和扩展。例如，对于车辆领域，用户车辆能够更加智能、更加安全的同时，用户的操作可以进一步减少。为了实现这一目的，车辆中可以安装数据检测设备，例如摄像头等，以为车辆的自动分析提供数据基础。举例来说，对于车辆自动驾驶来说，对于车辆行驶图像中目标对象的正确识别是车辆精确定位、路径规划的重要依据。例如，以目标对象为车道线为例，现有技术中车道线检测方法主要为计算机视觉检测方法，其基于图像处理算法，检测出图像中行车道路的车道线标志区域。本申请专利技术人在实现本专利技术的过程中发现：由于车道线标志的种类繁多，车辆拥挤造成车道线标志区域被遮挡，车道线可能有腐蚀磨损的情况，以及天气等因素都能给车道线检测任务带来不小的挑战。此外，这类算法需要人工手动去调滤波算子，根据算法所针对的街道场景特点手动调节参数，工作量大且鲁棒性较差，当行车环境出现明显变化时，车道线的检测效果不佳。
技术实现思路
为了实现上述目的，本专利技术实施例提供一种车辆行驶图像识别装置，该装置包括：获取模块，用于获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及识别模块，用于利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。可选的，该装置还包括：预处理模块，用于在利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别之前对所述待识别的车辆行驶图像进行预处理。可选的，所述预处理模块进一步用于：对所述待识别的车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)。可选的，所述目标对象识别模型根据以下步骤建立：建立训练样本集的步骤，其中该步骤包括：采集多个包括目标对象的车辆行驶图像并标注出所述多个车辆行驶图像中的每一个车辆行驶图像中的目标对象，将所述多个车辆行驶图像以及对应的标注的目标对象作为训练集样本；建立深度神经网络的步骤，其中该步骤包括：将所述训练集样本中的所述多个车辆行驶图像作为深度神经网络的输入、所述训练集样本中的所述多个车辆行驶图像的对应的标注的目标对象作为所述深度神经网络的输出来进行训练；以及将训练完成后的深度神经网络作为目标对象识别模型。可选的，所述建立训练样本集的步骤进一步包括：将所述多个车辆行驶图像进行预处理，所述预处理包括对所述多个车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)；以及将预处理后的多个车辆行驶图像以及对应的标注的目标对象作为训练集样本。可选的，其中所述目标对象为车辆行驶图像中的道路上的车道线。可选的，所述识别模块进一步用于：利用特征信息聚类和最小二乘法获得识别的车道线的参数方程和/或车道线的数量。通过上述技术方案，只需要将获取的待识别的车辆行驶图像输入到目标对象识别模型，即可以自动地、实时地、有效地、准确地对待识别的车辆行驶图像中的目标对象进行识别，具有很高的智能性和鲁棒性。本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施例，但并不构成对本专利技术实施例的限制。在附图中：图1是根据本专利技术实施例的一种实施例的车辆行驶图像识别装置的结构示意图；图2-3是根据本专利技术实施例的一种实施例的示例目标对象识别过程的示意图；图4是根据本专利技术实施例的一种实施例的车辆行驶图像识别装置的结构示意图；图5是根据本专利技术实施例的一种实施例的示例目标对象识别过程的示意图；以及图6是根据本专利技术实施例的一种实施例的车辆行驶图像识别方法的示例流程图。具体实施方式以下结合附图对本专利技术实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术实施例，并不用于限制本专利技术实施例。为了实现对车辆行驶图像中的目标对象进行自动地、实时地、有效地、准确地识别，本专利技术实施例考虑了多种实施例，下面将一一进行详细地说明：实施例1图1是根据本专利技术实施例的一种实施例的车辆行驶图像识别装置100的结构示意图，如图1所示，该装置可以包括：获取模块10，能够用于获取待识别的车辆行驶图像，所述待识别的车辆行驶图像可以为车辆在道路上行驶过程中所记录的图像，例如所述待识别的车辆行驶图像可以获取自在车辆上安装的摄像头(例如工业高清摄像头)、行车记录仪等图像获取装置；以及识别模块20，能够用于利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别，其中所述目标对象可以是用户或者技术人员需要的图像中的任何对象。例如，对于车辆自动驾驶来说，由于道路上的车道线为车辆精确定位、路径规划的重要依据，因此，可以将获取的车辆行驶图像中的道路上的车道线设定为目标对象。识别模块20可以利用目标对象识别模型对车道线进行识别并示出。采用本实施例，车辆行驶图像识别装置100只需要将获取的待识别的车辆行驶图像输入到目标对象识别模型，即可以自动地、实时地、有效地、准确地对待识别的车辆行驶图像中的目标对象进行识别，具有很高的智能性和鲁棒性。实施例2图2-3是根据本专利技术实施例的一种实施例的示例目标对象识别过程的示意图，如图2所示，在该实施例2中进一步描述了实施例1的车辆行驶图像识别装置100的目标对象识别过程的一种示例。具体地，识别模块20在获取到待识别的车辆行驶图像后，可以将其输入到预先建立好的目标对象识别模型，该目标对象识别模型可以根据输入的图像对其中存在的目标对象进行识别，例如将所述目标对象从所述图像中分割出来。以车道线为例，目标对象识别模型可以从车辆行驶图像中将车道线在图像中的像素区域分割出来，以为后续的车道线分析提供数据基础，例如用于车辆自动驾驶系统的路径规划上等。对于该目标对象识别模型，如图2所示，可以根据以下步骤建立：建立训练样本集1000的步骤，其中该步骤可以包括：采集多个包括目标对象的车辆行驶图像，如图3所示，并标注出所述多个车辆行驶图像中的每一个车辆行驶图像中的目标对象，例如图3所示的1、2、3、4、5、6等，用不同的标号(或者颜色，这里由于附图中无法显示出不同颜色，因此用标号代替)来标注图像中的不同车道线，属于同一条车道线的线段用相同的标号或颜色标注，将所述多个车辆行驶图像以及对应的标注的目标对象作为训练集样本；以及建立深度神经网络的步骤1001，其中该步骤可以包括：将所述训练集样本中的所述多个车辆行驶图像作为深度神经网络的输入、所述训练集样本中的所述多个车辆行驶图像的对应的标注的目标对象作为所述深度神经网络的输出来进行训练；以及将训练完成后的深度神经网络作为目标对象识别模型。其中深度神经网络是一种深度学习过程，由简单神经元组成的层数较深的多层感知机模型，其利用强大的非线性特性实现高维非凸函数的数学逼近，数学描述能力极强，复杂的网络结构使其能够从海量数据中学习出具代表性的特征。应当理解的是，所述深度神经网络可以选用任何适当的神经网络，例如多层前馈(BP)神经网络、径向基(RBF)神经网络、模糊神经网络、支持向量机(SVM)等。为了进一步提高目标识别模型的精确度和降低本文档来自技高网...

【技术保护点】
1.一种车辆行驶图像识别装置，其特征在于，该装置包括：获取模块，用于获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及识别模块，用于利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。

【技术特征摘要】
1.一种车辆行驶图像识别装置，其特征在于，该装置包括：获取模块，用于获取待识别的车辆行驶图像，所述待识别的车辆行驶图像为车辆在道路上行驶过程中所记录的图像；以及识别模块，用于利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别。2.根据权利要求1所述的装置，其特征在于，该装置还包括：预处理模块，用于在利用目标对象识别模型对所述待识别的车辆行驶图像中的目标对象进行识别之前对所述待识别的车辆行驶图像进行预处理。3.根据权利要求2所述的装置，其特征在于，所述预处理模块进一步用于：对所述待识别的车辆行驶图像进行感兴趣区域(ROI)提取和/或图像逆透视映射(IPM)。4.根据权利要求1所述的装置，其特征在于，所述目标对象识别模型根据以下步骤建立：建立训练样本集的步骤，其中该步骤包括：采集多个包括目标对象的车辆行驶图像并标注出所述多个车辆行驶图像中的每一个车辆行驶图像中的目标对象，将所述多个车辆行驶图像以及...

【专利技术属性】
技术研发人员：李松泽，
申请(专利权)人：乐视汽车北京有限公司，
类型：发明
国别省市：北京,11