车载AI摄像头视觉识别系统的制作方法

本技术涉及ai识别领域，尤其是涉及一种车载ai摄像头视觉识别系统。

背景技术：

1、车载ai摄像头视觉识别系统是一种集成了人工智能技术的车辆摄像头系统，主要用于增强车辆的自动驾驶和辅助驾驶功能。这种系统通过摄像头捕捉车辆周围的视觉信息，然后使用ai算法对这些信息进行分析和识别，以识别道路标志、行人、其他车辆以及各种路况情况。

2、现有的技术方案主要包括使用深度学习模型，如卷积神经网络（cnn）和循环神经网络（rnn），来处理和解析图像数据。这些模型能够从大量的图像数据中学习并识别出复杂的模式和特征。此外，一些系统还结合了雷达（radar）和激光雷达（lidar）技术来提高识别的准确性和可靠性。

3、这些系统的优点包括提高道路安全性，减少交通事故，以及为驾驶员提供更多的驾驶便利和舒适。例如，通过识别和解释交通标志和信号，系统可以帮助驾驶员更好地遵守交通规则，或者通过识别潜在的碰撞危险来自动调整车速。

4、然而，这些系统也存在一些缺点。首先，它们高度依赖于算法的准确性和环境条件，如在恶劣天气或光线不足的情况下，视觉识别的准确性可能会降低。此外，这些系统的开发和维护成本相对较高，且对数据的需求巨大，需要持续收集和处理大量的图像和传感器数据以保持系统的有效性和更新。

技术实现思路

1、本技术提供了一种车载ai摄像头视觉识别系统，包括：

2、热成像模组，用于获取热成像图像数据；

3、摄像模组，用于获取可见光图像数据；

4、处理模组，用于处理热成像图像数据和可见光图像数据；

5、识别模组，用于根据处理模块处理后的图像数据识别确定对应的物体信息；

6、响应模组，用于根据所述识别模组生成的物体信息做出对应的响应；

7、其中，所述热成像模组和摄像模组可通讯地连接于所述处理模组，所述处理模组可通讯地连接于所述识别模组，所述响应模组可通讯地连接于所述识别模组；

8、其中，所述热成像模组和所述摄像模组被相邻地设置，且所述热成像模组和所述摄像模组具有相同的拍摄方向；

9、其中，所述处理模组包括边缘提取模块和图像组合模块，所述边缘提取模块可通讯地连接于所述热成像模组，所述图像组合模块可通讯地连接于所述边缘提取模块和所述摄像模组，所述边缘提取模块和所述图像组合模块可通讯地连接于所述识别模组。

10、通过采用上述技术方案，所述车载ai摄像头视觉识别系统可以通过组合热成像图像和可见光图像以增强图像数据，从而提高所述识别模组的识别效果，并根据识别结果自动做出响应，增强了车辆的自动驾驶和安全监控能力。

11、可选的，所述车载ai摄像头视觉识别系统进一步包括图像识别策略，包括以下步骤：

12、a1，通过所述热成像模组获取热成像图像数据；

13、a2，通过所述摄像模组获取可见光图像数据；

14、a3，根据热成像图像数据通过所述边缘提取模块提取生成边缘图像数据；

15、a4，根据热成像图像数据以预设的图像分割算法确定对应的物体像素区域数据；

16、a5，根据边缘图像数据和可见光图像数据组合生成对应的边缘增强图像数据；

17、a6，根据物体像素区域数据和边缘增强图像数据通过所述识别模组识别生成物体识别信息。

18、通过采用上述技术方案，所述车载ai摄像头视觉识别系统可以通过结合热成像和可见光图像数据，能够在不同环境条件下稳定工作，还能通过边缘提取和图像融合算法进一步增强图像细节和对比度，从而提升识别的准确性；特别是在复杂的驾驶环境中，可以有效识别并响应道路上的障碍物和行人，增强车辆的自动驾驶安全性。

19、可选的，所述图像识别策略进一步包括以下步骤用于生成边缘图像数据：

20、b1，根据热成像图像数据以预设的图像降噪算法生成热成像降噪图像数据；

21、b2，根据热成像降噪图像数据以预设的对比度增强算法生成热成像对比度调节图像数据；

22、b3，根据热成像对比度调节图像数据以预设的锐化滤波算法生成热成像锐化图像数据；

23、b4，根据热成像锐化图像数据以预设的边缘检测算法生成边缘图像数据。

24、通过采用上述技术方案，所述车载ai摄像头视觉识别系统可以通过图像降噪、对比度增强、锐化和边缘检测，显著提升了热成像的质量和边缘的清晰度，使得系统在不同环境条件下都能较有效地提取重要的边缘图像数据。

25、可选的，所述图像识别策略进一步包括以下步骤用于确定物体像素区域数据：

26、c1，根据热成像图像数据以预设的分割尺寸分割生成多个等尺寸的热成像局部图像数据；

27、c2，分别计算各热成像边缘局部图像数据的像素灰度值总和；

28、c3，若热成像局部图像数据的像素灰度值总和大于预设的像素灰度阈值，则定义热成像局部图像数据为有效热成像局部图像数据；

29、c4，根据各有效热成像局部图像数据确定对应的有效区域数据；

30、c5，根据所有的有效区域数据组合生成物体像素区域数据。

31、通过采用上述技术方案，所述车载ai摄像头视觉识别系统可以通过将热成像图像分割为多个局部图像并计算像素灰度值，能够准确地识别出温度差异显著的区域，从而有效地区分物体与背景，适合于复杂环境中确定物体的图像区域，降低后续识别处理的计算开销，能够有效提升识别的准确度和响应速度。

32、可选的，所述图像识别策略进一步包括以下步骤用于生成边缘增强图像数据：

33、d1，根据可见光图像数据获取对应的可见光图尺寸数据；

34、d2，根据边缘图像数据和可见光图尺寸数据以预设的上采样算法生成边缘上采样图像数据；

35、d3，根据可见光图像数据以预设的灰度图转换算法生成对应的可见光灰度图数据；

36、d4，根据边缘上采样图像数据和可见光灰度图数据以预设的图像融合算法生成边缘增强图像数据。

37、通过采用上述技术方案，所述车载ai摄像头视觉识别系统可以通过将边缘图像数据上采样到可见光图像的尺寸，并与可见光灰度图数据融合，能够创建出边缘增强的图像，使得图像中物体边缘更加清晰可见，而且也提高了对环境中物体的识别准确性。

38、可选的，所述图像融合算法包括以下步骤：

39、e1，于边缘上采样图像数据分别确定对应的非0值像素点并定义为有效边缘像素；

40、e2，根据各有效边缘像素的像素位置于可见光灰度图数据确定对应的像素位置并定义为边缘增强像素位置；

41、e3，根据各边缘增强像素位置获取对应的像素灰度值；

42、e4，对各边缘增强像素位置的像素灰度值乘以预设的增强比例计算像素更新值；

43、e5，根据各边缘增强像素位置的像素更新值替换对应的像素灰度值。

44、通过采用上述技术方案，所述车载ai摄像头视觉识别系统可以显著提升边缘的视觉特性，确保物体的边缘信息在图像中的突出显示，通过识别和增强有效边缘像素，不仅增强了图像的局部对比度和清晰度，而且也改善了物体轮廓的可识别度，尤其是在可见光图像受到遮盖时，可以形成图像补全的效果，以增加物体识别的稳定性。

45、可选的，所述图像识别策略进一步包括以下步骤用于识别生成物体识别信息：

46、f1，分别于边缘增强图像数据中获取各像素的像素位置；

47、f2，若像素位置位于物体像素区域数据之外，则于边缘增强图像数据中将像素位置对应的像素灰度值设置为预设的像素缺省值；

48、f3，定义边缘增强图像数据为背景遮盖图像数据；

49、f4，根据背景遮盖图像数据以预设的目标识别模型生成各目标像素定位数据和对应的目标分类信息；

50、f5，根据所有的目标像素定位数据和对应的目标分类信息组合生成物体识别信息。

51、通过采用上述技术方案,所述车载ai摄像头视觉识别系统可以通过将非目标区域的像素灰度值设置为预设的缺省值，有效地减少了背景噪声，使得目标物体的特征更加突出。这种方法使得背景与前景的分离更为清晰，从而简化了目标识别模型的计算负担，提高了处理速度。

52、可选的，所述图像识别策略进一步包括以下步骤用于生成训练数据以训练所述目标识别模型：

53、g1，于预设的训练素材数据库获取对应的素材图像数据及对应的素材标签信息；

54、g2，根据各素材图像数据分别提取对应的素材边缘图像数据；

55、g3，以预设的选择比例于各素材图像数据选定对应数量的素材图像数据并定义为模拟图像数据；

56、g4，分别对各模拟图像数据进行局部遮盖生成对应的遮盖图像数据；

57、g5，根据各素材图像数据生成对应的素材灰度图数据；

58、g6，根据各遮盖图像数据生成对应的遮盖灰度图数据；

59、g7，根据各素材灰度图数据和遮盖灰度图数据及对应的素材边缘图像数据融合生成边缘增强素材灰度图数据；

60、g8，根据各边缘增强素材灰度图数据和对应的素材标签信息组合生成对应的素材灰度图标签对；

61、g9，根据所有的素材灰度图标签对组合生成训练数据。

62、通过采用上述技术方案,所述车载ai摄像头视觉识别系统可以通过使用现有的图像素材，并通过边缘增强和局部遮盖模拟生成对应的恶劣环境下的素材，创建出适用于训练的高质量数据集，不仅增加了模型对真实世界条件的适应性，还能确保模型在面对多样化的场景和条件时，能够准确地识别和分类不同的目标。

63、综上所述，本技术包括以下至少一种有益技术效果：

64、1.可以通过组合热成像图像和可见光图像以增强图像数据，从而提高所述识别模组的识别效果，并根据识别结果自动做出响应，增强了车辆的自动驾驶和安全监控能力。

65、2.可以通过结合热成像和可见光图像数据，能够在不同环境条件下稳定工作，还能通过边缘提取和图像融合算法进一步增强图像细节和对比度，从而提升识别的准确性；特别是在复杂的驾驶环境中，可以有效识别并响应道路上的障碍物和行人，增强车辆的自动驾驶安全性。

66、3.可以通过图像降噪、对比度增强、锐化和边缘检测，显著提升了热成像的质量和边缘的清晰度，使得系统在不同环境条件下都能较有效地提取重要的边缘图像数据。