基于自动驾驶车辆的视觉感知方法、装置、设备以及介质与流程

本申请涉及自动驾驶技术领域，尤其涉及一种基于自动驾驶车辆的视觉感知方法、装置、设备以及介质。

背景技术：

随着信息技术的发展，自动驾驶车辆成为了智能化车辆研究的主要研究方向。在自动驾驶车辆运行过程中，自动驾驶车辆需要实时视觉感知处理，以根据视觉感知结果控制自动驾驶车辆的运行。

现有技术中，自动驾驶车辆可以采集到视觉感知图像，然后自动驾驶车辆对所采集到的视觉感知图像中不同目标对象(例如障碍物、车道线或交通标志等)进行识别；在识别的时候，需要将视觉感知图像分别输入到不同目标对象对应的深度学习模型中进行特征提取和识别，从而确定出对应的目标对象。

由于现有技术中，需要将视觉感知图像分别输入到不同目标对象所对应的深度学习模型中进行特征提取和识别，这样对不同目标对象分别识别的方式存在较大的时延，目标对象的识别速度较慢，从而降低了自动驾驶车辆的灵敏度，从而导致容易造成交通事故。

技术实现要素：

本申请提供一种基于自动驾驶车辆的视觉感知方法、装置、设备以及介质，解决了现有技术中由于目标对象的识别速度较慢，降低了自动驾驶车辆的灵敏度，导致容易造成交通事故的技术问题。

第一方面，本申请提供一种基于自动驾驶车辆的视觉感知方法，包括：

获取自动驾驶车辆所采集的第一视觉感知图像；

将所述第一视觉感知图像输入至第一神经网络模型中，识别出至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息；

将所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至第二神经网络模型中的至少一个子神经网络模型中，得到至少一个目标识别对象；其中，所述目标识别对象与所述子神经网络模型是一一对应的。

在一种可能的实现方式中，所述方法，还包括：

获取所述第一神经网络模型。

在一种可能的实现方式中，所述获取所述第一神经网络模型，包括：

根据第二视觉感知图像和至少一个训练样本对象的多通道特征信息对第一预设神经网络模型进行训练，生成所述第一神经网络模型；其中，所述第二视觉感知图像中包括所述至少一个训练样本对象。

在一种可能的实现方式中，所述方法，还包括：

获取所述第二神经网络模型。

在一种可能的实现方式中，所述获取所述第二神经网络模型，包括：

根据至少一个训练样本对象和所述至少一个训练样本对象的多通道特征信息分别对第二预设神经网络模型中的至少一个子预设神经网络模型进行训练，生成所述第二神经网络模型；其中，所述训练样本对象与所述子预设神经网络模型是一一对应的。

在一种可能的实现方式中，所述获取自动驾驶车辆所采集的第一视觉感知图像，包括：

获取所述自动驾驶车辆中的图像采集装置所采集的所述第一视觉感知图像。

在一种可能的实现方式中，所述目标识别对象包括以下至少一项：目标物体或目标语义。

第二方面，本申请提供一种基于自动驾驶车辆的视觉感知装置，包括：

第一获取模块，用于获取自动驾驶车辆所采集的第一视觉感知图像；

识别模块，用于将所述第一视觉感知图像输入至第一神经网络模型中，识别出至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息；

确定模块，用于将所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至第二神经网络模型中的至少一个子神经网络模型中，得到至少一个目标识别对象；其中，所述目标识别对象与所述子神经网络模型是一一对应的。

在一种可能的实现方式中，所述装置，还包括：

第二获取模块，用于获取所述第一神经网络模型。

在一种可能的实现方式中，所述第二获取模块具体用于：

根据第二视觉感知图像和至少一个训练样本对象的多通道特征信息对第一预设神经网络模型进行训练，生成所述第一神经网络模型；其中，所述第二视觉感知图像中包括所述至少一个训练样本对象。

在一种可能的实现方式中，所述装置，还包括：

第三获取模块，用于获取所述第二神经网络模型。

在一种可能的实现方式中，所述第三获取模块具体用于：

根据至少一个训练样本对象和所述至少一个训练样本对象的多通道特征信息分别对第二预设神经网络模型中的至少一个子预设神经网络模型进行训练，生成所述第二神经网络模型；其中，所述训练样本对象与所述子预设神经网络模型是一一对应的。

在一种可能的实现方式中，所述第一获取模块具体用于：

获取所述自动驾驶车辆中的图像采集装置所采集的所述第一视觉感知图像。

在一种可能的实现方式中，所述目标识别对象包括以下至少一项：目标物体或目标语义。

第三方面，本申请提供一种控制设备，包括：存储器及处理器；

其中，所述存储器，用于存储计算机指令；

所述处理器，用于运行所述存储器中存储的所述计算机指令实现上述第一方面的任意实现方式所述的基于自动驾驶车辆的视觉感知方法。

第四方面，本申请提供一种存储介质，包括：可读存储介质和计算机指令，所述计算机指令存储在所述可读存储介质中；所述计算机指令用于实现上述第一方面的任意实现方式所述的基于自动驾驶车辆的视觉感知方法。

本申请实施例提供的基于自动驾驶车辆的视觉感知方法、装置、设备以及介质，通过将获取的自动驾驶车辆所采集的第一视觉感知图像输入至第一神经网络模型中，识别出至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息；进一步地，将所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至第二神经网络模型中的至少一个子神经网络模型中，得到至少一个目标识别对象；其中，所述目标识别对象与所述子神经网络模型是一一对应的。本申请实施例中，通过第一神经网络模型剔除所述第一视觉感知图像中的冗余特征信息，仅将至少一个待识别的目标识别对象的多通道特征信息分别输入至第二神经网络模型中的至少一个子神经网络模型中进行识别，能够减少每个子神经网络模型分别剔除冗余特征信息的时间，提高了目标识别对象的识别速度，从而提高了自动驾驶车辆的灵敏度，能够保证自动驾驶车辆的行驶安全。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的基于自动驾驶车辆的视觉感知方法的流程示意图；

图2为本申请另一实施例提供的基于自动驾驶车辆的视觉感知方法的流程示意图；

图3为本申请另一实施例提供的基于自动驾驶车辆的视觉感知方法的流程示意图；

图4为本申请一实施例提供的基于自动驾驶车辆的视觉感知装置的结构示意图；

图5为本申请一实施例提供的控制设备的结构示意图。

具体实施方式

首先，对本申请实施例的应用场景和所涉及的部分词汇进行解释说明。

本申请实施例提供的基于自动驾驶车辆的视觉感知方法、装置、设备以及介质可以应用于自动驾驶车辆进行视觉感知，以便于对自动驾驶车辆进行控制的应用场景中。本申请实施例提高了目标识别对象的识别速度，从而提高了自动驾驶车辆的灵敏度，能够保证自动驾驶车辆的行驶安全。

本申请实施例提供的基于自动驾驶车辆的视觉感知方法的执行主体可以为基于自动驾驶车辆的视觉感知装置或控制设备(为了便于描述，本实施例中以执行主体为基于自动驾驶车辆的视觉感知装置为例进行说明)。示例性地，该装置可以通过软件和/或硬件实现。

本申请实施例中涉及的目标识别对象可以包括但不限于：目标物体和/或目标语义。示例性地，目标物体可以包括但不限于以下至少一项：障碍物、车道线或交通标志。示例性地，目标语义可以包括但不限于以下至少一项：树木区、驾驶区或栅栏区。

本申请实施例中涉及的训练样本对象可以包括但不限于：物体样本和/或语义样本。示例性地，物体样本可以包括但不限于以下至少一项：障碍物、车道线或交通标志。示例性地，语义样本可以包括但不限于以下至少一项：树木区、驾驶区或栅栏区。

本申请实施例中涉及的第一神经网络模型是指对第一预设神经网络模型进行训练，所得到的神经网络模型。示例性地，第一神经网络模型用于提取第一视觉感知图像中的至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息(是指无需识别的特征信息)。例如，冗余特征信息可以包括但不限于：无需识别的非目标识别对象的特征信息和/或无需识别的目标识别对象的特征信息。

本申请实施例中涉及的第二神经网络模型是指对第二预设神经网络模型中的至少一个子预设神经网络模型进行训练，所得到的神经网络模型；其中，每个子预设神经网络模型对应一类训练样本对象。示例性地，第二神经网络模型中包括并列的至少一个子神经网络模型，每个子神经网络模型对应一类目标识别对象。

示例性地，第二神经网络模型中的任一个子神经网络模型用于对相应的目标识别对象的多通道特征信息进行识别，以得到所述目标识别对象。

本申请实施例提供的基于自动驾驶车辆的视觉感知方法、装置、设备以及介质，通过第一神经网络模型剔除第一视觉感知图像中的冗余特征信息，仅将至少一个待识别的目标识别对象的多通道特征信息分别输入至第二神经网络模型中的至少一个子神经网络模型中进行识别，能够减少每个子神经网络模型分别剔除冗余特征信息的时间，从而解决了现有技术中由于目标对象的识别速度较慢，降低了自动驾驶车辆的灵敏度，导致容易造成交通事故的技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图1为本申请一实施例提供的基于自动驾驶车辆的视觉感知方法的流程示意图。如图1所示，本实施例提供的基于自动驾驶车辆的视觉感知方法可以包括：

步骤s101、获取自动驾驶车辆所采集的第一视觉感知图像。

本步骤中，基于自动驾驶车辆的视觉感知装置获取自动驾驶车辆所采集的第一视觉感知图像(用于指示自动驾驶车辆的周围环境的图像信息)。

可选地，基于自动驾驶车辆的视觉感知装置可以获取所述自动驾驶车辆中的图像采集装置所采集的所述第一视觉感知图像。示例性地，图像采集装置可以包括但不限于以下至少一项：摄像头或激光探测器。

当然，基于自动驾驶车辆的视觉感知装置还可通过其它可实现方式，获取自动驾驶车辆所采集的第一视觉感知图像，本申请实施例中对此并不作限制。

步骤s102、将所述第一视觉感知图像输入至第一神经网络模型中，识别出至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息。

本步骤中，基于自动驾驶车辆的视觉感知装置将所述第一视觉感知图像输入至第一神经网络模型中，由所述第一神经网络模型对所述第一视觉感知图像进行特征提取，从而识别出所述第一视觉感知图像中的至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息(是指无需识别的特征信息)，从而以便于第二神经网络模型直接对所述至少一个目标识别对象的多通道特征信息进行快速识别。

步骤s103、将所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至第二神经网络模型中的至少一个子神经网络模型中，得到至少一个目标识别对象；其中，所述目标识别对象与所述子神经网络模型是一一对应的。

本申请实施例中，第二神经网络模型中可以包括并列的至少一个子神经网络模型，每个子神经网络模型对应一类目标识别对象。示例性地，所述第二神经网络模型中的任一个子神经网络模型用于对相应的目标识别对象的多通道特征信息进行识别，以得到所述目标识别对象。

例如，假设所述第二神经网络模型中包括：子神经网络模型1、子神经网络模型2和子神经网络模型3；其中，子神经网络模型1用于对目标识别对象a的多通道特征信息进行识别，以得到所述目标识别对象a；子神经网络模型2用于对目标识别对象b的多通道特征信息进行识别，以得到所述目标识别对象b；子神经网络模型3用于对目标识别对象c的多通道特征信息进行识别，以得到所述目标识别对象c。

本步骤中，基于自动驾驶车辆的视觉感知装置将由所述第一神经网络模型在剔除所述第一视觉感知图像中冗余特征信息所得到的所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至所述第二神经网络模型中相应的子神经网络模型中，由所述相应的子神经网络模型对相应的目标识别对象的多通道特征信息进行识别，得到所述相应的目标识别对象，从而以便于对所述自动驾驶车辆进行控制。

例如，假设所述至少一个待识别的目标识别对象包括：目标识别对象a、目标识别对象b和目标识别对象c，所述第二神经网络模型中包括：子神经网络模型1、子神经网络模型2和子神经网络模型3；其中，所述子神经网络模型1对应所述目标识别对象a，所述子神经网络模型2对应所述目标识别对象b，以及所述子神经网络模型3对应所述目标识别对象c。

本步骤中，1)所述基于自动驾驶车辆的视觉感知装置可以将目标识别对象a的多通道特征信息输入至所述第二神经网络模型中子神经网络模型1中，由所述子神经网络模型1对所述目标识别对象a的多通道特征信息进行识别，得到所述目标识别对象a。

2)所述基于自动驾驶车辆的视觉感知装置可以将目标识别对象b的多通道特征信息输入至所述第二神经网络模型中子神经网络模型2中，由所述子神经网络模型2对所述目标识别对象b的多通道特征信息进行识别，得到所述目标识别对象b。

3)所述基于自动驾驶车辆的视觉感知装置可以将目标识别对象c的多通道特征信息输入至所述第二神经网络模型中子神经网络模型3中，由所述子神经网络模型3对所述目标识别对象c的多通道特征信息进行识别，得到所述目标识别对象c。

需要说明的是，本申请实施例中，所述基于自动驾驶车辆的视觉感知装置将目标识别对象a的多通道特征信息输入至所述第二神经网络模型中子神经网络模型1中进行识别、所述基于自动驾驶车辆的视觉感知装置将目标识别对象b的多通道特征信息输入至所述第二神经网络模型中子神经网络模型2中进行识别，以及所述基于自动驾驶车辆的视觉感知装置可以将目标识别对象c的多通道特征信息输入至所述第二神经网络模型中子神经网络模型3中进行识别的步骤可以并行执行，或者依次执行，本申请实施例中对此并不作限制。

本申请实施例提供的基于自动驾驶车辆的视觉感知方法，通过将获取的自动驾驶车辆所采集的第一视觉感知图像输入至第一神经网络模型中，识别出至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息；进一步地，将所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至第二神经网络模型中的至少一个子神经网络模型中，得到至少一个目标识别对象；其中，所述目标识别对象与所述子神经网络模型是一一对应的。本申请实施例中，通过第一神经网络模型剔除所述第一视觉感知图像中的冗余特征信息，仅将至少一个待识别的目标识别对象的多通道特征信息分别输入至第二神经网络模型中的至少一个子神经网络模型中进行识别，能够减少每个子神经网络模型分别剔除冗余特征信息的时间，提高了目标识别对象的识别速度，从而提高了自动驾驶车辆的灵敏度，能够保证自动驾驶车辆的行驶安全。

图2为本申请另一实施例提供的基于自动驾驶车辆的视觉感知方法的流程示意图。在上述实施例的基础上，如图2所示，本申请实施例中在上述步骤s102之前，还包括：

步骤s100a、获取所述第一神经网络模型。

本步骤中，基于自动驾驶车辆的视觉感知装置需要获取所述第一神经网络模型，以便于所述基于自动驾驶车辆的视觉感知装置后续可以采用所述第一神经网络模型对所述第一视觉感知图像进行特征提取，从而识别出所述至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息。

本申请实施例的下述部分对上述步骤s100a的具体可实现方式进行介绍。

示例性地，根据第二视觉感知图像和至少一个训练样本对象的多通道特征信息对第一预设神经网络模型进行训练，生成所述第一神经网络模型；其中，所述第二视觉感知图像中包括所述至少一个训练样本对象。

本申请实施例中，基于自动驾驶车辆的视觉感知装置根据第二视觉感知图像(包括所述至少一个训练样本对象)对所述第一预设神经网络模型进行训练，直到训练所得到的多通道特征信息与所述至少一个训练样本对象的多通道特征信息相同或相似(例如，相同信息所占比例大于第一预设比例)为止，从而得到所述第一神经网络模型。

当然，本申请实施例中，还可通过其它可实现方式以获取所述第一神经网络模型，本申请实施例中对此并不作限制。

本申请实施例中，通过获取所述第一神经网络模型，以便于根据所述第一神经网络模型剔除所述第一视觉感知图像中的冗余特征信息，仅将至少一个待识别的目标识别对象的多通道特征信息分别输入至第二神经网络模型中的至少一个子神经网络模型中进行识别，能够减少每个子神经网络模型分别剔除冗余特征信息的时间，提高了目标识别对象的识别速度，从而提高了自动驾驶车辆的灵敏度，能够保证自动驾驶车辆的行驶安全。

图3为本申请另一实施例提供的基于自动驾驶车辆的视觉感知方法的流程示意图。在上述实施例的基础上，如图3所示，本申请实施例中在上述步骤s103之前，还包括：

步骤s100b、获取所述第二神经网络模型。

本申请实施例中，第二神经网络模型中可以包括并列的至少一个子神经网络模型，每个子神经网络模型对应一类目标识别对象。示例性地，所述第二神经网络模型中的任一个子神经网络模型用于对相应的目标识别对象的多通道特征信息进行识别，以得到所述目标识别对象。

本步骤中，基于自动驾驶车辆的视觉感知装置需要获取所述第二神经网络模型，以便于所述基于自动驾驶车辆的视觉感知装置后续将所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至所述第二神经网络模型中的至少一个子神经网络模型中，得到至少一个目标识别对象。

本申请实施例的下述部分对上述步骤s100b的具体可实现方式进行介绍。

示例性地，根据至少一个训练样本对象和所述至少一个训练样本对象的多通道特征信息分别对第二预设神经网络模型中的至少一个子预设神经网络模型进行训练，生成所述第二神经网络模型；其中，所述训练样本对象与所述子预设神经网络模型是一一对应的。

本申请实施例中涉及的所述第二预设神经网络模型中包括并列的至少一个子预设神经网络模型，每个子预设神经网络模型对应一类训练样本对象。示例性地，所述第二预设神经网络模型中的任一个子预设神经网络模型用于对相应的训练样本对象的多通道特征信息进行识别。

本申请实施例中，基于自动驾驶车辆的视觉感知装置根据所述至少一个训练样本对象的多通道特征信息分别对所述第二预设神经网络模型中相应的子预设神经网络模型进行训练，直到训练所得到的对象分别与所述至少一个训练样本对象相同或相似(例如，相同信息所占比例大于第二预设比例)为止，从而得到所述第二神经网络模型。

例如，假设所述至少一个训练样本对象包括：训练样本对象a、训练样本对象b和训练样本对象c，所述第二预设神经网络模型中包括：子预设神经网络模型1、子预设神经网络模型2和子预设神经网络模型3；其中，所述子预设神经网络模型1对应所述训练样本对象a，所述子预设神经网络模型2对应所述训练样本对象b，以及所述子预设神经网络模3对应所述训练样本对象c。

本实施例中，1)基于自动驾驶车辆的视觉感知装置可以根据所述训练样本对象a的多通道特征信息对所述第二预设神经网络模型中的所述子预设神经网络模型1进行训练，直到训练所得到的对象与所述训练样本对象a相同或相似(例如，相同信息所占比例大于第二预设比例)为止，得到子神经网络模型1。

2)所述基于自动驾驶车辆的视觉感知装置可以根据所述训练样本对象b的多通道特征信息对所述第二预设神经网络模型中的所述子预设神经网络模型2进行训练，直到训练所得到的对象与所述训练样本对象b相同或相似(例如，相同信息所占比例大于第二预设比例)为止，得到子神经网络模型2。

3)所述基于自动驾驶车辆的视觉感知装置可以根据所述训练样本对象c的多通道特征信息对所述第二预设神经网络模型中的所述子预设神经网络模型3进行训练，直到训练所得到的对象与所述训练样本对象c相同或相似(例如，相同信息所占比例大于第二预设比例)为止，得到子神经网络模型3。

通过上述训练，从而得到所述第二神经网络模型；示例性地，所述第二神经网络模型中包括：所述子神经网络模型1、所述子神经网络模型2和所述子神经网络模型3。

需要说明的是，本申请实施例中，所述基于自动驾驶车辆的视觉感知装置根据所述训练样本对象a的多通道特征信息对所述第二预设神经网络模型中的所述子预设神经网络模型1进行训练、所述基于自动驾驶车辆的视觉感知装置根据所述训练样本对象b的多通道特征信息对所述第二预设神经网络模型中的所述子预设神经网络模型2进行训练，以及所述基于自动驾驶车辆的视觉感知装置可以根据所述训练样本对象c的多通道特征信息对所述第二预设神经网络模型中的所述子预设神经网络模型3进行训练的步骤可以并行执行，或者依次执行，本申请实施例中对此并不作限制。

当然，本申请实施例中，还可通过其它可实现方式以获取所述第二神经网络模型，本申请实施例中对此并不作限制。

需要说明的是，附图3中示意性地将步骤s100b设置于步骤s102与步骤s103之间，但并不限定步骤s100b必须在步骤s101和/或步骤s102后执行；附图3仅是示意性地表达将步骤s100b设置于步骤s103之前，并不限定步骤s101和步骤s102与步骤s100b的先后执行顺序。

本申请实施例提供的基于自动驾驶车辆的视觉感知方法，通过获取所述第二神经网络模型，以便于根据所述第二神经网络模型中的至少一个子神经网络模型分别直接对相应的目标识别对象的多通道特征信息进行识别，无需分别剔除冗余特征信息，提高了目标识别对象的识别速度，从而提高了自动驾驶车辆的灵敏度，能够保证自动驾驶车辆的行驶安全。

图4为本申请一实施例提供的基于自动驾驶车辆的视觉感知装置的结构示意图。如图4所示，本申请实施例提供的基于自动驾驶车辆的视觉感知装置40可以包括：第一获取模块401、识别模块402和确定模块403。

其中，第一获取模块401，用于获取自动驾驶车辆所采集的第一视觉感知图像；

识别模块402，用于将所述第一视觉感知图像输入至第一神经网络模型中，识别出至少一个待识别的目标识别对象的多通道特征信息，以剔除所述第一视觉感知图像中冗余特征信息；

确定模块403，用于将所述至少一个待识别的目标识别对象的多通道特征信息，分别输入至第二神经网络模型中的至少一个子神经网络模型中，得到至少一个目标识别对象；其中，所述目标识别对象与所述子神经网络模型是一一对应的。

在一种可能的实现方式中，所述基于自动驾驶车辆的视觉感知装置，还包括：

第二获取模块，用于获取所述第一神经网络模型。

在一种可能的实现方式中，所述第二获取模块具体用于：

根据第二视觉感知图像和至少一个训练样本对象的多通道特征信息对第一预设神经网络模型进行训练，生成所述第一神经网络模型；其中，所述第二视觉感知图像中包括所述至少一个训练样本对象。

在一种可能的实现方式中，所述基于自动驾驶车辆的视觉感知装置，还包括：

第三获取模块，用于获取所述第二神经网络模型。

在一种可能的实现方式中，所述第三获取模块具体用于：

根据至少一个训练样本对象和所述至少一个训练样本对象的多通道特征信息分别对第二预设神经网络模型中的至少一个子预设神经网络模型进行训练，生成所述第二神经网络模型；其中，所述训练样本对象与所述子预设神经网络模型是一一对应的。

在一种可能的实现方式中，所述第一获取模块401具体用于：

获取所述自动驾驶车辆中的图像采集装置所采集的所述第一视觉感知图像。

在一种可能的实现方式中，所述目标识别对象包括以下至少一项：目标物体或目标语义。

本实施例提供的基于自动驾驶车辆的视觉感知装置，用于执行本申请上述基于自动驾驶车辆的视觉感知方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。

图5为本申请一实施例提供的控制设备的结构示意图。示例性地，本申请实施例的控制设备可以为自动驾驶车辆的控制器或自动驾驶车辆系统的控制器等等。如图5所示，本申请实施例提供的控制设备50可以包括：存储器501及处理器502；

其中，所述存储器501，用于存储计算机指令；

所述处理器502，用于运行所述存储器501中存储的所述计算机指令实现本申请上述基于自动驾驶车辆的视觉感知方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。

本申请实施例还提供一种存储介质，包括：可读存储介质和计算机指令，所述计算机指令存储在所述可读存储介质中；所述计算机指令用于实现本申请上述基于自动驾驶车辆的视觉感知方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。

本申请实施例还提供一种运行指令的芯片，所述芯片用于执行本申请上述基于自动驾驶车辆的视觉感知方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。

本申请实施例还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现本申请上述基于自动驾驶车辆的视觉感知方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。

在上述处理器502可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本领域普通技术人员可以理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述各实施例对本申请实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。