一种汽车远近灯光自动切换及转向跟随的智能控制方法与流程

本发明涉及汽车灯光智能控制技术，具体涉及一种汽车远近灯光自动切换及转向跟随的智能控制方法。

背景技术：

随着汽车的日益普及，汽车已成为最重要的出行手段，每年汽车发生的交通事故致死致残致伤的数量已不下于于一场局部战争，在这些交通事故中，很多是由于驾驶员的不良驾驶行为造成的，比如滥用远光灯，每年都有很高比例因为远光灯乱用导致发送严重交通事故，远光灯照射往往会使对象车辆或行人短暂性致盲，看不清路边环境导致出现交通事故。滥用远光灯目前主要是通过法律知识宣贯及驾校考试培训，其中一少部分人开远光形成了习惯，较难改变；另外部分城市及乡村路线昏暗，开了远光回到光线良好或会车时忘记切换远光灯，导致事故发生。

传统的汽车车灯是通过机械的电磁阀来进行远近光的手动切换，需驾驶员严格按照灯光条件使用进行操作，但经常存在忘记或忽视远近光的正确使用导致交通事故发生，且通过人的判断来进行切换也有着很大的主管性，无法形成统一的标准来指导远近光的正确使用。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种汽车远近灯光自动切换及转向跟随的智能控制方法。

本发明的技术方案如下：

一种汽车远近灯光自动切换及转向跟随的智能控制方法，通过在左右车灯内分别安装视觉感应器，利用该视觉感应器去检测外界光线的变化以及路况环境，再根据外界光线的变化和路况环境实现大灯自动开关、远近光切换、灯光转向及车道跟随功能，其具体步骤如下：

a、汽车开启后，视觉感应器通过摄像头实时采集车外的图像；

b、图像进行降噪、增强预处理；

c、对图片进行图像直方图统计；

d、设定阀值ov0，如大于阈值则为白天环境，大灯不开启，如小于阈值则为黑夜环境，开启大灯；

e、当处于黑夜环境，基于多任务深度卷积神经网络识别算法识别车外环境，在需要切换灯光时，通知车灯控制中心控制大灯做远近光切换/灯光转向/车道跟随动作。

所述多任务深度卷积神经网络识别算法包括车外环境模型训练阶段和车外环境测试阶段。

所述车外环境模型训练阶段的具体步骤如下：

a、通过视觉感应器的摄像头采集车外的图像；

b、标注图像；

c、图像预处理；

d、利用多任务卷积神经网络框架训练出车外环境模型；

e、根据所生成的车外环境模型计算出环境检测损失函数、环境姿态损失函数、环境其他特征点损失函数和总损失函数。

所述多任务卷积神经网络框架包括依次连接的第一卷积层、第一池化层、第一relu层、第二卷积层、第二relu层、第三卷积层、第二池化层和拥有512神经元的第一全连接层，所述第一全连接层分别分出环境检测网络分支、环境姿态检测网络分支和环境其他特征点检测网络分支；所述环境检测网络分支依次包括拥有128个神经元的第二全连接层和拥有2个神经元的第三全连接层；所述环境姿态检测网络分支依次包括拥有128个神经元的第四全连接层和拥有5个神经元的第五全连接层；所述环境其他特征点检测网络分支依次包括拥有256个神经元的第六全连接层、拥有196个神经元的第七全连接层和拥有10个神经元的第八全连接层。

所述第一卷积层的卷积核大小为5x5，卷积层数为32；所述第一池化层的大小为2x2；所述第二卷积层的卷积核大小为3x3，卷积层数为32；所述第三卷积层的卷积核大小为3x3，卷积层数为24；所述第二池化层的大小为2x2。

所述环境检测网络分支经过所述第二全连接层和第三全连接层最后送入到softmax函数，其环境检测损失函数计算公式如下：l1＝-∑(i＝1，2)tilogyi。

所述环境姿态检测网络分支经过所述第四全连接层和第五全连接层最后送入到softmax函数，其环境姿态损失函数计算公式如下：l2＝-∑(i＝1，5)tilogyi。

所述环境其他特征点检测网络分支经过所述第六全连接层、第七全连接层和第八全连接层最后送入到带权重的均方误差函数，其环境其他特征点损失函数计算公式如下：l3＝1/2*{[∑iwi(zi-yi)^2]/(∑iwi)}。

所述车外环境模型的总损失函数计算公式如下：l＝∑(i＝1，3)αili。

所述车外环境测试阶段的具体步骤如下：

a、通过视觉感应器的摄像头采集车外的图像；

b、图像预处理；

c、车外环境模型特征提取；

d、输出环境特征、捕获；

e、环境特征检测；

f、判断是否需要灯光切换。

相对于现有技术，本发明的有益效果在于：

1、通过车灯内的视觉感应器感应外界光线的变化，实现车大灯的自动开关；

2、在黑夜环境下，视觉感应器可根据视觉技术识别前方环境，当出现会车、行人、障碍物时，会自动切换成近光灯且将灯光转动合适角度，避免车灯直射，确保对向行人、车辆和自身的安全；

3、在昏暗或空旷地方自动匹配地形环境，会自动切换成远光灯，确保行车安全；

4、当行驶在山路、靠崖路、连续弯路时，为避免车灯直射“空射”引起视觉误差酿成严重车祸，车灯中的视觉感应器识别到当前环境，会将灯光下压，确保灯光始终跟随路面，当车辆拐弯时车灯也随之转换一定的弯度，确保最有效的灯光效率和最佳的行车体验。

附图说明

图1为本发明的工作流程图；

图2为本发明所述车外环境模型训练阶段的步骤流程图；

图3为本发明所述多任务卷积神经网络框架的网络框架图；

图4为本发明车外环境测试阶段的步骤流程图。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

本发明提供的一种汽车远近灯光自动切换及转向跟随的智能控制方法，通过在左右车灯内分别安装视觉感应器，利用该视觉感应器去检测外界光线的变化以及路况环境，再根据外界光线的变化和路况环境实现大灯自动开关、远近光切换、灯光转向及车道跟随功能。

请参阅图1，其实现方法如下：汽车开启后，视觉感应器通过摄像头实时采集车外的图像；图像先进行降噪、增强等预处理；然后对图片进行图像直方图统计；设定一定的阀值ov0，如大于阈值则为白天环境，大灯不开启，如小于阈值则为黑夜环境，开启大灯；视觉感应器在汽车发动开启状态下就一直连续监测是否需要开启车灯，间隔时间为1分钟，检测完后进入待机状态；当识别到黑夜环境，大灯开启，视觉感应器进行环境识别，识别车辆、行人、障碍物、道路等，利用基于多任务深度卷积神经网络识别算法识别车外环境，在需要切换灯光时，通知车灯控制中心控制大灯做远近光切换/灯光转向/车道跟随动作。

其中，所述多任务深度卷积神经网络识别算法包括车外环境模型训练阶段和车外环境测试阶段。

如图2所示，为车外环境模型训练阶段的具体步骤：

输入原始图像：通过视觉感应器的摄像头采集大样本的图像作为数据输入，采集的图像作为一部分作为该车外环境模型训练阶段的训练样本，另一部分作为车外环境测试阶段的测试图像输入。

标注图像：对所采集到的每一张图像进行标注。

图像预处理：主要包括图像去噪和图像增强。

模型训练：利用多任务卷积神经网络框架训练出车外环境模型。

如图3所示，所述多任务卷积神经网络框架包括依次连接的第一卷积层、第一池化层、第一relu层、第二卷积层、第二relu层、第三卷积层、第二池化层和拥有512神经元的第一全连接层，第一全连接层分别分出环境检测网络分支、环境姿态检测网络分支和环境其他特征点检测网络分支。在第一卷积层和第二卷积层后添加一个relu层作为激活函数以加快网络收敛，第三卷积层不添加relu操作，以保留重要的特征信息；第一卷积层的卷积核大小为5x5，卷积层数为32；第一池化层的大小为2x2；第二卷积层的卷积核大小为3x3，卷积层数为32；第三卷积层的卷积核大小为3x3，卷积层数为24；第二池化层的大小为2x2。

其中，所述环境检测网络分支是环境检测(1车辆、2行人、3障碍物、4道路任务)，其依次包括拥有128个神经元的第二全连接层和拥有2个神经元的第三全连接层。

所述环境姿态检测网络分支为环境姿态检测任务，其依次包括拥有128个神经元的第四全连接层和拥有5个神经元的第五全连接层。

所述环境其他特征点检测网络分支为环境其他特征点检测任务，其依次包括拥有256个神经元的第六全连接层、拥有196个神经元的第七全连接层和拥有10个神经元的第八全连接层。

损失函数计算：根据所生成的车外环境模型计算出环境检测损失函数、环境姿态损失函数、环境其他特征点损失函数和总损失函数，损失函数采用交叉熵函数。

所述环境检测网络分支来自第一全连接层的输出送入到拥有128个神经元的第二全连接层，然后再输入拥有2个神经元的第三全连接层，最后送入到softmax函数，结果只包含(1车辆、2行人、3障碍物、4道路、5其他)，其环境检测损失函数计算公式如下：

l1＝-∑(i＝1，2)tilogyi。

所述环境姿态检测网络分支来自第一全连接层的输出送入拥有128个神经元的第四全连接层，最后再输入拥有5个神经元的第五全连接层，最后送入到softmax函数，结果只包含(1正面、2左侧、3右侧、4下测、5上测)，其环境姿态损失函数计算公式如下：

l2＝-∑(i＝1，5)tilogyi。

所述环境其他特征点检测网络分支来自第一全连接层的输出送入拥有256个神经元的第六全连接层，然后再输入拥有196个神经元的第七全连接层，然后再输入拥有10个神经元的第八全连接层，最后送入到带权重的均方误差函数，结果只包含(1车辆、2行人、3障碍物、4道路)在图片中的坐标位置，其环境其他特征点损失函数计算公式如下：

l3＝1/2*{[∑iwi(zi-yi)^2]/(∑iwi)}。

由于本发明使用的是多任务深度学习，而输入的图像可能只包含某个检测任务，如图片只有一部分环境(车辆、行人、障碍物、道路)信息，而环境中其他特征获取不全，为了不影响模型训练收敛，车辆、行人、障碍物、道路将所有任务综合训练，并设置不同的权重，模型总的损失函数如下公式所示：

l＝∑(i＝1，3)αili。

αi代表不同任务的权重值，所有任务(车辆、行人、障碍物、道路)识别的权重值之和等于1；任务越重要ai值越大。同时识别当前和上一幅视觉感应器采集图像的图像直方图差值ovi，如ovi的绝对值大于ovth，则需将当前灯光进行切换(远光切近光、近光切远光)，否则保持。

如图4所示，为车外环境测试阶段的具体步骤：

输入原始图像：通过视觉感应器的摄像头采集大样本的图像作为数据输入。

图像预处理：先对采集的图像进行预处理。

模型特征提取：将车外环境模型检测的结果送入环境(车辆、行人、障碍物、道路)特征检测算法。

输出环境(车辆、行人、障碍物、道路)特征、捕获：对预处理后的图像，用canny边缘检测算法提取环境(车辆、行人、障碍物、道路)特征点的边缘特征，根据提取的环境(车辆、行人、障碍物、道路)特征点反馈给视觉感应器摆动，聚焦环境(车辆、行人、障碍物、道路)特定目标。

环境(车辆、行人、障碍物、道路)检测，判断是否需要灯光切换，视觉感应器每100ms采集一次图片：

1、统计每秒中检测到前方出现的车辆、行人、障碍物、道路的次数，当每秒出现车辆、行人、障碍物、道路的次数超过6次时，则远光切换为近光；

2、当环境出现较强明暗差异，图像直方图差值超过阈值ovth时，切换远近光，比如从黑暗的道路驶入光线良好的道路时，远光切近光，当从光线良好的道路驶入黑暗的道路时，近光变远光；

3、当检测对向有车辆、行人、障碍物时，提取环境姿态特征，获取车辆、行人、障碍物所在的位置信息，如检测到车辆、行人、障碍物在左上侧时，则会将灯光相应转动，下压避开车辆、行人、障碍物的位置，避免影响对向人车通行；如在起伏的路面行驶时，车灯随车身上下起伏，车灯控制中心会根据起伏的角度对应调整车灯角度反向偏转，避免车灯“空射”或“短视”，进入弯道行驶时，车灯控制中心会根据行车电脑提供的车辆转弯的角度控制车道跟随，转出弯道后车灯回位。

本发明所提供的一种汽车远近灯光自动切换及转向跟随的智能控制方法，通过车灯内的视觉感应器感应外界光线的变化，实现了车大灯的自动开关；当出现会车、行人、障碍物时，会自动切换成近光灯且将灯光转动合适角度，避免车灯直射，确保对向行人、车辆和自身的安全；在昏暗或空旷地方会自动匹配地形环境，切换成远光灯，确保行车安全；当行驶在起伏的路面时，车灯能自动感应并跟随路面；在弯道行驶时，车灯随着方向盘转弯角度偏转，保持车灯跟随道路，提高安全系数，保持最优的行车体验。

以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。