车辆目标分类方法、装置、设备以及存储介质与流程

1.本技术实施例涉及人工智能的自动驾驶或辅助驾驶等领域，并且更具体地，涉及一种车辆目标分类方法、装置、设备以及存储介质。


背景技术：

2.近年来，车辆网联化技术依托新一代通信网络和数据处理能力，使得车辆之间可以共享车辆参数信息，基于车辆目标分类(本车和其它车辆之间的位置关系)对驾驶员进行各种碰撞预警提示，以减少交通事故的发生。
3.基于车车通信的车辆目标分类方法，依赖于gps设备获取相关数据，如位置、行驶方向等。但是，在实际应用中，由于gps数据常常带有一定的偏差，这将导致已有的一些车辆目标分类方案在分类过程中产生错误，尤其是远距离车辆目标分类。例如，经研究，当两车(目标车辆和本车)中任一车辆行驶方向的数据存在1度偏差、且两车相距200-300米时，目标车辆相对本车行驶方向上的横向投影距离的误差会达到3.5-5.2米，而通常车道宽度一般在3.5米左右，因此将直接导致分类结果出现错误。
4.所以，如何提升车辆目标分类的准确率是本领域急需解决的技术问题。


技术实现要素：

5.本技术实施例提供了一种车辆目标分类方法、装置、设备以及存储介质，能够提升本车与目标车辆之间车辆目标分类的准确率。
6.第一方面，本技术提供了一种车辆目标分类方法，包括：
7.在本车与目标车辆之间确定至少一个辅助车辆，该至少一个辅助车辆用于辅助对该目标车辆进行车辆目标分类；
8.基于该至少一个辅助车辆中每个该辅助车辆与该辅助车辆的相邻车辆之间的位置关系，确定该目标车辆的车辆目标分类结果，该目标车辆的车辆目标分类结果用于表征该目标车辆相对该本车所在的行驶车道。
9.第二方面，本技术提供了一种车辆目标分类装置，包括：
10.第一确定单元，用于在本车与目标车辆之间确定至少一个辅助车辆，该至少一个辅助车辆用于辅助对该目标车辆进行车辆目标分类；
11.第二确定单元，用于基于该至少一个辅助车辆中每个该辅助车辆与该辅助车辆的相邻车辆之间的位置关系，确定该目标车辆的车辆目标分类结果，该目标车辆的车辆目标分类结果用于表征该目标车辆相对该本车所在的行驶车道。
12.第三方面，本技术提供了一种电子设备，包括：
13.处理器，适于执行计算机程序；
14.计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被该处理器执行时，实现上述第一方面的方法。
15.第四方面，本技术提供了一种计算机可读存储介质，用于存储计算机程序，该计算
机程序使得计算机执行上述第一方面的方法。
16.第五方面，本技术提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述第一方面的方法。
17.基于上述技术方案，通过引入至少一个辅助车辆，将本车与目标车辆之间的车辆目标分类，转化为至少一个辅助车辆中每个辅助车辆与该辅助车辆的相邻车辆之间的车辆目标分类，相当于，将本车与目标车辆之间长距离的车辆目标分类，转化为多个短距离的车辆目标分类，缩短了车辆目标分类时两车之间的距离，降低了车辆目标分类时由于数据偏差导致的错误率，即提高了车辆目标分类的准确率，再基于多个短距离的车辆目标分类结果，得到目标车辆的车辆目标分类结果，能够提高本车和目标车辆之间车辆目标分类的准确率。
附图说明
18.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本技术实施例提供的车辆目标分类方法的示意性流程图。
20.图2是本技术实施例提供的辅助车辆的位置示意图。
21.图3是本技术实施例提供的辅助车辆的另一位置示意图。
22.图4是本技术实施例提供的虚拟辅助车辆的位置示意图。
23.图5是本技术实施例提供的车辆目标分类装置的框图。
24.图6是本技术实施例提供的电子设备示意结构图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.本技术提供的方案可涉及人工智能技术。
27.其中，人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
28.应理解，人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
29.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人
机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
30.本技术提供的车辆目标分类方案可涉及人工智能的自动驾驶技术或辅助驾驶等技术。
31.例如，本技术中的车辆目标分类方法可以是一种自动驾驶技术。基于此，可通过本技术提供的方法，在自动驾驶中降低车辆发生交通事故的概率，进而提升安全性。其中，自动驾驶技术可包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自动驾驶技术有着广泛的应用前景。再如，本技术中的车辆目标分类方法可以是一种辅助驾驶技术。基于此，可通过本技术提供的方法辅助驾驶员驾驶车辆，以降低车辆发生交通事故的概率，进而提升安全性。
32.本技术提供的车辆目标分类方案还可涉及车车通信技术(vehicle-to-vehicle communication，v2v)。
33.v2v是一种智能网联技术，其原理是利用每辆车上所搭载的传输单元通过高速无线网络发出信息，周围车辆将实时接收这些无线信息，并同时从自己的车载单元上发出类似的回馈信息，行成一种信息交换的互动过程，实现车与车之间的交流。简言之，就是应用了v2v的车都会与其他车辆随时“聊天”，只不过聊的内容都是与行驶有关的，从而让出行更加安全。例如，前车在刹车的同时，后车就已经就已接受到前车正在刹车的信息，而不需要通过亮起的刹车灯或是迅速缩短的车间距离再做出对应的驾车反应。目前，v2v技术不仅仅局限于车与车之间的通讯，已扩展到车与基础设施、车与行人的网联。
34.此外，本技术提供的车辆目标分类方案涉及各种网络框架中，例如应用于交通行业的物联网(the internet of things，iot)或应用于交通行业的云物联(cloud iot)。应用于交通行业的物联网也可称为车联网。
35.物联网是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。
36.云物联旨在将传统物联网中传感设备感知的信息和接受的指令连入互联网中，真正实现网络化，并通过云计算技术实现海量数据存储和运算，由于物联网的特性是物与物相连接，实时感知各个“物体”当前的运行状态，在这个过程中会产生大量的数据信息，如何将这些信息汇总，如何在海量信息中筛取有用信息为后续发展做决策支持，这些已成为影响物联网发展的关键问题，而基于云计算和云存储技术的物联云也因此成为物联网技术和应用的有力支持。
37.图1是本技术实施例提供的车辆目标分类方法100的示意性流程图。需要说明的是，本技术实施例提供的方案可通过任何具有数据处理能力的电子设备执行。例如，该电子设备可实施为服务器。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计
算服务的云服务器，服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。又如，该电子设备可实施为终端设备。该终端设备可以是平板电脑、笔记本电脑、台式电脑或车载终端等。再如，该电子设备可实施为服务器和终端设备的组合；其中，该服务器和终端设备可通过无线或有线的方式基于互联网协议进行通信，本技术对该电子设备不作具体限制。
38.下边将以该电子设备为服务器为例，对本技术实施例提供的方案进行详细说明。
39.如图1所示，该方法100可包括以下中的部分或全部内容：
40.s101，在本车与目标车辆之间确定至少一个辅助车辆，该至少一个辅助车辆用于辅助对该目标车辆进行车辆目标分类；
41.s102，基于该至少一个辅助车辆中每个该辅助车辆与该辅助车辆的相邻车辆之间的位置关系，确定该目标车辆的车辆目标分类结果，该目标车辆的车辆目标分类结果用于表征该目标车辆相对该本车所在的行驶车道。
42.换言之，首先，在本车和目标车辆之间确定至少一个辅助车辆；其次，基于本车、至少一个辅助车辆以及目标车辆中两两相邻车辆之间的位置关系，确定目标车辆的车辆目标分类结果。
43.基于上述技术方案，通过引入至少一个辅助车辆，将本车与目标车辆之间的车辆目标分类，转化为至少一个辅助车辆中每个辅助车辆与该辅助车辆的相邻车辆之间的车辆目标分类，相当于，将本车与目标车辆之间长距离的车辆目标分类，转化为多个短距离的车辆目标分类，缩短了车辆目标分类时两车之间的距离，降低了车辆目标分类时由于数据偏差导致的错误率，即提高了车辆目标分类的准确率，再基于多个短距离的车辆目标分类结果，得到目标车辆的车辆目标分类结果，能够提高本车和目标车辆之间车辆目标分类的准确率。
44.在本技术的一些实施例中，s101可包括：
45.若该本车与该目标车辆之间的纵向距离大于第一阈值，则在该本车与该目标车辆之间确定该至少一个辅助车辆。
46.示例性的，该第一阈值为预设数值，该预设的第一阈值可通过如下方法确定：
47.由于第一阈值的选取和车辆目标分类的准确率相关，通常，车辆之间的距离与车辆目标分类的准确率呈非线性反比关系，且随着距离不断增大，车辆目标分类的准确率显著降低，为此，可通过如下公式(1)反映车辆目标分类的准确率和车距之间的关系：
[0048][0049]
其中，α表示车辆目标分类的准确率，d表示两个车辆之间的距离，r1,r2为常数；需要说明的是，r1,r2与gps设备的精度相关。
[0050]
示例性的，若r1＝0.06,r2＝50，则α与d之间有如下关系：
[0051]
当d为50米时，车辆目标分类的准确率α为0.94；
[0052]
当d为100米时，车辆目标分类的准确率α为0.89；
[0053]
当d为150米时，车辆目标分类的准确率α为0.79；
[0054]
当d为200米时，车辆目标分类的准确率α为0.62；
[0055]
当d为250米时，车辆目标分类的准确率α为0.38；
[0056]
当d为300米时，车辆目标分类的准确率α为0.15；
[0057]
基于上述数据考虑，该第一阈值可以是200m。
[0058]
当然，该第一阈值还可以是根据专家经验得到的其他预设数值或实时计算的数值，本技术对此不作具体限制。
[0059]
需要说明的是，车辆通过安装在车身的gps装置实时采集自身车辆的位置(例如，经度、纬度)、行驶方向(例如，行驶方位角)等数据，再基于车车通信技术，将采集到的数据共享给周边车辆，相应的，本车也获取到周边车辆的数据，本车基于自身车辆的数据和获取的共享数据，得到本车与其他车辆之间的纵向距离。
[0060]
在本实施例中，引入第一阈值，相当于，考虑到本车与目标车辆之间的距离较近时，无需确定至少一个辅助车辆，也能够保证车辆目标分类的准确率，即在考虑车辆目标分类的准确率的基础上，兼顾车辆目标分类的计算复杂度。
[0061]
在本技术的一些实施例中，s101可包括：
[0062]
获取该本车与该目标车辆之间的车辆数量n；
[0063]
若n≥1，则确定对该目标车辆进行车辆目标分类所需的辅助车辆的数量m；
[0064]
若m≥n≥1，则将该本车与该目标车辆之间的n个车辆，确定为该至少一个辅助车辆；
[0065]
若n＞m，则从该本车与该目标车辆之间的n个车辆中，确定用于辅助对该目标车辆进行车辆目标分类的m个第一车辆，n＞m≥1；
[0066]
将该m个第一车辆，确定为该至少一个辅助车辆。
[0067]
换言之，首先，确定本车与该目标车辆之间是否存在行驶车辆；其次，在存在行驶车辆的情况下，确定对该目标车辆进行车辆目标分类所需的辅助车辆的数量；在所需的辅助车辆的数量大于或等于本车与该目标车辆之间实际存在的车辆数量时，将实际存在的所有车辆，均确定为辅助车辆；在所需的辅助车辆的数量小于本车与该目标车辆之间实际存在的车辆数量时，从本车与该目标车辆之间实际存在的车辆中挑选所需的辅助车辆。
[0068]
在本实施例中，一方面，通过引入至少一个辅助车辆，提高了车辆目标分类的准确率；另一方面，当n＞m时，在n个车辆中挑选m个第一车辆，并将该m个第一车辆确定为辅助车辆，相较于，将n个车辆均确定为辅助车辆，辅助车辆的数量减少，降低车辆目标分类的计算复杂度。
[0069]
简言之，本实施例中，结合本车与目标车辆之间实际车辆的数量、以及目标车辆的车辆目标分类所需的辅助车辆数量，在保证车辆目标分类的准确率的基础上，兼顾车辆目标分类的计算复杂度。
[0070]
在一种实现方式中，可通过如下方式确定对该目标车辆进行车辆目标分类所需的辅助车辆的数量m：
[0071]
获取该本车与该目标车辆之间的第一纵向距离；
[0072]
将该第一纵向距离除以第二阈值，再向下取整，得到该m。
[0073]
示例性的，该第二阈值为预设数值，结合上述车辆目标分类的准确率和车距之间的关系可知，当两车车距小于一定距离时，车辆目标分类的准确率较高，所以，结合上述车辆目标分类的准确率和车距之间的关系，在兼顾车辆目标分类的准确率和车辆目标分类的计算复杂度的基础上，该第二阈值可以是100m。
[0074]
基于此，当第一纵向距离为220m时，m＝2；当第一纵向距离为340米时，m＝3。
[0075]
当然，第二阈值的取值也可以根据不同需求选择其它数值(例如第二阈值＝80，或第二阈值＝50)，本技术对此不作具体限制。
[0076]
示例性的，下面将结合图2对m≥n≥1时，对确定至少一个辅助车辆的过程进行示意性说明。
[0077]
图2是本技术实施例提供的辅助车辆的位置示意图。
[0078]
如图2所示，本车a与目标车辆b之间的距离d为220米，在本车a与目标车辆b之间存在车辆c、d，即n＝2。
[0079]
若d为220米时，m＝2，此时m＝n，则将车辆c、d直接确定为至少一个辅助车辆。
[0080]
在一种实现方式中，若n＞m，可通过如下方式从该本车与该目标车辆之间的n个车辆中，确定用于辅助对该目标车辆进行车辆目标分类的m个第一车辆：
[0081]
通过如下方式获取个车辆目标分类的准确率：
[0082]
针对该n个车辆中的m个第二车辆，基于第一车辆集合中第一相邻车辆之间的纵向距离，确定该第一相邻车辆之间车辆目标分类的准确率；
[0083]
其中，该m个第二车辆为该n个车辆中的任意m个车辆，该第一车辆集合包括该本车、该m个第二车辆以及该目标车辆，该第一相邻车辆为该第一车辆集合中的任意相邻车辆；
[0084]
基于该第一车辆集合中每个该第一相邻车辆之间车辆目标分类的准确率，确定该本车与该目标车辆之间车辆目标分类的准确率；
[0085]
确定该个车辆目标分类的准确率中最大的准确率；
[0086]
将该最大的准确率对应的m个第二车辆，确定为该m个第一车辆。
[0087]
示例性的，可基于上述公式(1)确定第一相邻车辆之间车辆目标分类的准确率。另一示例性的，还可将上述公式(1)进行简单变形后，计算第一相邻车辆之间车辆目标分类的准确率，本技术对此不作具体限制。
[0088]
示例性的，将每个该第一相邻车辆之间车辆目标分类的准确率相乘，得到该本车与该目标车辆之间车辆目标分类的准确率。当然，还可将上述相乘后的结果乘以预设系数，得到该本车与该目标车辆之间车辆目标分类的准确率，本技术对此不作具体限制。
[0089]
需要说明的是，若最大的准确率有多个，则可将最大的准确率中的任意一个准确率对应的m个第二车辆，确定为该m个第一车辆。
[0090]
在本实施例中，将个车辆目标分类的准确率中最大的准确率对应的m个第二车辆，确定为该m个第一车辆，能够使选取的第一车辆辅助该目标车辆进行车辆目标分类时，本车与目标车辆之间的车辆目标分类的准确率最大。
[0091]
下边将结合图3对n＞m时，确定m个第一车辆的过程进行示意性说明。
[0092]
图3是本技术实施例提供的辅助车辆的另一位置示意图。
[0093]
如图3所示，本车a与目标车辆b之间的距离d为220米，在本车a与目标车辆b之间距离本车a的50米、90米、160米处分别存在实际车辆c、d、e，即n＝3。
[0094]
在m＝2的情况下，由于n＞m，所以需在n个车辆中，确定m个第一车辆。
[0095]
具体而言：若从车辆c、d、e中选择车辆c、d作为第二车辆，则第一相邻车辆包括车
辆a、c，车辆c、d，车辆d、b。
[0096]
结合上述公式(1)可计算得到，车辆a与车辆c之间车辆目标分类的准确率为0.94，车辆c与车辆d之间车辆目标分类的准确率为0.96，车辆d与车辆b之间车辆目标分类的准确率为0.74，从而本车与该目标车辆之间车辆目标分类的准确率为0.94*0.96*0.74＝0.67。
[0097]
同理，若选择车辆d、e作为第二车辆，则第一相邻车辆包括车辆a、d，车辆d、e，车辆e、b。
[0098]
结合上述公式(1)可知，车辆a与车辆d之间车辆目标分类的准确率为0.86，车辆d与车辆e之间车辆目标分类的准确率为0.91，车辆e与车辆b之间车辆目标分类的准确率为0.93，从而本车与该目标车辆之间车辆目标分类的准确率为0.86*0.91*0.93＝0.73。
[0099]
同理，若选择车辆c、e作为第二车辆，则第一相邻车辆包括车辆a、c，车辆c、e，车辆e、b。
[0100]
结合上述公式(1)可知，车辆a与车辆c之间车辆目标分类的准确率为0.94，车辆c与车辆e之间车辆目标分类的准确率为0.81，车辆e与车辆b之间车辆目标分类的准确率为0.93，从而本车与该目标车辆之间车辆目标分类的准确率为0.94*0.81*0.93＝0.71。
[0101]
综上，上述三种方案中选择车辆d、e作为第二车辆时，本车与该目标车辆之间车辆目标分类的准确率最大，所以，将车辆d、e确定为m个第一车辆。
[0102]
在本技术的一些实施例中，若n＝0，则沿该本车的行驶方向，在距离该本车d/3以及2*d/3处分别构建虚拟辅助车辆，其中，d为该本车与该目标车辆之间的纵向距离；
[0103]
将该虚拟辅助车辆，确定为该至少一个辅助车辆。
[0104]
换言之，若该本车与该目标车辆之间不存在车辆时，则沿该本车的行驶方向，在纵向距离该本车d/3以及2*d/3处分别构建虚拟辅助车辆。
[0105]
在一种实现方式中，在距离该本车d/3处构建的虚拟辅助车辆和本车位于同一车道，在距离该本车2*d/3处构建的虚拟辅助车辆和目标车辆位于同一车道。
[0106]
下边将结合图4对虚拟辅助车辆的位置进行示意性说明。
[0107]
图4是本技术实施例提供的虚拟辅助车辆的位置示意图。
[0108]
如图4所示，本车a与目标车辆b之间建立虚拟辅助车辆c和d，沿所述本车的行驶方向，该虚拟辅助车辆c位于距离该本车d/3处、且虚拟辅助车辆c与本车a位于同一车道，该虚拟辅助车辆d位于距离该本车2*d/3处、且虚拟辅助车辆d与目标车辆b位于同一车道。
[0109]
在本实施例中，一方面，在本车与目标车辆之间即使没有实际车辆存在的情形下，通过建立虚拟辅助车辆，也能够提高本车与目标车辆之间车辆目标分类的准确率；另一方面，结合上述公式(1)，由于考虑到-[0110]
且当x1＝x2＝x3时结果最大，所以在距离该本车d/3以及2*d/3处分别构建虚拟辅助车辆，能够使建立两辆虚拟辅助车辆时，本车与目标车辆之间车辆目标分类的准确率最大。
[0111]
此外，由于虚拟辅助车辆c与本车a位于同一车道，虚拟辅助车辆d与目标车辆b位于同一车道，相当于，将本车a与目标车辆b之间长距离的车辆目标分类，转化为虚拟辅助车
辆c与虚拟辅助车辆d之间短距离的车辆目标分类，缩短了车辆目标分类时两车之间的距离，降低了车辆目标分类时由于数据偏差导致的错误率，即提高了车辆目标分类的准确率。
[0112]
需要说明的是，上述x1表示虚拟辅助车辆c与本车a之间的纵向距离，上述x2表示虚拟辅助车辆c和虚拟辅助车辆d之间的纵向距离，上述x3表示虚拟辅助车辆d与目标车辆b之间的纵向距离，d表示本车与目标车辆之间的距离，r1,r2为常数；需要说明的是，r1,r2与gps设备的精度相关。
[0113]
进一步的，考虑到在提高本车与该目标车辆之间车辆目标分类的准确率的同时，选择建立两辆虚拟辅助车辆，能够兼顾车辆目标分类的计算复杂度。
[0114]
当然，在其他可替代的实施例中，还可以沿该本车的行驶方向，在距离该本车d/4、2*d/4以及3*d/4处分别构建虚拟辅助车辆，本技术对此不作具体限制。
[0115]
在本技术的一些实施例中，s102可包括：
[0116]
沿该本车的行驶方向，针对第二车辆集合中的第二相邻车辆，确定该第二相邻车辆中前车的车辆目标分类结果，该第二车辆集合包括该本车、该至少一个辅助车辆以及该目标车辆，该第二相邻车辆为该第二车辆集合中的任意相邻车辆；
[0117]
对该第二车辆集合中每个该第二相邻车辆中前车的车辆目标分类结果进行叠加，得到该目标车辆相对该本车的车辆目标分类结果。
[0118]
示例性的：在该本车的行驶方向上，假设本车的车辆目标分类结果为0，若该相邻车辆中的前车在后车的正前方，则该前车的车辆目标分类结果为0，若该前车在该后车的右侧，则该前车的车辆目标分类结果为正值，若该前车在该后车的左侧，则该前车的车辆目标分类结果为负值，该前车与该后车之间间隔的车道数为该前车的车辆目标分类结果的绝对值。
[0119]
基于此，若n≥1，结合上述图3，若图3中车辆c、d、e均为辅助车辆，则第二车辆集合包括本车a、车辆c、d、e以及目标车辆b，第二相邻车辆包括本车a与车辆c、车辆c与车辆d、车辆d与车辆e、车辆e与目标车辆b。
[0120]
对该第二车辆集合中每个该第二相邻车辆中前车的车辆目标分类结果进行叠加的过程如下：
[0121]
若车辆c在本车a的右邻车道，则叠加结果sum＝0+1；若车辆d在车辆c的同一车道，则sum＝0+1+0；若车辆e在车辆d的左侧两个车道，则sum＝0+1+0-2；若目标车辆b在车辆e的右侧两个车道，则sum＝0+1+0-2+2；即最终叠加结果为正1，表明目标车辆b在本车a的右邻车道上。
[0122]
基于此，若n＝0，结合上述图4，图4中虚拟辅助车辆c、虚拟辅助车辆d均为辅助车辆，则第二车辆集合包括本车a、虚拟辅助车辆c、虚拟辅助车辆d以及目标车辆b，第二相邻车辆包括本车a与虚拟辅助车辆c、虚拟辅助车辆c与虚拟辅助车辆d、虚拟辅助车辆d与目标车辆b。其中，虚拟辅助车辆c与本车a位于同一车道，虚拟辅助车辆d与目标车辆b位于同一车道。
[0123]
对该第二车辆集合中每个该第二相邻车辆中前车的车辆目标分类结果进行叠加的过程如下：
[0124]
示例性的，由于虚拟辅助车辆c与本车a位于同一车道，则叠加结果sum＝0+0；若虚拟辅助车辆d在虚拟辅助车辆c的左侧两个车道，则sum＝0+0-2；由于虚拟辅助车辆d与目标
车辆b位于同一车道，则叠加结果sum＝0+0-2+0；即最终叠加结果为负2，表明目标车辆b在本车a的左侧两个车道上。
[0125]
另一示例性的，还可以将本车的车辆目标分类结果设置为其他数值，或当该前车在该后车的右侧时，设置该前车的车辆目标分类结果为负值、当该前车在该后车的左侧时，设置该前车的车辆目标分类结果为正值，本技术对此不作具体限制。
[0126]
在本实施例中，将远距离下两车的车辆目标分类转化为多个近距离下两车的车辆目标分类，缩短了车辆目标分类时两车之间的距离，降低了车辆目标分类时由于数据偏差导致的错误率，即提高了车辆目标分类的准确率，再对多个短距离的车辆目标分类结果进行叠加，使得到的本车和目标车辆之间的车辆目标分类结果更加准确，即提高了目标车辆的车辆目标分类结果的准确率。
[0127]
以上结合附图详细描述了本技术的优选实施方式，但是，本技术并不限于上述实施方式中的具体细节，在本技术的技术构思范围内，可以对本技术的技术方案进行多种简单变型，这些简单变型均属于本技术的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本技术对各种可能的组合方式不再另行说明。又例如，本技术的各种不同的实施方式之间也可以进行任意组合，只要其不违背本技术的思想，其同样应当视为本技术所公开的内容。还应理解，在本技术的各种方法实施例中，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，而不应对本技术实施例的实施过程构成任何限定。
[0128]
上文对本技术实施例提供的车辆目标分类方法进行了说明，下面对本技术实施例提供的车辆目标分类装置进行说明。
[0129]
图5是本技术实施例提供的车辆目标分类装置的框图200的示例。
[0130]
如图5所示，该装置200可包括以下中部分或全部内容：
[0131]
第一确定单元210，用于在本车与目标车辆之间确定至少一个辅助车辆，该至少一个辅助车辆用于辅助对该目标车辆进行车辆目标分类；
[0132]
第二确定单元220，用于基于该至少一个辅助车辆中每个该辅助车辆与该辅助车辆的相邻车辆之间的位置关系，确定该目标车辆的车辆目标分类结果，该目标车辆的车辆目标分类结果用于表征该目标车辆相对该本车所在的行驶车道。
[0133]
在本技术的一些实施例中，第一确定单元210具体用于：
[0134]
若该本车与该目标车辆之间的纵向距离大于第一阈值，则在该本车与该目标车辆之间确定该至少一个辅助车辆。
[0135]
在本技术的一些实施例中，第一确定单元210具体还用于：
[0136]
获取该本车与该目标车辆之间的车辆数量n；
[0137]
若n≥1，则确定对该目标车辆进行车辆目标分类所需的辅助车辆的数量m；
[0138]
若m≥n≥1，则将该本车与该目标车辆之间的n个车辆，确定为该至少一个辅助车辆；
[0139]
若n＞m，则从该本车与该目标车辆之间的n个车辆中，确定用于辅助对该目标车辆进行车辆目标分类的m个第一车辆，n＞m≥1；
[0140]
将该m个第一车辆，确定为该至少一个辅助车辆。
[0141]
在本技术的一些实施例中，第一确定单元210具体还用于：
[0142]
获取该本车与该目标车辆之间的第一纵向距离；
[0143]
将该第一纵向距离除以第二阈值，再向下取整，得到该m。
[0144]
在本技术的一些实施例中，第一确定单元210具体还用于：
[0145]
通过如下方式获取个车辆目标分类的准确率：
[0146]
针对该n个车辆中的m个第二车辆，基于第一车辆集合中第一相邻车辆之间的纵向距离，确定该第一相邻车辆之间车辆目标分类的准确率；
[0147]
其中，该m个第二车辆为该n个车辆中的任意m个车辆，该第一车辆集合包括该本车、该m个第二车辆以及该目标车辆，该第一相邻车辆为该第一车辆集合中的任意相邻车辆；
[0148]
基于该第一车辆集合中每个该第一相邻车辆之间车辆目标分类的准确率，确定该本车与该目标车辆之间车辆目标分类的准确率；
[0149]
确定该个车辆目标分类的准确率中最大的准确率；
[0150]
将该最大的准确率对应的m个第二车辆，确定为该m个第一车辆。
[0151]
在本技术的一些实施例中，第一确定单元210具体还用于：
[0152]
若n＝0，则沿该本车的行驶方向，在距离该本车d/3以及2*d/3处分别构建虚拟辅助车辆，其中，d为该本车与该目标车辆之间的纵向距离；
[0153]
将该虚拟辅助车辆，确定为该至少一个辅助车辆。
[0154]
在本技术的一些实施例中，第二确定单元220具体用于：
[0155]
沿该本车的行驶方向，针对第二车辆集合中的第二相邻车辆，确定该第二相邻车辆中前车的车辆目标分类结果，该第二车辆集合包括该本车、该至少一个辅助车辆以及该目标车辆，该第二相邻车辆为该第二车辆集合中的任意相邻车辆；
[0156]
对该第二车辆集合中每个该第二相邻车辆中前车的车辆目标分类结果进行叠加，得到该目标车辆相对该本车的车辆目标分类结果。
[0157]
应理解，车辆目标分类装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，该车辆目标分类装置200可以对应于执行本技术实施例的方法100中的相应主体，并且该车辆目标分类装置200中的各个单元分别为了实现方法100中的相应流程，为了简洁，在此不再赘述。
[0158]
还应当理解，本技术实施例涉及的该车辆目标分类装置200中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本技术的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本技术的其它实施例中，该车辆目标分类装置200也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。根据本技术的另一个实施例，可以通过在包括例如中央处理单元(cpu)、随机存取存储介质(ram)、只读存储介质(rom)等处理元件和存储元件的通用计算机的通用计算设备上运行能够执行相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造本技术实施例涉及的该车辆目标分类装置200，以及来实现本技术实施例
的车辆目标分类方法。其中，计算机程序可以记载于例如计算机可读存储介质上，并通过计算机可读存储介质装载于电子设备中，并在其中运行，来实现本技术实施例的相应方法。
[0159]
换言之，上文涉及的单元可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过软硬件结合的形式实现。具体地，本技术实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本技术实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件组合执行完成。可选地，软件可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
[0160]
图6是本技术实施例提供的电子设备300的示意结构图。
[0161]
如图6所示，该电子设备300至少包括处理器310以及计算机可读存储介质320。其中，处理器310以及计算机可读存储介质320可通过总线或者其它方式连接。计算机可读存储介质320用于存储计算机程序321，计算机程序321包括计算机指令，处理器310用于执行计算机可读存储介质320存储的计算机指令。处理器310是电子设备300的计算核心以及控制核心，其适于实现一条或多条计算机指令，具体适于加载并执行一条或多条计算机指令从而实现相应方法流程或相应功能。
[0162]
作为示例，处理器310也可称为中央处理器(central processing unit，cpu)。处理器310可以包括但不限于：通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
[0163]
作为示例，计算机可读存储介质320可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的，还可以是至少一个位于远离前述处理器310的计算机可读存储介质。具体而言，计算机可读存储介质320包括但不限于：易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
[0164]
在一种实现方式中，该电子设备300可以是图5所示的车辆目标分类装置200；该计算机可读存储介质320中存储有计算机指令；由处理器310加载并执行计算机可读存储介质320中存放的计算机指令，以实现方法实施例中的相应步骤；具体实现中，计算机可读存储介质320中的计算机指令由处理器310加载并执行相应步骤，为避免重复，此处不再赘述。
[0165]
根据本技术的另一方面，本技术实施例还提供了一种计算机可读存储介质
(memory)，计算机可读存储介质是电子设备300中的记忆设备，用于存放程序和数据。例如，计算机可读存储介质320。可以理解的是，此处的计算机可读存储介质320既可以包括电子设备300中的内置存储介质，当然也可以包括电子设备300所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了电子设备300的操作系统。并且，在该存储空间中还存放了适于被处理器310加载并执行的一条或多条的计算机指令，这些计算机指令可以是一个或多个的计算机程序321(包括程序代码)。
[0166]
该电子设备300还可包括：收发器330，该收发器330可连接至该处理器310或计算机可读存储介质320。
[0167]
其中，计算机可读存储介质320可以控制该收发器330与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器330可以包括发射机和接收机。收发器330还可以进一步包括天线，天线的数量可以为一个或多个。
[0168]
根据本技术的另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。例如，计算机程序321。此时，电子设备300可以是计算机，处理器310从计算机可读存储介质320读取该计算机指令，处理器310执行该计算机指令，使得该计算机执行上述各种可选方式中提供的车辆目标分类方法。
[0169]
换言之，当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地运行本技术实施例的流程或实现本技术实施例的功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质进行传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
[0170]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元以及流程步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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技术的范围。
[0171]
最后需要说明的是，以上实施例仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。