一种基于全知视角和特征提取的智能网联应用场景自动辨识方法、装置、介质及设备制造方法及图纸

本发明专利技术实施例公开了一种基于全知视角和特征提取的智能网联应用场景自动辨识方法，通过获取路侧摄像机采集的多张图片；基于深度学习算法，提取所述多张图片中目标车辆的自身特征空间，以记录所述目标车辆的运动轨迹；当所述目标车辆的运动轨迹符合预设场景条件时，将所述目标车辆上传至服务器，能够有效识别各种违章的场景，且场景识别效率高，成本价格低。

【技术实现步骤摘要】
一种基于全知视角和特征提取的智能网联应用场景自动辨识方法、装置、介质及设备
本专利技术实施例涉及交通
，尤其涉及一种基于全知视角和特征提取的智能网联应用场景自动辨识方法、装置、介质及设备。
技术介绍
智能网联汽车通过将汽车具备的自主信息获取、自主决策、自动控制能力和通信与网络技术，实现车与人、车、路、后台的交互，最终实现无人驾驶，智能网联汽车已经成为新的发展趋势，它是解决交通安全、道路拥堵，能源消耗等问题的重要手段。在智能网联汽车开发的过程中，需要大量有效的场景测试完成人机交互以及自动驾驶系统参数的设定。用于智能网联汽车测试场景辨别通常有三种方式，第一种是人工挑选，二种是结合图像识别技术，最后一种是车载多种硬件设备融合技术。但是人工挑选费时费力，效率低。图像识别技术主要集中于单一场景的辨别，缺乏灵活性。而最后一类车载多种硬件设备融合技术中，使用的设备价格昂贵，并且难以感知自车周围以外的场景。
技术实现思路
本专利技术实施例提供一种基于全知视角和特征提取的智能网联应用场景自动辨识方法、装置、介质及设备，具有成本低，识别效率高的特点，能够实现自动辨别比如违停、逆行等场景。第一方面，本专利技术实施例提供了一种基于全知视角和特征提取的智能网联应用场景自动辨识方法，该方法包括：获取路侧摄像机采集的多张图片；基于深度学习算法，提取所述多张图片中目标车辆的自身特征空间，以记录所述目标车辆的运动轨迹；当所述目标车辆的运动轨迹符合预设场景条件时，将所述目标车辆上传至服务器。可选的，所述基于深度学习算法，提取所述多张图片中目标车辆的自身特征空间，以记录所述目标车辆的运动轨迹，包括：基于深度学习算法，提取当前图片中目标车辆的外形特征，其中，所述外形特征包括宽度、高度、颜色YUV空间、类别以及置信率；当所述当前图片中目标车辆的面积大于第一面积阈值，以及所述当前图片中目标车辆的置信率大于预设置信率时，判断所述当前图片中目标车辆的中心点、面积、颜色YUV空间与下张图片中的目标车辆的中心点、面积、颜色YUV空间的差值是否满足差值阈值；若满足差值阈值，则根据所述下张图片中的目标车辆的自身特征空间，记录所述目标车辆的运动轨迹。可选的，所述提取当前图片中目标车辆的外形特征，还包括：在多张图片中，若存在提取的同一目标车辆的类别不同，则将累计次数最多的类别作为所述目标车辆的类别。可选的，在记录所述目标车辆的运动轨迹之后，还包括：将持续时间大于预设时间阈值的运动轨迹，作为所述目标车辆的有效运动轨迹；若存在持续时间小于预设时间阈值的偏离运动轨迹，且判断所述偏离运动轨迹为所述目标车辆的轨迹，则将所述偏离运动轨迹与所述有效运动轨迹合并，作为所述目标车辆的运动轨迹。可选的，所述判断所述偏离运动轨迹为所述目标车辆的轨迹，包括：所述偏离运动轨迹中的目标车辆的外形特征与所述有效运动轨迹中的目标车的外形特征一致。可选的，所述预设场景条件包括以下至少之一：所述目标车辆的速度方向与当前车道方向相反，且持续时间大于第一时间阈值；所述目标车辆的中心点与当前道路的分界线距离小于距离阈值，且持续时间大于第二时间阈值；或者，所述目标车辆的中心点连续经过当前道路分界线的两侧车道，且持续时间小于第三时间阈值；所述目标车辆的面积与违禁区域的面积交集大于第二面积阈值，且持续时间大于第四时间阈值；所述目标车辆的中心点在违禁区域内，且持续时间大于第五时间阈值。可选的，还包括：通过所述目标车辆安装的雷达，采集所述目标车辆周围八个方向的相邻车辆空间信息，作为相邻特征空间；当所述目标车辆的运动轨迹符合预设场景条件时，将所述目标车辆的相邻特征空间作为场景信息上传至服务器。第二方面，本专利技术实施例提供了一种场景识别装置，该装置包括：图片获取模块，用于获取路侧摄像机采集的多张图片；轨迹记录模块，用于基于深度学习算法，提取所述多张图片中目标车辆的自身特征空间，以记录所述目标车辆的运动轨迹；车辆上传模块，用于当所述目标车辆的运动轨迹符合预设场景条件时，将所述目标车辆上传至服务器。可选的，所述轨迹记录模块，具体用于：基于深度学习算法，提取当前图片中目标车辆的外形特征，其中，所述外形特征包括宽度、高度、颜色YUV空间、类别以及置信率；当所述当前图片中目标车辆的面积大于第一面积阈值，以及所述当前图片中目标车辆的置信率大于预设置信率时，判断所述当前图片中目标车辆的中心点、面积、颜色YUV空间与下张图片中的目标车辆的中心点、面积、颜色YUV空间的差值是否满足差值阈值；若满足差值阈值，则根据所述下张图片中的目标车辆的自身特征空间，记录所述目标车辆的运动轨迹。可选的，所述轨迹记录模块内的提取当前图片中目标车辆的外形特征，还用于：在多张图片中，若存在提取的同一目标车辆的类别不同，则将累计次数最多的类别作为所述目标车辆的类别。可选的，轨迹记录模块，还具体用于：在记录所述目标车辆的运动轨迹之后，将持续时间大于预设时间阈值的运动轨迹，作为所述目标车辆的有效运动轨迹；若存在持续时间小于预设时间阈值的偏离运动轨迹，且判断所述偏离运动轨迹为所述目标车辆的运动轨迹，则将所述偏离运动轨迹与所述有效运动轨迹合并，作为所述目标车辆的运动轨迹。可选的，轨迹记录模块内的判断所述偏离运动轨迹为所述目标车辆的运动轨迹，具体用于：所述偏离运动轨迹中的目标车辆的外形特征与所述有效运动轨迹中的目标车的外形特征一致。可选的，所述预设场景条件包括以下至少之一：所述目标车辆的速度方向与当前车道方向相反，且持续时间大于第一时间阈值；所述目标车辆的中心点与当前道路的分界线距离小于距离阈值，且持续时间大于第二时间阈值；或者，所述目标车辆的中心点连续经过当前道路分界线的两侧车道，且持续时间小于第三时间阈值；所述目标车辆的面积与违禁区域的面积交集大于第二面积阈值，且持续时间大于第四时间阈值；所述目标车辆的中心点在违禁区域内，且持续时间大于第五时间阈值。可选的，还包括：场景信息上传模块，具体用于：通过所述目标车辆安装的雷达，采集所述目标车辆周围八个方向的相邻车辆空间信息，作为相邻特征空间；当所述目标车辆的运动轨迹符合预设场景条件时，将所述目标车辆的相邻特征空间作为场景信息上传至服务器。第三方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的基于全知视角和特征提取的智能网联应用场景自动辨识方法。第四方面，本专利技术实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于全知视角和特征提取的智能网联应用场景自动辨识方法。本专利技术实施例通过获取路侧摄像机采集的多张图片；基于深度学习算法本文档来自技高网...

【技术保护点】
1.一种基于全知视角和特征提取的智能网联应用场景自动辨识方法，其特征在于，包括：/n获取路侧摄像机采集的多张图片；/n基于深度学习算法，提取所述多张图片中目标车辆的自身特征空间，以记录所述目标车辆的运动轨迹；/n当所述目标车辆的运动轨迹符合预设场景条件时，将所述目标车辆上传至服务器。/n

【技术特征摘要】
1.一种基于全知视角和特征提取的智能网联应用场景自动辨识方法，其特征在于，包括：
获取路侧摄像机采集的多张图片；
基于深度学习算法，提取所述多张图片中目标车辆的自身特征空间，以记录所述目标车辆的运动轨迹；
当所述目标车辆的运动轨迹符合预设场景条件时，将所述目标车辆上传至服务器。


2.根据权利要求1所述的方法，其特征在于，所述基于深度学习算法，提取所述多张图片中目标车辆的自身特征空间，以记录所述目标车辆的运动轨迹，包括：
基于深度学习算法，提取当前图片中目标车辆的外形特征，其中，所述外形特征包括宽度、高度、颜色YUV空间、类别以及置信率；
当所述当前图片中目标车辆的面积大于第一面积阈值，以及所述当前图片中目标车辆的置信率大于预设置信率时，判断所述当前图片中目标车辆的中心点、面积、颜色YUV空间与下张图片中的目标车辆的中心点、面积、颜色YUV空间的差值是否满足差值阈值；
若满足差值阈值，则根据所述下张图片中的目标车辆的自身特征空间，记录所述目标车辆的运动轨迹。


3.根据权利要求2所述的方法，其特征在于，所述提取当前图片中目标车辆的外形特征，还包括：
在多张图片中，若存在提取的同一目标车辆的类别不同，则将累计次数最多的类别作为所述目标车辆的类别。


4.根据权利要求2所述的方法，其特征在于，在记录所述目标车辆的运动轨迹之后，还包括：
将持续时间大于预设时间阈值的运动轨迹，作为所述目标车辆的有效运动轨迹；
若存在持续时间小于预设时间阈值的偏离运动轨迹，且判断所述偏离运动轨迹为所述目标车辆的轨迹，则将所述偏离运动轨迹与所述有效运动轨迹合并，作为所述目标车辆的运动轨迹。


5.根据权利要求4所述的方法，其特征在于，所述判断所述偏离运动轨迹为所述目标车辆的轨迹，包括：
所述偏离运动轨迹中的目标车辆的外形特征与所述有效运动轨迹中的目标车辆的外形特征一致。


6.根据权利要求5所述的方法，其中，所述预设场景条件包括以下至少之一：
所述目标车辆...

【专利技术属性】
技术研发人员：宣智渊，宦涣，蔡慧星，蔡炎，
申请(专利权)人：启迪云控上海汽车科技有限公司，
类型：发明
国别省市：上海;31