一种智能汽车开门方法、装置、智能汽车及存储介质

技术领域

本发明实施例涉及智能汽车技术领域，尤其涉及一种智能汽车开门方法、装置、智能汽车及存储介质。

背景技术

随着智能汽车技术不断发展，用户对汽车安全的意识越来越重视，以及对智能汽车便捷性有很大的需求，因此通过摄像头，人脸识别等创新技术实现方便、安全的功能是必然趋势。

目前汽车解锁开门主要通过遥控解锁开门和无钥匙进入等方式。遥控解锁开门需要手动开门，不能在双手不方便时打开车门，给用户造成极大的不便。无钥匙进入虽然相对便捷，但其安全性差，容易被破解。

发明内容

本发明提供一种智能汽车开门方法、装置、智能汽车及存储介质，以提高智能汽车开门的便捷性和安全性。

第一方面，本发明实施例提供了一种智能汽车开门方法，包括：获取车载TOF摄像头采集的拍摄图像；

从所述拍摄图像中提取出包括人脸的区域图像；

从所述区域图像中提取出人脸特征；

在所述人脸特征与预置的车主的面部特征相匹配时，控制所述智能汽车的车门开启。

可选的，所述从所述拍摄图像中提取出包括人脸的区域图像，包括：

对所述拍摄图像进行灰度处理，得到灰度图像；

从所述灰度图像中提取出Haar特征，所述灰度图像包括多个所述Haar特征；

通过积分图计算所述Haar特征的特征值；

将所述Haar特征及所述特征值输入Adaboost级联分类器，确定所述拍摄图像中包括人脸的区域图像。

可选的，所述从所述灰度图像中提取出Haar特征，包括：

通过预设的检测窗口遍历所述灰度图像，得到多个Haar特征。

可选的，所述Haar特征包括至少一个第一区域和至少一个第二区域，所述第一区域和所述第二区域具有不同的像素值，所述通过积分图计算所述Haar特征的特征值，包括：

通过所述积分图分别计算所述第一区域的像素值和所述第二区域的像素值；

计算所述第一区域的像素值和所述第二区域的像素值的差值作为所述Haar特征的特征值。

可选的，从所述区域图像中提取出人脸特征，包括：

将所述区域图像输入预置的卷积神经网络中进行处理，得到人脸特征。

可选的，所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，将所述区域图像输入预置的卷积神经网络中进行处理，得到人脸特征，包括：

将所述区域图像输入所述第一卷积层中进行卷积操作，得到第一特征；

将所述第一特征输入所述第一池化层中进行最大池化操作，得到第二特征；

将所述第二特征输入所述第二卷积层中进行卷积操作，得到第三特征；

将所述第三特征输入所述第二池化层中进行最大池化操作，得到第四特征；

将所述第四特征输入所述第三卷积层进行卷积操作，得到人脸特征。

可选的，在所述人脸特征与预置的车主的面部特征相匹配时，控制所述智能汽车的车门开启，包括：

计算所述人脸特征与面部特征的余弦相似度；

基于所述余弦相似度控制所述智能汽车的车门开启。

第二方面，本发明实施例还提供了一种智能汽车开门装置，包括：

图像获取模块，用于获取车载TOF摄像头采集的拍摄图像；

区域图像提取模块，用于从所述拍摄图像中提取出包括人脸的区域图像；

人脸特征提取模块，用于从所述区域图像中提取出人脸特征；

车门控制模块，用于在所述人脸特征与预置的车主的面部特征相匹配时，控制所述智能汽车的车门开启。

可选的，所述区域图像提取模块包括：

灰度处理子模块，用于对所述拍摄图像进行灰度处理，得到灰度图像；

Haar特征提取子模块，用于从所述灰度图像中提取出Haar特征，所述灰度图像包括多个所述Haar特征；

特征值计算子模块，用于通过积分图计算所述Haar特征的特征值；

区域图像确定子模块，用于将所述Haar特征及所述特征值输入Adaboost级联分类器，确定所述拍摄图像中包括人脸的区域图像。

可选的，所述Haar特征提取子模块包括：

遍历单元，用于通过预设的检测窗口遍历所述灰度图像，得到多个Haar特征。

可选的，所述Haar特征包括至少一个第一区域和至少一个第二区域，所述第一区域和所述第二区域具有不同的像素值，所述特征值计算子模块包括：

积分图单元，用于通过所述积分图分别计算所述第一区域的像素值和所述第二区域的像素值；

特征值计算单元，用于计算所述第一区域的像素值和所述第二区域的像素值的差值作为所述Haar特征的特征值。

可选的，所述人脸特征提取模块包括：

卷积子模块，用于将所述区域图像输入预置的卷积神经网络中进行处理，得到人脸特征。

可选的，所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，所述卷积子模块包括：

第一特征提取单元，用于将所述区域图像输入所述第一卷积层中进行卷积操作，得到第一特征；

第二特征提取单元，用于将所述第一特征输入所述第一池化层中进行最大池化操作，得到第二特征；

第三特征提取单元，用于将所述第二特征输入所述第二卷积层中进行卷积操作，得到第三特征；

第四特征提取单元，用于将所述第三特征输入所述第二池化层中进行最大池化操作，得到第四特征；

人脸特征提取单元，用于将所述第四特征输入所述第三卷积层进行卷积操作，得到人脸特征。

可选的，所述车门控制模块包括：

相似度计算子模块，用于计算所述人脸特征与面部特征的余弦相似度；

车门控制子模块，用于基于所述余弦相似度控制所述智能汽车的车门开启。

第三方面，本发明实施例还提供了一种智能汽车，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的智能汽车开门方法。

第四方面，本发明实施例还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面提供的智能汽车开门方法。

本发明实施例提供的智能汽车开门方法，包括：获取车载TOF摄像头采集的拍摄图像，从拍摄图像中提取出包括人脸的区域图像，从区域图像中提取出人脸特征，在人脸特征与预置的车主的面部特征相匹配时，控制智能汽车的车门开启。用户无需手动操作即可解锁车门，提高了便捷性。此外，本发明实施例采用TOF摄像头采集图像，能够更好地适应弱光环境，以及提高识别距离、识别精度和响应时间。车主的面部特征存储在智能汽车本地，在人脸检测和识别过程中，无需与远程服务器进行通讯，避免数据传输过程中被破解导致车主信息泄露的问题，保证了用户信息的安全性；同时，由于无需与服务器通讯，也提高了开锁速度。

附图说明

图1为本发明实施例一提供的一种智能汽车开门方法的流程图；

图2A为本发明实施例二提供的一种智能汽车开门方法的流程图；

图2B为本发明实施例二提供的一种计算Haar特征的示意图；

图2C为本发明实施例二提供的一种Adaboost级联分类器的结构示意图；

图2D为本发明实施例提供的一种卷积神经网络的结构示意图；

图3为本发明实施例三提供的一种智能汽车开门装置的结构示意图；

图4为本发明实施例四提供的一种智能汽车的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种智能汽车开门方法的流程图，本实施例可适用于智能汽车安全便捷开启车门的情况，该方法可以由本发明实施例提供的智能汽车开门装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于智能汽车中，如图1所示，该方法具体包括如下步骤：

S101、获取车载TOF摄像头采集的拍摄图像。

具体的，TOF(Time of Flight，飞行时间)摄像头发射经调制的近红外光，遇物体后反射，被摄像头接收，通过计算光线发射和反射时间差或相位差，并将数据收集起来，形成一组距离深度数据，从而得到3D图像。TOF摄像头具有远距离识别，识别精度高，环境光适应能力强和响应时间快等优点，能够更好地适应弱光环境，以及提高识别距离、识别精度和响应时间。TOF摄像头可以设置在智能汽车的靠近驾驶位的A柱上，并与智能汽车的控制器连接。

TOF摄像头采集的拍摄图像可以是视频流或图片，本发明实施例在此不做限定。当采集的是视频流时，可以从视频流中截取一帧或多帧图片用于后续的人脸检测和识别。

需要说明的是，上述实施例中，以TOF摄像头作为图像采集设备为示例对本发明实施例进行说明，在本发明其他实施例中，也可以采用其他红外或近红外摄像头作为图像采集设备，本发明实施例在此不做限定。

S102、从拍摄图像中提取出包括人脸的区域图像。

具体的，可以通过检测窗口去检测窗口内的符合人脸的特征(例如Haar特征)，通过不断改变检测窗口的位置和检测窗口的大小，或者不断改变检测窗口的位置和拍摄图像的大小，从而确定拍摄图像中包括人脸的区域图像。通常，采用矩形框将包括人脸的区域从拍摄图像中框选出来，作为区域图像。

需要说明的是，上述实施例中以检测窗口检测人脸为示例对本发明实施例进行说明，在本发明的其他实施例中，也可以基于深度学习进行人脸检测，例如DPM(DeformablePart Model)、Cascade CNN等，本发明实施例在此不做限定。

S103、从区域图像中提取出人脸特征。

具体的，对上述步骤中得到的区域图像进行处理，例如卷积、池化等操作，得到用于表征人脸面部器官的人脸特征。

S104、在人脸特征与预置的车主的面部特征相匹配时，控制智能汽车的车门开启。

具体的，智能汽车的内部存储器中存储有车主的面部特征，将采集的人脸特征与车主的面部特征进行比对，当人脸特征与预置的车主的面部特征相匹配时，控制智能汽车的车门开启。

本发明实施例中，车主的面部特征存储在智能汽车本地，在人脸检测和识别过程中，无需与远程服务器进行通讯，避免数据传输过程中被破解导致车主信息泄露的问题，保证了用户信息的安全性；同时，由于无需与服务器通讯，也提高了开锁速度。

本发明实施例提供的智能汽车开门方法，包括：获取车载TOF摄像头采集的拍摄图像，从拍摄图像中提取出包括人脸的区域图像，从区域图像中提取出人脸特征，在人脸特征与预置的车主的面部特征相匹配时，控制智能汽车的车门开启。用户无需手动操作即可解锁车门，提高了便捷性。此外，本发明实施例采用TOF摄像头采集图像，能够更好地适应弱光环境，以及提高识别距离、识别精度和响应时间。车主的面部特征存储在智能汽车本地，在人脸检测和识别过程中，无需与远程服务器进行通讯，避免数据传输过程中被破解导致车主信息泄露的问题，保证了用户信息的安全性；同时，由于无需与服务器通讯，也提高了开锁速度。

实施例二

本发明实施例二提供了一种智能汽车开门方法，图2A为本发明实施例二提供的一种智能汽车开门方法的流程图，本实施例在上述实施例一的基础上进行细化，详细描述了区域图像的提取过程和人脸特征的提取过程，如图2A所示，该方法包括：

S201、获取车载TOF摄像头采集的拍摄图像。

具体的，TOF摄像头可以设置在智能汽车的靠近驾驶位的A柱上，并与智能汽车的控制器连接。TOF摄像头采集的拍摄图像可以是视频流或图片，本发明实施例在此不做限定。

S202、对拍摄图像进行灰度处理，得到灰度图像。

具体的，拍摄的图片通常为彩色图片，包括R、G、B三个颜色通道，每个像素具有三个颜色分量。为了减少数据处理量，通常对彩色图片进行灰度处理，将其转换为灰度图片。就是让像素矩阵中的每一个像素都满足下面的关系：R＝G＝B(就是红色分量的值，绿色分量的值，和蓝色分量的值，这三个值相等)，此时的这个值叫做灰度值。

具体的，可以采用分量法、最大值法、平均值法或加权平均法等方法实现图像的灰度处理。

示例性的，在本发明一具体实施例中，采用加权平均法来实现图像的灰度化。通过对任意位置(i,j)的像素的红色分量、绿色分量和蓝色分量分别赋予不同的权值，并求和，得到该像素的灰度值。具体的，加权平均值法的计算公式如下：

Gray(i,j)＝0.299R(i,j)+0.578G(i,j)+0.114B(i,j)

S203、从灰度图像中提取出Haar特征，灰度图像包括多个Haar特征。

具体的，通过预设的检测窗口遍历灰度图像，得到多个Haar特征。检测窗口可以是24×24像素大小的滑动窗口，窗口包括特征模板，特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素值之和减去黑色矩形像素值之和。特征模板可以包括边缘特征模板、线性特征模板、中心特征模板和对角线特征模板。通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。特征模板在检测窗口中扩展(平移伸缩)得到的特征称为Haar特征，或矩形特征。Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。

Haar特征包括至少一个第一区域(白色区域)和至少一个第二区域(黑色区域)，第一区域和第二区域具有不同的像素值。像素值是原稿图像被数字化时由计算机赋予的值,它代表了原稿某一小方块的平均亮度信息,或者说是该小方块的平均反射(透射)密度信息。如果对于一张本身就是灰度图像来说，他的像素值就是它的灰度值。

Haar特征可位于图像任意位置，大小也可以任意改变，故类别、大小和位置的变化，使得很小的检测窗口含有非常多的Haar特征。

S204、通过积分图计算Haar特征的特征值。

Haar特征的特征值为Haar特征中白色矩形像素值之和减去黑色矩形像素值之和。如上所述，Haar特征可位于图像任意位置，大小也可以任意改变，使得很小的检测窗口含有非常多的Haar特征，而Haar特征的特征征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数，因此Haar特征的特征值计算是一个非常庞大的工程。

因此，在本发明实施例中，通过积分图来计算Haar特征的特征值，积分图就是只遍历一次图像就可以求出图像中所有区域像素和的快速算法，大大的提高了图像特征值计算的效率。积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重新计算这个区域的像素和，从而加快了计算(这有个相应的称呼，叫做动态规划算法)。积分图能够在多种尺度下，使用相同的时间(常数时间)来计算不同的特征，因此大大提高了检测速度。

积分图的构造方式是位置(i,j)处的值ii(i,j)是原图像(i,j)左上角方向所有像素值f(k,l)的和，数学表达为：

图2B为本发明实施例二提供的一种计算Haar特征的示意图，示例性的，如图2B所示，对与Haar特征AB，A区域的像素值之和为：

ii(5)+ii(1)-ii(2)-ii(4)

B区域的像素值之和为：

ii(6)+ii(2)-ii(5)-ii(3)

则该Haar特征的特征值为：

ii(5)+ii(1)-ii(2)-ii(4)-[ii(6)+ii(2)-ii(5)-ii(3)]

其中，ii(5)表示图中坐标点5左上角方向所有像素值的和，其他类似。所以，Haar特征的特征值，只与Haar特征的端点的积分图有关，而与图像的坐标无关。通过计算Haar特征的端点的积分图，再进行简单的加减运算，就可以得到特征值，正因为如此，特征值的计算速度大大提高，也提高了目标的检测速度。

S205、将Haar特征及特征值输入Adaboost级联分类器，确定拍摄图像中包括人脸的区域图像。

图2C为本发明实施例二提供的一种Adaboost级联分类器的结构示意图，示例性的，如图2C所示，Adaboost级联分类器包括多个级联的强分类器，每个强分类器包括多个呈树枝结构的弱分类器。当Haar特征及特征值通过所有强分类器时，检测窗口才被确定为包括人脸的区域图像。由于每一个强分类器对负样本的判别准确度非常高，所以一旦发现检测到的目标位负样本，就不在继续调用下面的强分类器，减少了很多的检测时间。因为一幅图像中待检测的区域很多都是负样本，这样由级联分类器在分类器的初期就抛弃了很多负样本的复杂检测，所以级联分类器的速度是非常快的；只有正样本才会送到下一个强分类器进行再次检验，这样就保证了最后输出的正样本的伪正(false positive)的可能性非常低，提高了检测的准确率。

一个弱分类器就是一个简单的决策树，每一个Haar特征对应一个弱分类器，弱分类器的数学表达式如下：

其中f为Haar特征，θ为阈值，p指示不等号的方向，x代表一个检测窗口。

强分类器的数学表达式如下：

其中，

本发明实施例中，不断扩大检测窗口，进行搜索，将窗口内的Haar特征和特征值输入Adaboost级联分类器，Adaboost级联分类器对Haar特征和特征值不断进行筛选，丢弃或通过，最终确定该检测窗口是否为包括人脸的区域图像。

S206、将区域图像输入预置的卷积神经网络中进行处理，得到人脸特征。

图2D为本发明实施例提供的一种卷积神经网络的结构示意图，示例性的，如图2D所示，卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层。

卷积神经网络对区域图像的处理过程如下：

1、将区域图像输入第一卷积层中进行卷积操作，得到第一特征。

具体的，第一卷积层的卷积核大小为5×5，卷积步长为2×2。第一卷积层对输入的区域图像按照上述参数进行卷积操作，得到第一特征。

2、将第一特征输入第一池化层中进行最大池化操作，得到第二特征。

具体的，第一池化层的池化窗口大小为3×3，步长为2×2。第一池化层接收第一特征，按照上述参数进行最大池化操作，得到第二特征。最大池化操作即在池化窗口内选取的第一特征的局部区域内的最大的一个数来代表该片区域，保留第一特征各通道数据中的最大特征，得到第二特征。池化是为了减少训练参数的数量，降低第一卷积层输出的第一特征的维度，减小过拟合现象，只保留最有用的特征信息，减少噪声的传递。在本发明其他实施例中，第一池化层也可以对第一特征进行平均池化操作，得到第二特征，本发明实施例在此不做限定。

3、将第二特征输入第二卷积层中进行卷积操作，得到第三特征。

具体的，第二卷积层的卷积核大小为3×3，卷积步长为1×1。第二卷积层对输入的第二特征按照上述参数进行卷积操作，得到第三特征。

4、将第三特征输入第二池化层中进行最大池化操作，得到第四特征。

具体的，第二池化层的池化窗口大小为3×3，步长为2×2。第二池化层接收第三特征，按照上述参数进行最大池化操作，得到第四特征。

5、将第四特征输入第三卷积层进行卷积操作，得到人脸特征。

具体的，第三卷积层的卷积核大小为1×1，卷积步长为1×1。第三卷积层对输入的第四特征按照上述参数进行卷积操作，得到一维的人脸特征。

需要说明的是，上述实施例中以卷积神经网络包括三个卷积层为例，对本发明进行示例性说明，在本发明其他实施例中，卷积神经网络中的卷积层的数量可以根据需要设定，本发明实施例在此不做限定，此外，在本发明其他实施例中，卷积神经网络还可以包括残差卷积神经网络。

S207、计算人脸特征与面部特征的余弦相似度。

具体的，智能汽车的内部存储器中存储有车主的面部特征，将采集的人脸特征与车主的面部特征进行比对，当人脸特征与预置的车主的面部特征相匹配时，控制智能汽车的车门开启。

示例性的，在本发明实施例中，计算人脸特征与面部特征的余弦相似度，具体的，余弦相似度的计算公式如下：

其中，A为人脸特征，B为面部特征，cos(A,B)为人脸特征和面部特征的余弦相似度。

S208、基于余弦相似度控制智能汽车的车门开启。

具体的，在通过上述步骤得到余弦相似度后，将余弦相似度与预设值进行比对，若余弦相似度大于预设值时，确定人脸特征与预置的车主的面部特征相匹配，此时，控制智能汽车的车门开启。

本发明实施例提供的智能汽车开门方法，用户无需手动操作即可解锁车门，提高了便捷性。采用TOF摄像头采集图像，能够更好地适应弱光环境，以及提高识别距离、识别精度和响应时间。车主的面部特征存储在智能汽车本地，在人脸检测和识别过程中，无需与远程服务器进行通讯，避免数据传输过程中被破解导致车主信息泄露的问题，保证了用户信息的安全性；同时，由于无需与服务器通讯，也提高了开锁速度。通过Adaboost级联分类器进行人脸检测，提高了检测的准确率和检测速度。

实施例三

图3为本发明实施例三提供的一种智能汽车开门装置的结构示意图，如图3所示，该智能汽车开门装置包括：

图像获取模块301，用于获取车载TOF摄像头采集的拍摄图像；

区域图像提取模块302，用于从所述拍摄图像中提取出包括人脸的区域图像；

人脸特征提取模块303，用于从所述区域图像中提取出人脸特征；

车门控制模块304，用于在所述人脸特征与预置的车主的面部特征相匹配时，控制所述智能汽车的车门开启。

在本发明的一些实施例中，所述区域图像提取模块302包括：

灰度处理子模块，用于对所述拍摄图像进行灰度处理，得到灰度图像；

Haar特征提取子模块，用于从所述灰度图像中提取出Haar特征，所述灰度图像包括多个所述Haar特征；

特征值计算子模块，用于通过积分图计算所述Haar特征的特征值；

区域图像确定子模块，用于将所述Haar特征及所述特征值输入Adaboost级联分类器，确定所述拍摄图像中包括人脸的区域图像。

在本发明的一些实施例中，所述Haar特征提取子模块包括：

遍历单元，用于通过预设的检测窗口遍历所述灰度图像，得到多个Haar特征。

在本发明的一些实施例中，所述Haar特征包括至少一个第一区域和至少一个第二区域，所述第一区域和所述第二区域具有不同的像素值，所述特征值计算子模块包括：

积分图单元，用于通过所述积分图分别计算所述第一区域的像素值和所述第二区域的像素值；

特征值计算单元，用于计算所述第一区域的像素值和所述第二区域的像素值的差值作为所述Haar特征的特征值。

在本发明的一些实施例中，所述人脸特征提取模块303包括：

卷积子模块，用于将所述区域图像输入预置的卷积神经网络中进行处理，得到人脸特征。

在本发明的一些实施例中，所述卷积神经网络包括第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，所述卷积子模块包括：

第一特征提取单元，用于将所述区域图像输入所述第一卷积层中进行卷积操作，得到第一特征；

第二特征提取单元，用于将所述第一特征输入所述第一池化层中进行最大池化操作，得到第二特征；

第三特征提取单元，用于将所述第二特征输入所述第二卷积层中进行卷积操作，得到第三特征；

第四特征提取单元，用于将所述第三特征输入所述第二池化层中进行最大池化操作，得到第四特征；

人脸特征提取单元，用于将所述第四特征输入所述第三卷积层进行卷积操作，得到人脸特征。

在本发明的一些实施例中，所述车门控制模块304包括：

相似度计算子模块，用于计算所述人脸特征与面部特征的余弦相似度；

车门控制子模块，用于基于所述余弦相似度控制所述智能汽车的车门开启。

上述智能汽车开门装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

实施例四

本发明实施例四提供了一种智能汽车，图4为本发明实施例四提供的一种智能汽车的结构示意图，如图4所示，该智能汽车包括：

处理器401、存储器402、通信模块403、输入装置404和输出装置405；智能汽车中处理器401的数量可以是一个或多个，图4中以一个处理器401为例；智能汽车中的处理器401、存储器402、通信模块403、输入装置404和输出装置405可以通过总线或其他方式连接，图4中以通过总线连接为例。上述处理器401、存储器402、通信模块403、输入装置404和输出装置405可以集成在智能汽车上。

存储器402作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如上述实施例中的智能汽车开门方法对应的模块。处理器401通过运行存储在存储器402中的软件程序、指令以及模块，从而执行智能汽车的各种功能应用以及数据处理，即实现上述的智能汽车开门方法。

存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据微型计算机的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器402可进一步包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块403，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键信号输入。

本实施例提供的智能汽车，可执行本发明实施例一、二提供的智能汽车开门方法，具有相应的功能和有益效果。

实施例五

本发明实施例五提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的智能汽车开门方法。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的智能汽车开门方法中的相关操作。

需要说明的是，对于装置、智能汽车和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得智能汽车执行本发明任意实施例所述的智能汽车开门方法。

值得注意的是，上述装置中，所包括的各个模块和单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

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装置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。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例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例或示例中。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例或示例。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例或示例中以合适的方式结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。