车辆行驶数据的确定方法、车辆、电子设备和介质与流程

本申请涉及智能交通、机器学习等，尤其涉及一种车辆行驶数据的确定方法、车辆、电子设备和介质。

背景技术：

1、随着生活水平的提高，越来越多的家庭拥有了汽车，然而随着家庭拥有汽车的数量提升，道路开始出现拥挤等现象，导致交通事故频发。在各种各样的道路交通事故中，追尾事故是多发的一种交通事故，由于驾驶人员错误地估计邻近车辆的速度和距离，导致驾驶人员各种错误的操作，最终导致追尾等事故。因此给驾驶人员提供邻近车辆的距离和速度显得尤为必要，这也是减少交通事故的有效措施。

2、在目前车辆行驶过程中，驾驶人员主要凭借自己开车的经验判断邻近车辆的距离和速度，存在比较大的误差，由此可能产生比较严重的交通事故。

技术实现思路

1、本申请实施方式旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请实施方式的目的在于提出一种车辆行驶数据的确定方法、车辆、电子设备、存储介质和计算机程序产品。

2、本申请实施方式提供一种车辆行驶数据的确定方法，所述方法包括：获取邻近车辆的目标图像；确定所述目标图像中所述邻近车辆的尺寸数据；基于所述尺寸数据和映射关系，确定所述邻近车辆和当前车辆之间的相对距离，其中，所述映射关系表征了车辆之间的相对距离与图像中车辆的尺寸之间的关系；以及基于所述相对距离和所述目标图像的采集时间信息，确定所述邻近车辆的行驶速度。

3、示例性地，所述映射关系包括车辆之间的相对距离与图像中车辆的尺寸之间的比例；所述基于所述尺寸数据和映射关系，确定所述邻近车辆和当前车辆之间的相对距离，包括：将所述尺寸数据乘以所述比例，得到所述邻近车辆和所述当前车辆之间的相对距离。

4、示例性地，所述尺寸数据包括目标图像中所述邻近车辆所处区域中的像素点个数。

5、示例性地，所述映射关系是通过以下方式得到的：由设置在参考车辆上的摄像头采集测试车辆在n个测试位置的图像，得到n个测试图像，n为大于1的整数；分别确定每个测试位置与所述参考车辆之间的距离，得到n个测试距离；分别确定每个测试图像中所述测试车辆的尺寸，得到n个测试尺寸；确定第i+1个测试距离与第i个测试距离之间的差值，得到n-1个第一差值，i为大于等于1且小于n的整数；确定第i+1个测试尺寸与第i个测试尺寸之间的差值，得到n-1个第二差值；确定第j个第一差值和第j个第二差值之间的比值，得到n-1个测试比值，j为大于等于1且小于等于n-1的整数；以及将所述n-1个测试比值的均值，确定为所述映射关系。

6、示例性地，所述基于所述相对距离和所述目标图像的采集时间信息，确定所述邻近车辆的行驶速度，包括：基于所述相对距离和所述目标图像的采集时间信息，确定所述邻近车辆与所述当前车辆之间的相对速度；以及基于所述当前车辆的行驶速度和所述相对速度，确定所述邻近车辆的行驶速度。

7、示例性地，所述采集时间信息包括第一采集时刻和第二采集时刻，所述相对距离包括与第一采集时刻对应的第一相对距离和与第二采集时刻对应的第二相对距离；其中，所述基于所述相对距离和所述目标图像的采集时间信息，确定所述邻近车辆与所述当前车辆之间的相对速度，包括：确定所述第一相对距离和所述第二相对距离之间的距离差值；确定所述第一采集时刻和所述第二采集时刻之间的时刻差值；以及将所述距离差值除以所述时刻差值，得到所述相对速度。

8、示例性地，所述确定所述目标图像中所述邻近车辆的尺寸数据，包括：利用语义分割模型对所述目标图像进行分割，得到所述目标图像中邻近车辆所在的目标区域；利用种子算法对所述目标区域进行更新，得到更新后的目标区域；以及确定所述更新后的目标区域的尺寸为所述尺寸数据。

9、示例性地，所述语义分割模型包括空间特征提取模块和轻量级卷积神经网络，所述利用语义分割模型对所述目标图像进行分割，得到所述目标图像中邻近车辆所在的目标区域，包括：利用所述空间特征提取模块对所述目标图像进行特征提取，得到空间特征数据；利用所述轻量级卷积神经网络对所述目标图像进行特征提取，得到精细特征数据；以及将所述空间特征数据和所述精细特征数据进行融合，识别得到所述目标区域。

10、示例性地，所述轻量级卷积神经网络包括卷积层、瓶颈层和注意力模块，所述注意力模块包括通道注意力子模块和空间注意力子模块；所述利用所述轻量级卷积神经网络对所述目标图像进行特征提取，得到精细特征数据，包括：基于通道注意力子模块对所述目标图像进行特征提取，得到通道特征数据；基于所述空间注意力子模块对所述通道特征数据进行特征提取，得到所述精细特征数据。

11、示例性地，所述利用种子算法对所述目标区域进行更新，得到更新后的目标区域包括：根据目标区域中像素值，对目标区域的像素进行聚类，得到至少一个子区域；基于预设像素差值，对每个子区域进行扩展或缩小，得到更新后的至少一个子区域，其中，相邻像素的像素值之间的差值小于等于所述预设像素差值表征所述相邻像素属于同一子区域；以及将更新后的至少一个子区域确定为更新后的目标区域。

12、示例性地，在利用语义分割算法对所述目标图像进行分割之前，所述方法还包括：基于预设图像尺寸对所述目标图像进行裁剪，其中，所述预设图像尺寸表征了所述邻近车辆占所述目标图像的最大区域的区域尺寸。

13、示例性地，所述目标图像由设置在所述当前车辆的单目摄像头采集。

14、本申请另一实施方式提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项实施方式所述的方法的步骤。

15、本申请另一实施方式提供计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施方式所述的方法的步骤。

16、本申请另一实施方式提供一种车辆，所述车辆包括所述的电子设备。

17、本申请另一实施方式提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被计算机设备的处理器执行时，使得所述计算机设备能够执行上述任一项实施方式所述的方法的步骤。

18、上述实施方式中，获取邻近车辆的目标图像；确定目标图像中邻近车辆的尺寸数据；基于尺寸数据和映射关系，确定邻近车辆和当前车辆之间的相对距离，其中，映射关系表征了车辆之间的相对距离与图像中车辆的尺寸之间的关系；以及基于相对距离和目标图像的采集时间信息，确定邻近车辆的行驶速度。本申请的车辆行驶数据的确定方法能够计算邻近车辆与当前车辆的距离、邻近车辆的速度，辅助驾驶员进行车速控制，减少交通追尾事故的发生。

技术特征：

1.一种车辆行驶数据的确定方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述映射关系包括车辆之间的相对距离与图像中车辆的尺寸之间的比例；所述基于所述尺寸数据和映射关系，确定所述邻近车辆和当前车辆之间的相对距离，包括：

3.根据权利要求1所述的方法，其特征在于，所述尺寸数据包括目标图像中所述邻近车辆所处区域中的像素点个数。

4.根据权利要求1所述的方法，其特征在于，所述映射关系是通过以下方式得到的：

5.根据权利要求1所述的方法，其特征在于，所述基于所述相对距离和所述目标图像的采集时间信息，确定所述邻近车辆的行驶速度，包括：

6.根据权利要求5所述的方法，其特征在于，所述采集时间信息包括第一采集时刻和第二采集时刻，所述相对距离包括与第一采集时刻对应的第一相对距离和与第二采集时刻对应的第二相对距离；

7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述确定所述目标图像中所述邻近车辆的尺寸数据，包括：

8.根据权利要求7所述的方法，其特征在于，所述语义分割模型包括空间特征提取模块和轻量级卷积神经网络，所述利用语义分割模型对所述目标图像进行分割，得到所述目标图像中邻近车辆所在的目标区域，包括：

9.根据权利要求8所述的方法，其特征在于，所述轻量级卷积神经网络包括卷积层、瓶颈层和注意力模块，所述注意力模块包括通道注意力子模块和空间注意力子模块；所述利用所述轻量级卷积神经网络对所述目标图像进行特征提取，得到精细特征数据，包括：

10.根据权利要求7所述的方法，其特征在于，所述利用种子算法对所述目标区域进行更新，得到更新后的目标区域包括：

11.根据权利要求7所述的方法，其特征在于，在利用语义分割算法对所述目标图像进行分割之前，所述方法还包括：

12.根据权利要求1-6、8-11中任意一项所述的方法，其特征在于，所述目标图像由设置在所述当前车辆的单目摄像头采集。

13.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-12中任意一项所述的方法的步骤。

14.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-12中任意一项所述的方法的步骤。

15.一种车辆，其特征在于，所述车辆包括权利要求13所述的电子设备。

技术总结本申请公开了一种车辆行驶数据的确定方法、车辆、电子设备和介质，车辆行驶数据的确定方法，包括：获取邻近车辆的目标图像；确定目标图像中邻近车辆的尺寸数据；基于尺寸数据和映射关系，确定邻近车辆和当前车辆之间的相对距离，其中，映射关系表征了车辆之间的相对距离与图像中车辆的尺寸之间的关系；以及基于相对距离和目标图像的采集时间信息，确定邻近车辆的行驶速度。本申请的车辆行驶数据的确定方法能够计算邻近车辆与当前车辆的距离、邻近车辆的速度，辅助驾驶员进行车速控制，减少交通追尾事故的发生。技术研发人员：唐辉平,陈国芳受保护的技术使用者：比亚迪股份有限公司技术研发日：技术公布日：2024/6/23