盲区确定方法、装置、电子设备、存储介质及程序产品

盲区确定方法、装置、电子设备、存储介质及程序产品实质审查发明

技术领域

[0001] 本申请中涉及安全驾驶技术领域，尤其是一种盲区确定方法、装置、电子设备、存储介质及程序产品。

具体实施方式

[0049] 下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

[0050] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的效果，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

[0051] 在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

[0052] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0053] 在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

[0054] 下面结合图1‑图9来描述根据本申请示例性实施方式的用于进行盲区确定方法。需要注意的是，下述应用场景仅是为了便于理解本申请实施例的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。

[0055] 本申请实施例公开的电子设备可以为一个或多个计算设备，也可以为一个服务器或由多个服务器所组成的服务器集群。

[0056] 由于驾驶用户面临的驾驶场景通常比较复杂，例如经常会驾驶到山地、丘陵地区等地形场景下。可以理解的，这些地势较为复杂的地形经常多见傍山弯道，而对于这些弯道路段，通常存在较大的弯道盲区区域。

[0057] 相关技术中，常通过弯道曲率来确定盲区，具体地，将曲率较大的弯道路段确定为弯道盲区。例如，图1示出了本申请一实施例所提供的一种弯道路段的示意图。如图1所示，该弯道路段包含多个曲率较大的弯道。但是，在真实的弯道场景中，常常存在曲率较小但依然存在视野盲区的弯道路段，而通过相关技术则无法确定出该种场景下是否存在盲区。如图2和图3所示，为相关技术中存在的，一些曲率相对较低的弯道路段。其中，图2为曲率相对较低但不存在盲区视野的弯道路段，而图3则为曲率相对较低但存在盲区视野的弯道路段(因为存在山体的遮挡)。可以理解的，如果只基于比较曲率大小的方式确定盲区，则无法确定图3所示盲区。

[0058] 其中，曲率是指曲线在某一点处的弯曲程度；曲率越大，表示该点处的曲线弯曲的程度越大；曲率越小，表示该点处的曲线弯曲程度越小。

[0059] 因此，为了解决相关技术中确定盲区的准确率不高的问题，本申请实施例提供了一种盲区确定方法、装置、电子设备、存储介质及程序产品。

[0060] 图4示意性地示出了根据本申请实施方式的一种盲区确定方法的流程示意图。如图4所示，该方法包括：

[0061] S101，从路段集合中选取出路段曲率小于预设曲率值的路段作为弯道路段。

[0062] 一种方式中，本申请实施例中可以从路段集合中选取曲率相对较小的路段，作为弯道路段。其中，曲率相对较小是指小于预设曲率值，预设曲率值可以为8％或6％，当然并不局限于此。

[0063] 其中，该路段集合可以是预先测绘得到的路段的集合。路段集合中路段的路段曲率是已知的，或者是可以通过计算获得的，这都是合理的。

[0064] 路段曲率用于描述该路段的弯曲程度。可以理解的，一个路段曲率(绝对值)越大，代表该路段的弯曲程度(向左弯曲或向右弯曲)越高。

[0065] 作为示例的，本申请实施例中的路段曲率可以通过如下公式得到：

[0066] 路段曲率＝(2*s in(A0))/L；其中，A0是路段中两个相邻切线的夹角，L是弯道路段中两个切线之间的直线距离。

[0067] 具体地，步骤S101可以包括如下步骤：

[0068] 获取路段集合中目标路段的各个目标坐标点；对各个目标坐标点进行拟合，得到所述目标路段对应的多个目标圆弧；计算所述多个目标圆弧对应的曲率圆，及所述曲率圆对应的曲率半径；基于所述曲率半径计算曲率值；将曲率值小于预设曲率值的目标路段作为弯道路段。

[0069] 其中，可以通过如下方式获得目标路段对应的目标圆弧：以图6为例，A、B、C为目标路段中的3个坐标点，本申请实施例可以利用圆弧拟合算法，将该3个坐标点进行拟合，以得到拟合后的目标圆弧。

[0070] 一种方式中，本申请实施例可以据此确定圆弧的圆心K,并计算弯道路段各坐标点所在位置的近似曲率半径值。具体为：

[0071] 分别计算K与坐标点A之间的曲率半径a、K与坐标点B之间的曲率半径b、I与坐标点C之间的曲率半径c。其中，K为圆弧的圆心。

[0072] 可以理解的，由于一个弯道路段的转弯幅度越大，其曲率就越大，因此其对应坐标点的曲率半径就越小。因此本申请实施例可以通过a、b、c之间的曲率半径值，来计算得到目标路段的曲率，当该曲率小于预设曲率值时，将该目标路段确定为弯道路段。

[0073] 另一种方式中，本申请实施例中的弯道路段集合也可以为曲率相对较小且转向角度较小(即曲率小于预设曲率值，且路段转向角度小于预设转向值)的弯道路段。

[0074] 其中，路段转向角度是指道路在某一路段转弯时，从道路的前进方向到转弯后的新方向之间的夹角。这个角度可以用来描述转弯的急缓程度，对于驾驶者、行人以及道路设计者来说都是一个重要的参考指标。

[0075] 这样，通过上述方式，可以先基于路段曲率从众多的道路中筛选出弯道路段，减少后续确定路段是否存在盲区的数据处理量。

[0076] S102，获取在弯道路段行驶的多辆车辆的行驶数据。

[0077] 其中，本申请实施例中的每一个弯道路段关联有对应的一个或多个行驶数据。其中每个行驶数据可以包括一个或多个驾驶用户历史时段在该弯道路段进行行驶时所生成的数据。

[0078] 作为示例的，行驶数据用于表征车辆行驶在对应弯道路段中的行驶状态。其中，行驶数据可以包括如下内容中的一种或多种：行驶速度、减速幅度、平均行驶速度和行驶时长。具体地，在一种方式中，行驶数据可以包括行驶速度和减速幅度；在另一种方式中，行驶数据可以包括行驶速度或减速幅度；在又一种方式中，行驶数据可以包括：平均行驶速度和行驶时长。

[0079] 其中，行驶数据可以为不同车辆类型的驾驶用户，历史时段在该弯道路段行驶时所生成的行驶数据。其中，车辆类型可以包括大小卡车、大小客车、轿车、非机动车等等。

[0080] 当然，行驶数据可以为不同性别的驾驶用户，历史时段在该弯道路段行驶时所生成的行驶数据。

[0081] S103，基于弯道路段对应的行驶数据以及路段属性数据，确定弯道路段的弯道得分。

[0082] 本申请实施例可以基于历史时段中，各个车辆在各个弯道路段行驶时所生成的行驶数据，以及用于表征对应弯道路段的通行状态的路段属性数据来共同判定该弯道路段是否为存在盲区。

[0083] 其中，路段属性数据可以包括弯道路段的曲率、路段转向角度、路段宽度、路段铺设程度、路段等级、路段通车量等等。而路段的通行状态则用于反映该路段具备的，在单位时间内能够承受的通行车辆数量。

[0084] 可以理解的，路段的曲率、路段转向角度、路段宽度、路段铺设程度、路段等级、路段通车量等都会决定该路段在单位时间内所能够承受的通行车辆数量。

[0085] 一种方式中，由于路段的通行状态也会影响驾驶用户的行驶状态。因此本申请实施例可以结合行驶数据与路段属性数据，共同从弯道路段集合中确定出弯道路段的行驶状态，并以此确定出各个弯道的弯道得分。

[0086] 可以理解的，例如当路段宽度过窄，那么即便弯道路段没有视野盲区也会降低速度进行行驶。又或，例如当路段铺设程度过坎坷，那么即便弯道路段没有视野盲区也会降低速度进行行驶。又或，例如路段宽度和铺设程度等属性都位于正常范围，且在该正常范围内驾驶用户的行驶速度应该在一个区间内，但是实际驾驶用户的行驶速度远低于该区间，那么该弯道路段很可能存在视野盲区。

[0087] 因此，如图5所示，本申请实施例通过引入路段属性数据和行驶数据，其中路段属性数据包括如下内容中的一项或多项：曲率值、路段转向角度、路段宽度、路段铺设程度、路段等级和路段通车量。行驶数据包括如下内容中的一项或多项：行驶速度和减速幅度；对各个弯道路段进行了统一打分，并将其中得分较高的弯道路段确定为存在盲区的弯道路段。

[0088] 可以理解的是，技术人员可以构建预设映射表，该预设映射表记录了：预设行驶数据、预设路段属性数据与预设弯道得分之间的映射关系。例如，路段宽度和铺设程度等属性都位于正常范围，且在该正常范围内驾驶用户的行驶速度应该在一个区间内，但是实际驾驶用户的行驶速度远低于该区间，那么该弯道路段很可能存在视野盲区，此时在预设映射表中给该弯道分配一个比较高的弯道得分。

[0089] 本申请实施例的弯道得分用于反映该弯道存在盲区路段的可能性。作为示例的，本申请实施例可以在根据车辆的行驶数据以及路段属性数据检测出车辆在某一时刻的行驶状态相较于前一刻，车辆的速度衰减程度较大时，或检测出车辆在某一时段以极低行驶速度在弯道行进时，确定该弯道的存在盲区路段的可能性较大(因为当一个弯道路段的两侧存在山区、灯杆等伫立物而导致驾驶用户感受到一段视野盲区时，其在位于视野盲区的路段行驶时很有可能会进行减速驾驶或以极低的速率行驶)，因此也就代表其对应的弯道得分较高。

[0090] S104，当弯道得分大于预设弯道得分时，确定弯道路段为弯道盲区。

[0091] 一种方式中，如果一个弯道路段的弯道得分较高，那么本申请实施例即可认定其具有盲区。

[0092] 综上，本申请实施例的技术方案为，可以首先从全路段弯路集合中选取出曲率值较低的弯道路段集合，并基于多辆车辆在该各个弯道路段的行驶数据及相应弯道路段的属性数据，确定各车辆在相应弯道路段的弯道得分。由于任一车辆在任一弯道路段的行驶数据，可以表征该车辆在该弯道路段的行驶状态，而该弯道路段的属性数据可以表征该弯道路段上车辆的通行状态，那么，多辆车辆在该弯道路段的弯道得分，可以反映该弯道路段上行驶的各车辆的状态，从而可以表征该弯道路段存在盲区路段的可能性。基于此，本申请中，若弯道得分大于预设弯道得分，说明所述弯道路段存在盲区路段的可能性较高，则可以确定所述弯道路段为弯道盲区。这样一来，针对那些曲率较低的弯道路段，可以有效的筛选出其中存在视野盲区的弯道路段。

[0093] 上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，本文不再赘述。

[0094] 通过应用本申请实施例的技术方案，可以避免相关技术中，任务平台在筛选曲率较小的弯道路段时，只能通过人工辨别的方式来确定其是否存在视野盲区的路段而导致的弯道盲区确认不准确的问题。

[0095] 当然，也可以间接确定各个驾驶用户在盲区路段的驾驶习惯，进而可以针对性为不同驾驶用户制定不同的盲区提醒策略。

[0096] 可选地，本申请实施例在检测到当弯道得分大于预设弯道得分时，确定弯道路段为弯道盲区的过程中，可以包括如下步骤：

[0097] 获得弯道路段对应的路段图片；路段图片包括：车辆行驶于弯道路段时拍摄的图片，和/或，卫星所采集的弯道路段的卫星图片；

[0098] 对路段图片进行遮挡物识别并计算遮挡率；

[0099] 当弯道得分大于预设弯道得分且遮挡率大于预设遮挡率时，确定弯道路段为弯道盲区。

[0100] 可以理解的，为了进一步确定弯道短路是否存在盲区，还可以获得弯道路段对应的路段图片。然后基于该路段图片，识别遮挡物并计算遮挡率。当弯道路段的遮挡率较大时，其存在视野盲区的可能性便会随之增加。当遮挡率大于预设遮挡率且弯道得分大于预设弯道得分时，可以确定该弯道路段存在盲区。在该种实现方式中，结合多个维度来确定弯道路段是否存在盲区，使得确定结果更加准确。

[0101] 本申请实施例在得到用于表征候选弯道路段中是否存在有障碍物的路段图片之后，还可以利用预设的图像检测模型，来识别路段图片中的障碍物特征。并基于识别得到的识别结果，计算出各个弯道路段中的遮挡率。一种方式中，障碍物特征越大，其遮挡率便越高。

[0102] 这样一来，针对遮挡率较高的弯道路段，能够相对准确的确定该弯道路段是否存在盲区路段。

[0103] 其中，本申请不对图像检测模型做具体限定。例如可以为卷积神经网络(Convo l ut i ona l Neura l Networks,CNN)。

[0104] 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neura l Networks，FNN)，是深度学习的代表算法之一。卷积神经网络具有表征学习(representat i on l earn i ng)能力，能够按其层级结构对输入信息进行平移不变分类。得益于CNN(卷积神经网络)对图像的强大特征表征能力，其在图像分类、目标检测、语义分割等领域都取得了令人瞩目的效果。

[0105] 进一步的，本申请可以使用CNN神经网络模型来识别路段图片中，弯道路段两侧的路侧图像信息，进而对该路侧图像信息进行障碍物的特征识别，以确定各个弯道路段中是否存在障碍物，以及障碍物的大小。

[0106] 作为示例的，本申请实施例可以将该路侧图像信息输入至预设的卷积神经网络模型中，并将卷积神经网络模型最后一层全连接层(fu l l y connected l ayer，FC)的输出作为对该路侧图像信息对应的障碍物特征数据的识别结果。

[0107] 作为一种示例的，路段图片可以为利用汽车在行驶过程中所拍摄的照片。本申请实施例中可以通过路段图片来识别弯道两旁的各种遮挡物，并以此确定弯道路段的视野状况。

[0108] 作为另一种示例的，本申请实施例可以利用高清卫星图片，来识别卫星图片中弯道路段两侧的山体、树木、楼宇等大型遮挡物，并以此确定弯道路段的视野状况。

[0109] 通过应用本申请实施例的技术方案，从全路段弯路集合中选取出曲率值较低的弯道路段集合后，可以基于多辆车辆在该各个弯道路段的行驶数据及相应弯道路段的属性数据，确定各车辆在相应弯道路段的弯道得分。由于车辆在任一弯道路段的弯道得分可以表征该弯道路段存在盲区路段的可能性，基于此，本申请中，当弯道得分大于预设弯道得分时，可以确定所述弯道路段为弯道盲区。这样一来，针对那些曲率较低的弯道路段，可以有效的筛选出其中存在视野盲区的弯道路段。

[0110] 本申请的技术方案，一方面，针对任一选出的曲率值较低的弯道路段，计算多辆车辆在该弯道路段的弯道得分，弯道得分可以表征该弯道路段存在盲区路段的可能性，从而在弯道得分大于预设弯道得分的情况下，确定弯道路段为弯道盲区，为确定曲率较低的弯道路段是否存在盲区路段，提供了有效的筛选机制。另一方面，基于驾驶用户的行驶数据来推测各个弯道路段是否存在视野盲区的技术方案，也可以间接确定各个驾驶用户在盲区路段的驾驶习惯，进而可以针对性为不同用户制定不同的盲区提醒策略。

[0111] 上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，本文不再赘述。

[0112] 可选的，在本申请的另外一种实施方式中，如图7所示，本申请还提供一种盲区确定装置。其中包括：

[0113] 获取模块201，被配置为从路段集合中选取出路段曲率小于预设曲率值的路段作为弯道路段；

[0114] 选取模块202，被配置为获取在所述弯道路段行驶的多辆车辆的行驶数据；

[0115] 确定模块203，被配置为基于所述弯道路段对应的行驶数据以及路段属性数据，确定所述弯道路段的弯道得分；

[0116] 所述确定模块203，被配置为当所述弯道得分大于预设弯道得分时，确定所述弯道路段为弯道盲。

[0117] 通过应用本申请实施例的技术方案，可以首先从全路段弯路集合中选取出曲率值较低的弯道路段集合，并基于车辆在该各个弯道路段的行驶数据，确定各车辆在该弯道路段的驾驶轨迹是否符合驾驶用户在盲区路段中进行驾驶而生成的轨迹，并据此确定各个曲率值较低的弯道路段是否存在有盲区路段。

[0118] 在本申请的另外一种实施方式中，选取模块202，被配置为：

[0119] 获得所述弯道路段对应的路段图片；所述路段图片包括：车辆行驶于所述弯道路段时拍摄的图片，和/或，卫星所采集的所述弯道路段的卫星图片；

[0120] 对所述路段图片进行遮挡物识别并计算遮挡率；

[0121] 当所述弯道得分大于预设弯道得分且所述遮挡率大于预设遮挡率时，确定所述弯道路段为弯道盲区。

[0122] 在本申请的另外一种实施方式中，选取模块202，被配置为：

[0123] 所述行驶数据包括如下内容中的一项或多项：行驶速度和减速幅度；所述路段属性数据包括如下内容中的一项或多项：曲率值、路段转向角度、路段宽度、路段铺设程度、路段等级和路段通车量。

[0124] 在本申请的另外一种实施方式中，选取模块202，被配置为：

[0125] 利用所述行驶数据及路段属性数据与预设映射表进行匹配，获得弯道路段的弯道得分；所述预设映射表记录了：预设行驶数据、预设路段属性数据与预设弯道得分之间的映射关系。

[0126] 在本申请的另外一种实施方式中，选取模块202，被配置为：

[0127] 从路段集合中选取出路段曲率小于预设曲率值且路段转向角度小于预设转向角度的路段，作为弯道路段。

[0128] 在本申请的另外一种实施方式中，选取模块202，被配置为：

[0129] 获取路段集合中目标路段的各个目标坐标点；

[0130] 对各个目标坐标点进行拟合，得到所述目标路段对应的多个目标圆弧；

[0131] 计算所述多个目标圆弧对应的曲率圆，及所述曲率圆对应的曲率半径；

[0132] 基于所述曲率半径计算曲率值；

[0133] 将曲率值小于预设曲率值的目标路段作为弯道路段。

[0134] 上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，本文不再赘述。

[0135] 本申请实施方式还提供一种电子设备，以执行上述盲区确定方法。请参考图8，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图8所示，电子设备3包括：处理器300，存储器301，总线302和通信接口303，所述处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述处理器300上运行的计算机程序，所述处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的盲区确定方法。

[0136] 其中，存储器301可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non‑vo l at i l e memory)，例如至少一个磁盘存储器。通过至少一个通信接口303(可以是有线或者无线)实现该装置网元与至少一个其它网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

[0137] 总线302可以是I SA总线、PC I总线或E I SA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述盲区确定方法可以应用于处理器300中，或者由处理器300实现。

[0138] 处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器300可以是通用处理器，包括处理器(Centra lProcess i ng Un it，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(AS I C)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。

[0139] 通过应用本申请实施例的技术方案，首先从全路段弯路集合中选取出曲率值较低的弯道路段集合，并基于多辆车辆在各个弯道路段的行驶数据及相应弯道路段的属性数据，确定各车辆在相应弯道路段的弯道得分。其中，车辆在任一弯道路段的弯道得分可以表征该弯道路段存在盲区路段的可能性，基于此，本申请中，当弯道得分大于预设弯道得分时，可以确定所述弯道路段为弯道盲区。这样一来，针对那些曲率较低的弯道路段，可以有效的筛选出其中存在视野盲区的弯道路段。

[0140] 本申请实施例提供的电子设备与本申请实施例提供的盲区确定方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

[0141] 上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，本文不再赘述。

[0142] 本申请实施方式还提供一种与前述实施方式所提供的盲区确定方法对应的计算机可读存储介质，请参考图9，其示出的计算机可读存储介质为光盘40，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的盲区确定方法。

[0143] 需要说明的是，所述计算机可读存储介质的例子还可以包括，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)、其它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)、快闪记忆体或其它光学、磁性存储介质，在此不再一一赘述。

[0144] 本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的盲区确定方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

[0145] 最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

查看完整全部详细技术资料

当前第1页第1页第2页第3页