图像处理方法、装置、车辆、介质及程序产品与流程

1.本公开涉及自动驾驶技术领域，尤其涉及一种图像处理方法、装置、车辆、介质及程序产品。


背景技术：

2.随着我国汽车工业的快速发展和人们生活水平的提高，居民家庭的汽车拥有量快速增加，汽车逐步成为人们生活中不可或缺的交通工具之一。
3.车辆在自动驾驶过程中，周围环境中的障碍物分为两类：动态障碍物和静态障碍物。动态障碍物，例如，行驶的其他车辆、非机动车和行人等。静态障碍物，例如，闸杆，静止状态的其他车辆。
4.目前，车辆在自动驾驶过程中，车辆对周围环境中的障碍物的分类精度较低。


技术实现要素：

5.本公开提供一种图像处理方法、装置、车辆、介质及程序产品，以至少解决相关技术中车辆对周围环境中的障碍物的分类精度较低的问题。本公开的技术方案如下：
6.本公开实施例提供一种图像处理方法，包括：
7.获取车辆自动驾驶过程中的多张环境图像；
8.对所述多张环境图像进行障碍物检测，得到所述多张环境图像包含的目标障碍物以及所述目标障碍物的位置，其中，所述目标障碍物共同存在于所述多张环境图像中；
9.根据所述目标障碍物以及所述目标障碍物的位置，对所述多张环境图像进行拼接，得到目标拼接图像；
10.将所述目标拼接图像输入已经训练完成的物体分类模型中，得到所述目标障碍物的分类结果。
11.可选地，所述对所述多张环境图像进行障碍物检测，得到所述多张环境图像包含的目标障碍物以及所述目标障碍物的位置，包括：
12.分别对所述多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置；
13.从所述多张环境图像包含的所有障碍物中，选择出共同存在于所述每张环境图像的目标障碍物以及目标障碍物的位置。
14.可选地，分别对所述多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置，包括：
15.将所述每张环境图像输入已经训练完成的障碍物检测模型中，得到每张环境图像包含的障碍物以及障碍物位置。
16.可选地，所述根据所述目标障碍物以及所述目标障碍物的位置，对所述多张环境图像进行拼接，得到目标拼接图像，包括：
17.针对目标图像，根据其他环境图像包含的目标障碍物的位置，将所述其他环境图
像包含的目标障碍物拼接在所述目标图像上，得到所述目标拼接图像；
18.其中，所述目标图像为所述多张环境图像中的任意一张环境图像，所述其他环境图像为所述多张环境图像中的除所述目标图像外的环境图像。
19.可选地，在使用所述物体分类模型之前，所述方法还包括：
20.收集样本车辆在行驶过程中的多张历史样本环境图像；
21.将所述多张历史样本环境图像进行分组，得到多个环境图像分组，所述每个环境图像分组包括多张图像；
22.对所述每个环境图像分组进行拼接，得到多张样本拼接图像；
23.对所述多张样本拼接图像进行障碍物标注，得到所述多张样本拼接图像中的样本障碍物、所述样本障碍物的位置以及所述样本障碍物的类型；
24.根据所述多张样本拼接图像和所述多张样本拼接图像中的样本障碍物、所述样本障碍物的位置以及所述样本障碍物的类型，对初始模型进行训练，得到所述物体分类模型。
25.可选地，所述对所述每个环境图像分组进行拼接，得到多张样本拼接图像，包括：
26.针对目标样本图像，根据每个环境图像分组中的车辆的位置，将所述其他样本环境图像与目标样本图像进行拼接，得到所述多张样本拼接图像；
27.其中，所述目标样本图像为所述每个环境图像分组中的任意一张样本环境图像，所述其他样本环境图像为所述每个环境图像分组中的除所述目标样本图像外的样本环境图像。
28.可选地，在所述将所述目标拼接图像输入已经训练完成的物体分类模型中，得到所述目标障碍物的分类结果之后，所述方法还包括：
29.根据所述目标障碍物的分类结果，控制所述车辆自动驾驶。
30.本公开实施例还提供一种图像处理装置，包括：
31.获取模块，用于获取车辆自动驾驶过程中的多张环境图像；
32.检测模块，用于对所述多张环境图像进行障碍物检测，得到所述多张环境图像包含的目标障碍物以及所述目标障碍物的位置，其中，所述目标障碍物共同存在于所述多张环境图像中；
33.拼接模块，用于根据所述目标障碍物以及所述目标障碍物的位置，对所述多张环境图像进行拼接，得到目标拼接图像；
34.分类模型模块，用于将所述目标拼接图像输入已经训练完成的物体分类模型中，得到所述目标障碍物的分类结果。
35.本公开实施例还提供一种车辆，包括：存储器和处理器；
36.所述存储器，用于存储计算机程序；
37.所述处理器，用于执行所述计算机程序，以实现如上述的方法中的各步骤。
38.本公开实施例还提供一种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的方法中的各步骤。
39.本公开实施例还提供一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现上述的方法中的各步骤。
40.本公开的实施例提供的技术方案至少带来以下有益效果：
41.在本公开的一些实施例中，获取车辆自动驾驶过程中的多张环境图像；对多张环
境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果，利用目标拼接图像和物体分类模型进行障碍物分类，提高障碍物的分类精度。
42.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
43.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
44.图1为本公开示例性实施例提供的一种图像处理方法的流程示意图；
45.图2为本公开示例性实施例提供的另一种图像处理方法的流程示意图；
46.图3为本公开示例性实施例提供的另一种图像处理方法的流程示意图；
47.图4为本公开示例性实施例提供的一种图像处理装置的结构示意图；
48.图5为本公开示例性实施例提供的一种车辆的结构示意图。
具体实施方式
49.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
50.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
51.需要说明的是，本公开，本公开所涉及的用户信息包括但不限于：用户设备信息和用户个人信息；本公开中的用户信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
52.随着我国汽车工业的快速发展和人们生活水平的提高，居民家庭的汽车拥有量快速增加，汽车逐步成为人们生活中不可或缺的交通工具之一。
53.车辆在自动驾驶过程中，周围环境中的障碍物分为两类：动态障碍物和静态障碍物。动态障碍物，例如，行驶的其他车辆、非机动车和行人等。静态障碍物，例如，闸杆，静止状态的其他车辆。
54.目前，车辆在自动驾驶过程中，车辆对周围环境中的障碍物的分类精度较低。
55.针对上述存在的技术问题，在本公开的一些实施例中，获取车辆自动驾驶过程中的多张环境图像；对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；将目标拼接图像输入
已经训练完成的物体分类模型中，得到目标障碍物的分类结果，利用目标拼接图像和物体分类模型进行障碍物分类，提高障碍物的分类精度。
56.以下结合附图，详细说明本公开各实施例提供的技术方案。
57.图1为本公开示例性实施例提供的一种图像处理方法的流程示意图。如图1所示，该图像处理方法包括：
58.s101：获取车辆自动驾驶过程中的多张环境图像；
59.s102：对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；
60.s103：根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；
61.s104：将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果。
62.在本实施例中，上述方法的执行主体为车辆。本公开实施例对车辆的类型不作限定，车辆包括但不限于以下任意一种：电动车辆、油动力车辆、油电混合动力车辆、氢能源车辆、新能源与油动力混合动力车辆等。
63.在本实施例中，车辆获取其自动驾驶过程中的多张环境图像；对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果，利用目标拼接图像和物体分类模型进行障碍物分类，提高障碍物的分类精度。
64.在上述实施例中，车辆利用安装于车辆前方的摄像头，采集车辆前方的环境图像。本公开实施例对多张环境图像的数量不作限定，可以根据实际情况作出调整。多张环境图像，例如，3张环境图像，5张环境图像和10张环境图像等。多张环境图像可以为采集到的连续多帧环境图像。
65.在上述实施例中，对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置。一种可实现的方式为，分别对多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置；从多张环境图像包含的所有障碍物中，选择出共同存在于每张环境图像的目标障碍物以及目标障碍物的位置。
66.例如，对连续3帧环境图像进行障碍物检测，分别得到3帧环境图像包含的障碍物以及障碍物位置。第1帧环境图像包括闸机，第一车辆和第二车辆；第2帧环境图像包括闸机和第一车辆；第3帧环境图像包括闸机，第一车辆和第二车辆。从3帧环境图像中选择出共同存在于3帧环境图像的目标障碍物：闸机和第一车辆，以及获取闸机的位置和第一车辆的位置。
67.可选地，分别对多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置。一种可实现的方式为，将每张环境图像输入已经训练完成的障碍物检测模型中，得到每张环境图像包含的障碍物以及障碍物位置。
68.在上述实施例中，根据目标障碍物以及目标障碍物的位置，对多张环境图像进行
拼接，得到目标拼接图像。一种可实现的方式为，针对目标图像，根据其他环境图像包含的目标障碍物的位置，将其他环境图像包含的目标障碍物拼接在目标图像上，得到目标拼接图像；其中，目标图像为多张环境图像中的任意一张环境图像，其他环境图像为多张环境图像中的除目标图像外的环境图像。
69.例如，针对连续3帧环境图像，以第1帧环境图像为目标图像；根据另外两帧环境图像包含的闸机和第一车辆的位置，将另外两帧环境图像包含的闸机和第一车辆拼接在目标图像上，得到目标拼接图像。
70.在上述实施例中，将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果。需要说明的是，目标障碍物的分类结果包括动态障碍物和静态障碍物。
71.例如，将目标拼接图像输入已经训练完成的物体分类模型中，得到闸机为静态障碍物、第一车辆为动态障碍物的分类结果。
72.在使用物体分类模型之前，对物体分类模型的训练过程作出说明：
73.制作测试样本集和训练样本集；
74.首先，收集大量样本车辆在行驶过程中的多张历史样本环境图像，尽可能的收集多种类型的车辆和多种环境下的历史样本环境图像，以提升样本覆盖率。将多张历史样本环境图像进行分组，得到多个环境图像分组，每个环境图像分组包括多张图像；对每个环境图像分组进行拼接，得到多张样本拼接图像。接着，对其中一部分样本拼接图像进行障碍物标注，得到多张样本拼接图像中的样本障碍物、样本障碍物的位置以及样本障碍物的类型和多张样本拼接图像，作为训练样本集；另一部分未标注的样本拼接图像，作为测试样本集。
75.其中，针对目标样本图像，根据每个环境图像分组中的车辆的位置，将其他样本环境图像与目标样本图像进行拼接，得到多张样本拼接图像；其中，目标样本图像为每个环境图像分组中的任意一张样本环境图像，其他样本环境图像为每个环境图像分组中的除目标样本图像外的样本环境图像。
76.初始模型的搭建。
77.选择合适的分类模型，例如，逻辑回归模型，决策树模型，支持向量机模型和朴素贝叶斯模型。
78.利用训练样本集，对初始模型的网络参数进行训练，得到物体分类模型。
79.将多张样本拼接图像和多张样本拼接图像中的样本障碍物、样本障碍物的位置以及样本障碍物的类型输入初始模型。在初始模型内部，根据初始模型的网络参数对样本障碍物的分类进行计算等操作，并初始模型的输出层输出样本障碍物的分类结果。接，初始模型的损失函数层，可根据输出层输出的分类结果与样本障碍物的真实类型的差别，计算损失函数。若损失函数不满足设定的要求，则可调整模型参数，继续迭代训练。当初始模型的损失函数满足设定的要求时，可得到训练完成后的物体分类模型。
80.在上述实施例中，车辆在得到目标障碍物的分类结果后，控制车辆自动驾驶。
81.结合上述各实施例的描述，图2为本公开示例性实施例提供的另一种图像处理方法的流程示意图。如图2所示，该图像处理方法包括：
82.s201：获取车辆自动驾驶过程中的多张环境图像；
83.s202：分别对多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置；
84.s203：从多张环境图像包含的所有障碍物中，选择出共同存在于每张环境图像的目标障碍物以及目标障碍物的位置；
85.s204：根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；
86.s205：将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果。
87.在本实施例中，上述方法的执行主体为车辆。本公开实施例对车辆的类型不作限定，车辆包括但不限于以下任意一种：电动车辆、油动力车辆、油电混合动力车辆、氢能源车辆、新能源与油动力混合动力车辆等。
88.在本实施例中，上述方法的各步骤可参见前述各实施例中的相应部分的描述，同时可取得相应的有益技术效果，在此不再赘述。
89.结合上述各实施例的描述，图3为本公开示例性实施例提供的另一种图像处理方法的流程示意图。如图3所示，该图像处理方法包括：
90.s301：获取车辆自动驾驶过程中的多张环境图像；
91.s302：对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；
92.s303：根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；
93.s304：将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果；
94.s305：根据目标障碍物的分类结果，控制车辆自动驾驶。
95.在本实施例中，上述方法的执行主体为车辆。本公开实施例对车辆的类型不作限定，车辆包括但不限于以下任意一种：电动车辆、油动力车辆、油电混合动力车辆、氢能源车辆、新能源与油动力混合动力车辆等。
96.在本实施例中，上述方法的各步骤可参见前述各实施例中的相应部分的描述，同时可取得相应的有益技术效果，在此不再赘述。
97.在本公开的上述方法实施例中，获取车辆自动驾驶过程中的多张环境图像；对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果，利用目标拼接图像和物体分类模型进行障碍物分类，提高障碍物的分类精度。
98.图4为本公开示例性实施例提供的一种图像处理装置40的结构示意图。如图4所示，该图像处理装置40包括：获取模块41，检测模块42，拼接模块43和分类模型模块44。
99.其中，获取模块41，用于获取车辆自动驾驶过程中的多张环境图像；
100.检测模块42，用于对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；
101.拼接模块43，用于根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；
102.分类模型模块44，用于将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果。
103.可选地，检测模块42在对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置时，用于：
104.分别对多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置；
105.从多张环境图像包含的所有障碍物中，选择出共同存在于每张环境图像的目标障碍物以及目标障碍物的位置。
106.可选地，检测模块42在分别对多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置时，用于：
107.将每张环境图像输入已经训练完成的障碍物检测模型中，得到每张环境图像包含的障碍物以及障碍物位置。
108.可选地，拼接模块43在根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像时，用于：
109.针对目标图像，根据其他环境图像包含的目标障碍物的位置，将其他环境图像包含的目标障碍物拼接在目标图像上，得到目标拼接图像；
110.其中，目标图像为多张环境图像中的任意一张环境图像，其他环境图像为多张环境图像中的除目标图像外的环境图像。
111.可选地，分类模型模块44在使用物体分类模型之前，还可用于：
112.收集样本车辆在行驶过程中的多张历史样本环境图像；
113.将多张历史样本环境图像进行分组，得到多个环境图像分组，每个环境图像分组包括多张图像；
114.对每个环境图像分组进行拼接，得到多张样本拼接图像；
115.对多张样本拼接图像进行障碍物标注，得到多张样本拼接图像中的样本障碍物、样本障碍物的位置以及样本障碍物的类型；
116.根据多张样本拼接图像和多张样本拼接图像中的样本障碍物、样本障碍物的位置以及样本障碍物的类型，对初始模型进行训练，得到物体分类模型。
117.可选地，分类模型模块44在对每个环境图像分组进行拼接，得到多张样本拼接图像时，用于：
118.针对目标样本图像，根据每个环境图像分组中的车辆的位置，将其他样本环境图像与目标样本图像进行拼接，得到多张样本拼接图像；
119.其中，目标样本图像为每个环境图像分组中的任意一张样本环境图像，其他样本环境图像为每个环境图像分组中的除目标样本图像外的样本环境图像。
120.可选地，分类模型模块44在将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果之后，还可用于：
121.根据目标障碍物的分类结果，控制车辆自动驾驶。
122.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法
的实施例中进行了详细描述，此处将不做详细阐述说明。
123.图5为本公开示例性实施例提供的一种车辆50的结构示意图。如图5所示，车辆50包括：存储器51和处理器52。另外，车辆还包括电源组件53和通信组件54。
124.存储器51，用于存储计算机程序，并可被配置为存储其它各种数据以支持在用户终端上的操作。这些数据的示例包括用于在用户终端上操作的任何应用程序或方法的指令。
125.存储器51，可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
126.通信组件54，用于与其他设备进行数据传输。
127.处理器52，可执行存储器51中存储的计算机指令，以用于：获取车辆自动驾驶过程中的多张环境图像；
128.对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；
129.根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；
130.将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果。
131.可选地，处理器52在对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障碍物以及目标障碍物的位置时，用于：
132.分别对多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置；
133.从多张环境图像包含的所有障碍物中，选择出共同存在于每张环境图像的目标障碍物以及目标障碍物的位置。
134.可选地，处理器52在分别对多张环境图像中的每张环境图像进行障碍物检测，得到每张环境图像包含的障碍物以及障碍物位置时，用于：
135.将每张环境图像输入已经训练完成的障碍物检测模型中，得到每张环境图像包含的障碍物以及障碍物位置。
136.可选地，处理器52在根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像时，用于：
137.针对目标图像，根据其他环境图像包含的目标障碍物的位置，将其他环境图像包含的目标障碍物拼接在目标图像上，得到目标拼接图像；
138.其中，目标图像为多张环境图像中的任意一张环境图像，其他环境图像为多张环境图像中的除目标图像外的环境图像。
139.可选地，处理器52在使用物体分类模型之前，还可用于：
140.收集样本车辆在行驶过程中的多张历史样本环境图像；
141.将多张历史样本环境图像进行分组，得到多个环境图像分组，每个环境图像分组包括多张图像；
142.对每个环境图像分组进行拼接，得到多张样本拼接图像；
143.对多张样本拼接图像进行障碍物标注，得到多张样本拼接图像中的样本障碍物、样本障碍物的位置以及样本障碍物的类型；
144.根据多张样本拼接图像和多张样本拼接图像中的样本障碍物、样本障碍物的位置以及样本障碍物的类型，对初始模型进行训练，得到物体分类模型。
145.可选地，处理器52在对每个环境图像分组进行拼接，得到多张样本拼接图像时，用于：
146.针对目标样本图像，根据每个环境图像分组中的车辆的位置，将其他样本环境图像与目标样本图像进行拼接，得到多张样本拼接图像；
147.其中，目标样本图像为每个环境图像分组中的任意一张样本环境图像，其他样本环境图像为每个环境图像分组中的除目标样本图像外的样本环境图像。
148.可选地，处理器52在将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果之后，还可用于：
149.根据目标障碍物的分类结果，控制车辆自动驾驶。
150.相应地，本公开实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序，且计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行图1方法实施例中的各步骤。
151.相应地，本公开实施例还提供一种计算机程序产品，计算机程序产品包括计算机程序/指令，计算机程序/指令被处理器执行图1的方法实施例中的各步骤。
152.上述图5中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g、3g、4g/lte、5g等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
153.上述图5中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
154.上述车辆还可以包括显示屏和音频组件。
155.显示屏包括屏幕，其屏幕可以包括液晶显示屏(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。
156.音频组件，可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(mic)，当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。
157.在本公开的上述装置、车辆、存储介质和程序产品实施例中，获取车辆自动驾驶过程中的多张环境图像；对多张环境图像进行障碍物检测，得到多张环境图像包含的目标障
碍物以及目标障碍物的位置，其中，目标障碍物共同存在于多张环境图像中；根据目标障碍物以及目标障碍物的位置，对多张环境图像进行拼接，得到目标拼接图像；将目标拼接图像输入已经训练完成的物体分类模型中，得到目标障碍物的分类结果，利用目标拼接图像和物体分类模型进行障碍物分类，提高障碍物的分类精度。
158.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
159.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
160.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
161.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
162.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
163.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
164.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
165.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在
涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
166.以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。