本技術(shù)涉及汽車駕駛，特別是涉及一種用于駕駛場景的圖像數(shù)據(jù)采集方法。

背景技術(shù)：

1、隨著人工智能在智慧交通和自動駕駛中的應(yīng)用，司機(jī)駕駛行為的預(yù)測模型構(gòu)建成為實現(xiàn)交通安全和高效駕駛的重要支撐，這些預(yù)測模型可以幫助自動駕駛系統(tǒng)更好地理解和預(yù)測司機(jī)在駕駛過程中的行為，從而提高自動駕駛系統(tǒng)的性能和安全性。

2、然而，單一視角的數(shù)據(jù)往往無法完整、準(zhǔn)確、高效地捕捉到司機(jī)危急駕駛行為的特征，這限制了當(dāng)前預(yù)測模型的性能。其對于駕駛場景的完整感知能力較弱，對于駕駛安全性能力的提升較差。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的是：為解決上述技術(shù)問題，本技術(shù)提供了一種用于駕駛場景的圖像數(shù)據(jù)采集方法，旨在提高駕駛場景的完整感知能力，從而提高駕駛安全性。

2、本技術(shù)的一些實施例中，根據(jù)不同駕駛參數(shù)和環(huán)境參數(shù)建立多個不同的駕駛場景，并針對各個不同的駕駛場景構(gòu)建對應(yīng)的風(fēng)險評價模型，根據(jù)實時的車輛運(yùn)行參數(shù)調(diào)用對應(yīng)風(fēng)險評價模型，動態(tài)調(diào)節(jié)各個車載監(jiān)測子模塊的圖像數(shù)據(jù)占比和圖像數(shù)據(jù)處理參數(shù)，從而更加高效地對危險行為進(jìn)行預(yù)警，提高駕駛安全性。

3、本技術(shù)的一些實施例中，基于不同場景下的擾動參數(shù)構(gòu)建對應(yīng)的圖像降噪模型，根據(jù)不同場景下的車輛姿態(tài)參數(shù)構(gòu)建對應(yīng)的圖像關(guān)聯(lián)模型，從而使得各個車載監(jiān)測子模塊采集圖像數(shù)據(jù)進(jìn)行互補(bǔ)修正，從而增加對于駕駛場景的完整感知能力，及時對潛在駕駛風(fēng)險進(jìn)行預(yù)警，提高駕駛安全性。

4、本技術(shù)的一些實施例中，提供了一種用于駕駛場景的圖像數(shù)據(jù)采集方法，包括：

5、建立車載監(jiān)測子模塊數(shù)列和駕駛場景數(shù)列，并生成各個駕駛場景中的風(fēng)險評價模型；

6、獲取車輛實時狀態(tài)參數(shù)，根據(jù)車輛實時狀態(tài)參數(shù)選取目標(biāo)風(fēng)險評價模型；

7、根據(jù)目標(biāo)風(fēng)險評價模型處理各個車載監(jiān)測子模塊采集的圖像數(shù)據(jù)，判斷是否生成風(fēng)險預(yù)警指令；

8、所述車載監(jiān)測子模塊數(shù)列a，a＝(a1,a2…an)，其中，ai為第i個車載監(jiān)測子模塊；n為車載監(jiān)測子模塊數(shù)量。

9、本技術(shù)的一些實施例中，建立駕駛場景數(shù)列時，包括：

10、根據(jù)歷史駕駛參數(shù)提取多個駕駛評價指標(biāo)；

11、根據(jù)全部駕駛評價指標(biāo)建立多個初始場景，并建立初始場景數(shù)列b，b＝(b1,b2…bm1)，其中，bi為第i個初始場景，m1為初始場景數(shù)量；

12、根據(jù)預(yù)設(shè)相似評價模型對初始場景進(jìn)行歸集處理；

13、根據(jù)歸集處理結(jié)果建立駕駛場景數(shù)列c，c＝(c1，c2…cm)，其中ci為第i個駕駛場景，m為駕駛場景數(shù)量，且m≤m1。

14、本技術(shù)的一些實施例中，對初始場景進(jìn)行歸集處理時，包括：

15、選取初始場景b1；

16、根據(jù)預(yù)設(shè)相似評價模型生成初始場景b1和初始場景數(shù)列b中各個初始場景的相似評價值；

17、建立相似評價值數(shù)列g(shù)，g＝(g1，g2…gm1)，gi為初始場景b1和第i個初始場景的相似評價值；

18、預(yù)設(shè)相似評價值閾值δg，若gi>δg，則將第i個初始場景與初始場景b1進(jìn)行歸集；

19、根據(jù)歸集結(jié)果生成單個駕駛場景；

20、根據(jù)剩余未歸集的初始場景建立初始場景數(shù)列b1，b1＝(b11,b12…b1m2)，其中，b1i為第i個未歸集的初始場景，m2為未歸集初始場景數(shù)量，其m2<m1；

21、選取初始場景b11；

22、循環(huán)迭代上述歸集步驟，并根據(jù)迭代結(jié)果建立駕駛場景數(shù)列c。

23、本技術(shù)的一些實施例中，建立駕駛場景數(shù)列時，還包括：

24、根據(jù)預(yù)設(shè)更新周期獲取車輛歷史駕駛參數(shù)；

25、根據(jù)車輛歷史駕駛參數(shù)判斷是否生成更新指令；

26、若生成更新指令，根據(jù)更新指令修正相似評價值閾值δg，并根據(jù)修正結(jié)果更新駕駛場景數(shù)列c。

27、本技術(shù)的一些實施例中，建立相似評價值數(shù)列g(shù)時，包括：

28、依次選取目標(biāo)初始場景；

29、

30、其中，g為初始場景b1與目標(biāo)初始場景之間的相似度評價值；e1為預(yù)設(shè)第一權(quán)重系數(shù)；e2為預(yù)設(shè)第二權(quán)重系數(shù)；e3為預(yù)設(shè)第三權(quán)重系數(shù)；q1為預(yù)設(shè)第一固定系數(shù)；q2為預(yù)設(shè)第二固定系數(shù)；q3為預(yù)設(shè)第三固定系數(shù)；θ為干擾評價指標(biāo)數(shù)量；di為初始場景b1的第i個干擾評價指標(biāo)的干擾評價值；d'i為目標(biāo)初始場景的第i個干擾評價指標(biāo)的干擾評價值；αi為第i個干擾評價指標(biāo)的影響因子；u是根據(jù)初始場景b1和目標(biāo)初始場景的視覺盲區(qū)重疊度設(shè)定的盲區(qū)評價值；ki為第i個車載監(jiān)測子模塊在初始場景b1和目標(biāo)初始場景中對第i個車載監(jiān)控子模塊采集圖像的依賴度差值；βi為第i個車載監(jiān)控子模塊的影響因子。

31、本技術(shù)的一些實施例中，生成各個駕駛場景中的風(fēng)險評價模型時，包括：

32、根據(jù)駕駛場景數(shù)列c選取目標(biāo)駕駛場景，并生成目標(biāo)駕駛場景的駕駛監(jiān)測范圍；

33、根據(jù)盲區(qū)范圍和駕駛監(jiān)測范圍設(shè)定各個車載監(jiān)測子模塊的權(quán)重比；

34、獲取目標(biāo)駕駛場景的車輛姿態(tài)參數(shù)；

35、根據(jù)車輛姿態(tài)參數(shù)建立各個車載監(jiān)測子模塊之間的圖像關(guān)聯(lián)模型；

36、根據(jù)目標(biāo)駕駛場景的全部干擾評價指標(biāo)生成圖像降噪模型；

37、生成目標(biāo)駕駛場景的風(fēng)險指標(biāo)數(shù)列；

38、根據(jù)目標(biāo)駕駛場景的圖像關(guān)聯(lián)模型和風(fēng)險指標(biāo)數(shù)列建立目標(biāo)駕駛場景的風(fēng)險評價模型；

39、建立風(fēng)險評價模型數(shù)列j，j＝(j1，j2…jm)，其中，ji為第i個駕駛場景的風(fēng)險評價模型。

40、本技術(shù)的一些實施例中，根據(jù)車輛實時狀態(tài)參數(shù)選取目標(biāo)風(fēng)險評價模型時，包括：

41、根據(jù)車輛實時狀態(tài)參數(shù)提取場景評價指標(biāo)；

42、根據(jù)全部場景評價指標(biāo)生成車輛與各個駕駛場景的契合度，并建立契合度數(shù)列k，k＝(k1，k2…km)，其中，ki為車輛與第i個駕駛場景的契合度；

43、選取契合度數(shù)列k中最大值kmax對應(yīng)駕駛場景的風(fēng)險評價模型為目標(biāo)風(fēng)險評價模型。

44、本技術(shù)的一些實施例中，判斷是否生成預(yù)警指令時，包括：

45、獲取各個車載監(jiān)測子模塊采集的實時圖像數(shù)據(jù)，建立圖像數(shù)列t，t＝(t1,t2…tn)，其中，ti為第i個車載監(jiān)測子模塊采集的實時圖像；

46、根據(jù)目標(biāo)風(fēng)險模型對應(yīng)的圖像降噪模型預(yù)處理全部實時圖像；

47、根據(jù)目標(biāo)風(fēng)險評價模型提取各個圖像中的風(fēng)險因子，并生成各個圖像的初始風(fēng)險評價值；

48、根據(jù)圖像關(guān)聯(lián)模型處理全部實時圖像，并修正各個圖像的初始風(fēng)險評價值；

49、根據(jù)修正結(jié)果建立風(fēng)險評價值數(shù)列f，f＝(f1，f2…fn)，其中，fi為第i個車載監(jiān)測子模塊的實時圖像對應(yīng)的風(fēng)險評價值；

50、根據(jù)風(fēng)險評價值數(shù)列f判斷是否生成預(yù)警指令。

51、本技術(shù)的一些實施例中，根據(jù)風(fēng)險評價值數(shù)列f判斷是否生成預(yù)警指令時，包括：

52、根據(jù)目標(biāo)風(fēng)險評價模型對應(yīng)的駕駛場景設(shè)第一風(fēng)險評價值閾值f1和第二風(fēng)險評價值閾值f2；且f1<f2；

53、若fi<f1，不生成預(yù)警指令；

54、若f1<fi<f2，生成第i個車載監(jiān)測子模塊的一級預(yù)警指令；

55、若fi>f2，生成第i個車載監(jiān)測子模塊的二級預(yù)警指令；

56、獲取一級預(yù)警指令和二級預(yù)警指令的總數(shù)量p；

57、若總數(shù)量p大于預(yù)設(shè)第一數(shù)量閾值，生成三級預(yù)警指令。

58、本技術(shù)實施例一種用于駕駛場景的圖像數(shù)據(jù)采集方法與現(xiàn)有技術(shù)相比，其有益效果在于：

59、根據(jù)不同駕駛參數(shù)和環(huán)境參數(shù)建立多個不同的駕駛場景，并針對各個不同的駕駛場景構(gòu)建對應(yīng)的風(fēng)險評價模型，根據(jù)實時的車輛運(yùn)行參數(shù)調(diào)用對應(yīng)風(fēng)險評價模型，動態(tài)調(diào)節(jié)各個車載監(jiān)測子模塊的圖像數(shù)據(jù)占比和圖像數(shù)據(jù)處理參數(shù)，從而更加高效地對危險行為進(jìn)行預(yù)警，提高駕駛安全性。

60、基于不同場景下的擾動參數(shù)構(gòu)建對應(yīng)的圖像降噪模型，根據(jù)不同場景下的車輛姿態(tài)參數(shù)構(gòu)建對應(yīng)的圖像關(guān)聯(lián)模型，從而使得各個車載監(jiān)測子模塊采集圖像數(shù)據(jù)進(jìn)行互補(bǔ)修正，從而增加對于駕駛場景的完整感知能力，及時對潛在駕駛風(fēng)險進(jìn)行預(yù)警，提高駕駛安全性。