基于深度学习的车载乐谱生成方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的车载乐谱生成方法、装置及存储介质，所述方法包括：获取车辆的行车数据以及用户的视频数据、语音数据、操作数据；其中，所述行车数据包括速度数据、刹车数据和环境数据；对所述行车数据、所述视频数据、所述语音数据和所述操作数据进行数据处理，得到视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合；采用卷积神经网络分析得到乐谱的曲风、音阶集合、节拍及休止符集合和音符集合；根据所述曲风、所述音阶集合、所述节拍及休止符集合和所述音符集合，生成车载乐谱。本发明专利技术采用卷积神经网络根据用户驾驶的个性化数据以及车辆的行车数据生成车辆用户独有的车载乐谱，有效提升用户体验。户体验。户体验。

【技术实现步骤摘要】
基于深度学习的车载乐谱生成方法、装置及存储介质


[0001]本专利技术涉及乐谱生成
，尤其涉及一种基于深度学习的车载乐谱生成方法、装置及存储介质。

技术介绍

[0002]乐谱是一种表示乐曲旋律的基本元素，使用者可以通过印刷或书写在纸张上的乐谱对乐曲进行学习、演奏或传播等。随着科技的快速发展，可以通过技术来自动生成音乐乐谱。随着汽车的普及，汽车在行驶途中，驾驶员或乘客往往都希望听到自己喜欢的歌曲。但是，目前的乐谱生成方法无法结合车主用户的兴趣偏好以及行车数据，导致生成的乐谱与车主用户的相关性较弱，难以获得较好的用户体验。

技术实现思路

[0003]本专利技术所要解决的技术问题在于，提供一种基于深度学习的车载乐谱生成方法、装置及存储介质，采用卷积神经网络根据用户驾驶的个性化数据以及车辆的行车数据生成车辆用户独有的车载乐谱，有效提升用户体验。
[0004]为了实现上述目的，本专利技术实施例提供了一种基于深度学习的车载乐谱生成方法，包括：
[0005]获取车辆的行车数据以及用户的视频数据、语音数据、操作数据；其中，所述行车数据包括速度数据、刹车数据和环境数据；
[0006]对所述行车数据、所述视频数据、所述语音数据和所述操作数据进行数据处理，得到视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合；
[0007]采用卷积神经网络，根据所述视频及操作数据集合分析得到乐谱的曲风，根据所述速度数据集合分析得到乐谱的音阶集合，根据所述刹车数据集合分析得到乐谱的节拍及休止符集合，根据所述语音及环境数据集合分析得到乐谱的音符集合；
[0008]根据所述曲风、所述音阶集合、所述节拍及休止符集合和所述音符集合，生成车载乐谱。
[0009]作为上述方案的改进，所述对所述行车数据、所述视频数据、所述语音数据和所述操作数据进行数据处理，得到视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合，具体包括：
[0010]对所述行车数据、所述视频数据、所述语音数据和所述操作数据的时间进行标注；
[0011]对标注后的数据进行分类重组，得到与车载乐谱生成相关的视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合。
[0012]作为上述方案的改进，所述根据所述视频及操作数据集合分析得到乐谱的曲风，具体包括：
[0013]采用卷积神经网络对所述视频及操作数据集合进行分析，得到每一曲风的分数；
[0014]对所有曲风的分数进行排名，将排名最高的分数所对应的曲风作为乐谱的曲风。
[0015]作为上述方案的改进，所述根据所述速度数据集合分析得到乐谱的音阶集合，具体包括：
[0016]采用卷积神经网络对所述速度数据集合中的速度特征向量进行分析，并按照时间得出对应的音阶集合。
[0017]作为上述方案的改进，所述根据所述刹车数据集合分析得到乐谱的节拍及休止符集合，具体包括：
[0018]采用卷积神经网络对所述刹车数据集合中的刹车特征向量进行分析，并按照时间得出对应的节拍及休止符集合。
[0019]作为上述方案的改进，所述根据所述语音及环境数据集合分析得到乐谱的音符集合，具体包括：
[0020]采用卷积神经网络对所述语音及环境数据集合中的语音特征向量和环境特征向量进行分析，并按照时间得出对应的音符集合；其中，所述音符包括全音符、二分音符、四分音符、八分音符、十六分音符以及三十二分音符。
[0021]作为上述方案的改进，所述根据所述曲风、所述音阶集合、所述节拍及休止符集合和所述音符集合，生成车载乐谱，具体包括：
[0022]根据所述音阶集合、所述节拍及休止符集合、所述音符集合以及所述行车数据的时间，生成乐谱集合；
[0023]若所述节拍及休止符集合中未出现休止符，则根据当前时间生成当前乐谱集合；
[0024]若所述节拍及休止符集合中出现休止符，则判断所述当前乐谱集合是否符合所述曲风；
[0025]若符合，则根据所述乐谱集合和所述曲风得到车载乐谱；若不符合，则根据下一时间的音阶集合、节拍及休止符集合和音符集合，得到乐谱集合，返回步骤若所述节拍及休止符集合中未出现休止符，则根据当前时间生成当前乐谱集合。
[0026]本专利技术实施例还提供了一种基于深度学习的车载乐谱生成装置，包括：
[0027]获取模块，用于获取车辆的行车数据以及用户的视频数据、语音数据、操作数据；其中，所述行车数据包括速度数据、刹车数据和环境数据；
[0028]处理模块，用于对所述行车数据、所述视频数据、所述语音数据和所述操作数据进行数据处理，得到视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合；
[0029]分析模块，用于采用卷积神经网络，根据所述视频及操作数据集合分析得到乐谱的曲风，根据所述速度数据集合分析得到乐谱的音阶集合，根据所述刹车数据集合分析得到乐谱的节拍及休止符集合，根据所述语音及环境数据集合分析得到乐谱的音符集合；
[0030]生成模块，用于根据所述曲风、所述音阶集合、所述节拍及休止符集合和所述音符集合，生成车载乐谱。
[0031]本专利技术实施例还提供了一种基于深度学习的车载乐谱生成装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于深度学习的车载乐谱生成方法。
[0032]本专利技术实施例还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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设
备执行上述任一项所述的基于深度学习的车载乐谱生成方法。
[0033]相对于现有技术，本专利技术实施例提供的一种基于深度学习的车载乐谱生成方法、装置及存储介质的有益效果在于：通过获取车辆的行车数据以及用户的视频数据、语音数据、操作数据；其中，所述行车数据包括速度数据、刹车数据和环境数据；对所述行车数据、所述视频数据、所述语音数据和所述操作数据进行数据处理，得到视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合；采用卷积神经网络，根据所述视频及操作数据集合分析得到乐谱的曲风，根据所述速度数据集合分析得到乐谱的音阶集合，根据所述刹车数据集合分析得到乐谱的节拍及休止符集合，根据所述语音及环境数据集合分析得到乐谱的音符集合；根据所述曲风、所述音阶集合、所述节拍及休止符集合和所述音符集合，生成车载乐谱。本专利技术实施例采用卷积神经网络根据用户驾驶的个性化数据以及车辆的行车数据生成车辆用户独有的车载乐谱，有效提升用户体验。
附图说明
[0034]图1是本专利技术提供的一种基于深度学习的车载乐谱生成方法的一个优选实施例的流程示意图；
[0035]图2是本专利技术提供的一种基于深度学习的车载乐谱生成方法中硬件结构的示意图；
[0036]图3是本专利技术提供的一种基于深度学习的车载乐谱生成方法中卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车载乐谱生成方法，其特征在于，获取车辆的行车数据以及用户的视频数据、语音数据、操作数据；其中，所述行车数据包括速度数据、刹车数据和环境数据；对所述行车数据、所述视频数据、所述语音数据和所述操作数据进行数据处理，得到视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合；采用卷积神经网络，根据所述视频及操作数据集合分析得到乐谱的曲风，根据所述速度数据集合分析得到乐谱的音阶集合，根据所述刹车数据集合分析得到乐谱的节拍及休止符集合，根据所述语音及环境数据集合分析得到乐谱的音符集合；根据所述曲风、所述音阶集合、所述节拍及休止符集合和所述音符集合，生成车载乐谱。2.如权利要求1所述的基于深度学习的车载乐谱生成方法，其特征在于，所述对所述行车数据、所述视频数据、所述语音数据和所述操作数据进行数据处理，得到视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合，具体包括：对所述行车数据、所述视频数据、所述语音数据和所述操作数据的时间进行标注；对标注后的数据进行分类重组，得到与车载乐谱生成相关的视频及操作数据集合、速度数据集合、刹车数据集合和语音及环境数据集合。3.如权利要求2所述的基于深度学习的车载乐谱生成方法，其特征在于，所述根据所述视频及操作数据集合分析得到乐谱的曲风，具体包括：采用卷积神经网络对所述视频及操作数据集合进行分析，得到每一曲风的分数；对所有曲风的分数进行排名，将排名最高的分数所对应的曲风作为乐谱的曲风。4.如权利要求3所述的基于深度学习的车载乐谱生成方法，其特征在于，所述根据所述速度数据集合分析得到乐谱的音阶集合，具体包括：采用卷积神经网络对所述速度数据集合中的速度特征向量进行分析，并按照时间得出对应的音阶集合。5.如权利要求4所述的基于深度学习的车载乐谱生成方法，其特征在于，所述根据所述刹车数据集合分析得到乐谱的节拍及休止符集合，具体包括：采用卷积神经网络对所述刹车数据集合中的刹车特征向量进行分析，并按照时间得出对应的节拍及休止符集合。6.如权利要求5所述的基于深度学习的车载乐谱生成方法，其特征在于，所述根据所述语音及环境数据集合分析得到乐谱的音符集合，具体包括：采用卷积神经网络对所述语音及环境数据集合...

【专利技术属性】
技术研发人员：黄志敏，沈仲孝，刘棨，冉光伟，张莹，刘俊峰，梁伟强，
申请(专利权)人：星河智联汽车科技有限公司，
类型：发明
国别省市：