基于舱内视觉的目的地推荐方法及相关装置

技术领域

本申请涉及车辆技术领域，尤其涉及一种基于舱内视觉的目的地推荐方法及相关装置。

背景技术

随着汽车技术的不断发展，智能座舱发展趋势更是通过各种智能技术增强人车交互，未来汽车将不再是一个单一的交通工具，智能化、人性化也将成为另一个吸引用户的重要方面，能够极大提升用户的使用体验。

目前，用户在通过车载导航查找附近的餐厅信息时，车载导航通常是将附近所有的餐厅均显示出来，或者基于用户输入的类别查找某一类餐厅，这种推荐方法定向性较差，无法满足用户的当下需求，用户体验不佳。

发明内容

本申请提供了一种基于舱内视觉的目的地推荐方法及相关装置，以解决现有技术中车载导航目的地推荐效果较差的问题。

第一方面，本申请提供了一种基于舱内视觉的目的地推荐方法，其包括：

获取舱内目标人员的当前位置及在预设时间段内的人脸图像；

基于所述目标人员在预设时间段内的人脸图像，确定所述目标人员的情绪类别；

将当前位置的预设范围内所有感兴趣场所对应的风格信息输入第一分类模型，确定当前位置的预设范围内所有感兴趣场所的情绪类别；所述第一分类模型采用第一训练样本训练深度学习模型得到，所述第一训练样本包括感兴趣场所的风格信息及情绪类别；

将当前位置预设范围内与所述目标人员的情绪类别相同的感兴趣场所作为推荐场所。

在一种可能的实现方式中，在所述将当前位置预设范围内与所述目标人员的情绪类别相同的感兴趣场所作为推荐场所之后，所述方法还包括：

确定各个推荐场所的推荐信息，所述推荐信息包括位置信息、推荐指数和场所名称；所述推荐指数为将所述推荐场所的风格信息输入第一分类模型后输出的情绪类别的得分；

基于各个推荐场所的位置信息将推荐指数和场所名称标记在地图相应的位置并显示。

在一种可能的实现方式中，在所述将当前位置预设范围内与所述目标人员的情绪类别相同的感兴趣场所作为推荐场所之后，所述方法还包括：

获取用户选择的推荐场所；

基于用户选择的推荐场所的位置信息和所述目标人员的当前位置，生成导航信息。

在一种可能的实现方式中，所述基于所述目标人员在预设时间段内的人脸图像，确定所述目标人员的情绪类别，包括：

将所述目标人员在预设时间段内的人脸图像输入情绪识别模型，得到所述目标人员处于每种情绪的置信度评分；所述情绪识别模型采用第二训练样本训练深度学习模型得到，所述第二训练样本包括人脸图像和每种情绪的置信度评分；

基于所述目标人员处于每种情绪的置信度评分，确定所述目标人员的情绪类别。

在一种可能的实现方式中，所述感兴趣场所包括餐厅，所述风格信息包括用户评价、餐厅环境类型及菜式；

所述将当前位置的预设范围内所有感兴趣场所对应的风格信息输入第一分类模型，确定当前位置的预设范围内所有感兴趣场所的情绪类别，包括：

针对当前位置预设范围内的每个餐厅，将该餐厅对应的用户评价、餐厅环境类型及菜式输入所述第一分类模型，得到该餐厅在各个情绪上的得分，并将得分最高的情绪作为该餐厅的情绪类别。

在一种可能的实现方式中，获取舱内目标人员在预设时间段内的人脸图像，包括：

若舱内包括至少两个人员，则获取各个人员的人脸图像；

基于各个人员的人脸图像识别各个人员的身份信息；

基于各个人员的身份信息确定各个人员的优先级，并将优先级最高的人员作为目标人员；

获取所述目标人员在预设时间段内的人脸图像。

第二方面，本申请提供了一种基于舱内视觉的目的地推荐装置，其包括：

人脸图像获取模块，用于获取舱内目标人员的当前位置及在预设时间段内的人脸图像；

情绪识别模块，用于基于所述目标人员在预设时间段内的人脸图像，确定所述目标人员的情绪类别；

场所类别识别模块，用于将当前位置的预设范围内所有感兴趣场所对应的风格信息输入第一分类模型，确定当前位置的预设范围内所有感兴趣场所的情绪类别；所述第一分类模型采用第一训练样本训练深度学习模型得到，所述第一训练样本包括感兴趣场所的风格信息及情绪类别；

餐厅推荐模块，用于将当前位置预设范围内与所述目标人员的情绪类别相同的感兴趣场所作为推荐场所。

在一种可能的实现方式中，基于舱内视觉的目的地推荐装置还包括显示模块，用于：

确定各个推荐场所的推荐信息，所述推荐信息包括位置信息、推荐指数和场所名称；所述推荐指数为将所述推荐场所的风格信息输入第一分类模型后输出的情绪类别的得分；

基于各个推荐场所的位置信息将推荐指数和场所名称标记在地图相应的位置并显示。

在一种可能的实现方式中，基于舱内视觉的目的地推荐装置还包括导航信息生成模块，用于：

获取用户选择的推荐场所；

基于用户选择的推荐场所的位置信息和所述目标人员的当前位置，生成导航信息。

在一种可能的实现方式中，情绪识别模块包括：

将所述目标人员在预设时间段内的人脸图像输入情绪识别模型，得到所述目标人员处于每种情绪的置信度评分；所述情绪识别模型采用第二训练样本训练深度学习模型得到，所述第二训练样本包括人脸图像和每种情绪的置信度评分；

基于所述目标人员处于每种情绪的置信度评分，确定所述目标人员的情绪类别。

在一种可能的实现方式中，所述感兴趣场所包括餐厅，所述风格信息包括用户评价、餐厅环境类型及菜式；场所类别识别模块包括：

针对当前位置预设范围内的每个餐厅，将该餐厅对应的用户评价、餐厅环境类型及菜式输入所述第一分类模型，得到该餐厅在各个情绪上的得分，并将得分最高的情绪作为该餐厅的情绪类别。

在一种可能的实现方式中，人脸图像获取模块包括：

若舱内包括至少两个人员，则获取各个人员的人脸图像；

基于各个人员的人脸图像识别各个人员的身份信息；

基于各个人员的身份信息确定各个人员的优先级，并将优先级最高的人员作为目标人员；

获取所述目标人员在预设时间段内的人脸图像。

第三方面，本申请提供了一种控制器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面任一种可能的实现方式所述方法的步骤。

第四方面，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面任一种可能的实现方式所述方法的步骤。

本申请实施例提供一种基于舱内视觉的目的地推荐方法及相关装置，该方法首先获取舱内目标人员的当前位置及在预设时间段内的人脸图像；基于所述目标人员在预设时间段内的人脸图像，确定所述目标人员的情绪类别；然后将当前位置的预设范围内所有感兴趣场所对应的风格信息输入第一分类模型，确定当前位置的预设范围内所有感兴趣场所的情绪类别；所述第一分类模型采用第一训练样本训练深度学习模型得到，所述第一训练样本包括感兴趣场所的风格信息及情绪类别；最后将当前位置预设范围内与所述目标人员的情绪类别相同的感兴趣场所作为推荐场所。本申请通过上述方法，能够选出匹配目标用户当下心情的感兴趣场所，从而提高目的地推荐效果，改善用户体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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。

图1是本申请实施例提供的基于舱内视觉的目的地推荐方法的实现流程图；

图2是本申请实施例提供的report-NN网络结构示意图；

图3是本申请实施例提供的基于舱内视觉的目的地推荐装置的结构示意图；

图4是本申请实施例提供的控制器的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

参见图1，其示出了本申请实施例提供的基于舱内视觉的目的地推荐方法的实现流程图，该方法的执行主体可以为整车控制器，详述如下：

S101：获取舱内目标人员的当前位置及在预设时间段内的人脸图像。

在本实施例中，目标用户在需要控制器实现目标地推荐时，可以启动目的地推荐功能，整车控制器在监测到目的地推荐功能启动后，通过dms(driver monitoring system，驾驶员监控系统)摄像头获取目标用户的人脸图像。

具体的，用户可以在车辆的中控屏上点击目的地推荐功能的虚拟启动按键以启动目的地推荐功能，或者通过语音识别方式启动目的地推荐功能。

进一步的，为了提高目的地推荐效率，本实施例提供的整车控制器可以在监测到目的地推荐功能启动时，获取启动时刻前预设时间段内的人脸图像，能够避免用户在启动目的地推荐功能后需要等待一段时间才能获取对应的感兴趣场所，从而达到提高目的地推荐效率的效果。

S102：基于所述目标人员在预设时间段内的人脸图像，确定所述目标人员的情绪类别。

在本实施例中，不同的情绪下人脸的关键点坐标不同，整车控制器可以采用关键点检测技术检测人脸的关键点坐标，并基于人脸的关键点坐标对人脸图像的情绪类别进行估计。其中，情绪类别包括但不限于开心、悲伤、惊讶、害怕、厌恶、生气、中立。

在本实施例中，为了进一步提高目的地推荐效率，本实施例还可以在监测到目的地推荐功能启动前，实时的获取人脸图像，并按照预设时间段的长度周期性的对人脸图像进行情绪识别，确定每个周期内目标人员的情绪类别，在监测到目的地推荐功能启动时，则直接获取启动时刻前一周期识别出的目标人员的情绪类别。

具体的，预设时间段可以为1分钟、2分钟等较短的时间段。

S103：将当前位置的预设范围内所有感兴趣场所对应的风格信息输入第一分类模型，确定当前位置的预设范围内所有感兴趣场所的情绪类别；所述第一分类模型采用第一训练样本训练深度学习模型得到，所述第一训练样本包括感兴趣场所的风格信息及情绪类别。

在本实施例中，感兴趣场所可以包括餐厅、电影院、博物馆等等休闲娱乐场所。在S103之前，整车控制器可以首先获取用户输入的感兴趣场所类别，在确定感兴趣场所的类别后，查找当前位置的预设范围内所有该类别的感兴趣场所，然后将当前位置的预设范围内所有该类别的感兴趣场所输入第一分类模型，得到各个感兴趣场所在每种情绪上的得分，然后针对每个感兴趣场所，将该感兴趣场所的得分最高的情绪作为该感兴趣场所的情绪类别。

具体的，第一分类模型采用端到端的MobileNetV2网络结构构建初始的深度学习模型。感兴趣场所的风格信息可以包括但不限于用户评价和场所环境风格，情绪类别包括但不限于开心、悲伤、惊讶、害怕、厌恶、生气、中立，将感兴趣场所的风格信息作为模型输入，将情绪类别作为模型输出不断的训练深度学习模型，直至达到截止条件，得到第一分类模型。

具体的，若整车控制器未检测到用户输入感兴趣场所类别，则根据当前位置预设范围内所有感兴趣场所确定用户当前情绪下适合的场所。

S104：将当前位置预设范围内与所述目标人员的情绪类别相同的感兴趣场所作为推荐场所。

在本实施例中，获取当前位置预设范围内所有与目标人员的情绪类别相同的感兴趣场所作为推荐场所，并获取各个推荐场所的推荐信息，推荐信息包括场所名称、位置信息、推荐指数及风格信息等。其中，推荐指数为将所述推荐场所的风格信息输入第一分类模型后输出的情绪类别的得分。

整车控制器在获取到当前位置预设范围内的推荐场所的推荐信息后，按照推荐指数由高到低的顺序对推荐场所进行排序，得到推荐列表，并将推荐列表显示于中控屏上，中控屏上显示的推荐列表主页显示有推荐场所的场所名称、位置信息、距离当前位置的距离信息及推荐指数；当用户点击该推荐场所的场所名称时，整车控制器则将该推荐场所的风格信息显示于中控屏上。

本申请通过上述方法，能够选出匹配目标用户当下心情的感兴趣场所，使得产品更加人性化，改善其心情，使用户获得较为愉悦的体验。

在一种可能的实现方式中，在S103之后，本实施例提供的基于舱内视觉的目的地推荐方法还包括：

确定各个推荐场所的推荐信息，所述推荐信息包括位置信息、推荐指数和场所名称；所述推荐指数为将所述推荐场所的风格信息输入第一分类模型后输出的情绪类别的得分；

基于各个推荐场所的位置信息将推荐指数和场所名称标记在地图相应的位置并显示。

具体的，本实施例还可以将推荐场所据当前位置的距离显示于地图相应的位置。

在一种可能的实现方式中，在S103之后，本实施例提供的基于舱内视觉的目的地推荐方法还包括：

获取用户选择的推荐场所；

基于用户选择的推荐场所的位置信息和所述目标人员的当前位置，生成导航信息。

本实施例可以在获取到推荐场所后生成导航信息，以使车辆基于导航信息快速的到达目的地，提高车载导航的智能性。

在一种可能的实现方式中，S102的具体实现流程包括：

将所述目标人员在预设时间段内的人脸图像输入情绪识别模型，得到所述目标人员处于每种情绪的置信度评分；所述情绪识别模型采用第二训练样本训练深度学习模型得到，所述第二训练样本包括人脸图像和每种情绪的置信度评分；

基于所述目标人员处于每种情绪的置信度评分，确定所述目标人员的情绪类别。

在本实施例中，情绪分类技术根据输入的用户一段时间内的人脸图像对用户目前的情绪进行分类，得到其在七种情绪(开心、悲伤、惊讶、害怕、厌恶、生气、中立)上的置信度评分。该技术采用端到端的深度学习方法report-NN，该网络的网络结构如图2所示，包括输入层input layer、三个卷积层Convolutional Layer、对比度归一化层Local ContrastNormalization、最大池化层Max Pooling、两个全连接层Fully Connected Layer和输出层Softmax Output Layer，并使用最大池化层来减小图像尺寸，使用dropout以减少过拟合，通过卷积层提取到的特征，经过全连接层推理得到情绪的置信度评分。

在本实施例中，在确定目标人员在各种情绪上的置信度评分后，将置信度评分最高的情绪作为该目标人员的情绪类别。

在一种可能的实现方式中，所述感兴趣场所包括餐厅，所述风格信息包括用户评价、餐厅环境类型及菜式；S103的具体实现流程包括：

针对当前位置预设范围内的每个餐厅，将该餐厅对应的用户评价、餐厅环境类型及菜式输入所述第一分类模型，得到该餐厅在各个情绪上的得分，并将得分最高的情绪作为该餐厅的情绪类别。

具体的，在获取到该餐厅的用户评价、餐厅环境类型及菜式后，首先提取用户评价和餐厅环境类型中的关键词，然后将代表用户评价、餐厅环境类型的关键词及菜式输入第一分类模型，得到该餐厅在各个情绪上的得分。

在一种可能的实现方式中，S101的具体实现流程包括：

若舱内包括至少两个人员，则获取各个人员的人脸图像；

基于各个人员的人脸图像识别各个人员的身份信息；

基于各个人员的身份信息确定各个人员的优先级，并将优先级最高的人员作为目标人员；

获取所述目标人员在预设时间段内的人脸图像。

在本实施例中，整车控制器中预存有多个人员的身份信息及优先级，整车控制器可以通过dms摄像头获取舱内所有人员的人脸图像，然后基于所有人员的人脸图像，识别所有人员的身份信息。针对任一人员的人脸图像，若该人员未存储身份信息，则将该人员的身份信息判定为陌生人，陌生人的优先级低于所有存有身份信息的人员，当检测到车内所有人均为陌生人时，则将驾驶员作为目标人员，获取驾驶员在预设时间段内的人脸图像。

通过上述方法，本实施例可以在推荐感兴趣场所时优先考虑优先级较高的人员的情绪来推荐感兴趣场所，从而提高场所推荐的针对性。

在本实施例中，S101的具体实现流程还可以包括：

获取车内所有人员在预设时间段内的人脸图像，并根据所有人员的人脸图像确定所有人员的身份信息，根据所有人员的身份信息确定所有人员的优先级；

相应的，S102的具体实现流程包括：

基于所有人员的人脸图像确定每个人员在不同情绪上的置信度评分；

针对任一情绪类别，将每个人员在该情绪类别上的置信度评分进行加权求和，得到该情绪类别的置信度评分之和，其中，各个人员的权重基于优先级确定；

将置信度评分之和最高的情绪类别作为车内所有人员总体的情绪类别。

通过上述方法，本实施例在推荐感兴趣场所时可以综合考虑所有人员的情绪，从而使推荐的场所适应大多数人员的情绪，提高整体用户体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以下为本申请的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图3示出了本申请实施例提供的基于舱内视觉的目的地推荐装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分，详述如下：

如图3所示，基于舱内视觉的目的地推荐装置100包括：。

人脸图像获取模块110，用于获取舱内目标人员的当前位置及在预设时间段内的人脸图像；

情绪识别模块120，用于基于所述目标人员在预设时间段内的人脸图像，确定所述目标人员的情绪类别；

场所类别识别模块130，用于将当前位置的预设范围内所有感兴趣场所对应的风格信息输入第一分类模型，确定当前位置的预设范围内所有感兴趣场所的情绪类别；所述第一分类模型采用第一训练样本训练深度学习模型得到，所述第一训练样本包括感兴趣场所的风格信息及情绪类别；

餐厅推荐模块140，用于将当前位置预设范围内与所述目标人员的情绪类别相同的感兴趣场所作为推荐场所。

在一种可能的实现方式中，基于舱内视觉的目的地推荐装置100还包括显示模块，用于：

确定各个推荐场所的推荐信息，所述推荐信息包括位置信息、推荐指数和场所名称；所述推荐指数为将所述推荐场所的风格信息输入第一分类模型后输出的情绪类别的得分；

基于各个推荐场所的位置信息将推荐指数和场所名称标记在地图相应的位置并显示。

在一种可能的实现方式中，基于舱内视觉的目的地推荐装置还包括导航信息生成模块，用于：

获取用户选择的推荐场所；

基于用户选择的推荐场所的位置信息和所述目标人员的当前位置，生成导航信息。

在一种可能的实现方式中，情绪识别模块120包括：

将所述目标人员在预设时间段内的人脸图像输入情绪识别模型，得到所述目标人员处于每种情绪的置信度评分；所述情绪识别模型采用第二训练样本训练深度学习模型得到，所述第二训练样本包括人脸图像和每种情绪的置信度评分；

基于所述目标人员处于每种情绪的置信度评分，确定所述目标人员的情绪类别。

在一种可能的实现方式中，所述感兴趣场所包括餐厅，所述风格信息包括用户评价、餐厅环境类型及菜式；场所类别识别模块130包括：

针对当前位置预设范围内的每个餐厅，将该餐厅对应的用户评价、餐厅环境类型及菜式输入所述第一分类模型，得到该餐厅在各个情绪上的得分，并将得分最高的情绪作为该餐厅的情绪类别。

在一种可能的实现方式中，人脸图像获取模块110包括：

若舱内包括至少两个人员，则获取各个人员的人脸图像；

基于各个人员的人脸图像识别各个人员的身份信息；

基于各个人员的身份信息确定各个人员的优先级，并将优先级最高的人员作为目标人员；

获取所述目标人员在预设时间段内的人脸图像。

本申请实施例还提供了一种计算机程序产品，其具有程序代码，该程序代码在相应的处理器、控制器、计算装置或终端中运行时执行上述任一个基于舱内视觉的目的地推荐方法实施例中的步骤，例如图1所示的步骤101至步骤104。本领域技术人员应当理解，可以以硬件、软件、固件、专用处理器或其组合的各种形式来实现本申请实施例所提出的方法和所属的设备。专用处理器可以包括专用集成电路(ASIC)、精简指令集计算机(RISC)和/或现场可编程门阵列(FPGA)。所提出的方法和设备优选地被实现为硬件和软件的组合。该软件优选地作为应用程序安装在程序存储设备上。其典型地是基于具有硬件的计算机平台的机器，例如一个或多个中央处理器(CPU)、随机存取存储器(RAM)和一个或多个输入/输出(I/O)接口。操作系统典型地也安装在所述计算机平台上。这里描述的各种过程和功能可以是应用程序的一部分，或者其一部分可以通过操作系统执行。

图4是本申请实施例提供的控制器的示意图。如图4所示，该实施例的控制器4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个基于舱内视觉的目的地推荐方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块110至140的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成/实施本申请所提供的方案。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述控制器4中的执行过程。例如，所述计算机程序42可以被分割成图3所示的模块110至140。

所述控制器4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是控制器4的示例，并不构成对控制器4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述控制器还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述控制器4的内部存储单元，例如控制器4的硬盘或内存。所述存储器41也可以是所述控制器4的外部存储设备，例如所述控制器4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述控制器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/控制器和方法，可以通过其它的方式实现。例如，以上所描述的装置/控制器实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个基于舱内视觉的目的地推荐方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

此外，本申请附图中示出的实施例或本说明书中提到的各种实施例的特征不必理解为彼此独立的实施例。而是，可以将一个实施例的其中一个示例中描述的每个特征与来自其他实施例的个或多个其他期望的特征组合，从而产生未用文字或参考附图描述的其他实施例。

以上所述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精神和范围，均应包含在本申请的保护范围之内。