基于机器视觉的车辆遮阳帘控制方法、系统、装置及介质与流程

1.本发明涉及车辆控制技术领域，尤其是一种基于机器视觉的车辆遮阳帘控制方法、系统、装置及介质。


背景技术：

2.汽车作为一种常见的交通工具，在人类生活中已经不可或缺。车窗是汽车车身的重要组成部分，是为了满足车内采光、通风及司乘人员视野的需要而进行设计的，部分车型还额外设计了顶窗，更加便于车内的采光和通风。当外部光照过强时，通过后车窗和/或顶窗照射入车内的阳光会影响后座乘车人员的休息，因此，通常会在车内设置遮阳帘用于阻挡从后车窗和/或顶窗照射入车内的强光。
3.现有技术中，车辆遮阳帘大多是通过司乘人员主观判断是否需要遮阳再进行遮阳帘的启闭控制，操作较为繁琐，效率低下；相关技术方案中公开了根据人脸图像统计闭眼时间和闭眼次数来判断乘客是否处于睡眠状态，进而控制遮阳帘的方法，然而这种方法需要准确采集到乘客的人脸图像来进行闭眼时间和闭眼次数的统计，但乘客处于睡眠状态的同时很可能伴随着低头、侧头等动作，导致无法拍摄得到完整的人脸图像，甚至会有帽檐、眼镜、眼罩等物品遮挡乘客眼部，影响了睡眠状态识别的准确性，进而影响了遮阳帘控制的准确性。


技术实现要素：

4.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
5.为此，本发明实施例的一个目的在于提供一种基于机器视觉的车辆遮阳帘控制方法，该方法提高了车辆遮阳帘控制的效率和准确性。
6.本发明实施例的另一个目的在于提供一种基于机器视觉的车辆遮阳帘控制系统。
7.为了达到上述技术目的，本发明实施例所采取的技术方案包括：
8.第一方面，本发明实施例提供了一种基于机器视觉的车辆遮阳帘控制方法，包括以下步骤：
9.获取目标车辆的后排座椅的第一图像信息，根据所述第一图像信息确定后座人员的人体图像信息，进而根据所述人体图像信息确定所述后座人员的人体时序数据；
10.将所述人体时序数据输入到预先训练好的乘车状态识别模型，得到所述后座人员的乘车状态识别结果；
11.获取所述目标车辆的外部环境的光照强度信息；
12.根据所述光照强度信息和所述乘车状态识别结果控制所述目标车辆的遮阳帘的启闭。
13.进一步地，在本发明的一个实施例中，所述获取目标车辆的后排座椅的第一图像信息，根据所述第一图像信息确定后座人员的人体图像信息这一步骤，其具体包括：
14.通过设置在所述目标车辆的前排座椅背部的摄像装置按照预设的采样频率获取
所述第一图像信息；
15.获取所述后排座椅的背景图像信息，根据所述第一图像信息和所述背景图像信息确定所述后排座椅的前景图像信息；
16.对所述前景图像信息进行边缘检测得到若干个连续轮廓，进而对所述连续轮廓进行随机霍夫变换，筛选出符合预设的阈值条件的连续轮廓作为物体轮廓；
17.根据所述物体轮廓对所述前景图像信息进行去噪处理，得到所述后座人员的人体图像信息。
18.进一步地，在本发明的一个实施例中，所述根据所述人体图像信息确定所述后座人员的人体时序数据这一步骤，其具体包括：
19.获取一个采样周期内的多个所述人体图像信息；
20.根据采样时间对各所述人体图像信息进行排序得到所述人体时序数据。
21.进一步地，在本发明的一个实施例中，所述车辆遮阳帘控制方法还包括预先训练乘车状态识别模型的步骤，其具体包括：
22.获取测试人员在车辆后座上不同乘车状态的多个样本时序数据，并根据所述测试人员所处的乘车状态确定各所述样本时序数据的样本标签；
23.根据所述样本时序数据和对应的所述样本标签构建训练样本集；
24.将所述训练样本集输入到预先构建的双向循环神经网络进行训练，对所述双向循环神经网络的模型参数进行优化，得到训练好的乘车状态识别模型；
25.其中，所述样本标签包括活动状态和休息状态，所述双向循环神经网络包括输入层、正向隐藏层、反向隐藏层以及输出层。
26.进一步地，在本发明的一个实施例中，所述将所述训练样本集输入到预先构建的双向循环神经网络进行训练，对所述双向循环神经网络的模型参数进行优化，得到训练好的乘车状态识别模型这一步骤，其具体包括：
27.将所述样本时序数据输入到所述输入层，并通过所述正向隐藏层计算得到第一隐藏状态向量；
28.将所述样本时序数据逆序输入到所述输入层，并通过所述反向隐藏层计算得到第二隐藏状态向量；
29.对所述第二隐藏状态向量进行逆序处理得到第三隐藏状态向量，并将所述第一隐藏状态向量和所述第三隐藏状态向量进行拼接处理得到第四隐藏状态向量；
30.将所述第四隐藏状态向量输入到所述输出层，输出得到乘车状态预测结果；
31.根据所述乘车状态预测结果和所述样本标签确定所述双向循环神经网络的损失值；
32.根据所述损失值更新所述双向循环神经网络的模型参数，并返回将所述样本时序数据输入到所述输入层这一步骤；
33.当所述损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的所述乘车状态识别模型。
34.进一步地，在本发明的一个实施例中，所述获取所述目标车辆的外部环境的光照强度信息这一步骤，其具体为：
35.通过设置在所述目标车辆的车顶和/或车窗的光照传感器获取所述光照强度信
息。
36.进一步地，在本发明的一个实施例中，所述根据所述光照强度信息和所述乘车状态识别结果控制所述目标车辆的遮阳帘的启闭这一步骤，其具体包括：
37.当所述乘车状态识别结果为休息状态，且所述光照强度信息大于等于预设的第一阈值，控制所述遮阳帘处于启动状态使得所述遮阳帘对所述目标车辆的后车窗和/或顶窗进行遮挡；
38.当所述乘车状态识别结果为活动状态，或所述光照强度信息小于所述第一阈值，控制所述遮阳帘处于关闭状态。
39.第二方面，本发明实施例提供了一种基于机器视觉的车辆遮阳帘控制系统，包括：
40.人体时序数据确定模块，用于获取目标车辆的后排座椅的第一图像信息，根据所述第一图像信息确定后座人员的人体图像信息，进而根据所述人体图像信息确定所述后座人员的人体时序数据；
41.乘车状态识别模块，用于将所述人体时序数据输入到预先训练好的乘车状态识别模型，得到所述后座人员的乘车状态识别结果；
42.光照强度信息获取模块，用于获取所述目标车辆的外部环境的光照强度信息；
43.遮阳帘启闭控制模块，用于根据所述光照强度信息和所述乘车状态识别结果控制所述目标车辆的遮阳帘的启闭。
44.第三方面，本发明实施例提供了一种基于机器视觉的车辆遮阳帘控制装置，包括：
45.至少一个处理器；
46.至少一个存储器，用于存储至少一个程序；
47.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于机器视觉的车辆遮阳帘控制方法。
48.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于机器视觉的车辆遮阳帘控制方法。
49.本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
50.本发明实施例获取目标车辆的后排座椅的第一图像信息，根据第一图像信息确定后座人员的人体图像信息，进而根据人体图像信息确定后座人员的人体时序数据，再将人体时序数据输入到预先训练好的乘车状态识别模型，得到后座人员的乘车状态识别结果，同时获取目标车辆的外部环境的光照强度信息，从而可以根据光照强度信息和乘车状态识别结果控制目标车辆的遮阳帘的启闭。本发明实施例对后座人员的人体时序数据进行提取，通过预先训练的乘车状态识别模型可以对人体时序数据中人体姿态的变化进行感知识别，从而可以准确识别后座人员是否处于休息状态，进而结合实时光照强度来准确判断是否需要进行遮光，提高了车辆遮阳帘控制的效率和准确性，也提高了用户的乘车体验。
附图说明
51.为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的
技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
52.图1为本发明实施例提供的一种基于机器视觉的车辆遮阳帘控制方法的步骤流程图；
53.图2为本发明实施例提供的一种基于机器视觉的车辆遮阳帘控制系统的结构框图；
54.图3为本发明实施例提供的一种基于机器视觉的车辆遮阳帘控制装置的结构框图。
具体实施方式
55.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
56.在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
57.参照图1，本发明实施例提供了一种基于机器视觉的车辆遮阳帘控制方法，具体包括以下步骤：
58.s101、获取目标车辆的后排座椅的第一图像信息，根据第一图像信息确定后座人员的人体图像信息，进而根据人体图像信息确定后座人员的人体时序数据。
59.具体地，本发明实施例持续获取人体图像形成人体时序数据，该人体时序数据可以反映后座人员人体姿态的变化。
60.进一步作为可选的实施方式，获取目标车辆的后排座椅的第一图像信息，根据第一图像信息确定后座人员的人体图像信息这一步骤，其具体包括：
61.s1011、通过设置在目标车辆的前排座椅背部的摄像装置按照预设的采样频率获取第一图像信息；
62.s1012、获取后排座椅的背景图像信息，根据第一图像信息和背景图像信息确定后排座椅的前景图像信息；
63.s1013、对前景图像信息进行边缘检测得到若干个连续轮廓，进而对连续轮廓进行随机霍夫变换，筛选出符合预设的阈值条件的连续轮廓作为物体轮廓；
64.s1014、根据物体轮廓对前景图像信息进行去噪处理，得到后座人员的人体图像信息。
65.具体地，可通过内嵌入前排座椅背部的摄像装置对后座进行持续的图像采集，采样频率可设为10hz，即每秒钟采样10次。获取到第一图像信息后，需要与后座的背景图像信息进行差分处理得到前景图像信息，该前景图像信息包括后座人员的人体图像的同时，还可能包括其他物体如背包、玩偶等，因此需要通过边缘检测得到连续轮廓并进行筛选过滤。
66.本发明实施例中，对前景图像信息进行边缘检测可以得到若干个连续轮廓(若后座只有一人且无其他物品则可以得到一个连续轮廓，其余情况下可能会有多个连续轮廓)。图像边缘即为图像局部区域亮度变化显著的部分，对于灰度图像来说，也就是灰度值有一个明显变化的区域，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。本发明实施例采用canny算子进行边缘检测，在提高对人体和物体边缘的敏感性的同时，可以抑制噪声。具体过程如下：
67.1)通过canny算子对前景图像信息进行边缘检测得到第二图像信息，并确定第二图像信息中的连续轮廓；
68.2)对第二图像信息进行遍历搜索，当搜索到连续轮廓，对连续轮廓进行随机霍夫变换，确定连续轮廓的形状和尺寸大小；
69.3)当连续轮廓的形状和尺寸符合预设的阈值条件，确定该连续轮廓为物体轮廓。
70.具体地，对通过canny算子提取得到的第二图像信息进行遍历搜索，从图像的左上角开始，从上而下，从左往右的顺序进行，搜索到图像中第i个独立的连续轮廓，对该连续轮廓进行rht变换(随机霍夫变换)，剔除直线、尺寸过大的轮廓，并筛选方形、圆形以及面积低于预设阈值(如100cm2)的不规则轮廓，符合条件的连续轮廓即可认定为物体轮廓。
71.可以理解的是，在得到物体轮廓后，需要根据该物体轮廓对前景图像信息进行去噪处理，即去除掉物体轮廓包围的像素点区域，剩下的区域即为后座人员的人体图像信息。
72.进一步作为可选的实施方式，根据人体图像信息确定后座人员的人体时序数据这一步骤，其具体包括：
73.s1015、获取一个采样周期内的多个人体图像信息；
74.s1016、根据采样时间对各人体图像信息进行排序得到人体时序数据。
75.具体地，同样以10hz的采样频率为例，将1秒钟内连续拍摄的10张第一图像信息对应的人体图像信息按照采样时间进行排序，即可得到一组人体时序数据，该人体时序数据可以反映后座人员在对应的采样周期内的人体姿态变化，从而可以通过预先训练的乘车状态识别模型判断其处于休息状态还是活动状态。
76.s102、将人体时序数据输入到预先训练好的乘车状态识别模型，得到后座人员的乘车状态识别结果。
77.具体地，本发明实施例的乘车状态识别模型通过预先采集测试人员在车内处于不同乘车状态的多个样本时序数据作为训练样本训练得到，下面对其训练过程进行说明。
78.进一步作为可选的实施方式，车辆遮阳帘控制方法还包括预先训练乘车状态识别模型的步骤，其具体包括：
79.a1、获取测试人员在车辆后座上不同乘车状态的多个样本时序数据，并根据测试人员所处的乘车状态确定各样本时序数据的样本标签；
80.a2、根据样本时序数据和对应的样本标签构建训练样本集；
81.a3、将训练样本集输入到预先构建的双向循环神经网络进行训练，对双向循环神经网络的模型参数进行优化，得到训练好的乘车状态识别模型；
82.其中，样本标签包括活动状态和休息状态，双向循环神经网络包括输入层、正向隐藏层、反向隐藏层以及输出层。
83.具体地，在构建训练样本集时，根据测试人员的实际所处的状态来确定对应的样
本标签。采集数量足够多、不同体型的测试人员、不同乘车状态的数据作为训练样本，即可形成训练样本集。
84.本发明实施例采用双向循环神经网络训练乘车状态识别模型，双向循环神经网络(brnn)的基本思想是对于每一个训练序列正向和反向分别采用两个循环神经网络(rnn)进行隐藏状态的计算，并且将计算的结果通过一个输出层进行整合输出。
85.进一步作为可选的实施方式，将训练样本集输入到预先构建的双向循环神经网络进行训练，对双向循环神经网络的模型参数进行优化，得到训练好的乘车状态识别模型这一步骤，其具体包括：
86.a31、将样本时序数据输入到输入层，并通过正向隐藏层计算得到第一隐藏状态向量；
87.a32、将样本时序数据逆序输入到输入层，并通过反向隐藏层计算得到第二隐藏状态向量；
88.a33、对第二隐藏状态向量进行逆序处理得到第三隐藏状态向量，并将第一隐藏状态向量和第三隐藏状态向量进行拼接处理得到第四隐藏状态向量；
89.a34、将第四隐藏状态向量输入到输出层，输出得到乘车状态预测结果；
90.a35、根据乘车状态预测结果和样本标签确定双向循环神经网络的损失值；
91.a36、根据损失值更新双向循环神经网络的模型参数，并返回将样本时序数据输入到输入层这一步骤；
92.a37、当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的乘车状态识别模型。
93.具体地，将训练数据集中的数据输入到初始化后的双向循环神经网络后，通过正向隐藏状态向量和反向隐藏状态向量的计算和拼接处理可以得到模型输出的识别结果，即乘车状态预测结果，可以根据乘车状态预测结果和前述的标签信息来评估模型识别的准确性，从而对模型的参数进行更新。对于乘车状态识别模型来说，模型识别结果的准确性可以通过损失函数(loss function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(cost function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本发明实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的乘车状态识别模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。
94.对于待识别的人体时序数据，将其输入到训练好的乘车状态识别模型，即可得到后座人员当前所处的乘车状态。
95.s103、获取目标车辆的外部环境的光照强度信息。
96.进一步作为可选的实施方式，获取目标车辆的外部环境的光照强度信息这一步骤，其具体为：
97.通过设置在目标车辆的车顶和/或车窗的光照传感器获取光照强度信息。
98.s104、根据光照强度信息和乘车状态识别结果控制目标车辆的遮阳帘的启闭。
99.进一步作为可选的实施方式，根据光照强度信息和乘车状态识别结果控制目标车辆的遮阳帘的启闭这一步骤，其具体包括：
100.s1041、当乘车状态识别结果为休息状态，且光照强度信息大于等于预设的第一阈值，控制遮阳帘处于启动状态使得遮阳帘对目标车辆的后车窗和/或顶窗进行遮挡；
101.s1042、当乘车状态识别结果为活动状态，或光照强度信息小于第一阈值，控制遮阳帘处于关闭状态。
102.具体，本发明实施例中，休息状态包括睡眠、闭目养神等状态，在此情况下，当检测到的外部光照强度大于预设的第一阈值(可由驾驶员或乘车人员预先设定)，既可启动遮阳帘进行遮阳；当用户从休息状态恢复到活动状态时，或者外部光照强度降低到第一阈值以下时，关闭遮阳帘，以便于车内的采光。
103.以上对本发明实施例的方法步骤进行了说明。可以认识到，本发明实施例对后座人员的人体时序数据进行提取，通过预先训练的乘车状态识别模型可以对人体时序数据中人体姿态的变化进行感知识别，从而可以准确识别后座人员是否处于休息状态，进而结合实时光照强度来准确判断是否需要进行遮光，提高了车辆遮阳帘控制的效率和准确性，也提高了用户的乘车体验。
104.参照图2，本发明实施例提供了一种基于机器视觉的车辆遮阳帘控制系统，包括：
105.人体时序数据确定模块，用于获取目标车辆的后排座椅的第一图像信息，根据第一图像信息确定后座人员的人体图像信息，进而根据人体图像信息确定后座人员的人体时序数据；
106.乘车状态识别模块，用于将人体时序数据输入到预先训练好的乘车状态识别模型，得到后座人员的乘车状态识别结果；
107.光照强度信息获取模块，用于获取目标车辆的外部环境的光照强度信息；
108.遮阳帘启闭控制模块，用于根据光照强度信息和乘车状态识别结果控制目标车辆的遮阳帘的启闭。
109.上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
110.参照图3，本发明实施例提供了一种基于机器视觉的车辆遮阳帘控制装置，包括：
111.至少一个处理器；
112.至少一个存储器，用于存储至少一个程序；
113.当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种基于机器视觉的车辆遮阳帘控制方法。
114.上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
115.本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种基于机器视觉的车辆遮阳帘控制方法。
116.本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种基于机器视觉的车辆遮阳帘控制方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
117.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
118.在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
119.此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
120.上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
121.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
122.计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
123.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
124.在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
125.尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
126.以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种基于机器视觉的车辆遮阳帘控制方法，其特征在于，包括以下步骤：获取目标车辆的后排座椅的第一图像信息，根据所述第一图像信息确定后座人员的人体图像信息，进而根据所述人体图像信息确定所述后座人员的人体时序数据；将所述人体时序数据输入到预先训练好的乘车状态识别模型，得到所述后座人员的乘车状态识别结果；获取所述目标车辆的外部环境的光照强度信息；根据所述光照强度信息和所述乘车状态识别结果控制所述目标车辆的遮阳帘的启闭。2.根据权利要求1所述的一种基于机器视觉的车辆遮阳帘控制方法，其特征在于，所述获取目标车辆的后排座椅的第一图像信息，根据所述第一图像信息确定后座人员的人体图像信息这一步骤，其具体包括：通过设置在所述目标车辆的前排座椅背部的摄像装置按照预设的采样频率获取所述第一图像信息；获取所述后排座椅的背景图像信息，根据所述第一图像信息和所述背景图像信息确定所述后排座椅的前景图像信息；对所述前景图像信息进行边缘检测得到若干个连续轮廓，进而对所述连续轮廓进行随机霍夫变换，筛选出符合预设的阈值条件的连续轮廓作为物体轮廓；根据所述物体轮廓对所述前景图像信息进行去噪处理，得到所述后座人员的人体图像信息。3.根据权利要求2所述的一种基于机器视觉的车辆遮阳帘控制方法，其特征在于，所述根据所述人体图像信息确定所述后座人员的人体时序数据这一步骤，其具体包括：获取一个采样周期内的多个所述人体图像信息；根据采样时间对各所述人体图像信息进行排序得到所述人体时序数据。4.根据权利要求1所述的一种基于机器视觉的车辆遮阳帘控制方法，其特征在于，所述车辆遮阳帘控制方法还包括预先训练乘车状态识别模型的步骤，其具体包括：获取测试人员在车辆后座上不同乘车状态的多个样本时序数据，并根据所述测试人员所处的乘车状态确定各所述样本时序数据的样本标签；根据所述样本时序数据和对应的所述样本标签构建训练样本集；将所述训练样本集输入到预先构建的双向循环神经网络进行训练，对所述双向循环神经网络的模型参数进行优化，得到训练好的乘车状态识别模型；其中，所述样本标签包括活动状态和休息状态，所述双向循环神经网络包括输入层、正向隐藏层、反向隐藏层以及输出层。5.根据权利要求4所述的一种基于机器视觉的车辆遮阳帘控制方法，其特征在于，所述将所述训练样本集输入到预先构建的双向循环神经网络进行训练，对所述双向循环神经网络的模型参数进行优化，得到训练好的乘车状态识别模型这一步骤，其具体包括：将所述样本时序数据输入到所述输入层，并通过所述正向隐藏层计算得到第一隐藏状态向量；将所述样本时序数据逆序输入到所述输入层，并通过所述反向隐藏层计算得到第二隐藏状态向量；对所述第二隐藏状态向量进行逆序处理得到第三隐藏状态向量，并将所述第一隐藏状
态向量和所述第三隐藏状态向量进行拼接处理得到第四隐藏状态向量；将所述第四隐藏状态向量输入到所述输出层，输出得到乘车状态预测结果；根据所述乘车状态预测结果和所述样本标签确定所述双向循环神经网络的损失值；根据所述损失值更新所述双向循环神经网络的模型参数，并返回将所述样本时序数据输入到所述输入层这一步骤；当所述损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的所述乘车状态识别模型。6.根据权利要求1所述的一种基于机器视觉的车辆遮阳帘控制方法，其特征在于，所述获取所述目标车辆的外部环境的光照强度信息这一步骤，其具体为：通过设置在所述目标车辆的车顶和/或车窗的光照传感器获取所述光照强度信息。7.根据权利要求1至6中任一项所述的一种基于机器视觉的车辆遮阳帘控制方法，其特征在于，所述根据所述光照强度信息和所述乘车状态识别结果控制所述目标车辆的遮阳帘的启闭这一步骤，其具体包括：当所述乘车状态识别结果为休息状态，且所述光照强度信息大于等于预设的第一阈值，控制所述遮阳帘处于启动状态使得所述遮阳帘对所述目标车辆的后车窗和/或顶窗进行遮挡；当所述乘车状态识别结果为活动状态，或所述光照强度信息小于所述第一阈值，控制所述遮阳帘处于关闭状态。8.一种基于机器视觉的车辆遮阳帘控制系统，其特征在于，包括：人体时序数据确定模块，用于获取目标车辆的后排座椅的第一图像信息，根据所述第一图像信息确定后座人员的人体图像信息，进而根据所述人体图像信息确定所述后座人员的人体时序数据；乘车状态识别模块，用于将所述人体时序数据输入到预先训练好的乘车状态识别模型，得到所述后座人员的乘车状态识别结果；光照强度信息获取模块，用于获取所述目标车辆的外部环境的光照强度信息；遮阳帘启闭控制模块，用于根据所述光照强度信息和所述乘车状态识别结果控制所述目标车辆的遮阳帘的启闭。9.一种基于机器视觉的车辆遮阳帘控制装置，其特征在于，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7中任一项所述的一种基于机器视觉的车辆遮阳帘控制方法。10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7中任一项所述的一种基于机器视觉的车辆遮阳帘控制方法。

技术总结
本发明公开了基于机器视觉的车辆遮阳帘控制方法、系统、装置及介质，方法包括：获取目标车辆的后排座椅的第一图像信息，根据第一图像信息确定后座人员的人体图像信息，进而根据人体图像信息确定后座人员的人体时序数据；将人体时序数据输入到预先训练好的乘车状态识别模型，得到后座人员的乘车状态识别结果；根据目标车辆的外部环境的光照强度信息和乘车状态识别结果控制目标车辆的遮阳帘的启闭。本发明可以对人体时序数据中人体姿态的变化进行感知识别，从而可以准确识别后座人员是否处于休息状态，进而结合实时光照强度准确判断是否需要进行遮光，提高了车辆遮阳帘控制的效率和准确性，也提高了用户的乘车体验，可广泛应用于车辆控制技术领域。用于车辆控制技术领域。用于车辆控制技术领域。


技术研发人员：曾丽吟
受保护的技术使用者：广汽本田汽车研究开发有限公司
技术研发日：2023.04.12
技术公布日：2023/7/12