本發(fā)明屬于汽車前照燈控制，具體涉及一種基于智能感知的汽車前照燈無極調(diào)光防眩光方法。

背景技術(shù)：

1、車輛照明安全是行車安全的重要組成部分，保證足夠的照明效果對(duì)行車安全意義重大。然而，當(dāng)車輛行駛時(shí)，路況中可能存在對(duì)向車輛以及行人，此時(shí)由車輛照明設(shè)備產(chǎn)生的強(qiáng)烈光線容易使對(duì)向車輛駕駛員或行人產(chǎn)成視覺不適或視力下降的現(xiàn)象，即產(chǎn)生眩光現(xiàn)象。

2、目前的前照燈防眩光手段主要包括手動(dòng)調(diào)整遠(yuǎn)、近光燈，前照燈防眩光設(shè)計(jì)以及前照燈防眩光膜等。這些手段雖然可以防止眩光現(xiàn)象，但是卻會(huì)大幅降低前照燈照明效果，從而威脅行車安全。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于智能感知的汽車前照燈無極調(diào)光防眩光方法，以解決上述背景技術(shù)中提出的問題。本發(fā)明提供的一種基于智能感知的汽車前照燈無極調(diào)光防眩光方法，具有對(duì)汽車前照燈進(jìn)行無極調(diào)光控制，使車輛能夠在防止對(duì)對(duì)向車輛和行人產(chǎn)生眩光的同時(shí)，最大限度地提供安全的照明的特點(diǎn)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于智能感知的汽車前照燈無極調(diào)光防眩光方法，包括以下步驟：

3、s1：模擬夜間車輛行駛路況，通過車載攝像頭采集路況圖像fm(o)，并將采集得到的圖像構(gòu)成圖像集合f={fm(o)}，其中，?o為圖像序號(hào)，o=1,2,3,...；

4、s2：對(duì)步驟s1中的集合f={fm(o)}進(jìn)行標(biāo)注，制作為圖像數(shù)據(jù)集d，以訓(xùn)練輕量化目標(biāo)檢測(cè)模型m，將模型部署到車載服務(wù)器中；

5、s3：利用車載激光雷達(dá)采集對(duì)應(yīng)圖像fm(o)中目標(biāo)的距離l(o)和相對(duì)速度s(o)，并記錄不產(chǎn)生眩光的最大前照燈亮度控制參數(shù)q(o)，將采集得到的信息構(gòu)成信息集合ra={l(o),s(o),q(o)}；

6、s4：將圖像數(shù)據(jù)集d中的目標(biāo)類別c(o)和目標(biāo)位置b(o)結(jié)合步驟s3中的數(shù)據(jù)集合ra，制作為雷達(dá)數(shù)據(jù)集rd，設(shè)計(jì)rnn回歸模型在雷達(dá)數(shù)據(jù)集rd上進(jìn)行擬合，將擬合好的回歸模型k部署于車載服務(wù)器中；

7、s5：利用車載攝像頭實(shí)時(shí)拍攝夜間車輛行駛過程的路況圖像fm(t)，其中，t為圖像序號(hào)，將圖像fm(t)傳輸至車載服務(wù)器中，服務(wù)器接收到圖像，對(duì)圖像使用目標(biāo)檢測(cè)模型m進(jìn)行檢測(cè)，得到檢測(cè)結(jié)果r(t)；

8、s6：檢測(cè)結(jié)果r(t)中若存在車輛或行人目標(biāo)，則利用車載激光雷達(dá)實(shí)時(shí)感知車輛自身與目標(biāo)的距離l(t)和相對(duì)速度s(t)，將檢測(cè)結(jié)果中的目標(biāo)類別c(t)、目標(biāo)位置b(t)結(jié)合距離l(t)和相對(duì)速度s(t)輸入至rnn回歸模型k中，得到實(shí)時(shí)的前照燈亮度參數(shù)q(t)；

9、s7：將參數(shù)q(t)實(shí)時(shí)輸入至汽車前照燈控制系統(tǒng)中實(shí)現(xiàn)前照燈的無極調(diào)光。

10、在本發(fā)明中進(jìn)一步地，步驟s1中構(gòu)成圖像集合f={fm(o)}的方法，包括以下步驟：

11、s1.1：模擬夜間車輛駕駛環(huán)境，使用車載攝像頭采集汽車行駛的路況圖像fm(o)；

12、s1.2：利用python中的freeimage圖像處理庫將圖像fm(o)保存至硬盤中，構(gòu)成圖像集合f={fm(o)}。

13、在本發(fā)明中進(jìn)一步地，步驟s2中，得到目標(biāo)檢測(cè)模型m的方法，包括以下步驟：

14、s2.1：對(duì)圖像集合f={fm(o)}中每一幀圖像包含的物體類別和其位置進(jìn)行標(biāo)注，然后按照訓(xùn)練集、測(cè)試集以及驗(yàn)證集三種集合對(duì)圖像集合f進(jìn)行分類，得到夜間車輛目標(biāo)檢測(cè)圖像數(shù)據(jù)集d；

15、s2.2：搭建nanodet目標(biāo)檢測(cè)模型，利用圖像數(shù)據(jù)集d進(jìn)行訓(xùn)練，訓(xùn)練得到目標(biāo)檢測(cè)模型m；

16、s2.3：將目標(biāo)檢測(cè)模型m部署于車載服務(wù)器中，并配置運(yùn)行腳本。

17、在本發(fā)明中進(jìn)一步地，步驟s3中，得到信息集合ra={l(o),s(o),q(o)}的方法，包括以下步驟：

18、s3.1：利用車載激光雷達(dá)采集車輛自身與前方目標(biāo)的距離l(o)和相對(duì)速度s(o)，同時(shí)，記錄不產(chǎn)生眩光的最大前照燈亮度控制參數(shù)q(o)；

19、s3.2：使用python中的numpy庫，以npz格式文件將距離l(o)、相對(duì)速度s(o)以及前照燈亮度控制參數(shù)q(o)保存于硬盤中，構(gòu)成信息集合ra={l(o),s(o),q(o)}。

20、在本發(fā)明中進(jìn)一步地，步驟s4中，得到擬合好的rnn回歸模型k的方法，包括以下步驟：

21、s4.1：將信息集合ra中目標(biāo)距離l(o)、相對(duì)速度s(o)、亮度控制參數(shù)q(o)和對(duì)應(yīng)的目標(biāo)類別c(o)以及目標(biāo)位置b(o)按照十折交叉驗(yàn)證法，制作雷達(dá)數(shù)據(jù)集rd，其中，b(o)=[x(o),y(o),w(o),h(o)]，x為目標(biāo)的左上角點(diǎn)橫坐標(biāo)，y為目標(biāo)的左上角點(diǎn)縱坐標(biāo)，w為目標(biāo)框的寬度，h為目標(biāo)框的高度；

22、s4.2：設(shè)計(jì)rnn回歸模型在數(shù)據(jù)集rd的基礎(chǔ)上進(jìn)行擬合，得到回歸模型k，其公式如下：

23、；

24、；

25、其中，h(o)是序號(hào)為o時(shí)的隱藏狀態(tài)，wxh、whh和who是權(quán)重矩陣，bxh、bhh和bho是偏置項(xiàng)，f(o)是序號(hào)為o時(shí)的輸入?yún)?shù)，f(o)=[l(o),s(o),b(o),c(o)]，h(o)是前一序號(hào)o-1時(shí)的隱藏狀態(tài)，是序號(hào)為o時(shí)預(yù)測(cè)得到的前照燈亮度控制參數(shù)；在擬合過程中，需要使用損失函數(shù)實(shí)時(shí)評(píng)估模型的效果，損失函數(shù)公式如下：

26、?；

27、其中，l為損失函數(shù)的數(shù)值，利用梯度下降算法將損失函數(shù)l反向傳輸以更新rnn模型參數(shù)，在訓(xùn)練完后，得到擬合好的rnn回歸模型k，將擬合好的rnn回歸模型k部署于車載服務(wù)器中。

28、在本發(fā)明中進(jìn)一步地，步驟s5中，得到檢測(cè)結(jié)果r(t)的方法，包括以下步驟：

29、s5.1：利用車載攝像頭實(shí)時(shí)采集夜間車輛行駛的路況圖像fm(t)，將fm(t)傳輸至車載服務(wù)器中；

30、s5.2：調(diào)用目標(biāo)檢測(cè)模型m對(duì)圖像fm(t)中的行人或車輛進(jìn)行檢測(cè)，得到檢測(cè)結(jié)果r(t)。

31、步驟s6中，得到前照燈亮度實(shí)時(shí)控制參數(shù)q(t)的方法，包括以下步驟：

32、s6.1：判斷檢測(cè)結(jié)果r(t)中是否存在行人或者車輛，若存在，則調(diào)用激光雷達(dá)探測(cè)前方目標(biāo)與自身車輛的距離l(t)以及相對(duì)速度s(t)；

33、s6.2：將目標(biāo)距離l(t)、目標(biāo)相對(duì)速度s(t)、目標(biāo)類別c(t)以及目標(biāo)位置b(t)輸入至rnn回歸模型k中，得到前照燈亮度實(shí)時(shí)控制參數(shù)q(t)。

34、在本發(fā)明中進(jìn)一步地，步驟s7中，實(shí)現(xiàn)前照燈的無極調(diào)光的方法為：將參數(shù)q(t)實(shí)時(shí)傳輸至汽車前照燈控制系統(tǒng)中，前照燈亮度控制系統(tǒng)將根據(jù)每個(gè)時(shí)刻得到的參數(shù)q(t)進(jìn)行調(diào)整，從而實(shí)現(xiàn)前照燈的無極調(diào)光。

35、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

36、1、本發(fā)明使用輕量化的目標(biāo)檢測(cè)模型進(jìn)行路況感知，具有更強(qiáng)的感知時(shí)效性，從而能夠使系統(tǒng)更快做出反應(yīng)，保障行駛安全；

37、2、本發(fā)明使用rnn回歸模型擬合前照燈亮度控制參數(shù)，該模型可以綜合利用前時(shí)刻和當(dāng)前時(shí)刻的識(shí)別特征進(jìn)行計(jì)算，具有時(shí)間域上的穩(wěn)定性；同時(shí)rnn模型具有高效的擬合能力，可以通過目標(biāo)的不同類別（行人、機(jī)動(dòng)車、非機(jī)動(dòng)車）、方位、距離、速度等參數(shù)擬合出最優(yōu)的前照燈亮度控制參數(shù)；

38、3、本發(fā)明利用智能感知得到的路況對(duì)前照燈進(jìn)行無極調(diào)光，與其他方法不同之處在于可以在防止眩光產(chǎn)生的同時(shí)，逐漸降低行駛過程中的照明效果以提高安全性。