汽车图像的处理方法、装置及可读存储介质与流程

本发明涉及自动驾驶技术，尤其涉及一种汽车图像的处理方法、装置及可读存储介质。

背景技术：

随着科技的发展和社会的进步，自动驾驶技术成为交通领域的发展趋势。自动驾驶设备中预设有多个驾驶策略，自动驾驶设备可根据当前路况确定与当前路况匹配的驾驶策略，以执行自动驾驶任务。在上述过程中，如何使自动驾驶设备能够对各种路况进行准确识别成为研究重点。

为了识别路况自动驾驶设备需要获知其所处环境下的其他车辆的行为。然而，在现有技术中，并没有能够对其他车辆的行为进行有效识别的方法，这会导致自动驾驶设备无法准确对路况做出驾驶策略的应对，严重影响了自动驾驶的安全可靠性。

技术实现要素：

针对上述提及的现有技术中没有能够对其他车辆的行为进行有效识别的方法，而导致自动驾驶设备无法准确对路况做出驾驶策略的应对，严重影响了自动驾驶的安全可靠性问题，本发明提供了一种汽车图像的处理方法、装置及可读存储介质。

一方面，本发明提供了一种汽车图像的处理方法，包括：

获取包括有汽车图像的待处理图像；

利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数；

根据所述状态参数确定所述待处理图像中的汽车行为。

在其中一种可选的实施方式中，所述利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数，包括：

确定汽车在所述待处理图像中的位置；

根据所述位置获得所述待处理图像的目标区域图像；

利用深度学习模型对所述目标区域图像进行处理，输出所述目标区域图像中汽车的状态参数。

在其中一种可选的实施方式中，所述深度学习模型输出的待处理图像中的汽车的状态参数用于表示如下汽车状态数中一种或多种：

刹车灯状态、转向灯状态、车门状态、后备箱门状态、车轮指向状态。

在其中一种可选的实施方式中，所述深度学习模型输出的待处理图像中的汽车的状态参数还包括：汽车测量尺寸，和/或，汽车与采集汽车图像的采集点之间的距离。

在其中一种可选的实施方式中，根据所述状态参数确定的汽车行为包括如下行为中的一种：

刹车行为、行驶行为、转向行为以及驻车行为。

在其中一种可选的实施方式中，所述根据所述状态参数确定所述待处理图像中的汽车行为之后，还包括：

将获得的待处理图像中的汽车行为发送至自动驾驶设备，以供所述自动驾驶设备根据所述汽车行为调整自动驾驶策略。

另一方面，本发明提供了一种汽车图像的处理装置，包括：

通信单元，用于获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的；

处理单元，用于利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数；还用于根据所述状态参数确定所述待处理图像中的汽车行为。

在其中一种可选的实施方式中，所述处理单元具体用于：

确定汽车在所述待处理图像中的位置；

根据所述位置获得所述待处理图像的目标区域图像；

利用深度学习模型对所述目标区域图像进行处理，输出所述目标区域图像中汽车的状态参数。

在其中一种可选的实施方式中，所述深度学习模型输出的待处理图像中的汽车的状态参数用于表示如下汽车状态数中一种或多种：

刹车灯状态、转向灯状态、车门状态、后备箱门状态、车轮指向状态。

在其中一种可选的实施方式中，所述深度学习模型输出的待处理图像中的汽车的状态参数还包括：汽车测量尺寸，和/或，汽车与采集汽车图像的采集点之间的距离。

在其中一种可选的实施方式中，根据所述状态参数确定的汽车行为包括如下行为中的一种：

刹车行为、行驶行为、转向行为以及驻车行为。

在其中一种可选的实施方式中，所述通信单元在根据状态参数确定所述待处理图像中的汽车行为之后，还用于将获得的待处理图像中的汽车行为发送至自动驾驶设备，以供所述自动驾驶设备根据所述汽车行为调整自动驾驶策略。

再一方面，本发明提供了一种汽车图像的处理装置，包括：存储器、与所述存储器连接的处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，

所述处理器运行所述计算机程序时执行如前任一项所述的方法。

最后一方面，本发明提供了一种可读存储介质，其特征在于，包括程序，当其在终端上运行时，使得终端执行如前任一项所述的方法。

本发明提供的汽车图像的处理方法、装置及可读存储介质，通过获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的，利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数，根据所述状态参数确定所述待处理图像中的汽车行为，从而可利用深度学习模型对采集点采集的待处理图像进行处理，以得到可用于确定汽车行为的状态参数，从而获得汽车行为，进而为自动驾驶设备根据路况进行驾驶策略的调整提供基础和依据。

附图说明

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

图1为本发明所基于的网络架构的示意图；

图2为本发明实施例一提供的一种汽车图像的处理方法的流程示意图；

图3为本发明实施例二提供的一种汽车图像的处理方法的流程示意图；

图4为本发明实施例三提供的一种汽车图像的处理装置的结构示意图；

图5为本发明实施例四提供的一种汽车图像的处理装置的硬件结构示意图。

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

随着科技的发展和社会的进步，自动驾驶技术成为交通领域的发展趋势。自动驾驶设备中预设有多个驾驶策略，自动驾驶设备可根据当前路况确定与当前路况匹配的驾驶策略，以执行自动驾驶任务。在上述过程中，如何使自动驾驶设备能够对各种路况进行准确识别成为研究重点。

为了识别路况自动驾驶设备需要获知其所处环境下的其他车辆的行为。然而，在现有技术中，并没有能够对其他车辆的行为进行有效识别的方法，这会导致自动驾驶设备无法准确对路况做出驾驶策略的应对，严重影响了自动驾驶的安全可靠性。

需要说明的是，为了更好的解释本申请，图1为本发明所基于的网络架构的示意图，如图1所示，本发明提供的汽车图像的处理方法的执行主体具体可为汽车图像的处理装置1，该汽车图像的处理装置1所基于的网络架构还包括自动驾驶设备2以及设置在该自动驾驶设备上的采集点3。其中，该汽车图像的处理装置1可通过硬件和/或软件的方式实现。该汽车图像的处理装置1可通过无线局域网络与自动驾驶设备2和采集点3进行通信连接和数据交互。此外，汽车图像的处理装置1可设置在自动驾驶设备1上，也可设置与远端的服务器中；采集点3包括但不限于行车记录仪、智能手机、车载图像监控设备等。

图2为本发明实施例一提供的一种汽车图像的处理方法的流程示意图。

如图2所示，该汽车图像的处理方法包括：

步骤101、获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的。

步骤102、利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数。

步骤103、根据所述状态参数确定所述待处理图像中的汽车行为。

为了解决上述提及的现有技术中没有能够对其他车辆的行为进行有效识别的方法，而导致自动驾驶设备无法准确对路况做出驾驶策略的应对，严重影响了自动驾驶的安全可靠性的问题，本发明实施例一提供了一种汽车图像的处理方法。首先，汽车图像的处理装置可接收设置在自动驾驶设备上的采集点发送的待处理图像，其中，待处理图像具体可为包括有汽车外形或汽车轮廓等汽车图像信息的图像。

随后，汽车图像的处理装置将利用深度学习模型对该待处理图像进行处理，以输出该待处理图像中的汽车的状态参数。其中，需要说明的是，若该待处理图像中包括有多个汽车，则输出的待处理图像的汽车的状态参数也相应为每个汽车的状态参数。此外，深度学习模型包括但不限于神经信念网络模型、卷积神经网络模型、递归神经网络模型，而在执行本实施例所提供的汽车图像的处理之前，还可预先构建一用于识别图像中的汽车的状态参数并输出的深度学习网络架构，通过采集大量训练图像并进行标注的方式获得训练样本，以供构建出的深度学习网络架构学习和训练，获得本实施方式所基于的深度学习模型。

最后，汽车图像的处理装置将根据所述状态参数确定所述待处理图像中的汽车行为。具体来说，根据所述状态参数确定的汽车行为包括如下行为中的一种：刹车行为、行驶行为、转向行为以及驻车行为。

可选的，在本实施方式中，深度学习模型输出的待处理图像中的汽车的状态参数用于表示如下汽车状态数中一种或多种：刹车灯状态、转向灯状态、车门状态、后备箱门状态、车轮指向状态。

其中，刹车灯状态和转向灯状态用于表示刹车灯和转向灯处于开启还是关闭，其中，转向灯状态还可进一步分为左转向灯状态和右转向灯状态。车门状态和后备箱门状态用于表示车门和后备箱门处于开启还是闭合；其中车门状态还可进一步分为左前侧车门状态，左后侧车门状态，右前侧车门状态，右后侧车门状态，当然依据车型的不同，车门状态还可分为左侧车门状态和右侧车门状态。车轮指示状态用于表示车轮的朝向，其一般指代的是转向轮的朝向，即前轮朝向。通过对上述状态参数的输出，能够有效为确定汽车的刹车行为、行驶行为、转向行为以及驻车行为提供判断依据。

进一步举例来说，若深度学习模型输出的刹车灯状态为开启，则可确定该汽车存在有刹车行为；若深度学习模型输出的车门状态和/或后备箱门状态为开启，则可确定该汽车存在有驻车行为；若深度学习模型输出的车门状态和/或后备箱门状态为开启，则可确定该汽车存在有驻车行为；若深度学习模型输出车轮指向状态表示前车轮和后车轮的朝向不一致，则可确定该汽车存在转向行为；当然，若深度学习模型输出的其他汽车状态，则该汽车可能为正常的行驶行为。

更优的，所述深度学习模型输出的待处理图像中的汽车的状态参数还包括：汽车测量尺寸，和/或，汽车与采集汽车图像的采集点之间的距离。

具体的，为了更好确定汽车行为，深度学习模型输出的状态参数还包括汽车测量尺寸和汽车与采集点之间的距离。通过该两个行为参数，可使得确定的汽车行为更加精准。例如，当获取到的汽车与采集汽车图像的采集点之间的距离的值较小时，则可确定该汽车可能存在有刹车行为或驻车行为。

本发明实施例一提供的汽车图像的处理方法，通过获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的，利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数，根据所述状态参数确定所述待处理图像中的汽车行为，从而可利用深度学习模型对采集点采集的待处理图像进行处理，以得到可用于确定汽车行为的状态参数，从而获得汽车行为，进而为自动驾驶设备根据路况进行驾驶策略的调整提供基础和依据。

在实施例一的基础上，图3为本发明实施例二提供的一种汽车图像的处理方法的流程示意图。

如图3所示，该汽车图像的处理方法包括：

步骤201、获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的。

步骤202、确定汽车在所述待处理图像中的位置。

步骤203、根据所述位置获得所述待处理图像的目标区域图像。

步骤204、利用深度学习模型对所述目标区域图像进行处理，输出所述目标区域图像中汽车的状态参数。

步骤205、根据所述状态参数确定所述待处理图像中的汽车行为。

与实施例一类似的是，在本实施例二中，汽车图像的处理装置可接收设置在自动驾驶设备上的采集点发送的待处理图像，其中，待处理图像具体可为包括有汽车外形或汽车轮廓等汽车图像信息的图像。

与实施例一不同的是，在本实施例二中汽车图像的处理装置将利用深度学习模型对该待处理图像进行处理，以输出该待处理图像中的汽车的状态参数具体可采用如下步骤：

首先，确定汽车在所述待处理图像中的位置，具体来说，通过对汽车外形或汽车轮廓的识别，可确定汽车在待处理图像中的位置；随后，根据所述位置获得所述待处理图像的目标区域图像，也就是说，在获取该位置之后可根据其位置划出一矩形区域作为目标区域图像，该矩形区域的边界可与汽车轮廓或汽车外形相切，以使目标区域图像包括汽车的全部信息。当然需要说明的是，若该待处理图像中包括有多个汽车，则针对于同一待处理图像可获得多个目标区域图像，每个目标区域图像对应一个汽车。再后，利用深度学习模型对每个所述目标区域图像进行处理，输出所述目标区域图像中汽车的状态参数。此外，深度学习模型包括但不限于神经信念网络模型、卷积神经网络模型、递归神经网络模型。在执行本实施例所提供的汽车图像的处理之前，还可预先构建一用于识别图像中的汽车的状态参数并输出的深度学习网络架构，通过采集大量训练图像并进行标注的方式获得训练样本，以供构建出的深度学习网络架构学习和训练，获得本实施方式所基于的深度学习模型。

最后，汽车图像的处理装置将根据所述状态参数确定所述待处理图像中的汽车行为。具体来说，根据所述状态参数确定的汽车行为包括如下行为中的一种：刹车行为、行驶行为、转向行为以及驻车行为。

此外，在其中一种可选的实施方式中，当根据所述状态参数确定所述待处理图像中的汽车行为之后，还包括将获得的待处理图像中的汽车行为发送至自动驾驶设备，以供所述自动驾驶设备根据所述汽车行为调整自动驾驶策略。举例来说，当确定汽车的汽车行为为刹车行为时，自动驾驶设备也应采取刹车或绕行等驾驶行为，以避免出现行驶危险；当确定汽车的汽车行为为驻车行为时，自动驾驶设备应采取绕行等驾驶行为，以避免汽车内的乘驾人突然窜出而造成的交通安全隐患。

可选的，在本实施方式中，深度学习模型输出的待处理图像中的汽车的状态参数用于表示如下汽车状态数中一种或多种：刹车灯状态、转向灯状态、车门状态、后备箱门状态、车轮指向状态。

其中，刹车灯状态和转向灯状态用于表示刹车灯和转向灯处于开启还是关闭，其中，转向灯状态还可进一步分为左转向灯状态和右转向灯状态。车门状态和后备箱门状态用于表示车门和后备箱门处于开启还是闭合；其中车门状态还可进一步分为左前侧车门状态，左后侧车门状态，右前侧车门状态，右后侧车门状态，当然依据车型的不同，车门状态还可分为左侧车门状态和右侧车门状态。车轮指示状态用于表示车轮的朝向，其一般指代的是转向轮的朝向，即前轮朝向。通过对上述状态参数的输出，能够有效为确定汽车的刹车行为、行驶行为、转向行为以及驻车行为提供判断依据。

进一步举例来说，若深度学习模型输出的刹车灯状态为开启，则可确定该汽车存在有刹车行为；若深度学习模型输出的车门状态和/或后备箱门状态为开启，则可确定该汽车存在有驻车行为；若深度学习模型输出的车门状态和/或后备箱门状态为开启，则可确定该汽车存在有驻车行为；若深度学习模型输出车轮指向状态表示前车轮和后车轮的朝向不一致，则可确定该汽车存在转向行为；当然，若深度学习模型输出的其他汽车状态，则该汽车可能为正常的行驶行为。

更优的，所述深度学习模型输出的待处理图像中的汽车的状态参数还包括：汽车测量尺寸，和/或，汽车与采集汽车图像的采集点之间的距离。

具体的，为了更好确定汽车行为，深度学习模型输出的状态参数还包括汽车测量尺寸和汽车与采集点之间的距离。通过该两个行为参数，可使得确定的汽车行为更加精准。例如，当获取到的汽车与采集汽车图像的采集点之间的距离的值较小时，则可确定该汽车可能存在有刹车行为或驻车行为。

本发明实施例二提供的汽车图像的处理方法，通过获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的，利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数，根据所述状态参数确定所述待处理图像中的汽车行为，从而可利用深度学习模型对采集点采集的待处理图像进行处理，以得到可用于确定汽车行为的状态参数，从而获得汽车行为，进而为自动驾驶设备根据路况进行驾驶策略的调整提供基础和依据。

图4为本发明实施例三提供的一种汽车图像的处理装置的结构示意图，如图4所示，该汽车图像的处理装置包括：

通信单元10，用于获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的；

处理单元20，用于利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数；还用于根据所述状态参数确定所述待处理图像中的汽车行为。

在其中一种可选的实施方式中，所述处理单元20具体用于：

确定汽车在所述待处理图像中的位置；

根据所述位置获得所述待处理图像的目标区域图像；

利用深度学习模型对所述目标区域图像进行处理，输出所述目标区域图像中汽车的状态参数。

在其中一种可选的实施方式中，所述深度学习模型输出的待处理图像中的汽车的状态参数用于表示如下汽车状态数中一种或多种：

刹车灯状态、转向灯状态、车门状态、后备箱门状态、车轮指向状态。

在其中一种可选的实施方式中，所述深度学习模型输出的待处理图像中的汽车的状态参数还包括：汽车测量尺寸，和/或，汽车与采集汽车图像的采集点之间的距离。

在其中一种可选的实施方式中，根据所述状态参数确定的汽车行为包括如下行为中的一种：

刹车行为、行驶行为、转向行为以及驻车行为。

在其中一种可选的实施方式中，所述通信单元10在根据状态参数确定所述待处理图像中的汽车行为之后，还用于将获得的待处理图像中的汽车行为发送至自动驾驶设备，以供所述自动驾驶设备根据所述汽车行为调整自动驾驶策略。

所述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以及相应的有益效果，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明实施例三提供的汽车图像的处理装置，通过获取汽车图像的采集点采集得到的包括待处理图像，其中所述采集点是设置在自动驾驶设备上的，利用深度学习模型对该待处理图像中进行处理，输出待处理图像中的汽车的状态参数，根据所述状态参数确定所述待处理图像中的汽车行为，从而可利用深度学习模型对采集点采集的待处理图像进行处理，以得到可用于确定汽车行为的状态参数，从而获得汽车行为，进而为自动驾驶设备根据路况进行驾驶策略的调整提供基础和依据。

图5为本发明实施例四提供的一种汽车图像的处理装置的硬件结构示意图。如图5所示，该汽车图像的处理装置包括：存储器41、处理器42及存储在存储器41上并可在处理器42上运行的计算机程序，处理器42运行计算机程序时执行上述任一实施例的方法。

本发明还提供一种可读存储介质，包括程序，当其在终端上运行时，使得终端执行上述任一实施例的方法。

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发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。