本發(fā)明擴展到用于在低光條件下檢測車輛的方法、系統(tǒng)和計算機程序產(chǎn)品。攝像機用于獲取車輛周圍的環(huán)境的RGB圖像。RGB圖像被轉(zhuǎn)換為LAB圖像。“A”通道被過濾以從LAB圖像提取輪廓。輪廓基于它們的形狀/大小來過濾，以減少來自不可能對應(yīng)于車輛的輪廓的誤報。神經(jīng)網(wǎng)絡(luò)基于輪廓來將對象歸類為車輛或非車輛。因此，各個方面提供具有較低成本的傳感器和改進的美學(xué)的可靠的自主駕駛。車輛可以在夜間以及在其它低光條件下使用它們的前照燈和尾燈來檢測，以使自主車輛能夠更好地檢測它們的環(huán)境中的其它車輛。車輛檢測可以使用虛擬數(shù)據(jù)、深度學(xué)習(xí)和計算機視覺的組合來促進。

技術(shù)領(lǐng)域

本發(fā)明總體上涉及自主車輛的領(lǐng)域，并且更具體地，涉及在低光條件下檢測其他車輛。

背景技術(shù)

自主駕駛解決方案需要在夜間(以及在其他低光條件下)可靠地檢測其他車輛以便安全駕駛。大多數(shù)車輛視覺方法使用激光雷達(dá)(LIDAR)傳感器在夜間和其他低光條件下檢測其他車輛。LIDAR傳感器安裝在車輛上，通常在車頂上。LIDAR傳感器具有移動部件，該移動部件能夠感測車輛周圍向外大約100-150米的距離的360°的環(huán)境。來自LIDAR傳感器的傳感器數(shù)據(jù)被處理為感知車輛周圍的環(huán)境的“視圖”。該視圖用于自動控制車輛系統(tǒng)(例如轉(zhuǎn)向、加速、制動等)以在環(huán)境內(nèi)駕駛。該視圖隨著車輛在環(huán)境中駕駛(移動)而持續(xù)地更新。

發(fā)明內(nèi)容

根據(jù)本發(fā)明的一方面，提供一種用于檢測在車輛環(huán)境中的另一車輛的方法，該方法包含：

將RGB幀轉(zhuǎn)換為LAB幀；

通過至少一個閾值來過濾LAB幀的“A”通道以獲取至少一個閾值化的LAB圖像；

從至少一個閾值化的LAB圖像提取至少一個輪廓；并且

通過神經(jīng)網(wǎng)絡(luò)將至少一個輪廓歸類為車輛的環(huán)境內(nèi)的另一車輛。

根據(jù)本發(fā)明的一個實施例，該方法進一步包含從由多個攝像機融合的RGB圖像制定RGB幀。

根據(jù)本發(fā)明的一個實施例，其中過濾LAB幀的“A”通道包含以多個不同大小的閾值過濾LAB幀的“A”通道。

根據(jù)本發(fā)明的一個實施例，其中提取至少一個輪廓包含：

從至少一個閾值化的LAB圖像識別多個輪廓；并且

從多個輪廓過濾至少一個輪廓，該至少一個輪廓相對于多個輪廓中的其他輪廓具有更可能對應(yīng)于車輛的形狀和大小。

根據(jù)本發(fā)明的一個實施例，該方法進一步包含識別至少一個閾值化的LAB圖像中的至少一個關(guān)注區(qū)域，包括針對至少一個輪廓中的每個，從包括輪廓的至少一個閾值化的LAB圖像裁剪出關(guān)注區(qū)域。

根據(jù)本發(fā)明的一個實施例，其中通過神經(jīng)網(wǎng)絡(luò)將至少一個輪廓歸類為車輛的環(huán)境內(nèi)的另一車輛包含，針對至少一個關(guān)注區(qū)域中的每個：

將關(guān)注區(qū)域發(fā)送到神經(jīng)網(wǎng)絡(luò)；并且

接收從神經(jīng)網(wǎng)絡(luò)返回的類別，該類別將輪廓歸類為車輛。

根據(jù)本發(fā)明的一個實施例，該方法進一步包含：

接收來自車輛處的攝像機的在車輛周圍的環(huán)境內(nèi)的光強度低于指定閾值時被捕獲的RGB圖像；并且

從RGB圖像提取RGB幀。

根據(jù)本發(fā)明的一個實施例，其中將RGB幀轉(zhuǎn)換為LAB幀包含轉(zhuǎn)換由車輛處的攝像機在夜間捕獲的RGB幀。

根據(jù)本發(fā)明的一個實施例，其中通過神經(jīng)網(wǎng)絡(luò)將至少一個輪廓歸類為車輛的環(huán)境內(nèi)的另一車輛包含將至少一個輪廓與來自LIDAR傳感器的距離數(shù)據(jù)一起發(fā)送到神經(jīng)網(wǎng)絡(luò)。

根據(jù)本發(fā)明的另一方面，提供一種車輛，該車輛包含：

一個或多個處理器；