车窗除雾方法、装置、电子设备及存储介质与流程

1.本发明涉及汽车电子技术领域，具体涉及一种车窗除雾方法、装置、电子设备及存储介质。


背景技术：

2.在温度比较寒冷的天气，因为车内温度与车外温度相差过大，汽车玻璃表面的饱和蒸汽压低于车内环境的蒸汽压，水汽就向玻璃表面聚集，以微小的水珠形式附着在车窗玻璃上，汽车车窗会发生起雾等状况。
3.然而，目前驾驶员一般通过自身经验手动调节车内空调，会出现使用错误的调节方式，进而导致调节后雾气越来越大，影响车辆安全行驶。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种车窗除雾方法、装置、电子设备及存储介质。
5.第一方面，本技术提供了一种车窗除雾方法，包括：
6.获取对至少一个车窗采集的车窗图像数据；
7.将各所述车窗图像数据输入神经网络模型，以使所述神经网络模型输出与各所述车窗图像数据对应的车窗起雾情况；
8.根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略；
9.控制目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。
10.可选地，所述神经网络模型包括：级联的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一反卷积层、第二反卷积层、全连接层及激活函数层；
11.所述输入层，用于输入所述车窗图像数据；
12.所述第一卷积层，用于第一卷积层用于提取所述车窗图像数据中的图像特征，得到第一车窗特征向量；
13.所述第一最大池化层，用于对所述第一车窗特征向量进行降维处理，得到第一车窗降维向量；
14.所述第二卷积层，用于提取所述第一车窗降维向量的图像特征，得到第二车窗特征向量；
15.所述第二最大池化层，用于对所述第二车窗特征向量进行降维处理，得到第二车窗降维向量；
16.所述第一反卷积层和所述第二反卷积层，用于对所述第二车窗降维向量进行反卷积处理，得到与所述车窗图像数据大小相同的车窗降维特征向量；
17.所述全连接层，用于将二维的所述车窗降维特征向量转化为一维的车窗降维特征向量；
18.所述激活函数层，用于将所述一维的车窗降维特征向量映射至预设数据区间。
19.可选地，根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略，包括：
20.根据各所述车窗起雾情况确定已经起雾的起雾车窗；
21.按照预设的车窗与除雾设备的对应关系，确定用于对所述起雾车窗进行除雾的目标除雾设备；
22.获取车辆的车辆行驶数据；
23.根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略。
24.可选地，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：
25.若根据所述车辆行驶数据确定所述车辆的行驶状态为行驶中，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；
26.或者，若根据所述车辆行驶数据确定所述车辆的行驶状态为未驶出，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。
27.可选地，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：
28.若根据所述车辆行驶数据确定所述车辆的目标行驶距离为短距离，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；
29.或者，若根据所述车辆行驶数据确定所述车辆的目标行驶距离为长距离，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。
30.可选地，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：
31.若根据所述车辆行驶数据确定当前行驶季节为夏季，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；
32.或者，若根据所述车辆行驶数据确定当前行驶季节为冬季，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。
33.可选地，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：
34.获取司乘人员信息；
35.若根据所述司乘人员信息确定一个或多个司乘人员的身高信息、座位信息及吹风偏好信息；
36.根据所述身高信息、所述座位信息、所述吹风偏好信息及所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略。
37.第二方面，本技术提供了一种车窗除雾装置，包括：
38.获取模块，用于获取对至少一个车窗采集的车窗图像数据；
39.输入模块，用于将各所述车窗图像数据输入神经网络模型，以使所述神经网络模型输出与各所述车窗图像数据对应的车窗起雾情况；
40.确定模块，用于根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略；
41.控制模块，用于控制目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。
42.第三方面，本技术提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
43.存储器，用于存放计算机程序；
44.处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的车窗除雾方法。
45.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有车窗除雾方法的程序，所述车窗除雾方法的程序被处理器执行时实现第一方面任一所述的车窗除雾方法的步骤。
46.本发明的有益效果：
47.本技术实施例通过根据采集的车窗图像数据，利用神经网络模型确定车窗起雾情况，进而根据车窗起雾情况确定目标除雾设备，并确定除雾策略，最终可以控制目标除雾设备按照除雾策略对起雾车窗进行车窗除雾。实现自动检测车窗起雾情况，自动利用相应的除雾设备并采取相应的除雾策略进行车窗除雾，无需用户手动操作，便于用户使用，提高车辆行驶安全性，并且，通过自动确定除雾策略，可以自动使用更加准确高效的除雾策略，可以避免用户误使用错误的除雾策略导致车窗起雾情况加重，影响车辆安全行驶的问题。
附图说明
48.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
50.图1为本技术实施例提供的一种车窗除雾方法的流程图；
51.图2为本技术实施例提供的一种车窗除雾装置的结构图；
52.图3为本技术实施例提供的一种电子设备的结构图。
具体实施方式
53.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
54.由于目前驾驶员一般通过自身经验手动调节车内空调，会出现使用错误的调节方式，进而导致调节后雾气越来越大，影响车辆安全行驶。为此，本技术实施例提供一种车窗除雾方法、装置、电子设备及存储介质。
55.本技术实施例提供一种车窗除雾方法，如图1所示，所述车辆除雾方法包括：
56.步骤s101，获取对至少一个车窗采集的车窗图像数据；
57.本技术实施例中，车窗可以指前挡风玻璃、设置于车门上的玻璃和后挡风玻璃等，车窗图像数据可以是通过设置于车内的一个或多个摄像头采集的，摄像头可以采集每个车窗的车窗图像数据。
58.步骤s102，将各所述车窗图像数据输入神经网络模型，以使所述神经网络模型输出与各所述车窗图像数据对应的车窗起雾情况；
59.本技术实施例中，神经网络模型可以是预先训练完成的unet卷积神经网络模型，unet卷积神经网络模型的训练方法可以包括以下步骤：
60.首先，在网络中获取车窗起雾和没有起雾的图像，得到原始数据集，根据图像是否起雾，为起雾的图像添加标签1，为未起雾的图像添加标签0，得到带有是否起雾标签的数据集，整个任务可以视为二分类问题；示例性的，本发明可以获取5000张照片作为模型训练的数据集，分别设置label为1和0；将原始数据集按照6：2：2的比例分为训练集、验证集和测试集。
61.其次，设置unet卷积神经网络模型的优化算法，采用adam算法来优化模型。adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。adam通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率δθ
t
。
[0062][0063]
其中表示校正后的一阶矩阵和二阶矩阵。∈，η为训练过程中需调整的参数。
[0064]
示例性的，本技术实施例中学习率可以为0.0001。
[0065]
本技术实施例中，损失函数使用交叉熵损失函数，来显示预测值和真实值之间的差距。预先设置模型参数：如学习率，卷积核大小，池化层等等；其中，卷积核代表视觉感知领域，代表视觉感知领域的分辨率大小，卷积核越小，可以从图像中获得的特征越明显，对图像的理解更好，可以获得更多的图像特征描述，于是使用3
×
3的卷积核，设置步长为1，池化层使用最大池化，选取图像区域的最大值作为该区域池化后的值。
[0066]
由于本技术整个任务是二分类问题，因此，本技术使用只有一个神经元的全连接层，并使用了sigmoid激活函数，得到最终的输出，sigmoid公式如下：
[0067][0068]
其中x为激活函数层的输入。
[0069]
再次，进行unet卷积神经网络模型的训练，将训练集中的图像输入到输入层，然后输入具有k1个内核的第一卷积层(c1)进行卷积操作，然后通过最大池化层进行一次池化操作(p1)，对卷积和池化进行2次迭代操作，获得二维特征向量的输出k2，然后进行两次上采样(反卷积)操作，获得与输入图像大小一样的二维嵌入向量，接下来是2层完全连接层将其
映射为唯一的输出，随后使用sigmoid函数将输出映射到(0，1)之间，得到unet卷积神经网络模型的输出，即预测值。
[0070]
最后，通过损失函数计算预测值和真实值之间的差距，若预测值和真实值之间的差距超过预设阈值，调整模型参数，直至模型收敛。
[0071]
之后，可以利用验证集对模型进行验证，利用测试集对模型进行测试，直至得到训练完毕的神经网络模型，神经网络模型训练完毕后，可以在输入车窗图像数据后，自动输出与所述车窗图像数据对应的车窗起雾情况，车窗起雾情况可以包括：车窗起雾或者车窗未起雾两个状态。
[0072]
步骤s103，根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略；
[0073]
在得到每个车窗的车窗起雾情况后，由于每个车窗的位置不同，相应的目标除雾设备也不同，不同的车辆行驶数据，相应的采取的除雾策略也可能不同，所以，可以根据每个车窗是否起雾确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略。
[0074]
例如：在确定前挡风玻璃起雾时，目标除雾设备可以为除雾设备1，除雾策略可以为使用最大风量朝向所述起雾车窗吹冷风的方式。
[0075]
步骤s104，控制目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。
[0076]
在确定目标除雾设备和除雾策略后，可以向目标除雾设备发送控制指令，控制指令用于指示目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。
[0077]
本技术实施例通过根据采集的车窗图像数据，利用神经网络模型确定车窗起雾情况，进而根据车窗起雾情况确定目标除雾设备，并确定除雾策略，最终可以控制目标除雾设备按照除雾策略对起雾车窗进行车窗除雾。实现自动检测车窗起雾情况，自动利用相应的除雾设备并采取相应的除雾策略进行车窗除雾，无需用户手动操作，便于用户使用，提高车辆行驶安全性，并且，通过自动确定除雾策略，可以自动使用更加准确高效的除雾策略，可以避免用户误使用错误的除雾策略导致车窗起雾情况加重，影响车辆安全行驶的问题。
[0078]
在本技术的又一实施例中，所述神经网络模型包括：级联的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一反卷积层、第二反卷积层、全连接层及激活函数层；
[0079]
所述输入层，用于输入所述车窗图像数据；
[0080]
所述第一卷积层，用于第一卷积层用于提取所述车窗图像数据中的图像特征，得到第一车窗特征向量；
[0081]
所述第一最大池化层，用于对所述第一车窗特征向量进行降维处理，得到第一车窗降维向量；
[0082]
所述第二卷积层，用于提取所述第一车窗降维向量的图像特征，得到第二车窗特征向量；
[0083]
所述第二最大池化层，用于对所述第二车窗特征向量进行降维处理，得到第二车窗降维向量；
[0084]
所述第一反卷积层和所述第二反卷积层，用于对所述第二车窗降维向量进行反卷积处理，得到与所述车窗图像数据大小相同的车窗降维特征向量；
[0085]
所述全连接层，用于将二维的所述车窗降维特征向量转化为一维的车窗降维特征
向量；
[0086]
所述激活函数层，用于将所述一维的车窗降维特征向量映射至预设数据区间。
[0087]
本技术实施例中，可以通过两次通过卷积层及最大池化层，提取特征及特征降维，可以便于充分提取车窗图像数据中的有利特征，而且，通过两次反卷积层的反卷积处理，可以最终得到与车窗图像数据大小相同的车窗降维特征向量，便于后续全连接层进行维度转化，提高模型的准确性。
[0088]
在本技术的又一实施例中，步骤s103根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略，包括：
[0089]
步骤s201，根据各所述车窗起雾情况确定已经起雾的起雾车窗；
[0090]
实际应用中，至少一个车窗中可能存在部分车窗起雾，部分车窗未起雾的情况，所以可以根据每个车窗的车窗起雾情况确定每个车窗是否起雾，进而得到已经起雾的起雾车窗。
[0091]
步骤s202，按照预设的车窗与除雾设备的对应关系，确定用于对所述起雾车窗进行除雾的目标除雾设备；
[0092]
每个除雾设备可以用于对至少一个车窗进行除雾，可以预先构建车窗与除雾设备的对应关系。在该步骤中，可以在对应关系中查找与起雾车窗匹配的车窗，将与该车窗对应的除雾设备确定为目标除雾设备。
[0093]
在同一除雾设备对应至少两个车窗时，可以设置至少两个中每个车窗的除雾优先级，进而，采取的除雾策略可以是首先通过调整除雾设备的倾斜角度，使之朝向除雾优先级高的车窗，进而对除雾优先级高的车窗进行优先除雾，一段时间(该时间段的长度可以根据优先级高的车窗除雾所需时长确定)后，调整除雾设备朝向除雾优先级低的车窗，进而对除雾优先级低的车窗进行优先除雾，实现同一除雾设备的按优先级分时使用，提高除雾设备的使用效率，并且保证使用效果。
[0094]
步骤s203，获取车辆的车辆行驶数据；
[0095]
本技术实施例中，车辆行驶数据包括：行驶状态、目标行驶距离和当前行驶季节等。
[0096]
步骤s204，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略。
[0097]
在本技术的一种实施方式中，若根据所述车辆行驶数据确定所述车辆的行驶状态为行驶中，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；
[0098]
或者，若根据所述车辆行驶数据确定所述车辆的行驶状态为未驶出，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。
[0099]
在本技术的另一种实施方式中，若根据所述车辆行驶数据确定所述车辆的目标行驶距离为短距离，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；
[0100]
或者，若根据所述车辆行驶数据确定所述车辆的目标行驶距离为长距离，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述
起雾车窗吹暖风的方式除雾。
[0101]
在本技术的另一种实施方式中，若根据所述车辆行驶数据确定当前行驶季节为夏季，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；
[0102]
或者，若根据所述车辆行驶数据确定当前行驶季节为冬季，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。
[0103]
本技术实施例能够自动确定目标除雾设备及除雾策略，无需司乘人员自行选择，避免司乘人员自行选择错误的目标除雾设备及除雾策略导致除雾效果不好甚至起雾更加严重的情况，提高车窗除雾效率，便于用户操作及使用。
[0104]
在本技术的又一实施例中，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：
[0105]
步骤s301，获取司乘人员信息；
[0106]
实际应用中，不同的司乘人员可能身高不同，吹风偏好也不同，本技术实施例中，司乘人员信息可以包括：身高信息、座位信息和吹风偏好信息等，身高信息用于指示司乘人员的身高，吹风偏好信息用于指示司乘人员在空调吹冷风或者暖风时，更偏好使用何种吹风角度，如：避免面部吹风，偏好面部吹风，避免肩部吹风等等。
[0107]
步骤s302，若根据所述司乘人员信息确定一个或多个司乘人员的身高信息、座位信息及吹风偏好信息；
[0108]
在该步骤中，可以直接在司乘人员信息中提取每个司乘人员的身高信息、座位信息及吹风偏好信息。
[0109]
步骤s303，根据所述身高信息、所述座位信息、所述吹风偏好信息及所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略。
[0110]
在该步骤中，可以首先根据吹风偏好信息确定偏好吹风或者避免吹风的目标身体部位，根据身高信息和座位信息计算偏好吹风的目标身体部位的目标坐标位置或者避免吹风的目标身体部位的目标坐标位置，根据预设的不同除雾设备的吹风角度和反射风角度的对应关系确定反射风的角度，为了使反射风吹向或者避免反射风吹向的目标坐标位置，允许的吹风角度；
[0111]
例如：某些用户a眼睛怕风，则对于该用户a可以避免由车窗反射的风吹向用户面部，首先可以根据该用户a的身高信息及座位信息确定其面部所在的目标坐标位置，进而可以计算为了使反射风可以避开该目标坐标位置，允许的吹风角度。
[0112]
再例如：某些用户b喜欢吹风，则对于该用户b可以使由车窗反射的风吹向用户面部，首先可以根据该用户b的身高信息及座位信息确定其面部所在的目标坐标位置，进而可以计算为了使反射风吹向该目标坐标位置，允许的吹风角度。
[0113]
再例如：某些用户c肩部怕风，则对于该用户c可以使由车窗反射的风吹向用户肩部，首先可以根据该用户c的身高信息及座位信息确定其肩部所在的目标坐标位置，进而可以计算为了使反射风吹向该目标坐标位置，允许的吹风角度。
[0114]
再结合前述实施例，根据车辆行驶数据确定的初步除雾策略，向允许的吹风角度，使用最大风量朝向所述起雾车窗吹冷风，或者，使用最小风量朝向所述起雾车窗吹暖风。
[0115]
本技术实施例能够自动根据司乘人员信息及车辆行驶数据确定除雾策略，无需司乘人员自行选择，避免司乘人员自行选择错误的除雾策略导致除雾效果不好甚至起雾更加严重的情况，提高车窗除雾效率，满足用户的吹风偏好，便于用户操作及使用。
[0116]
在本技术的又一实施例中，还提供一种车窗除雾装置，如图2所示，包括：
[0117]
获取模块11，用于获取对至少一个车窗采集的车窗图像数据；
[0118]
输入模块12，用于将各所述车窗图像数据输入神经网络模型，以使所述神经网络模型输出与各所述车窗图像数据对应的车窗起雾情况；
[0119]
确定模块13，用于根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略；
[0120]
控制模块14，用于控制目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。
[0121]
在本技术的又一实施例中，还提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0122]
存储器，用于存放计算机程序；
[0123]
处理器，用于执行存储器上所存放的程序时，实现前述任一方法实施例所述的车窗除雾方法。
[0124]
本发明实施例提供的电子设备，处理器通过执行存储器上所存放的程序通过根据采集的车窗图像数据，利用神经网络模型确定车窗起雾情况，进而根据车窗起雾情况确定目标除雾设备，并确定除雾策略，最终可以控制目标除雾设备按照除雾策略对起雾车窗进行车窗除雾。实现自动检测车窗起雾情况，自动利用相应的除雾设备并采取相应的除雾策略进行车窗除雾，无需用户手动操作，便于用户使用，提高车辆行驶安全性，并且，通过自动确定除雾策略，可以自动使用更加准确高效的除雾策略，可以避免用户误使用错误的除雾策略导致车窗起雾情况加重，影响车辆安全行驶的问题。
[0125]
上述电子设备提到的通信总线1140可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0126]
通信接口1120用于上述电子设备与其他设备之间的通信。
[0127]
存储器1130可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0128]
上述的处理器1110可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0129]
在本技术的又一实施例中，还提供一种计算机可读存储介质，所述计算机可读存
储介质上存储有车窗除雾方法的程序，所述车窗除雾方法的程序被处理器执行时实现前述任一方法实施例所述的车窗除雾方法的步骤。
[0130]
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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0131]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种车窗除雾方法，其特征在于，包括：获取对至少一个车窗采集的车窗图像数据；将各所述车窗图像数据输入神经网络模型，以使所述神经网络模型输出与各所述车窗图像数据对应的车窗起雾情况；根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略；控制目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。2.根据权利要求1所述的车窗除雾方法，其特征在于，所述神经网络模型包括：级联的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一反卷积层、第二反卷积层、全连接层及激活函数层；所述输入层，用于输入所述车窗图像数据；所述第一卷积层，用于第一卷积层用于提取所述车窗图像数据中的图像特征，得到第一车窗特征向量；所述第一最大池化层，用于对所述第一车窗特征向量进行降维处理，得到第一车窗降维向量；所述第二卷积层，用于提取所述第一车窗降维向量的图像特征，得到第二车窗特征向量；所述第二最大池化层，用于对所述第二车窗特征向量进行降维处理，得到第二车窗降维向量；所述第一反卷积层和所述第二反卷积层，用于对所述第二车窗降维向量进行反卷积处理，得到与所述车窗图像数据大小相同的车窗降维特征向量；所述全连接层，用于将二维的所述车窗降维特征向量转化为一维的车窗降维特征向量；所述激活函数层，用于将所述一维的车窗降维特征向量映射至预设数据区间。3.根据权利要求1所述的车窗除雾方法，其特征在于，根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略，包括：根据各所述车窗起雾情况确定已经起雾的起雾车窗；按照预设的车窗与除雾设备的对应关系，确定用于对所述起雾车窗进行除雾的目标除雾设备；获取车辆的车辆行驶数据；根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略。4.根据权利要求3所述的车窗除雾方法，其特征在于，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：若根据所述车辆行驶数据确定所述车辆的行驶状态为行驶中，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；或者，若根据所述车辆行驶数据确定所述车辆的行驶状态为未驶出，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。
5.根据权利要求3所述的车窗除雾方法，其特征在于，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：若根据所述车辆行驶数据确定所述车辆的目标行驶距离为短距离，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；或者，若根据所述车辆行驶数据确定所述车辆的目标行驶距离为长距离，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。6.根据权利要求3所述的车窗除雾方法，其特征在于，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：若根据所述车辆行驶数据确定当前行驶季节为夏季，确定除雾策略为第一除雾策略，第一除雾策略用于指示目标除雾设备通过使用最大风量朝向所述起雾车窗吹冷风的方式除雾；或者，若根据所述车辆行驶数据确定当前行驶季节为冬季，确定除雾策略为第二除雾策略，第二除雾策略用于指示目标除雾设备通过使用最小风量朝向所述起雾车窗吹暖风的方式除雾。7.根据权利要求3所述的车窗除雾方法，其特征在于，根据所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略，包括：获取司乘人员信息；若根据所述司乘人员信息确定一个或多个司乘人员的身高信息、座位信息及吹风偏好信息；根据所述身高信息、座位信息、所述吹风偏好信息及所述车辆行驶数据确定用于对所述起雾车窗进行除雾的除雾策略。8.一种车窗除雾装置，其特征在于，包括：获取模块，用于获取对至少一个车窗采集的车窗图像数据；输入模块，用于将各所述车窗图像数据输入神经网络模型，以使所述神经网络模型输出与各所述车窗图像数据对应的车窗起雾情况；确定模块，用于根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略；控制模块，用于控制目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1～7任一所述的车窗除雾方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车窗除雾方法的程序，所述车窗除雾方法的程序被处理器执行时实现权利要求1-7任一所述的车窗除雾方法的步骤。

技术总结
本发明涉及一种车窗除雾方法、装置、电子设备及存储介质，该车窗除雾方法包括：获取对至少一个车窗采集的车窗图像数据；将各所述车窗图像数据输入神经网络模型，以使所述神经网络模型输出与各所述车窗图像数据对应的车窗起雾情况；根据各所述车窗起雾情况确定用于对起雾车窗进行除雾的目标除雾设备，并确定除雾策略；控制目标除雾设备按照所述除雾策略对所述起雾车窗进行车窗除雾。本申请实施例能够自动检测车窗起雾情况，自动利用相应的除雾设备并采取相应的除雾策略进行车窗除雾，无需用户手动操作，便于用户使用，提高车辆行驶安全性，并且，自动使用更加准确高效的除雾策略。自动使用更加准确高效的除雾策略。自动使用更加准确高效的除雾策略。


技术研发人员：陈小阳
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2023.05.30
技术公布日：2023/9/14