路况气候深度学习及识别方法和装置的制造方法
【技术领域】
[0001]本发明属于路况气候识别领域，涉及一种对于路况气候识别的方法和装置。
【背景技术】
[0002]近年来4G车联网引起了许多汽车企业与科技公司的重视，使得众多科研机构与企业研发中心都投入巨大的精力来研发相关产品。尤其在汽车的辅助驾驶与车载娱乐方面，更是吸引了一大批初创公司与科研人员的青睐。目前依托4G车联网，可以将车载传感器采集得到的信息传给远程的服务器端处理，这样降低了车载终端的处理压力，同时可以实时地从服务端获取其他有用信息给车载终端，以帮助驾驶人员更安全便利地享受驾驶的乐趣。但是，目前的汽车辅助驾驶或主动驾驶乃至无人驾驶中，还不能很好的分辨路况气候信息(雨天路况、雪天路况、晴天路况、夜晚路况等)，这样使得在不同路况气候下的辅助驾驶或主动驾驶等都存在一定的风险。
【发明内容】
[0003]为了解决快速、高精度对路况气候的识别问题，本发明提出了一种路况气候深度学习及识别方法和装置，可实现云端学习、终端识别的快速、高精度识别效果。
[0004]为了实现上述目的，本发明的技术方案是:一种路况气候深度学习及识别方法，包括:
[0005]S1.车载视觉传感器采集路况气候场景图像，并将图像数据发送至云端服务器；
[0006]S2.云端服务器将接收的路况气候场景图像数据分发给CNNs学习模型，训练得到深度图像特征分类器；
[0007]S3.深度图像特征分类器发送至车载识别终端以识别车载视觉传感器新采集到的路况气候场景图像所反应的路况气候场景。
[0008]进一步的，所述方法还包括:
[0009]S4.车载识别终端场景识别失败，则将车载视觉传感器当前采集的路况气候场景图像数据标记并传输至云端服务器，云端服务器将接收的路况气候场景图像数据分发给CNNs学习模型，训练得到新的深度图像特征分类器，该新的深度图像特征分类器发送至车载识别终端并替换在先深度图像特征分类器。
[0010]进一步的，所述的各数据的传输使用车联网4G通信模块实现。
[0011 ]进一步的，车载识别终端识别出当前路况气候，则将识别信息发送至控制终端，由控制终端提示车主当前路况气候。
[0012]进一步的，所述提示可为语音提示、屏幕显示提示中的任意种或其组合。
[0013]进一步的，所述的路况气候包括雨天、雪天、晴天、黑天种的任意种或其组合。
[0014]本发明还涉及一种路况气候深度学习及识别装置，包括:车载视觉传感器，其采集路况气候场景图像，并将图像数据发送至云端服务器;所述云端服务器将接收的路况气候场景图像数据分发给CNNs学习模型，训练得到深度图像特征分类器;所述深度图像特征分类器被发送至车载识别终端以识别车载视觉传感器新采集到的路况气候场景图像所反应的路况气候场景。
[0015]进一步的，所述系统中的车载识别终端场景识别失败，则将车载视觉传感器当前采集的路况气候场景图像数据标记并传输至云端服务器，云端服务器将接收的路况气候场景图像数据分发给CNNs学习模型，训练得到新的深度图像特征分类器，该新的深度图像特征分类器发送至车载识别终端并替换在先深度图像特征分类器。
[0016]进一步的，所述的各数据的传输使用车联网4G通信模块实现。
[0017]进一步的，车载识别终端识别出当前路况气候，则将识别信息发送至控制终端，由控制终端提示车主当前路况气候。
[0018]有益效果:本发明实现了车载拍摄的气候场景图像的学习与训练，并得到深度图像特征分类器，其应用于车载识别终端，直接对路况气候场景识别，即实现了一种云端学习，终端识别的学习与识别路况气候的模式，该种模式降低了车载终端终端的数据处理压力，且得到了一种便捷、快速和高精度的识别方法。其高精度的识别效果来自于使用CNNs学习训练深度图像特征分类器，而将深度图像特征分类器发送至终端，在终端直接识别，则产生了便捷和快速的优点。
【附图说明】
[0019]图1为本发明实施例6中的学习方法的流程图；
[0020]图2为本发明实施例6中的识别方法的流程图。
【具体实施方式】
[0021]实施例1:一种路况气候深度学习及识别方法，包括:S1.车载视觉传感器采集路况气候场景图像，并将图像数据发送至云端服务器;S2.云端服务器将接收的路况气候场景图像数据分发给CNNs学习模型，进行分布式并行计算，训练得到深度图像特征分类器，由于车载视觉传感器传给云端服务器的数据量非常大，普通的服务器很难具备这样的计算能力，所以需要许多服务器联合起来，也就是进行分布式并行计算，从而解决数据量过大难以计算的问题。S3.深度图像特征分类器发送至车载识别终端以识别车载视觉传感器新采集到的路况气候场景图像所反应的路况气候场景。所述的路况气候优选包括雨天、雪天、晴天、黑天种的任意种或其组合，还可以是其它本领域技术人员可列举或可由训练识别的路况气候。
[0022]该技术方案中，实现了车载拍摄的气候场景图像的学习与训练，并得到深度图像特征分类器，其应用于车载识别终端，直接对路况气候场景识别，即实现了一种云端学习，终端识别的学习与识别路况气候的模式，该种模式降低了车载终端终端的数据处理压力，且得到了一种便捷、快速和高精度的识别方法。其高精度的识别效果来自于使用CNNs学习训练深度图像特征分类器，而将深度图像特征分类器发送至终端，在终端直接识别，则产生了便捷和快速的优点。
[0023]实施例2:具有与实施例1相同的技术方案，更为具体的是:所述方法还包括:S4.车载识别终端场景识别失败，则将车载视觉传感器当前采集的路况气候场景图像数据标记并传输至云端服务器，云端服务器将接收的路况气候场景图像数据分发给CNNs学习模型，训练得到新的深度图像特征分类器，该新的深度图像特征分类器发送至车载识别终端并替换在先深度图像特征分类器。
[0024]该种技术方案，使得学习与识别处于交替且不间断的状态，实时更新深度训练分类器，逐步强化分类器可识别的路况场景数量与能力，将海量车辆路况图像采集作为持续学习的来源，实时将识别作为一种学习的数据支持，使得该方法的实现，可以持续更新，并不断完善。
[0025]此外，当车载终端的深度图像特征分类器具有很高的识别能力时，还可相应地减少给云端服务器传送数据的比例。相交于现有的实时要么完全依靠云端服务器或者完全依靠车载终端实现的学习与识别的方法，该手段在数据传输、学习精度、识别速度方法均具有突出的效果。
[0026]作为实施例1和2的优选技术方案，所述的各数据的传输使用车联网4G通信模块实现。还可以由其它通讯手段实现数据传输。
[0027]该技术方案中对数据传输方式进行了进一步限定，4G车联网给车辆的所带来的通信便利非常可观，使用该种技术手段实现，以配合学习和识别步骤，在传输速度和识别速度上，都具有了一定的保障。而4G技术与云计算的协同配合，使得自动驾驶、辅助驾驶、主动驾驶的改进具有了进一步的技术支持，而本技术方案可以解决对于路况气候的高精度、快速识别，特别为自动驾驶提供了基础数据支持，比如，识别出路况场景时，自动驾驶中会依此制定或改变驾驶策略。
[0028]实施例3:具有与实施例1或2相同的技术方案，更为具体的是:车载识别终端识别出当前路况气候，则将识别信息发送至控制终端，由控制终端提示车主当前路况气候。其一优选方案是:所述提示可为语音提示、屏幕显示提示中的任意种或其组合。该种技术方案的实现，使得对于司机可给予提示，便于司机主动掌握当前行驶过程中的路况实时气候，指定相应的行车安排与策略。
[0029]实施例4:一种路况气候深度学习及识别装置，包括车载视觉传感器，其采集路况气候场景图像，并将图像数据发送至云端服务器;深度学习与训练单元，云端服务器将接收的路况气候场景图像数据分发给CNNs学习模型，进行分布式并行计算，分布式并行计算的目的是增强计算能力并提高计算速