本申请实施例公开了一种灯光控制策略的生成方法、灯光控制方法以及相关装置。该生成方法包括：基于载具上的图像采集设备获取目标场景的图像，并提取图像中的环境信息；基于训练好的神经网络模型对环境信息进行处理，生成用于控制载具上的照明设备的第一灯光控制策略，其中，训练好的神经网络模型是使用多个样本图像中的环境信息和各环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。通过本申请，解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节，无法满足驾驶场景的照明需求的技术问题，达到了更加准确且智能化地生成灯光参数，满足目标场景的照明需求的技术效果。果。果。
【技术实现步骤摘要】
灯光控制策略的生成方法、灯光控制方法以及相关装置
[0001]本申请涉及灯光控制
，尤其涉及一种灯光控制策略的生成方法、灯光控制方法以及相关装置。
技术介绍
[0002]在驾驶场景中，通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节，由于驾驶场景的需求是多变的，需要根据不同的路况、天气、时间等因素进行灯光调节，而人为或者预设灯光参数方式无法实时适应这些变化，可能会导致驾驶安全问题，无法满足驾驶场景的照明需求。
[0003]针对上述的问题，尚未提出有效地解决方案。
技术实现思路
[0004]本申请实施例提供了一种灯光控制策略的生成方法、灯光控制方法以及相关装置，以至少解决相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节，无法满足驾驶场景的照明需求的技术问题。
[0005]根据本申请实施例的一个方面，提供了一种灯光控制策略的生成方法，包括：基于载具上的图像采集设备获取目标场景的图像，并提取所述图像中的环境信息，其中，所述环境信息用于描述所述载具所处所述目标场景的环境参数；基于训练好的神经网络模型对所述环境信息进行处理，生成用于控制所述载具上的照明设备的第一灯光控制策略，其中，所述训练好的神经网络模型是使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
[0006]可选地，使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练，包括：将各所述样本图像中的环境信息输入所述神经网络模型，由所述神经网络模型输出各所述环境信息的预测灯光控制策略；将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较，得到各所述环境信息的损失值；利用各所述环境信息的损失值对所述神经网络模型进行参数优化，得到训练好的神经网络模型。
[0007]可选地，在将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较，得到各所述环境信息的损失值之前，所述方法还包括：获取各所述环境信息对应的运动信息，其中，所述运动信息用于描述所述载具处于所述目标场景时的运行参数；将各所述样本图像中的环境信息和各所述环境信息对应的运动信息输入所述神经网络模型，由所述神经网络模型输出各所述环境信息的预测灯光控制策略。
[0008]可选地，将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较，得到各所述环境信息的损失值，包括：将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略输入至损失函数，输出各所述环境信息的损失值，其中，所述损失函数包括以下至少之一：均方误差损失函数和交叉熵损失函数。
[0009]可选地，在所述损失函数为所述均方误差损失函数时，所述均方误差损失函数L1的计算表达式如下：L1＝1/n*∑(x
‑
y)^2，其中，n表示样本图像的数量，∑表示对所有样本图像求和，x表示各样本图像中的环境信息对应的预测灯光控制策略，y表示各样本图像中的环境信息对应的实际灯光控制策略。
[0010]可选地，在所述损失函数为所述交叉熵损失函数时，所述交叉熵损失函数L2的计算表达式如下：L2＝
‑
1/n*∑(y*log(x)+(1
‑
y)*log(1
‑
x))，其中，n表示样本图像的数量，x表示各样本图像中的环境信息对应的预测灯光控制策略，y表示各样本图像中的环境信息对应的实际灯光控制策略，log表示自然对数。
[0011]可选地，所述方法还包括：获取所述图像的目标区域的位置信息，其中，所述目标区域内各像素点的亮度值小于预设的亮度值；基于所述位置信息使用所述载具上的照明设备对所述目标区域进行补光，并基于所述载具上的图像采集设备获取补光后的图像；基于所述训练好的神经网络模型对所述补光后的图像中的环境信息进行处理，生成用于控制所述载具上的照明设备的第二灯光控制策略。
[0012]可选地所述方法还包括在所述第一灯光控制策略与所述第二灯光控制策略相同时，则确定任一种灯光控制策略作为目标灯光控制策略；在所述第一灯光控制策略与所述第二灯光控制策略不同时，则确定所述第二灯光控制策略作为目标灯光控制策略。
[0013]根据本申请实施例的另一个方面，还提供了一种灯光控制策略的生成装置，包括：第一获取模块，用于基于载具上的图像采集设备获取目标场景的图像，并提取所述图像中的环境信息，其中，所述环境信息用于描述所述载具所处所述目标场景的环境参数；生成模块，用于基于训练好的神经网络模型对所述环境信息进行处理，生成用于控制所述载具上的照明设备的第一灯光控制策略，其中，所述训练好的神经网络模型是使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。
[0014]根据本申请实施例的另一个方面，还提供了一种灯光控制方法，包括：获取目标灯光控制策略，其中，所述目标灯光控制策略基于上述中任一项所述的灯光控制策略的生成方法的步骤生成；基于所述目标灯光控制策略对所述载具上的照明设备进行控制。
[0015]根据本申请实施例的另一个方面，还提供了一种灯光控制装置，包括：第二获取模块，用于获取目标灯光控制策略，其中，所述目标灯光控制策略基于上述中任一项所述的灯光控制策略的生成方法的步骤生成；控制模块，用于基于所述目标灯光控制策略对所述载具上的照明设备进行控制。
[0016]根据本申请实施例的另一个方面，还提供了一种载具，所述载具设置有上述中所述的灯光控制策略的生成装置或者所述的灯光控制装置。
[0017]根据本申请实施例的另一个方面，还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述中任一项所述的方法的步骤。
[0018]根据本申请实施例的另一个方面，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程序，其中，在所述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中任一项所述的方法的步骤。
[0019]在本申请实施例中，采用基于载具上的图像采集设备获取目标场景的图像，并提
取图像中的环境信息，其中，环境信息用于描述载具所处目标场景的环境参数；基于训练好的神经网络模型对环境信息进行处理，生成用于控制载具上的照明设备的第一灯光控制策略，其中，训练好的神经网络模型是使用多个样本图像中的环境信息和各环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。也就是说，本申请实施例利用训练好的神经网络模型对目标场景图像中的环境信息进行处理，生成用于控制载具上的照明设备的第一灯光控制策略，从而实现灯光参数的智能化生成，使调节的照明设备的灯光更符合目标场景的真实需求，进而解决了相关技术中通常采用人为设置灯光参数或者按照场景预设灯光参数方式进行灯光调节，无法满足驾驶场景的照明需求的技术问题，达到了更加准确且智能化地生成灯光参数，满本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种灯光控制策略的生成方法，其特征在于，包括：基于载具上的图像采集设备获取目标场景的图像，并提取所述图像中的环境信息，其中，所述环境信息用于描述所述载具所处所述目标场景的环境参数；基于训练好的神经网络模型对所述环境信息进行处理，生成用于控制所述载具上的照明设备的第一灯光控制策略，其中，所述训练好的神经网络模型是使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练得到。2.根据权利要求1所述的方法，其特征在于，使用多个样本图像中的环境信息和各所述环境信息的实际灯光控制策略对预先构建的神经网络模型进行训练，包括：将各所述样本图像中的环境信息输入所述神经网络模型，由所述神经网络模型输出各所述环境信息的预测灯光控制策略；将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较，得到各所述环境信息的损失值；利用各所述环境信息的损失值对所述神经网络模型进行参数优化，得到训练好的神经网络模型。3.根据权利要求2所述的方法，其特征在于，在将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较，得到各所述环境信息的损失值之前，所述方法还包括：获取各所述环境信息对应的运动信息，其中，所述运动信息用于描述所述载具处于所述目标场景时的运行参数；将各所述样本图像中的环境信息和各所述环境信息对应的运动信息输入所述神经网络模型，由所述神经网络模型输出各所述环境信息的预测灯光控制策略。4.根据权利要求2所述的方法，其特征在于，将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略进行比较，得到各所述环境信息的损失值，包括：将各所述环境信息的预测灯光控制策略与各所述环境信息的实际灯光控制策略输入至损失函数，输出各所述环境信息的损失值，其中，所述损失函数包括以下至少之一：均方误差损失函数和交叉熵损失函数。5.根据权利要求4所述的方法，其特征在于，在所述损失函数为所述均方误差损失函数时，所述均方误差损失函数L1的计算表达式如下：L1＝1/*∑(
‑
y)^2其中，n表示样本图像的数量，∑表示对所有样本图像求和，x表示各样本图像中的环境信息对应的预测灯光控制策略，y表示各样本图像中的环境信息对应的实际灯光控制策略。6.根据权利要求4所述的方法，其特征在于，在所述损失函数为所述交叉熵损失函数时，所述交叉熵损失函数L2的计算表达式如下：L2＝
‑
1/n*∑(y*log(x)+(1
‑
)*og(1
‑<...
【专利技术属性】
技术研发人员：苏煜，
申请(专利权)人：珠海光通智装科技有限公司，
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。