一种角度识别方法、装置及设备

技术领域

本发明涉及人工智能技术领域，特别是涉及一种角度识别方法、装置、计算机可读存储介质、计算设备以及计算机程序产品。

背景技术

卡车又称载货车辆，一般用于运送货物。卡车主要由可拆卸的车头和车尾组成，当卡车在转弯的过程中，车头和车尾之间会形成一定的夹角，该夹角称为车辆角度。如图1所示，车辆角度是指车尾11与车头12之间的夹角∠θ。

卡车在自动驾驶转弯过程中，需要根据车辆角度的变化情况，得到车尾的摆动姿态，然后控制卡车转弯，从而避免车尾与路沿或非道路上的障碍物发生碰撞。相关的技术方案中，通过在卡车上后安装电子传感器或激光雷达等方式来识别车辆角度。但是，在卡车上安装电子传感器需要繁琐地布线，并且线束容易在卡车转弯过程中磨损，使用寿命较短；而激光雷达的成本较高，从而限制了在每一辆卡车上均安装该设备。

基于此，业界亟需一种低成本且使用寿命长的角度识别方法。

发明内容

为了解决上述技术问题，本申请提供了一种角度识别方法，该方法通过不断优化更新的角度识别模型来获得车辆角度，使用成本较低，同时规避了使用寿命的问题。本申请还提供了一种角度识别装置、计算机可读存储介质、计算设备以及计算机程序产品。

本申请实施例公开了如下技术方案：

第一方面，本申请公开了一种角度识别方法，所述方法包括：

获取车辆的图像，所述车辆包括可拆卸的车头和车尾；

通过角度识别模型对所述车辆的图像进行识别，获得车辆角度的预测值；所述车辆角度为所述车头和所述车尾之间夹角；

其中，所述角度识别模型根据历史车辆角度的预测值，通过增量学习的方式训练得到。

可选的，所述方法还包括：

根据所述车辆角度，生成控制信号，所述控制信号用于控制所述车辆转弯。

可选的，所述车辆的图像包括所述车辆的俯视图和侧视图中的至少一种。

可选的，所述角度识别模型根据新增训练集进行更新，所述通过角度识别模型对所述车辆的图像进行识别，获得车辆角度的预测值，包括：

通过更新后角度识别模型对所述车辆的图像进行识别，获得车辆角度的预测值。

可选的，所述新增训练集中的训练样本包括新增车辆角度的预测值与新增真实角度之间的差值大于预设阈值时，新增车辆的图像和所述新增真实角度。

可选的，所述新增训练集根据原始训练集中的训练样本在不同分组中的占比信息得到；

所述不同分组包括不同角度分组和不同天气分组中的任一种。、

可选的，所述更新后角度识别模型根据新增训练集中的目标训练样本更新得到；所述目标训练样本为对所述新增训练集中不同分组的训练样本按照各自分组对应的采样概率进行采样得到的样本。

可选的，所述采样概率通过如下公式获得：

其中，P

第二方面，本申请提供了一种角度识别装置，包括：

获取模块，用于获取车辆的图像，所述车辆包括可拆卸的车头和车尾；

识别模块，用于通过角度识别模型对所述车辆的图像进行识别，获得车辆角度的预测值；所述车辆角度为所述车头和所述车尾之间夹角；

其中，所述角度识别模型根据历史车辆角度的预测值，通过增量学习的方式训练得到。

第三方面，本申请提供了一种计算设备，该计算设备包括存储器和处理器；

所述处理器用于执行所述存储器中存储的指令，以使得所述设备执行上述第一方面中任一项所述的方法。

第四方面，本申请提供了一种计算机可读存储介质，该计算机可读存储介质包括指令，所述指令用于指示所述计算设备执行上述第一方面中任一项所述的方法。

第五方面，本申请提供了一种计算机程序产品，该计算机程序产品包括软件程序包，当所述软件程序包在计算设备上运行时，指示所述计算设备执行上述第一方面中任一项所述的方法。

第六方面，本申请提供了一种车辆，所述车辆包括可拆卸的车头和车尾；还包括上述第三方面中的计算设备。

由上述技术方案可以看出，本申请具有以下优点：

本申请提供的一种角度识别方法，该方法包括获取车辆的图像，然后通过角度识别模型对车辆的图像进行识别，来获得车辆角度的预测值，该车辆角度为车头和车尾之间夹角。该方法基于不断优化更新的角度识别模型，来对车辆角度进行识别，无需在车辆上后安装角度识别设备(例如激光雷达或电子传感器)，降低了成本，并且规避了角度识别设备寿命的问题。进一步地，该方法能够在多种环境(例如夜间、雾天等)下的对车辆角度进行识别，提高了角度识别的适用范围。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1为一种车辆角度的示意图；

图2为本申请实施例提供的一种角度识别方法的流程图；

图3为本申请实施例提供的一种嵌入式设备与车载控制器之间的指令交互图；

图4为本申请实施例提供的一种嵌入式设备与车载控制器之间的指令交互图；

图5为本申请实施例提供的一种角度识别模型训练及更新系统的示意图；

图6为本申请实施例提供的一种角度识别装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于本领域技术人员理解，下面先对申请涉及的技术术语进行介绍。

角度识别指对夹角的角度进行识别。车辆角度指可拆卸的车头和车尾之间的夹角，如图1所示，本申请实施例中的车辆角度为车尾11与车头12之间的夹角∠θ。

车辆(例如卡车)在自动驾驶转弯过程中，需要根据车辆角度的变化情况，得到车尾的摆动姿态，然后控制车辆转弯，从而避免车尾与路沿或非道路上的障碍物发生碰撞。

相关的技术方案中，通过在车辆上后安装电子传感器或激光雷达等方式来识别车辆角度。但是，这种后安装的方式不仅布线繁琐，而且线束在车辆转弯过程中容易受损，从而使电子传感器或激光雷达的使用寿命均较短。并且，激光雷达的成本较高，从而限值了在每一辆车辆上均安装激光雷达，限制了商业使用。

为解决上述问题，本申请提供了一种角度识别方法。该方法可以由车辆上的嵌入式设备执行。具体地，嵌入式设备获取车辆的图像，然后利用基于不断更新优化后得到的角度识别模型对车辆的图像进行识别，获得车辆角度的预测值，无需在车辆上后安装角度识别设备(例如激光雷达)等。其中，角度识别模型可以是根据历史车辆角度的预测值，通过增量学习的方式训练得到。

该方法基于不断优化更新的角度识别模型，来对车辆角度进行识别，无需在车辆上后安装角度识别设备，例如激光雷达或电子传感器，降低了成本，并且规避了角度识别设备寿命的问题。进一步地，该方法能够在多种环境(例如夜间、雾天等)下的对车辆角度进行识别，提高了角度识别的适用范围。

在车辆自动驾驶场景中，车辆会在路口自动转弯，为了避免车辆在转弯的过程中，车尾与路沿或者非道路上的障碍物发生碰撞，嵌入式设备可以获取车辆的图像，然后通过角度识别模型对车辆的图像进行识别，获得车辆角度。然后嵌入式设备可以根据该车辆角度生成控制信号，发送给车载控制器。车载控制器根据该控制信号控制车辆自动转弯。

为了使得本申请的技术方案更加清楚、易于理解，下面以嵌入式设备的角度对本申请实施例提供的角度识别方法进行详细说明。

如图2所示，该图为本申请实施例提供的一种角度识别方法的流程图，该角度识别方法包括如下步骤：

S201：嵌入式设备获取车辆的图像。

在一些实施例中，嵌入式设备可以通过内置或外接的图像采集器(例如摄像头)来获取车辆的图像。

需要说明的是，本实施例中所述车辆是指车头和车尾可拆卸的车辆，例如卡车。

车辆的图像可以是俯视图和侧视图中的至少一种。在一些实施例中，车辆的图像可以是车辆的俯视图，也可以是车辆的侧视图，或者是车辆的俯视图和车辆的侧视图，对此本申请不进行限定。

在一些实现方式中，可以在通过车辆上的至少一个图像采集器来采集车辆的图像。例如图像采集器可以位于车辆车头上方，通过该图像采集器，嵌入式设备可以获取到包括车头和车尾的车辆图像。

S202：嵌入式设备通过角度识别模型对车辆的图像进行识别，获得车辆角度的预测值。

车辆角度为车头和车尾之间的夹角，如图1中所示，∠θ即为车辆夹角。

嵌入式设备获取到车辆的图像后，通过角度识别模型对车辆的图像进行识别，获得车辆角度的预测值，如此，无需在车辆上后安装角度识别装置(例如激光雷达等)，嵌入式设备也能够获取到车辆角度。

其中，该角度识别模型根据历史车辆角度的预测值，通过增量学习的方式训练得到。在另一些实施例中，该角度识别模型也可以是根据历史成立角度的预测值，通过在线学习的方式训练得到。

需要说明的是，在线学习的方式为增量学习的方式中的一种特例。

后续详细介绍角度识别模型的训练过程。

本实施例中，该方法基于不断优化更新的角度识别模型，来对车辆角度进行识别，无需在车辆上再安装角度识别设备，例如激光雷达或电子传感器，降低了成本，并且规避了角度识别设备寿命的问题。进一步地，该方法能够在多种环境(例如夜间、雾天等)下的对车辆角度进行识别，提高了角度识别的适用范围。

在一些实施例中，嵌入式设备获取到车辆角度后，嵌入式设备可以根据车辆角度生成控制信号，以便车载控制器根据该控制信号对车辆进行控制，例如控制车辆转弯。

如图3所示，该图示出了一种嵌入式设备与车载控制器之间的指令交互图，该方法包括如下步骤：

S301：嵌入式设备获取车辆图像。

S302：嵌入式设备通过角度模型对车辆的图像进行识别，获得车辆角度。

S303：嵌入式设备根据车辆角度生成控制信号。

S304：嵌入式设备将控制信号发送给车载控制器。

S305：车载控制器根据控制信号控制车辆转弯。

需要说明的是，S301至S302与S201至S202相类似，此处不再赘述。

嵌入式设备根据车辆角度生成控制信号，该控制信号包括车辆角度信息，嵌入式设备将该包括车辆角度信息的控制信号发送给车载控制器后，车载控制器可以根据该控制信号对车辆转弯进行控制。

如图4所示，该图示出了又一种嵌入式设备与车载控制器之间的指令交互图，该方法包括如下步骤：

S401：嵌入式设备获取车辆图像。

S402：嵌入式设备通过角度模型对车辆的图像进行识别，获得车辆角度。

S403：嵌入式向车载控制器发送车辆角度。

S404：车载控制器根据车辆角度生成控制信号。

S405：车载控制器根据控制信号控制车辆转弯。

需要说明的是，S401至S402与S201至S202相类似，此处不再赘述。

嵌入式设备向车载控制器发送车辆角度后，车载控制器可以根据该车辆角度生成控制信号，然后车载控制器根据该控制信号对车辆转弯进行控制。

以上介绍了角度识别方法以及该方法的应用场景，下面介绍角度识别模型的训练以及更新过程。

如图5所示，该图示出了一种角度识别模型训练以及更新系统的示意图。该系统包括嵌入式设备510、训练设备520和角度识别设备530。

其中，嵌入式设备510用于获取训练样本，训练设备520用于根据训练样本对角度识别模型进行训练以及更新。

在一些示例中，训练设备520可以是服务器，例如云服务器或中心服务器。在另一些示例中，训练设备520也可以是训练专用的端设备，例如具有较强计算能力的计算机等。

需要说明的是，本实施例中角度识别模型可以是基于深度学习算法得到的模型，例如基于深度学习视觉算法。该种方式中，只要学习足够的场景图片，即可实现更多场景的适应性，进一步地，深度学习视觉算法具有端到端识别输出的特性，避免繁琐的处理流程带来的调试复杂的问题。对于嵌入式设备而言，嵌入式设备的计算能力较差，无法基于深度学习算法来训练角度识别模型。

为此，本申请实施例中，通过增量学习的思想，在云端(例如云服务器或中心服务器)通过深度学习算法训练角度识别模型，然后再将该角度识别模型部署到嵌入式设备中，从而解决嵌入式设备计算能力差，无法训练角度识别模型的问题。

本申请不限定训练设备520的类型，为了便于理解，下面以训练设备520为云服务器为例进行介绍。

在嵌入式设备使用角度识别模型的过程中，嵌入式设备可以采集新增训练集，并发送给训练设备520。训练设备520根据该新增训练集对角度识别模型进行更新，然后将该更新后的角度识别模型部署到嵌入式设备510。在一些实施例中，训练设备520对更新后的角度识别模型进行压缩和量化，然后通过空中下载技术(over the air，OTA)部署到嵌入式设备510。嵌入式设备510即可根据更新后角度识别模型对车辆的图像进行识别，获得车辆角度的预测值。如此，该方法利用新增训练集对原角度识别模型进行了更新，如此，提高了角度识别模型预测的准确度。

在一些实现方式中，训练设备520可以采用AutoML(自动机器学习)机制，来对角度识别模型进行反复地训练及更新。如此，该方法能够减少人为参与，进而使更新后角度识别模型的识别率更加准确。

在一些实施例中，新增训练集中的训练样本包括新增车辆角度的预测值与新增真实角度之间的差值大于预设阈值时，新增车辆的图像和新增真实角度。

具体地，参见图5，嵌入式设备510包括：获取模块511、识别模块512、判断模块513、通信模块514。

获取模块511获取车辆的图像，识别模块512用于通过角度识别模型对车辆的图像进行识别，获得新增车辆角度的预测值。在一些实现方式中，识别模块解析YUV格式的图像数据，并将其转化为可输入到角度识别模型的RGB格式的图像数据，例如每帧图像数据的格式可以为(H，W，3)，其中，H为图像的高，W为图像的宽，3表示R、G、B三个维度。

在一些实施例中，由于车尾运动区域比较固定(主要围绕固定的转轴转动)，识别模块512还可以根据预先标定的感兴趣区域(region of interest，RIO)先对车辆的图像进行裁剪，然后再输入到角度识别模型。

通信模块514用于接收角度识别设备530发送的新增车辆角度的真实值，判断模块513用于确定新增车辆角度的预测值与新增真实角度之间的差值大于预设阈值时，通信模块514还用于将包括新增车辆的图像和新增真实角度的训练样本发送至训练设备520。如此，训练设备520可以根据嵌入式设备发送的训练样本对角度识别模型进行更新。

嵌入式设备510可以根据训练设备520接收到的新增训练集中训练样本在不同分组中的占比信息，确定是否将新的训练样本上传给训练设备520。

在一些实施例中，不同分组包括不同角度分组和不同天气分组中的任一种。以角度分组为例，例如角度分为可以如表所示：

表1

如上表1所示，训练样本在角度分组中的占比信息可以是每组的样本数量的比值，例如162:589：……：616。从该占比信息可以得出，组号为“1”的分组中训练样本的数量较少，因此，嵌入式设备510需要向训练设备520上传较多的新增真实角度的角度范围为80°～90°对应的训练样本，以便保证训练设备520得到的新增训练集的均衡性。

在一些实施例中，训练设备520接收到嵌入式设备510发送的新增训练集后，训练设备520还可以对新增训练集中的训练数据进行筛选，例如去除图像质量较差的训练样本。其中，图像质量较差可以是指车辆的图像模糊或者车辆的图像损坏等。

在一些实施例中，训练设备520还可以针对嵌入式设备510发送的新增训练集中的训练样本进行统计，当训练样本的数量达到预先设定的数量时，训练设备520才根据新增数据集对角度识别模型更新。

在一些实施例中，角度识别模型包括卷积神经网络和全连接神经网络，卷积神经网络用于从车辆的图像中提取特征向量，全连接神经网络用于对特征向量进行识别得到车辆角度的预测值。此外，还可以利用MSELoss计算车辆角度的回归损失，具体可通过如下公式计算：

Loss＝(θ

其中，Loss为车辆角度的回归损失，θ

在一些实施例中，训练设备520还可以对嵌入式设备发送的新增训练集分组，例如按照角度或天气进行分组。

训练设备520可以对新增训练集中不同分组的训练样本按照各自分组对应的采样概率进行采样，得到目标训练样本，然后利用该目标训练样本对角度识别模型进行更新，从而保障训练设备使用到的数据分布较均匀。

在一些实施例中，采样概率可以用过如下公式获得：

其中，P

举例说明，以新增训练集的分组为表1为，i＝2为例，P

本实施例中，该方法仅需要在一辆车辆(例如训练车辆)上安装角度识别设备530，根据该角度识别设备获取的新增真实角度，以及嵌入式设备识别得到的新增车辆角度的预测值，向训练设备520提供新增训练集，训练设备根据新增训练集对角度识别模型进行更新，从而提高角度识别模型进行角度识别的准确度。在训练设备520对角度识别模型经过不断地更新及优化后，将该更新及优化后的角度识别模型部署在其他车辆上，其他车辆则无需安装成本较高且使用寿命较短的角度识别设备530，其他车辆通过该更新及优化后的角度识别模型也能够进行角度识别，不仅降低了识别挂车角度的成本，也规避了角度识别设备的使用寿命较短的问题。

本申请实施例还提供了一种角度识别装置，如图6所示，该装置包括：

获取模块601，用于获取车辆的图像，所述车辆包括可拆卸的车头和车尾；

识别模块602，用于通过角度识别模型对所述车辆的图像进行识别，获得车辆角度的预测值；所述车辆角度为所述车头和所述车尾之间夹角；

其中，所述角度识别模型根据历史车辆角度的预测值，通过增量学习的方式训练得到。

可选的，该装置还包括信号生成模块；

所述信号生成模块，用于根据所述车辆角度，生成控制信号，所述控制信号用于控制所述车辆转弯。

可选的，所述车辆的图像包括所述车辆的俯视图和侧视图中的至少一种。

可选的，所述角度识别模型根据新增训练集进行更新，所述识别模块602，还用于通过更新后角度识别模型对所述车辆的图像进行识别，获得车辆角度的预测值。

可选的，所述新增训练集中的训练样本包括新增车辆角度的预测值与新增真实角度之间的差值大于预设阈值时，新增车辆的图像和所述新增真实角度。

可选的，所述新增训练集根据原始训练集中的训练样本在不同分组中的占比信息得到；

所述不同分组包括不同角度分组和不同天气分组中的任一种。

可选的，所述更新后角度识别模型根据新增训练集中的目标训练样本更新得到；所述目标训练样本为对所述新增训练集中不同分组的训练样本按照各自分组对应的采样概率进行采样得到的样本。

可选的，所述采样概率通过如下公式获得：

其中，P

本申请实施例还提供了一种计算设备，该计算设备包括存储器和处理器；所述处理器用于执行所述存储器中存储的指令，以使得所述设备执行上述方法实施例中所介绍的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。