一种用于无人驾驶的汽车逐程接管方法及装置与流程

1.本发明属于智能汽车技术领域，具体涉及一种用于无人驾驶的汽车逐程接管方法及装置。


背景技术：

2.智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。目前对智能车辆的研究主要致力于提高汽车的安全性、舒适性，以及提供优良的人车交互界面。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。
3.通常对车辆的操作实质上可视为对一个多输入、多输出、输入输出关系复杂多变、不确定多干扰源的复杂非线性系统的控制过程。驾驶员既要接受环境如道路、拥挤、方向、行人等的信息，还要感受汽车如车速、侧向偏移、横摆角速度等的信息，然后经过判断、分析和决策，并与自己的驾驶经验相比较，确定出应该做的操纵动作，最后由身体、手、脚等来完成操纵车辆的动作。因此在整个驾驶过程中，驾驶员的人为因素占了很大的比重。一旦出现驾驶员长时间驾车、疲劳驾车、判断失误的情况，很容易造成交通事故。
4.疲劳驾驶极易引起交通事故，是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶人的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。疲劳后继续驾驶车辆，会感到困倦瞌睡，四肢无力，注意力不集中，判断能力下降，甚至出现精神恍惚或瞬间记忆消失，出现动作迟误或过早，操作停顿或修正时间不当等不安全因素，极易发生道路交通事故。因此，疲劳后严禁驾驶车辆。
5.专利号为cn201510249302.7a的专利公开了一种基于决策级数据融合的疲劳驾驶状态检测系统和方法，该系统首先利用加速度传感器采集方向盘运动加速度，基于加速度动态阈值判断出方向盘运动状态，基于方向盘4s不动理论初步判断驾驶员疲劳驾驶状态，还通过设置方向盘左右摇摆的误差值，增强检测的容错性；利用脉搏传感器采集驾驶员的脉搏时域值，基于脉率动态阈值检测出驾驶员生理状态；通过对两种检测结果进行决策级融合，可得到融合后的检测结果。在基于决策级数据融合的疲劳驾驶状态检测方法设计并构建了疲劳驾驶状态检测原型系统。与其通过数据融合的方式来实现疲劳驾驶的准确判断，但缺乏对于系统资源的控制，同时判断的指标过于单一，也容易导致误判的发生。


技术实现要素：

6.有鉴于此，本发明的主要目的在于提供一种用于无人驾驶的汽车逐程接管方法及装置，相较于现有技术，逐程接管的方式，可以提升接管的效率，同时可以节约系统资源；同时本发明在面部识别时，引入了对于头部偏转和俯仰的校正，提升了判断的准确率。
7.为达到上述目的，本发明的技术方案是这样实现的：
8.一种用于无人驾驶的汽车逐程接管方法及装置，所述方法执行以下步骤：
9.步骤1：进行头距检测，具体包括：在设定的时间范围内统计每个时刻下驾驶员头部距离驾驶员座椅的头枕的距离，生成头距变化曲线；
10.步骤2：对生成的头距变化曲线进行曲线分析，以判断驾驶员的头距在设定的时间范围内的变化是否出现异常，若出现异常，则基于出现异常的占比，生成头距异常值，同时发送控制命令和至汽车控制系统；汽车控制系统响应于所述控制命令，开启刹车辅助控制，同时开启生理参数检测；
11.步骤3：进行生理参数检测，具体包括：在设定的时间范围内统计每个时刻下驾驶员的生理参数，生成生理参数变化曲线；所述生理参数包括：驾驶员的心跳、体温和血压；
12.步骤4：对生成的生理参数变化曲线进行曲线分析，以判断驾驶员的生理参数在设定的时间范围内的变化是否出现异常，若出现异常，则基于出现异常的占比，生成生理异常值，同时发送控制命令和至汽车控制系统；汽车控制系统响应于所述控制命令，开启油门辅助控制，同时开启手势检测；
13.步骤5：进行手势检测，具体包括：在设定的时间范围内统计每个时刻下驾驶员的手势参数，生成手势参数变化曲线；所述手势参数包括：手握方向盘的压力和手臂与方向盘的夹角；
14.步骤6：对生成的手势参数变化曲线进行曲线分析，以判断驾驶员的手势参数在设定的时间范围内的变化是否出现异常，若出现异常，则基于出现异常的占比，生成手势异常值，同时发送控制命令和至汽车控制系统；汽车控制系统响应于所述控制命令，开启方向盘辅助控制，同时开启面部检测；
15.步骤7：进行面部检测，具体包括：实时采集驾驶员的面部图像信息，进行面部图像识别，得到面部识别结果，基于面部识别结果生成面部异常值；
16.步骤8：基于头距异常值、生理异常值、手势异常值和面部异常值，使用预设的疲劳值计算模型，计算驾驶员的疲劳值，若计算得到的疲劳值超过设定的阈值，则汽车控制系统接管汽车控制，若计算得到的疲劳值在设定的阈值范围内，则重新进行头距检测、生理参数检测和手势检测，在重新进行上述检测的过程中，若检测到任一一项的异常消失，则汽车控制系统解除该项对应的辅助控制。
17.进一步的，在进行头距检测、生理参数检测和手势检测过程中，所述设定的时间范围将按照设定的函数随着驾驶员驾驶汽车的时间而变化；所述设定的函数，使用如下公式进行表示：其中，s表示设定的时间范围；t1为驾驶员驾驶汽车的时间。
18.进一步的，所述步骤2中对生成的头距变化曲线进行曲线分析的方法执行以下步骤：将生成的头距变化曲线与预设的头距标准曲线进行作差计算，再计算作差计算后得到的差异部分在头距标准曲线中的占比，若占比超过设定的头距阈值，则判断头距变化出现异常，则将出现异常的占比，作为头距异常值。
19.进一步的，所述步骤4中对生成的生理参数变化曲线进行曲线分析的方法执行以下步骤：针对每种不同的生理参数均生成对应的一个变化曲线，得到压力变化曲线和夹角
变化曲线；再将每个变化曲线分别与预设的对应的标准曲线进行作差计算，再计算作差计算后得到的两个差异部分分别在对应的标准曲线中的占比；最后计算三个占比的加权平均值，将得到的平均值与设定的生理阈值进行比较，若超过设定的生理阈值，则判断手势参数的变化出现异常，将计算得到的平均值作为生理异常值；所述加权平均值＝0.4*压力变化曲线的变化占比+0.6*夹角变化曲线的变化占比。
20.进一步的，所述步骤5中对生成的手势参数变化曲线进行曲线分析的方法执行以下步骤：针对每种不同的手势参数均生成对应的一个变化曲线，得到心跳变化曲线、体温变化曲线和血压变化曲线；再将每个变化曲线分别与预设的对应的标准曲线进行作差计算，再计算作差计算后得到的三个差异部分分别在对应的标准曲线中的占比；最后计算三个占比的平均值，将得到的平均值与设定的生理阈值进行比较，若超过设定的生理阈值，则判断手势参数的变化出现异常，将计算得到的平均值作为生理异常值。
21.进一步的，所述步骤7中进行面部图像识别，得到面部识别结果的方法执行以下步骤：从采集到的面部图像中进行关键点标注；所述关键点包括：眼镜和嘴巴；采集面部图像的二维图像特征和三维深度特征；提取所述二维图像特征的二维特征向量；通过所述三维深度特征，提取面部图像中预设的匹配特征点的特征向量形成三维特征向量；基于所述二维图像特征进行特征回归，对驾驶人员进行姿态判断，以判断驾驶员的头部的偏转和俯仰状态；其中，所述匹配特征点为面部图像中的部分特征点；使用加权运算，计算组合特征向量与匹配特征向量的加权特征向量；若驾驶员的头部处于偏转和俯仰状态，则再使用预设的姿态矫正函数基于偏转和俯仰状态计算得到的姿态校正值，对加权特征向量进行校正；再计算加权特征向量与预设的疲劳特征向量的相似度，其中，所述组合特征向量由所述二维特征向量和所述三维特征向量组合形成，所述匹配特征向量是由预设二维特征向量以及与所述匹配特征点对应的预设三维特征向量组合形成；计算出的相似度与标准值的差值即为得到的面部异常值。
22.进一步的，所述通过所述三维深度特征，提取面部图像中预设的匹配特征点的特征向量形成三维特征向量，包括：检测所述用户面部图像中关键特征点，其中，所述关键特征点为面部图像中的部分特征点；通过所述三维深度特征提取所述关键特征点的特征向量；判断面部图像识别影响因素是否正常；若所述面部图像识别影响因素正常，选择所述关键特征点的部分特征点作为所述匹配特征点，并由所述匹配特征点的特征向量形成所述三维特征向量；所述通过所述三维深度特征提取面部图像中预设的匹配特征点的特征向量形成三维特征向量，还包括：若所述面部图像识别影响因素不正常，选择所述关键特征点的全部特征点作为所述匹配特征点，并由所述匹配特征点的特征向量形成所述三维特征向量。
23.进一步的，所述基于所述二维图像特征进行特征回归，对驾驶人员进行姿态判断，以判断驾驶员的头部的偏转和俯仰状态的方法执行以下步骤：基于所述二维图像特征进行特征回归，得到二维图像特征中每个特征点的特征回归值，将所有特征点的特征回归值按照每个特征点在二维图像特征中的位置，重新组成一个特征矩阵，使用如下公式进行表示：
[0024]24.其中，b为特征矩阵，p
m，n
为二维图像特征中每个特征点的特征回归值；所述特征回归为将每个二维图像特征进行岭回归；c为调整系数，取值范围为：0.2～0.5；再计算特征矩阵的的秩和行列式，将得到的秩与预设的第一范围值进行比较，若在预设的第一范围值内，则判断出现偏转；将得到的行列式值与预设的第二范围值进行比较，若在预设的第二范围值内，则判断出现俯仰。
[0025]
进一步的，所述姿态矫正函数使用如下公式进行表示：其中，q为姿态矫正值，b为特征矩阵的秩，y为特征矩阵的行列式值，o为调整系数，取值范围为：5～10；将计算得到的姿态校正值与加权特征向量进行相乘，即得到校正后的加权特征向量。
[0026]
一种无人驾驶的汽车逐程接管装置。
[0027]
本发明的一种用于无人驾驶的汽车逐程接管方法及装置，具有如下有益效果：
[0028]
1.效率高：本发明通过检测驾驶人员的生理参数、头距和手势参数，以及结合对驾驶人员的面部识别，让汽车控制系统逐步接管汽车驾驶，实现驾驶的逐程接管；逐程接管的方式有两个好处：一是不必同时针对大量数据进行处理，而是按照顺序，在前一条件满足的情况下，再开启下一阶段的检测和接管，可以显著提升效率，同时，在同一时间只需要对一种参数进行判断和分析，也可以降低系统资源的占用；二是逐程接管可以实现汽车接管的平滑性，因为在实际情况中驾驶员并不是马上就进入疲劳状态，二是一个渐进的过程，如果通过单一的阈值或者条件来判断，汽车控制系统在满足条件或者阈值的情况下，直接接管整个汽车，反而容易触发事故，驾驶员突然失去对车辆的接管权，也会让驾驶员受到惊吓；通过逐程接管的方式，可以逐步使得汽车进入无人驾驶状态，降低事故的发生概率。
[0029]
2.准确率高：本发明相较于现有技术，首先通过多种参数结合的方式来进行疲劳判定，而非单一的使用图像识别或生理参数的监控来判断；而是创造性的结合头距以及手势参数的来判断，提升了判断的准确率；另一方面，本发明在进行面部识别时，加入了偏转和俯仰的校正，进一步提升判断的准确率；同时，本发明还针对不同的参数进行了不一样的加权，以提升实际引用中的准确率。
[0030]
3.资源占用率低：本发明除了通过逐程接管来降低资源占用率以外，还通过驾驶员在驾驶车辆的疲劳值变化来控制采集或检测参数的设定的时间，这样做的好处在于，驾驶员在驾驶车辆时，往往在进行驾驶了相当时间后才会更加疲劳，在这个时候，更需要频次更高的监测驾驶员的状态，而在前期，驾驶员刚开始驾驶车辆时，监测的频次则不需要太高；因此如果一直都以较高频率监测驾驶员是否处于疲劳，则会浪费大量的系统资源，而随着时间的变化，更加频繁的检测驾驶员是否处于疲劳，则可以降低系统的资源占用。
附图说明
[0031]
图1为本发明实施例提供的一种用于无人驾驶的汽车逐程接管方法的方法流程示意图；
[0032]
图2为本发明实施例提供的一种用于无人驾驶的汽车逐程接管方法及装置的头距检测原理示意图；
[0033]
图3为本发明实施例提供的一种用于无人驾驶的汽车逐程接管方法及装置的手势检测原理示意图；
[0034]
图4为本发明实施例提供的一种用于无人驾驶的汽车逐程接管方法及装置的面部检测原理示意图；
[0035]
图5为本发明实施例提供的在驾驶员驾驶汽车时，疲劳值随着驾驶时间变化的曲线示意图。
具体实施方式
[0036]
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
[0037]
实施例1
[0038]
如图1所示，一种用于无人驾驶的汽车逐程接管方法及装置，所述方法执行以下步骤：
[0039]
步骤1：进行头距检测，具体包括：在设定的时间范围内统计每个时刻下驾驶员头部距离驾驶员座椅的头枕的距离，生成头距变化曲线；
[0040]
步骤2：对生成的头距变化曲线进行曲线分析，以判断驾驶员的头距在设定的时间范围内的变化是否出现异常，若出现异常，则基于出现异常的占比，生成头距异常值，同时发送控制命令和至汽车控制系统；汽车控制系统响应于所述控制命令，开启刹车辅助控制，同时开启生理参数检测；
[0041]
步骤3：进行生理参数检测，具体包括：在设定的时间范围内统计每个时刻下驾驶员的生理参数，生成生理参数变化曲线；所述生理参数包括：驾驶员的心跳、体温和血压；
[0042]
步骤4：对生成的生理参数变化曲线进行曲线分析，以判断驾驶员的生理参数在设定的时间范围内的变化是否出现异常，若出现异常，则基于出现异常的占比，生成生理异常值，同时发送控制命令和至汽车控制系统；汽车控制系统响应于所述控制命令，开启油门辅助控制，同时开启手势检测；
[0043]
步骤5：进行手势检测，具体包括：在设定的时间范围内统计每个时刻下驾驶员的手势参数，生成手势参数变化曲线；所述手势参数包括：手握方向盘的压力和手臂与方向盘的夹角；
[0044]
步骤6：对生成的手势参数变化曲线进行曲线分析，以判断驾驶员的手势参数在设定的时间范围内的变化是否出现异常，若出现异常，则基于出现异常的占比，生成手势异常值，同时发送控制命令和至汽车控制系统；汽车控制系统响应于所述控制命令，开启方向盘辅助控制，同时开启面部检测；
[0045]
步骤7：进行面部检测，具体包括：实时采集驾驶员的面部图像信息，进行面部图像识别，得到面部识别结果，基于面部识别结果生成面部异常值；
[0046]
步骤8：基于头距异常值、生理异常值、手势异常值和面部异常值，使用预设的疲劳值计算模型，计算驾驶员的疲劳值，若计算得到的疲劳值超过设定的阈值，则汽车控制系统接管汽车控制，若计算得到的疲劳值在设定的阈值范围内，则重新进行头距检测、生理参数检测和手势检测，在重新进行上述检测的过程中，若检测到任一一项的异常消失，则汽车控
制系统解除该项对应的辅助控制。
[0047]
参考图2，图2中为对驾驶员进行头距检测的过程。可以通过在驾驶员座椅的头枕部分设置一个传感器，以检测驾驶员头部距离头枕的距离。在实际情况中，驾驶员若处于疲劳状态，头部将长时间靠在头枕部位或者长时间原理头枕部位。通过检测头距的变化，再将这种变化的曲线绘制出来，和标准的曲线进行比较，则可以初步判断驾驶员是否处于疲劳状态。
[0048]
参考图3，驾驶员在驾驶时，若处于疲劳状态，则驾驶员手握方向盘的压力则会减轻，同时手部与方向盘的角度也会长时间处于无变化状态，通过检测手势的变化，也能判断驾驶员是否处于疲劳。
[0049]
参考图4，面部检测可以通过判断驾驶员的是否在打哈欠，打哈欠的频率以及眨眼的频率是否正常，这些参数均能描述驾驶员是否处于疲劳。
[0050]
本发明将多种指标结合起来进行判断，将显著提升准确率。
[0051]
实施例2
[0052]
在上一实施例的基础上，在进行头距检测、生理参数检测和手势检测过程中，所述设定的时间范围将按照设定的函数随着驾驶员驾驶汽车的时间而变化；所述设定的函数，使用如下公式进行表示：
[0053]053]
其中，s表示设定的时间范围；t1为驾驶员驾驶汽车的时间。
[0054]
具体的，驾驶员在驾驶车辆时，往往在进行驾驶了相当时间后才会更加疲劳，在这个时候，更需要频次更高的监测驾驶员的状态，而在前期，驾驶员刚开始驾驶车辆时，监测的频次则不需要太高；因此如果一直都以较高频率监测驾驶员是否处于疲劳，则会浪费大量的系统资源，而随着时间的变化，更加频繁的检测驾驶员是否处于疲劳，则可以降低系统的资源占用。
[0055]
现有技术中，男性和女性在驾驶车辆时，出现疲劳的趋势都不一样，因此针对不同的性别使用不同的计算方式，可以提升准确率。
[0056]
实施例3
[0057]
在上一实施例的基础上，所述步骤2中对生成的头距变化曲线进行曲线分析的方法执行以下步骤：将生成的头距变化曲线与预设的头距标准曲线进行作差计算，再计算作差计算后得到的差异部分在头距标准曲线中的占比，若占比超过设定的头距阈值，则判断头距变化出现异常，则将出现异常的占比，作为头距异常值。
[0058]
具体的，车内驾驶员疲劳监测技术，本质上是在行驶过程中捕捉并分析驾驶员的生物行为信息，比如眼睛、脸部、心脏、脑电活动，等等的技术等等。然而心跳活动和脑电监测由于受接触的限制，目前没有在车内批量应用。当前最多被采用的疲劳检测手段是驾驶员驾车行为分析，即通过记录和解析驾驶员转动方向盘、踩刹车等行为特征，判别驾驶员是否疲劳。但是这种方式受驾驶员驾驶习惯影响极大。另一大类别的检测方法是：通过图像分析手段对驾驶员脸部与眼睛特征进行疲劳评估。这一方法正渐渐被整车厂商接受并采用。
[0059]
实施例4
[0060]
在上一实施例的基础上，所述步骤4中对生成的生理参数变化曲线进行曲线分析的方法执行以下步骤：针对每种不同的生理参数均生成对应的一个变化曲线，得到压力变化曲线和夹角变化曲线；再将每个变化曲线分别与预设的对应的标准曲线进行作差计算，再计算作差计算后得到的两个差异部分分别在对应的标准曲线中的占比；最后计算三个占比的加权平均值，将得到的平均值与设定的生理阈值进行比较，若超过设定的生理阈值，则判断手势参数的变化出现异常，将计算得到的平均值作为生理异常值；所述加权平均值＝0.4*压力变化曲线的变化占比+0.6*夹角变化曲线的变化占比。
[0061]
实施例5
[0062]
在上一实施例的基础上，所述步骤5中对生成的手势参数变化曲线进行曲线分析的方法执行以下步骤：针对每种不同的手势参数均生成对应的一个变化曲线，得到心跳变化曲线、体温变化曲线和血压变化曲线；再将每个变化曲线分别与预设的对应的标准曲线进行作差计算，再计算作差计算后得到的三个差异部分分别在对应的标准曲线中的占比；最后计算三个占比的平均值，将得到的平均值与设定的生理阈值进行比较，若超过设定的生理阈值，则判断手势参数的变化出现异常，将计算得到的平均值作为生理异常值。
[0063]
具体的，车内驾驶员疲劳监测技术，本质上是在行驶过程中捕捉并分析驾驶员的生物行为信息，比如眼睛、脸部、心脏、脑电活动，等等的技术等等。然而心跳活动和脑电监测由于受接触的限制，没有在车内批量应用。当前最多被采用的疲劳检测手段是驾驶员驾车行为分析，即通过记录和解析驾驶员转动方向盘、踩刹车等行为特征，判别驾驶员是否疲劳。但是这种方式受驾驶员驾驶习惯影响极大。另一大类别的检测方法是：通过图像分析手段对驾驶员脸部与眼睛特征进行疲劳评估。这一方法正渐渐被整车厂商接受并采用。
[0064]
实施例6
[0065]
在上一实施例的基础上，所述步骤7中进行面部图像识别，得到面部识别结果的方法执行以下步骤：从采集到的面部图像中进行关键点标注；所述关键点包括：眼镜和嘴巴；采集面部图像的二维图像特征和三维深度特征；提取所述二维图像特征的二维特征向量；通过所述三维深度特征，提取面部图像中预设的匹配特征点的特征向量形成三维特征向量；基于所述二维图像特征进行特征回归，对驾驶人员进行姿态判断，以判断驾驶员的头部的偏转和俯仰状态；其中，所述匹配特征点为面部图像中的部分特征点；使用加权运算，计算组合特征向量与匹配特征向量的加权特征向量；若驾驶员的头部处于偏转和俯仰状态，则再使用预设的姿态矫正函数基于偏转和俯仰状态计算得到的姿态校正值，对加权特征向量进行校正；再计算加权特征向量与预设的疲劳特征向量的相似度，其中，所述组合特征向量由所述二维特征向量和所述三维特征向量组合形成，所述匹配特征向量是由预设二维特征向量以及与所述匹配特征点对应的预设三维特征向量组合形成；计算出的相似度与标准值的差值即为得到的面部异常值。
[0066]
具体的，在图像处理中，脸部图像的处理可以看作分量为每个像素的灰度的向量。该向量空间的维数是像素的个数。一个标准化面部图形的一个大型数据集合的协变矩阵的特征向量称为特征脸。它们对于将任何面部图像表达为它们的线性组合非常有用。特征脸提供了一种用于识别目的的数据压缩方式。在这个应用中，一般只取那些最大特征值所对应的特征脸。
[0067]
实施例7
[0068]
在上一实施例的基础上，所述通过所述三维深度特征，提取面部图像中预设的匹配特征点的特征向量形成三维特征向量，包括：检测所述用户面部图像中关键特征点，其中，所述关键特征点为面部图像中的部分特征点；通过所述三维深度特征提取所述关键特征点的特征向量；判断面部图像识别影响因素是否正常；若所述面部图像识别影响因素正常，选择所述关键特征点的部分特征点作为所述匹配特征点，并由所述匹配特征点的特征向量形成所述三维特征向量；所述通过所述三维深度特征提取面部图像中预设的匹配特征点的特征向量形成三维特征向量，还包括：若所述面部图像识别影响因素不正常，选择所述关键特征点的全部特征点作为所述匹配特征点，并由所述匹配特征点的特征向量形成所述三维特征向量。
[0069]
具体的，人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
[0070]
基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
[0071]
实施例8
[0072]
在上一实施例的基础上，所述基于所述二维图像特征进行特征回归，对驾驶人员进行姿态判断，以判断驾驶员的头部的偏转和俯仰状态的方法执行以下步骤：基于所述二维图像特征进行特征回归，得到二维图像特征中每个特征点的特征回归值，将所有特征点的特征回归值按照每个特征点在二维图像特征中的位置，重新组成一个特征矩阵，使用如下公式进行表示：下公式进行表示：其中，b为特征矩阵，p
m，n
为二维图像特征中每个特征点的特征回归值；所述特征回归为将每个二维图像特征进行岭回归；c为调整系数，取值范围为：0.2～0.5；再计算特征矩阵的的秩和行列式，将得到的秩与预设的第一范围值进行比较，若在预设的第一范围值内，则判断出现偏转；将得到的行列式值与预设的第二范围值进行比较，若在预设的第二范围值内，则判断出现俯仰。
[0073]
实施例9
[0074]
在上一实施例的基础上，所述姿态矫正函数使用如下公式进行表示：在上一实施例的基础上，所述姿态矫正函数使用如下公式进行表示：其中，q为姿态矫正值，b为特征矩阵的秩，y为特征矩阵的行列式值，o为调
整系数，取值范围为：5～10；将计算得到的姿态校正值与加权特征向量进行相乘，即得到校正后的加权特征向量。
[0075]
实施例10
[0076]
一种无人驾驶的汽车逐程接管装置。
[0077]
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0078]
需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
[0079]
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0080]
本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0081]
术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
[0082]
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
[0083]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0084]
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。