[发明专利]基于深度学习的路况识别方法、装置、设备及存储介质

说明书

本发明公开了一种基于深度学习的路况识别方法、装置、设备及存储介质，所述方法包括：若车辆处于启动或者行驶状态，通过车辆的摄像头，实时采集车辆启动或者行驶过程中的路况监控视频，以获取所述路况监控视频的图像数据；将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以判断所述车辆启动或者行驶过程中是否存在危险路况；若所述车辆启动或者行驶过程中存在危险路况，则输出预设提醒信息以提醒所述车辆的驾驶员。本发明基于智能决策的方式解决现有技术中未有效进行车辆危险路况的识别以及提醒，导致交通意外概率过高的技术问题。

技术领域

本发明涉及车辆技术领域，尤其涉及一种基于深度学习的路况识别方法、装置、设备及存储介质。

背景技术

目前，在车辆启动或者行驶过程中，会遇到各式各样的危险路况，比如路标坍塌，行人过马路、动物在车底等等都是会影响车辆启动或者行驶安全的危险路况，在现有技术中，若出现路标坍塌，行人过马路、动物在车底等等危险路况时，往往是通过路边单元检测方式进行检测，而通过路边单元检测方式进行检测，由于视角的问题，存在检测的准确度以及有效性较低的技术问题。

发明内容

本发明的主要目的在于提供一种基于深度学习的路况识别方法、装置、设备及存储介质，旨在解决现有技术中车辆危险路况的检测存在准确度以及有效性低的技术问题。

为实现上述目的，本发明提供一种基于深度学习的路况识别方法，所述基于深度学习的路况识别方法包括：

若车辆处于启动或者行驶状态，通过车辆的摄像头，实时采集车辆启动或者行驶过程中的路况监控视频，以获取所述路况监控视频的图像数据；

将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以判断所述车辆启动或者行驶过程中是否存在危险路况；

若所述车辆启动或者行驶过程中存在危险路况，则输出预设提醒信息以提醒所述车辆的驾驶员。

可选地，所述基于深度学习的路况识别方法应用于基于深度学习的路况识别设备，所述基于深度学习的路况识别设备中包括cpu，所述将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以判断所述车辆启动或者行驶过程中是否存在危险路况步骤之前包括：

读取所述cpu的目标处理性能，根据预设的cpu的处理性能与图像数据中图像块的单次最大处理尺寸的关联关系，确定所述目标处理性能对应的目标处理尺寸；

根据所述目标处理尺寸对所述图像数据中的图像块进行切割处理，得到处理图像数据。可选地，所述将所述处理图像数据作为输入数据输入至预设三维卷积神经网络模型中，以判断所述车辆启动或者行驶过程中是否存在危险路况步骤包括：

将所述处理图像数据作为输入数据输入至预设三维卷积神经网络模型中，以对所述输入数据进行预设次数的卷积与池化交替处理，得到初始处理结果；

将所述初始处理结果与预设阀值进行比对，以判断所述车辆启动或者行驶过程中是否存在危险路况。

可选地，所述将所述处理图像数据作为输入数据输入至预设三维卷积神经网络模型中，以对所述输入数据进行预设次数的卷积与池化交替处理，得到初始处理结果步骤包括：

获取所述预设三维卷积神经网络模型中针对所述危险路况的多个识别因素，并从所述多个识别因素选取待处理识别因素；

针对每个待处理识别因素，执行如下步骤：

获取所述待处理识别因素的多个预设识别图像特征，以及所述多个预设识别图像特征分别对应的权值矩阵；

根据所述多个预设识别图像特征与所述权值矩阵，对所述处理图像数据进行滤波卷积处理，得到卷积处理结果；

对所述卷积处理结果进行池化处理，以得到池化处理结果；