本申请实施例公开了一种驾驶场景分类方法及相关装置，其中该方法包括：获取目标驾驶图像，该目标驾驶图像是在当前驾驶过程中采集的驾驶环境图像；然后，通过驾驶场景多分类模型，根据该目标驾驶图像，确定该目标驾驶图像对应的当前驾驶环境的多分类结果，该多分类结果包括当前驾驶环境在多个参考类别分支下的分类结果，该驾驶场景多分类模型用于根据驾驶环境对应的驾驶图像，识别该驾驶图像在多个参考类别分支下的分类结果。如此，实现了针对驾驶环境的多分类检测，识别出驾驶环境在多种参考类别分支下的分类结果，从而能够满足智能驾驶场景的实际需求，有效地起到辅助智能驾驶的作用。作用。作用。
【技术实现步骤摘要】
一种驾驶场景分类方法、装置、设备及存储介质
[0001]本申请涉及计算机视觉
，具体涉及一种驾驶场景分类方法、装置、设备及存储介质。
技术介绍
[0002]近年来，与智能驾驶相关的各类技术发展迅速。在智能驾驶领域中道路场景感知技术尤为重要，道路场景感知技术具体用于根据车载摄像头捕捉到的道路场景图像，识别当前的驾驶场景所属的类别。
[0003]道路场景感知技术作为智能车载系统的重要组成部分，能够有助于提高智能驾驶系统的鲁棒性，实现在不同的驾驶场景中做出不同的反应，从而保证智能驾驶的安全性。例如，在判断当前驾驶场景属于大雾、雨、雪等情况下，智能驾驶系统可以对车辆的行驶状态进行适当地调整，如控制车辆减速，从而使车辆适应当前驾驶场景，预防发生危险，降低事故率。
[0004]目前，相关技术只能针对驾驶场景图像进行单标签的识别，即根据驾驶场景图像识别当前的驾驶场景是否属于某种特定的驾驶场景，这种识别方法往往难以满足智能驾驶场景的实际需求，难以有效起到辅助智能驾驶的作用。
技术实现思路
[0005]本申请实施例提供了一种驾驶场景分类方法、装置、设备及存储介质，能够实现针对驾驶场景图像的多标签识别，满足智能驾驶场景的实际需求。
[0006]有鉴于此，本申请第一方面提供了一种驾驶场景分类方法，所述方法包括：
[0007]获取目标驾驶图像；所述目标驾驶图像是在当前驾驶过程中采集的驾驶环境图像；
[0008]通过驾驶场景多分类模型，根据所述目标驾驶图像，确定所述目标驾驶图像对应的当前驾驶环境的多分类结果；所述多分类结果包括所述当前驾驶环境在多个参考类别分支下的分类结果；所述驾驶场景多分类模型用于根据驾驶环境对应的驾驶图像，识别所述驾驶图像在所述多个参考类别分支下的分类结果。
[0009]可选的，所述通过驾驶场景多分类模型，根据所述目标驾驶图像，确定所述目标驾驶图像对应的当前驾驶环境的多分类结果，包括：
[0010]通过所述驾驶场景多分类模型，根据所述目标驾驶图像，确定所述当前驾驶环境在光照分支下的分类结果、所述当前驾驶环境在天气分支下的分类结果、以及所述当前驾驶环境在相机状态分支下的分类结果；
[0011]所述光照分支下的候选分类结果包括白天、黄昏和夜间；所述天气分支下的候选分类结果包括晴天、雨天、雾天和雪天；所述相机状态分支下的候选分类结果包括相机状态正常和相机状态异常。
[0012]可选的，所述通过所述驾驶场景多分类模型，根据所述目标驾驶图像，确定所述当
前驾驶环境在光照分支下的分类结果、所述当前驾驶环境在天气分支下的分类结果、以及所述当前驾驶环境在相机状态分支下的分类结果，包括：
[0013]通过所述驾驶场景多分类模型，根据所述目标驾驶图像确定多分类结果向量；所述多分类结果向量包括9个预测值，所述多分类结果向量中的第一个预测值至第三个预测值用于承载所述光照分支下的三种候选分类结果各自对应的分类概率，所述多分类结果向量中的第四个预测值至第七个预测值用于承载所述天气分支下的四种候选分类结果各自对应的分类概率，所述多分类结果向量中的第八个预测值至第九个预测值用于承载所述相机状态分支下的两种候选分类结果各自对应的分类概率；
[0014]根据所述多分类结果向量中的第一个预测值至第三个预测值，确定所述当前驾驶环境在光照分支下的分类结果；根据所述多分类结果向量中的第四个预测值至第七个预测值，确定所述当前驾驶环境在天气分支下的分类结果；根据所述多分类结果向量中的第八个预测值至第九个预测值，确定所述当前驾驶环境在相机状态分支下的分类结果。
[0015]可选的，所述驾驶场景多分类模型包括多个特征提取单元，所述特征提取单元包括深度可分离卷积结构和残差结构，所述深度可分离卷积结构包括用于提取图像空间特征的深度卷积结构、以及用于提取图像通道特征的点卷积结构。
[0016]可选的，所述驾驶场景多分类模型是通过以下方式训练的：
[0017]获取训练样本集；所述训练样本集中包括多个训练样本，每个所述训练样本中包括训练驾驶图像及其对应的标注多分类结果，所述标注多分类结果包括所述训练驾驶图像在所述多个参考类别分支下的标注分类结果；
[0018]通过待训练的驾驶场景多分类模型，根据所述训练样本中的所述训练驾驶图像，确定所述训练驾驶图像对应的预测多分类结果；所述预测多分类结果包括所述训练驾驶图像在所述多个参考类别分支下的预测分类结果；
[0019]根据所述训练样本中的所述标注分类结果和所述预测分类结果，构建损失函数；
[0020]基于所述损失函数，调整所述驾驶场景多分类模型的模型参数。
[0021]可选的，在所述通过待训练的驾驶场景多分类模型，根据所述训练样本中的所述训练驾驶图像，确定所述训练驾驶图像对应的预测多分类结果之前，所述方法还包括：
[0022]对所述训练样本中的所述训练驾驶图像进行数据预处理和/或数据增强操作，得到目标训练驾驶图像；
[0023]所述通过待训练的驾驶场景多分类模型，根据所述训练样本中的所述训练驾驶图像，确定所述训练驾驶图像对应的预测多分类结果，包括：
[0024]通过待训练的驾驶场景多分类模型，根据所述目标训练驾驶图像，确定所述目标训练驾驶图像对应的预测多分类结果。
[0025]本申请第二方面提供了一种驾驶场景分类装置，所述装置包括：
[0026]图像获取模块，用于获取目标驾驶图像；所述目标驾驶图像是在当前驾驶过程中采集的驾驶环境图像；
[0027]图像多分类模块，用于通过驾驶场景多分类模型，根据所述目标驾驶图像，确定所述目标驾驶图像对应的当前驾驶环境的多分类结果；所述多分类结果包括所述当前驾驶环境在多个参考类别分支下的分类结果；所述驾驶场景多分类模型用于根据驾驶环境对应的驾驶图像，识别所述驾驶图像在所述多个参考类别分支下的分类结果。
[0028]可选的，所述图像多分类模块具体用于：
[0029]通过所述驾驶场景多分类模型，根据所述目标驾驶图像，确定所述当前驾驶环境在光照分支下的分类结果、所述当前驾驶环境在天气分支下的分类结果、以及所述当前驾驶环境在相机状态分支下的分类结果；
[0030]所述光照分支下的候选分类结果包括白天、黄昏和夜间；所述天气分支下的候选分类结果包括晴天、雨天、雾天和雪天；所述相机状态分支下的候选分类结果包括相机状态正常和相机状态异常。
[0031]本申请第三方面提供了一种电子设备，所述设备包括：处理器和存储器；
[0032]所述存储器，用于存储计算机程序；
[0033]所述处理器，用于调用所述计算机程序，以执行第一方面所述的驾驶场景分类方法。
[0034]本申请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用于存储计算机程序，所述计算机程序用于执行第一方面所述的驾驶场景分类方法。
[0035]从以上技术方案可以看出，本申请实施例具有以下优点：
[003本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种驾驶场景分类方法，其特征在于，所述方法包括：获取目标驾驶图像；所述目标驾驶图像是在当前驾驶过程中采集的驾驶环境图像；通过驾驶场景多分类模型，根据所述目标驾驶图像，确定所述目标驾驶图像对应的当前驾驶环境的多分类结果；所述多分类结果包括所述当前驾驶环境在多个参考类别分支下的分类结果；所述驾驶场景多分类模型用于根据驾驶环境对应的驾驶图像，识别所述驾驶图像在所述多个参考类别分支下的分类结果。2.根据权利要求1所述的方法，其特征在于，所述通过驾驶场景多分类模型，根据所述目标驾驶图像，确定所述目标驾驶图像对应的当前驾驶环境的多分类结果，包括：通过所述驾驶场景多分类模型，根据所述目标驾驶图像，确定所述当前驾驶环境在光照分支下的分类结果、所述当前驾驶环境在天气分支下的分类结果、以及所述当前驾驶环境在相机状态分支下的分类结果；所述光照分支下的候选分类结果包括白天、黄昏和夜间；所述天气分支下的候选分类结果包括晴天、雨天、雾天和雪天；所述相机状态分支下的候选分类结果包括相机状态正常和相机状态异常。3.根据权利要求2所述的方法，其特征在于，所述通过所述驾驶场景多分类模型，根据所述目标驾驶图像，确定所述当前驾驶环境在光照分支下的分类结果、所述当前驾驶环境在天气分支下的分类结果、以及所述当前驾驶环境在相机状态分支下的分类结果，包括：通过所述驾驶场景多分类模型，根据所述目标驾驶图像确定多分类结果向量；所述多分类结果向量包括9个预测值，所述多分类结果向量中的第一个预测值至第三个预测值用于承载所述光照分支下的三种候选分类结果各自对应的分类概率，所述多分类结果向量中的第四个预测值至第七个预测值用于承载所述天气分支下的四种候选分类结果各自对应的分类概率，所述多分类结果向量中的第八个预测值至第九个预测值用于承载所述相机状态分支下的两种候选分类结果各自对应的分类概率；根据所述多分类结果向量中的第一个预测值至第三个预测值，确定所述当前驾驶环境在光照分支下的分类结果；根据所述多分类结果向量中的第四个预测值至第七个预测值，确定所述当前驾驶环境在天气分支下的分类结果；根据所述多分类结果向量中的第八个预测值至第九个预测值，确定所述当前驾驶环境在相机状态分支下的分类结果。4.根据权利要求1至3任一项所述的方法，其特征在于，所述驾驶场景多分类模型包括多个特征提取单元，所述特征提取单元包括深度可分离卷积结构和残差结构，所述深度可分离卷积结构包括用于提取图像空间特征的深度卷积结构、以及用于提取图像通道特征的点卷积结构。5.根据权利要求1所述的方法，其特征在于，所述驾驶场景多分类模型是通过以下方式训练的：获取训练样...
【专利技术属性】
技术研发人员：石雄，李建伟，
申请(专利权)人：天津天瞳威势电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。