基于AR的车辆速度辅助系统及其方法与流程

基于ar的车辆速度辅助系统及其方法
技术领域
1.本技术涉及智能预警领域，且更为具体地，涉及一种基于ar的车辆速度辅助系统及其方法。


背景技术：

2.一直以来，驾驶员对其它车辆的判断都是基于周边车辆的指示灯和驾驶员自身经验来确定，除去驾驶员的注意力和主观因素导致的判断失误产生安全隐患之外，周边车辆没有在动作之前给出相应的指示的指示灯也是一个重要的安全隐患。例如，当周边车辆的汽车尾灯发生损坏，其在刹车减速时不会出现指示灯来提示后车也注意刹车减速。
3.ar增强显示技术，能够在人眼的正常视野范围内，通过互联网技术，获得周边目标的信息，并将周边的目标的信息显示在特定的显示界面上，增加特定范围内的人群交互。显示界面在现阶段主要是眼镜一类的贴近使用者眼球的显示设备，另一类则是手机的显示屏。随着车辆内部投影技术的发展，已经出现将车辆自身参数比如当前速度、档位等信息投影在车辆前风挡上的技术，如果将二者技术融合，将开辟ar技术的新的应用领域。
4.因此，期待一种基于ar的车辆速度辅助系统。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于ar的车辆速度辅助系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的复杂映射关系，以此来对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。
6.根据本技术的一个方面，提供了一种基于ar的车辆速度辅助系统，其包括：
7.数据采集模块，用于获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值；
8.图像特征提取模块，用于将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；
9.时序关联编码模块，用于将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；
10.车速时序特征提取模块，用于将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量；
11.关联模块，用于对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；
12.优化模块，用于对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；
13.预警模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；以及
14.显示模块，用于响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。
15.在上述基于ar的车辆速度辅助系统中，所述图像特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个前车检测特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个预定时间点的前车检测图像。
16.在上述基于ar的车辆速度辅助系统中，所述时序关联编码模块，包括：上下文编码单元，用于使用所述包含嵌入层的上下文编码器的转换器对所述多个前车检测特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义前车检测特征向量；以及，级联单元，用于将所述多个全局上下文语义前车检测特征向量进行级联以得到所述前车相对位置时序特征向量。
17.在上述基于ar的车辆速度辅助系统中，所述上下文编码单元，包括：查询向量构造子单元，用于将所述多个前车检测特征向量进行一维排列以得到全局前车检测特征向量；自注意子单元，用于计算所述全局前车检测特征向量与所述多个前车检测特征向量中各个前车检测特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个前车检测特征向量中各个前车检测特征向量进行加权以得到所述多个上下文语义前车检测特征向量；级联子单元，用于将所述多个上下文语义前车检测特征向量进行级联以得到所述全局上下文语义前车检测特征向量。
18.在上述基于ar的车辆速度辅助系统中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
19.在上述基于ar的车辆速度辅助系统中，所述车速时序特征提取模块，包括：第一邻域尺度特征提取单元，用于将所述车速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元，用于将所述车速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度融合单元，用于将所述第一邻域尺度车速时序特征向量和所述第二邻域尺度车速时序特征向量进行级联以得到所述车速时序特征向量。其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到第一邻域尺度车速时序特征向量；其中，所述公式为：
[0020][0021]
其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车速输入向量；以及，所述第二邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到所述第二邻域尺度车速时序特征向量；其中，所述公式为：
[0022][0023]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车速输入向量。
[0024]
在上述基于ar的车辆速度辅助系统中，所述关联模块，用于：以如下公式对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；其中，所述公式为：
[0025][0026]
其中vm表示所述车速时序特征向量，表示所述车速时序特征向量的转置向量，vn表示所述前车相对位置时序特征向量，m1表示所述分类特征矩阵，表示向量相乘。
[0027]
在上述基于ar的车辆速度辅助系统中，所述优化模块，包括：展开单元，用于将所述分类特征矩阵按行或列展开为分类特征向量；特征优化单元，用于以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到优化分类特征向量；其中，所述公式为：
[0028][0029]
其中v是所述分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示所述分类特征向量的二范数的平方，vi是所述分类特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′
是所述优化分类特征向量的第i个特征值；以及，矩阵重构单元，用于将所述优化分类特征向量进行矩阵重构以得到所述优化分类特征矩阵。
[0030]
在上述基于ar的车辆速度辅助系统中，所述预警模块，包括：分类特征向量生成单元，用于将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0031]
根据本技术的另一方面，提供了一种基于ar的车辆速度辅助方法，其包括：
[0032]
获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个
预定时间点的车辆速度值；
[0033]
将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；
[0034]
将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；
[0035]
将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量；
[0036]
对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；
[0037]
对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；
[0038]
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；以及
[0039]
响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。
[0040]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于ar的车辆速度辅助方法。
[0041]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于ar的车辆速度辅助方法。
[0042]
与现有技术相比，本技术提供的一种基于ar的车辆速度辅助系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的复杂映射关系，以此来对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。
附图说明
[0043]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0044]
图1为根据本技术实施例的基于ar的车辆速度辅助系统的应用场景图；
[0045]
图2为根据本技术实施例的基于ar的车辆速度辅助系统的框图；
[0046]
图3为根据本技术实施例的基于ar的车辆速度辅助系统的系统架构图；
[0047]
图4为根据本技术实施例的基于ar的车辆速度辅助系统中卷积神经网络编码的流程图；
[0048]
图5为根据本技术实施例的基于ar的车辆速度辅助系统中车速时序特征提取模块的框图；
[0049]
图6为根据本技术实施例的基于ar的车辆速度辅助系统中优化模块的框图；
[0050]
图7为根据本技术实施例的基于ar的车辆速度辅助系统中预警模块的框图；
[0051]
图8为根据本技术实施例的基于ar的车辆速度辅助方法的流程图；
[0052]
图9为根据本技术实施例的电子设备的框图。
具体实施方式
[0053]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0054]
申请概述
[0055]
如上所述，ar增强显示技术，能够在人眼的正常视野范围内，通过互联网技术，获得周边目标的信息，并将周边的目标的信息显示在特定的显示界面上，增加特定范围内的人群交互。显示界面在现阶段主要是眼镜一类的贴近使用者眼球的显示设备，另一类则手机的显示屏。随着车辆内部投影技术的发展，已经出现将车辆自身参数比如当前速度、档位等信息投影在车辆前风挡上的技术，如果将二者技术融合，将开辟ar技术的新的应用领域。因此，期待一种基于ar的车辆速度辅助系统。
[0056]
相应地，考虑到在将ar增强显示技术和车辆内部投影技术相结合来进行车辆速度的辅助预警时，也就是说，当车辆车速过快时可能会导致车辆相撞的事故，为了避免此类事故的发生，需要基于ar增强显示技术和车辆内部投影技术来综合对于车辆的车速和距离等信息进行分析，产生车速可能导致车辆相撞的预警提示，以保证驾驶员的行驶安全。具体地，可以通过采集在时间维度上的前车检测图像和车辆速度值的变化信息来进行分析，以对于车速进行预警，这里，所述前车检测图像中存在有两车的相对位置信息。但是，由于图像数据中的信息量较多，难以对于有效信息进行捕捉，在此过程中，难点在于如何建立所述前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的映射关系，以此来对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。
[0057]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0058]
深度学习以及神经网络的发展为挖掘所述前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的复杂映射关系。
[0059]
具体地，在本技术的技术方案中，首先，通过摄像头采集预定时间段内多个预定时间点的前车检测图像，并且获取所述多个预定时间点的车辆速度值。接着，考虑到由于所述前车检测图像为图像数据，其中包含有较多的信息量，难以对于两车的相对位置信息进行有效地捕捉，因此，在本技术的技术方案中，进一步通过在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述各个预定时间点的前车检测图像的特征挖掘，以此来提取出所述各个预定时间点的前车检测图像中关于车辆的相对位置隐含特征信息，即两车的距离特征信息，从而得到多个前车检测特征向量。
[0060]
然后，考虑到车辆的相对位置特征信息在时间维度上具有着动态性的规律，也就是说，当两车中的其中一个车辆的速度降低时，会导致两车的车距拉大，而当两车的车速保持不变时，会使得两车的车距也保持不变，因此，所述车辆的相对位置特征具有着时序的动态关联特征信息。基于此，在本技术的技术方案中，将所述多个前车检测特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述前车检测图像中关于车辆的相对位置特征在时间维度上的动态关联特征信息，从而得到前车相对位置时序特征向量。
[0061]
进一步地，对于所述多个预定时间点的车辆速度值来说，考虑到所述车辆速度值在时间维度上具有着波动性和不确定性，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征信息。因此，在本技术的技术方案中，为了能够充分地挖掘出所述车辆速度值在时序上的动态变化特征，进一步将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述车辆速度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到车速时序特征向量。
[0062]
接着，就可以对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵，也就是，计算所述车速时序特征向量和所述前车相对位置时序特征向量的向量乘法，以此来表示所述车辆速度值的时序多尺度动态特征和所述车辆的相对位置时序关联特征的关联性特征分布信息，并以此作为分类特征矩阵。然后，将所述分类特征矩阵通过分类器以得到用于表示是否产生车速预警提示的分类结果。也就是，在本技术的技术方案中，所述分类器的标签包括产生车速预警提示，以及，不产生车速预警提示，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签，以此来对于车速过快时可能会导致车辆相撞进行预警，并且，响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕，以保证驾驶员的行驶安全性。
[0063]
特别地，在本技术的技术方案中，在对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵时，由于所述前车相对位置时序特征向量表达前车图像特征的跨时域关联的高阶关联特征(本质上表示的是前车与本车在时间维度上的空间位置关系的高阶关联特征)，而所述车速时序特征向量表达本车的车速数据的时序关联特征，因此所述分类特征矩阵能够融合不同阶次的异质关联特征，从而提高其特征表达能力。但是，另一方面，不同阶次和源域的特征域叠加又可能导致作为域间融合特征的所述分类特征矩阵的整体特征分布较为离散，导致所述分类特征矩阵在通过分类进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。
[0064]
因此，优选地对所述分类特征矩阵展开得到的分类特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：
[0065][0066]
v是所述分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量v的第i个特征值，且vi′
是优化后的分类特征向量v
′
的第i个特征值。这里，所述向量赋范的希尔伯特概率空间化通过所述分类特征向量v自身的赋范在定义了向量内积的希尔伯特空间内进行所述分类特征向量v的
概率性解释，并降低所述分类特征向量v的拼接的各个局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述分类特征向量v的特征分布收敛到单一预定分类结果的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述分类特征向量v的特征分布对单一分类结果的跨分类器的长程依赖。这样，就提升了优化后的分类特征向量v
′
在通过分类器进行分类时对单一分类结果的依赖性，改进了分类结果的准确性。这样，能够实时准确地对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。
[0067]
基于此，本技术提出了一种基于ar的车辆速度辅助系统，其包括：数据采集模块，用于获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值；图像特征提取模块，用于将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；时序关联编码模块，用于将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；车速时序特征提取模块，用于将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量；关联模块，用于对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；预警模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；以及，显示模块，用于响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。
[0068]
图1为根据本技术实施例的基于ar的车辆速度辅助系统的应用场景图。如图1所示，在该应用场景中。通过摄像头(例如，如图1中所示意的c)获取预定时间段内多个预定时间点的前车检测图像，以及通过速度传感器(例如，如图1中所示意的s1)获取所述多个预定时间点的车辆速度值。接着，将上述信息输入至部署有用于基于ar的车辆速度辅助算法的服务器(例如，图1中的s2)中，其中，所述服务器能够以所述基于ar的车辆速度辅助算法对上述输入的信息进行处理，以生成用于表示是否产生车速预警提示的分类结果，响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。
[0069]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0070]
示例性系统
[0071]
图2为根据本技术实施例的基于ar的车辆速度辅助系统的框图。如图2所示，根据本技术实施例的基于ar的车辆速度辅助系统300，包括：数据采集模块310；图像特征提取模块320；时序关联编码模块330；车速时序特征提取模块340；关联模块350；优化模块360；预警模块370；以及，显示模块380。
[0072]
其中，所述数据采集模块310，用于获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值；所述图像特征提取模块320，用于将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；所述时序关联编码模块330，用于将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；所述车速时序特征提取模块340，用于将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量
后通过多尺度邻域特征提取模块以得到车速时序特征向量；所述关联模块350，用于对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；所述优化模块360，用于对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；所述预警模块370，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；以及，所述显示模块380，用于响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。
[0073]
图3为根据本技术实施例的基于ar的车辆速度辅助系统的系统架构图。结合图2和图3，在该网络架构中，首先通过所述数据采集模块310获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值；接着，所述图像特征提取模块320将所述数据采集模块310获取的多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；所述时序关联编码模块330将所述图像特征提取模块320得到的多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；然后，所述车速时序特征提取模块340将所述数据采集模块310获取的多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量；所述关联模块350对所述车速时序特征提取模块340得到的车速时序特征向量和所述时序关联编码模块330得到的前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；所述优化模块360对所述关联模块350计算所得的分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；所述预警模块370将所述优化模块360得到的优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；进而，所述显示模块380响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。
[0074]
具体地，在所述基于ar的车辆速度辅助系统300的运行过程中，所述数据采集模块310，用于获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值。应可以理解，在进行车辆驾驶相撞预警提示过程中，可以通过结合ar增强显示技术和车辆内部投影技术来综合对于车辆的车速和距离等信息进行分析，产生车速可能导致车辆相撞的预警提示，具体地，在本技术的一个具体示例中，首先，可通过摄像头来获取预定时间段内多个预定时间点的前车检测图像，以及，通过速度传感器来获取所述多个预定时间点的车辆速度值，进一步基于所述前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的映射关系，以此来对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。
[0075]
具体地，在所述基于ar的车辆速度辅助系统300的运行过程中，所述图像特征提取模块320，用于将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量。在本技术的技术方案中，由于所述前车检测图像为图像数据，其中包含有较多的信息量，难以对于两车的相对位置信息进行有效地捕捉，因此，在本技术的技术方案中，进一步通过在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述各个预定时间点的前车检测图像的特征挖掘，以此来提取出所述各个预定时间点的前车检测图像中关于车辆的相对位置隐含特征信息，即两车的距离特征信息，从而得到多个前车检测特征向量。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活
层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理，其中，所述卷积神经网络的第一层的输入为所述多个预定时间点的前车检测图像，所述卷积神经网络的最后一层的输出为所述多个前车检测特征向量。
[0076]
图4为根据本技术实施例的基于ar的车辆速度辅助系统中卷积神经网络编码的流程图。如图4所示，在所述卷积神经网络的编码过程中，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个前车检测特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个预定时间点的前车检测图像。
[0077]
具体地，在所述基于ar的车辆速度辅助系统300的运行过程中，所述时序关联编码模块330，用于将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量。在本技术的技术方案中，考虑到车辆的相对位置特征信息在时间维度上具有着动态性的规律，也就是说，当两车中的其中一个车辆的速度降低时，会导致两车的车距拉大，而当两车的车速保持不变时，会使得两车的车距也保持不变，因此，所述车辆的相对位置特征具有着时序的动态关联特征信息。基于此，在本技术的技术方案中，将所述多个前车检测特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述前车检测图像中关于车辆的相对位置特征在时间维度上的动态关联特征信息，从而得到前车相对位置时序特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个前车检测特征向量进行基于全局的上下文语义编码以得到以所述多个前车检测特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述全局上下文语义前车检测特征向量。更具体地，将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量，首先，使用所述包含嵌入层的上下文编码器的转换器对所述多个前车检测特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义前车检测特征向量，再将所述多个全局上下文语义前车检测特征向量进行级联以得到所述前车相对位置时序特征向量。其中，所述使用所述包含嵌入层的上下文编码器的转换器对所述多个前车检测特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义前车检测特征向量，包括：将所述多个前车检测特征向量进行一维排列以得到全局前车检测特征向量；计算所述全局前车检测特征向量与所述多个前车检测特征向量中各个前车检测特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个前车检测特征向量中各个前车检测特征向量进行加权以得到所述多个上下文语义前车检测特征向量；以及，将所述多个上下文语义前车检测特征向量进行级联以得到所述全局上下文语义前车检测特征向量。
[0078]
具体地，在所述基于ar的车辆速度辅助系统300的运行过程中，所述车速时序特征
提取模块340，用于将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量。考虑到所述车辆速度值在时间维度上具有着波动性和不确定性，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征信息。因此，在本技术的技术方案中，为了能够充分地挖掘出所述车辆速度值在时序上的动态变化特征，进一步将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述车辆速度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到车速时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
[0079]
图5为根据本技术实施例的基于ar的车辆速度辅助系统中车速时序特征提取模块的框图。如图5所示，所述车速时序特征提取模块340，包括：第一邻域尺度特征提取单元341，用于将所述车速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元342，用于将所述车速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度融合单元343，用于将所述第一邻域尺度车速时序特征向量和所述第二邻域尺度车速时序特征向量进行级联以得到所述车速时序特征向量。其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到第一邻域尺度车速时序特征向量；其中，所述公式为：
[0080][0081]
其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车速输入向量；以及，所述第二邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到所述第二邻域尺度车速时序特征向量；其中，所述公式为：
[0082][0083]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车速输入向量。更具体地，所述多尺度融合单元，用于：以如下公式来融合所述第一邻域尺度车速时序特征向量和所述第二邻域尺度车速时序特征向量以得到所述车速时序特征向量；其中，所述公式为：
[0084]vm
＝concat[v1，v2]
[0085]
其中，v1表示所述第一邻域尺度车速时序特征向量，v2表示所述第二邻域尺度车速
时序特征向量，concat[
·
,
·
]表示级联函数，vm表示所述车速时序特征向量。
[0086]
具体地，在所述基于ar的车辆速度辅助系统300的运行过程中，所述关联模块350，用于对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵。也就是，对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵，也就是，计算所述车速时序特征向量和所述前车相对位置时序特征向量的向量乘法，以此来表示所述车辆速度值的时序多尺度动态特征和所述车辆的相对位置时序关联特征的关联性特征分布信息。在本技术的一个具体示例中，以如下公式对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；其中，所述公式为：
[0087][0088]
其中vm表示所述车速时序特征向量，表示所述车速时序特征向量的转置向量，vn表示所述前车相对位置时序特征向量，m1表示所述分类特征矩阵，表示向量相乘。
[0089]
具体地，在所述基于ar的车辆速度辅助系统300的运行过程中，所述优化模块360，用于对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵。在本技术的技术方案中，在对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵时，由于所述前车相对位置时序特征向量表达前车图像特征的跨时域关联的高阶关联特征(本质上表示的是前车与本车在时间维度上的空间位置关系的高阶关联特征)，而所述车速时序特征向量表达本车的车速数据的时序关联特征，因此所述分类特征矩阵能够融合不同阶次的异质关联特征，从而提高其特征表达能力。但是，另一方面，不同阶次和源域的特征域叠加又可能导致作为域间融合特征的所述分类特征矩阵的整体特征分布较为离散，导致所述分类特征矩阵在通过分类进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。因此，优选地对所述分类特征矩阵展开得到的分类特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：
[0090][0091]
其中v是所述分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量v的第i个特征值，且vi′
是优化后的分类特征向量v
′
的第i个特征值。这里，所述向量赋范的希尔伯特概率空间化通过所述分类特征向量v自身的赋范在定义了向量内积的希尔伯特空间内进行所述分类特征向量v的概率性解释，并降低所述分类特征向量v的拼接的各个局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述分类特征向量v的特征分布收敛到单一预定分类结果的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述分类特征向量v的特征分布对单一分类结果的跨分类器的长程依赖。这样，就提升了优化后的分类特征向量v
′
在通过分类器进行分类时对单一分类结果的依赖性，改进了分类结果的准确性。这样，能够实时准确地对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。
[0092]
图6为根据本技术实施例的基于ar的车辆速度辅助系统中优化模块的框图，如图6
所示，所述优化模块360，包括：展开单元361，用于将所述分类特征矩阵按行或列展开为分类特征向量；特征优化单元362，用于以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到优化分类特征向量；其中，所述公式为：
[0093][0094]
其中v是所述分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示所述分类特征向量的二范数的平方，vi是所述分类特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′
是所述优化分类特征向量的第i个特征值；以及，矩阵重构单元363，用于将所述优化分类特征向量进行矩阵重构以得到所述优化分类特征矩阵。
[0095]
具体地，在所述基于ar的车辆速度辅助系统300的运行过程中，所述预警模块370和所述显示模块380，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示，并响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。也就是，将所述优化分类矩阵通过分类器以得到用于表示是否产生车速预警提示的分类结果。在本技术的一个具体示例中，使用所述分类器以如下公式对所述优化分类特征矩阵进行处理以获得分类结果，其中，所述公式为：
[0096]
o＝softmax{(wn,bn):
…
:(w1,b1)|project(f))，其中project(f)表示将所述优化分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，首先将所述优化分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述优化分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本技术的技术方案中，所述分类器的标签包括产生车速预警提示，以及，不产生车速预警提示，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签，以此来对于车速过快时可能会导致车辆相撞进行预警，并且，响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕，以保证驾驶员的行驶安全性。
[0097]
图7为根据本技术实施例的基于ar的车辆速度辅助系统中预警模块的框图。如图7所示，所述预警模块370，包括：分类特征向量生成单元371用于将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元372，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元373，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0098]
综上，根据本技术实施例的基于ar的车辆速度辅助系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的复杂映射关系，以此来对于当前车速是否会发生车辆相撞进行辅助预
警，以保证驾驶员的行驶安全性。
[0099]
如上所述，根据本技术实施例的基于ar的车辆速度辅助系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的基于ar的车辆速度辅助系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于ar的车辆速度辅助系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于ar的车辆速度辅助系统300同样可以是该终端设备的众多硬件模块之一。
[0100]
替换地，在另一示例中，该基于ar的车辆速度辅助系统300与该终端设备也可以是分立的设备，并且该基于ar的车辆速度辅助系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0101]
示例性方法
[0102]
图8为根据本技术实施例的基于ar的车辆速度辅助方法的流程图。如图8所示，根据本技术实施例的基于ar的车辆速度辅助方法，包括步骤：s110，获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值；s120，将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；s130，将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；s140，将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量；s150，对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；s160，对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；s170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；以及，s180，响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。
[0103]
在一个示例中，在上述基于ar的车辆速度辅助方法中，所述步骤s120，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个前车检测特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个预定时间点的前车检测图像。
[0104]
在一个示例中，在上述基于ar的车辆速度辅助方法中，所述步骤s130，包括：使用所述包含嵌入层的上下文编码器的转换器对所述多个前车检测特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义前车检测特征向量；以及，将所述多个全局上下文语义前车检测特征向量进行级联以得到所述前车相对位置时序特征向量。其中，使用所述包含嵌入层的上下文编码器的转换器对所述多个前车检测特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义前车检测特征向量，包括：将所述多个前车检测特征向量进行一维排列以得到全局前车检测特征向量；计算所述全局前车检测特征向量与所述多个前车检测特征向量中各个前车检测特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准
化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个前车检测特征向量中各个前车检测特征向量进行加权以得到所述多个上下文语义前车检测特征向量；以及，将所述多个上下文语义前车检测特征向量进行级联以得到所述全局上下文语义前车检测特征向量。
[0105]
在一个示例中，在上述基于ar的车辆速度辅助方法中，所述步骤s140，包括：将所述车速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述车速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度车速时序特征向量和所述第二邻域尺度车速时序特征向量进行级联以得到所述车速时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。具体地，将所述车速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车速时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到第一邻域尺度车速时序特征向量；其中，所述公式为：
[0106][0107]
其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车速输入向量；以及，将所述车速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车速时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到所述第二邻域尺度车速时序特征向量；其中，所述公式为：
[0108][0109]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车速输入向量。
[0110]
在一个示例中，在上述基于ar的车辆速度辅助方法中，所述步骤s150，包括：以如下公式对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；其中，所述公式为：
[0111][0112]
其中vm表示所述车速时序特征向量，表示所述车速时序特征向量的转置向量，vn表示所述前车相对位置时序特征向量，m1表示所述分类特征矩阵，表示向量相乘。
[0113]
在一个示例中，在上述基于ar的车辆速度辅助方法中，所述步骤s160，包括：将所述分类特征矩阵按行或列展开为分类特征向量；以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到优化分类特征向量；其中，所述公式为：
[0114][0115]
其中v是所述分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示所述分类特征向量的二范数的平方，vi是所述分类特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′
是所述优化分类特征向量的第i个特征值；以及，将所述优化分类特征向量进行矩阵重构以得到所述优化分类特征矩阵。
[0116]
在一个示例中，在上述基于ar的车辆速度辅助方法中，所述步骤s170，包括：将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0117]
综上，根据本技术实施例的基于ar的车辆速度辅助方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的复杂映射关系，以此来对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。
[0118]
示例性电子设备
[0119]
下面，参考图9来描述根据本技术实施例的电子设备。
[0120]
图9图示了根据本技术实施例的电子设备的框图。
[0121]
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
[0122]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0123]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于ar的车辆速度辅助系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化分类特征矩阵等各种内容。
[0124]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0125]
该输入装置13可以包括例如键盘、鼠标等等。
[0126]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0127]
当然，为了简化，图9中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还
可以包括任何其他适当的组件。
[0128]
示例性计算机程序产品和计算机可读存储介质
[0129]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于ar的车辆速度辅助方法中的功能中的步骤。
[0130]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0131]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于ar的车辆速度辅助方法中的功能中的步骤。
[0132]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0133]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0134]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0135]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0136]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0137]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实
施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于ar的车辆速度辅助系统，其特征在于，包括：数据采集模块，用于获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值；图像特征提取模块，用于将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；时序关联编码模块，用于将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；车速时序特征提取模块，用于将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量；关联模块，用于对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；预警模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；以及显示模块，用于响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。2.根据权利要求1所述的基于ar的车辆速度辅助系统，其特征在于，所述图像特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个前车检测特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个预定时间点的前车检测图像。3.根据权利要求2所述的基于ar的车辆速度辅助系统，其特征在于，所述时序关联编码模块，包括：上下文编码单元，用于使用所述包含嵌入层的上下文编码器的转换器对所述多个前车检测特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义前车检测特征向量；以及级联单元，用于将所述多个全局上下文语义前车检测特征向量进行级联以得到所述前车相对位置时序特征向量。4.根据权利要求3所述的基于ar的车辆速度辅助系统，其特征在于，所述上下文编码单元，包括：查询向量构造子单元，用于将所述多个前车检测特征向量进行一维排列以得到全局前车检测特征向量；自注意子单元，用于计算所述全局前车检测特征向量与所述多个前车检测特征向量中各个前车检测特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行
标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个前车检测特征向量中各个前车检测特征向量进行加权以得到所述多个上下文语义前车检测特征向量；级联子单元，用于将所述多个上下文语义前车检测特征向量进行级联以得到所述全局上下文语义前车检测特征向量。5.根据权利要求4所述的基于ar的车辆速度辅助系统，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。6.根据权利要求5所述的基于ar的车辆速度辅助系统，其特征在于，所述车速时序特征提取模块，包括：第一邻域尺度特征提取单元，用于将所述车速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车速时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元，用于将所述车速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车速时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度融合单元，用于将所述第一邻域尺度车速时序特征向量和所述第二邻域尺度车速时序特征向量进行级联以得到所述车速时序特征向量。其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到第一邻域尺度车速时序特征向量；其中，所述公式为：其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车速输入向量；以及所述第二邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车速输入向量进行一维卷积编码以得到所述第二邻域尺度车速时序特征向量；其中，所述公式为：其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积
核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车速输入向量。7.根据权利要求6所述的基于ar的车辆速度辅助系统，其特征在于，所述关联模块，用于：以如下公式对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；其中，所述公式为：其中v
m
表示所述车速时序特征向量，表示所述车速时序特征向量的转置向量，v
n
表示所述前车相对位置时序特征向量，m1表示所述分类特征矩阵，表示向量相乘。8.根据权利要求7所述的基于ar的车辆速度辅助系统，其特征在于，所述优化模块，包括：展开单元，用于将所述分类特征矩阵按行或列展开为分类特征向量；特征优化单元，用于以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到优化分类特征向量；其中，所述公式为：其中v是所述分类特征向量，‖v‖2表示所述分类特征向量的二范数，表示所述分类特征向量的二范数的平方，v
i
是所述分类特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且v
i
′
是所述优化分类特征向量的第i个特征值；以及矩阵重构单元，用于将所述优化分类特征向量进行矩阵重构以得到所述优化分类特征矩阵。9.根据权利要求8所述的基于ar的车辆速度辅助系统，其特征在于，所述预警模块，包括：分类特征向量生成单元，用于将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。10.一种基于ar的车辆速度辅助方法，其特征在于，包括：获取由摄像头采集的预定时间段内多个预定时间点的前车检测图像和所述多个预定时间点的车辆速度值；将所述多个预定时间点的前车检测图像分别通过作为过滤器的卷积神经网络模型以得到多个前车检测特征向量；将所述多个前车检测特征向量通过基于转换器的上下文编码器以得到前车相对位置时序特征向量；
将所述多个预定时间点的车辆速度值按照时间维度排列为车速输入向量后通过多尺度邻域特征提取模块以得到车速时序特征向量；对所述车速时序特征向量和所述前车相对位置时序特征向量进行关联编码以得到分类特征矩阵；对所述分类特征矩阵进行特征分布调制以得到优化分类特征矩阵；将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生车速预警提示；以及响应于所述分类结果为产生车速预警提示，将所述车速预警提示显示于车载屏幕。

技术总结
本申请涉及智能预警领域，其具体地公开了一种基于AR的车辆速度辅助系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出前车检测图像中关于车距的相对时序变化与所述车辆速度值变化之间的复杂映射关系，以此来对于当前车速是否会发生车辆相撞进行辅助预警，以保证驾驶员的行驶安全性。以保证驾驶员的行驶安全性。以保证驾驶员的行驶安全性。


技术研发人员：任全森 周林
受保护的技术使用者：重庆赛力斯新能源汽车设计院有限公司
技术研发日：2023.03.29
技术公布日：2023/6/27