一种车载摄像头自动清洗方法、系统、车辆及存储介质

技术领域

本申请属于摄像头自动清洗技术领域，尤其涉及一种车载摄像头自动清洗方法、系统、车辆及存储介质。

背景技术

现有的车辆会采用通过在车外设置电子后视镜的方案，电子后视镜头通过拍摄来获取车辆的后视影像，可以将影像传输给位于车内的显示装置上显示，也可以直接与自动驾驶系统连接用于实现自动驾驶，电子后视镜体积小，风阻小，但是电子后视镜在使用过程难免受到灰尘、雨水等的影响，在出现脏污等情况时脏污识别过程有延迟，不能在发现脏污的第一时间清理，拍摄的影像清晰度差，人工驾驶时使得驾驶员无法有效了解后方信息，自动驾驶时会使得自动驾驶系统产生误判，严重影响了驾驶安全。并且，电子后视镜在使用过程中受到灰尘、雨水等的影响，在出现脏污等情况时脏污识别过程有延迟，若不能在发现脏污的第一时间清理，拍摄的影像清晰度差，人工驾驶时使得驾驶员无法有效了解后方信息，自动驾驶时会使得自动驾驶系统产生误判。

发明内容内容

针对上述现有技术的缺陷，本申请提供了一种车载摄像头自动清洗方法、系统、车辆及存储介质。本申请通过提取采集图像中的特定特征，与场景库中预设图像特征进行比较，实现了快速识别判断采集的图片是否有脏污，不仅避免了利用图像拼接方式的多帧的脏污识别过程中的偏差率高和不稳定性高的问题，还大大提高了识别特征过程中准确率和识别效率，提升了摄像头自动清洗的高效性和用户的体验效果。

为实现上述目的，本申请提供了一种车载摄像头自动清洗方法，包括：

S1：根据预设脏污图像构建图像特征场景库深度学习模型，以获取第一图像特征。

S2：提取摄像头当前镜头图像的第二图像特征，并将所述第二图像特征输入所述图像特征场景库深度学习模型。

S3：根据所述第一图像特征和第二图像特征确定实际脏污物类型。

S4：根据所述实际脏污物类型启动预设摄像头清洗模式。

在本申请中，所述根据预设脏污图像构建图像特征场景库深度学习模型，具体为：

获取预设脏污图像，并根据预设脏污类型进行标签处理后，生成训练集和测试集。

将所述训练集输入至场景库深度学习模型进行训练，将所述测试集输入至场景库深度学习模型进行测试。

在本申请中，预设脏污类型进行标签处理后输出带标签的图像数据，通过提取图像数据的标签特征点，以获取所述第一图像特征。

在本申请中，所述场景库深度学习模型至少采用机器学习模型，人工智能模型或神经网络学习模型中的一种或多种。

可选地，该场景库深度学习模型可以是一个计算机深度学习模型，主要是构建一个以图像为输入，以类别或标签为输出的神经网络模型，然后利用大量的带有标注的图像数据来训练这个模型，使其能够在新的图像上做出正确且快速的预测。

其中，输入一定数量的预设脏污图像到该场景库，形成一个图片数据集，所述预设脏污图像可以是雨滴、斑点、水纹、气泡、污泥等类型的脏污图像；并将这些脏污图像按照不同的类型来设定的标签；另外，在将预设脏污图像输入到场景库中时，可以同时自定义设置一定比例的图像样本组成用于模型的训练的训练图像集，其余比例的图像样本用于模型测试，该设置可以大大提高检测模型对每种场景图像识别的准确率，并提升评估调整获得最佳识别性能；当将所述第二图像特征输入所述图像特征场景库时，利用卷积神经网络将模型预测的第一图像特征与第二图像特征进行比较，就能快速得到正确高的预测结果；最后根据存在脏污物的预测结果来确认实际脏污物类型，再根据所述实际脏污物类型启动预设摄像头清洗模式，完成摄像头自动清洗的过程。

在本申请中，所述图像特征场景库根据预设脏污图像中的脏污特征得到预设脏污类型和预设脏污比例。

其中，预设脏污类型可以是雨滴、斑点、水纹、气泡、污泥等等；预设脏污比例可以是脏污物在图像中占比面积的比例大小，还可以是脏污物颜色深浅比例。

所述预设脏污图像至少包括：脏污物相同且脏污程度不同的图像一、脏污物不同且脏污程度相同的图像二，以及脏污物不同且脏污程度不同的图像三。

在本申请中，所述第一图像特征至少包括预设脏污图像中脏污特征的预设脏污类型和预设脏污比例。

在本申请中，所述第二图像特征至少包括摄像头当前镜头图像中异物形状、异物颜色、条纹和异物比例。

其中，第一图像特征和第二图像特征均可由图像加速处理单元来快速提取。

在本申请中，所述步骤S3，具体为：

判断所述第二图像特征是否在所述第一图像特征的预设阈值特征范围内，若在，则认为摄像头当前镜头存在脏污，需要清洗；否则，则认为摄像头当前镜头不需要清洗。

进一步地，根据所述第一图像特征的预设阈值特征确定实际脏污物类型。

其中，所述预设阈值特征范围至少包括预设脏污类型范围和预设脏污比例范围。

在本申请中，通过设置合理的预设脏污类型范围和预设脏污比例范围,可以过滤掉一些不需要清洗的非脏污情况,避免错误启动清洗模式,提高判断的准确性。

在本申请中，所述预设摄像头清洗模式至少包括预设清洗方法、预设清洗强度、预设清洗次数和预设清洗位置。

在本申请中，通过预先设置好匹配各种脏污的清洗方法、清洗强度、清洗次数和清洗位置,就可以在检测到不同的实际脏污时快速启动相应的最优清洗模式,有针对性地去除脏污,实现车载摄像头的自动清洗。

为实现上述目的，本申请还提供了一种如上述一种车载摄像头自动清洗方法所述的车载摄像头自动清洗系统，包括：

图像显示单元、图像特征识别单元、图像特征判断单元、数据处理单元和控制单元。

其中，所述数据处理单元包括第一数据处理单元和第二数据处理单元。

所述第一数据处理单元用于根据预设脏污图像构建图像特征场景库深度学习模型，以获取第一图像特征。

所述图像显示单元用于显示摄像头当前镜头图像。

所述图像特征识别单元用于识别摄像头当前镜头图像的第二图像特征。

所述第二数据处理单元用于提取摄像头当前镜头图像的第二图像特征，并将所述第二图像特征输入所述图像特征场景库深度学习模型。

所述图像特征判断单元用于判断所述第二图像特征在第一图像特征的预设阈值特征范围内时，以确认实际脏污物类型。

以及，所述控制单元用于根据所述实际脏污物类型启动预设摄像头清洗模式。

为实现上述目的，本申请还提供了一种车辆，至少包括如上述的摄像头自动清洗系统。

为实现上述目的，本申请还提供了一种存储介质，为计算机可读存储介质中的一种，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述任一所述的车载摄像头自动清洗方法。

与现有技术相比，本申请有益效果在于：

本申请提出了一种车载摄像头自动清洗方法、系统、车辆及存储介质，该方法主要通过提取采集图像中的特定特征，与场景库中预设图像特征进行比较，实现了快速识别判断采集的图片是否有脏污，不仅避免了利用图像拼接方式的多帧的脏污识别过程中的偏差率高和不稳定性高的问题，还大大提高了识别特征过程中准确率和识别效率，提升了摄像头自动清洗的高效性和用户的体验效果。

附图说明

图1为本申请一实施例中一种车载摄像头自动清洗方法流程图。

图2为本申请一实施例中一种车载摄像头自动清洗系统结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例对技术方案进行清楚、完整地描述。显然，所描述的实施例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作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。

实施例一：

如附图1所示，为了解决上述技术问题，本申请提供了一种车载摄像头自动清洗方法，包括：

S1：根据预设脏污图像构建图像特征场景库深度学习模型，以获取第一图像特征。

S2：提取摄像头当前镜头图像的第二图像特征，并将所述第二图像特征输入所述图像特征场景库深度学习模型。

S3：根据所述第一图像特征和第二图像特征确定实际脏污物类型。

S4：根据所述实际脏污物类型启动预设摄像头清洗模式。

在本申请中，所述根据预设脏污图像构建图像特征场景库深度学习模型，具体为：

获取预设脏污图像，并根据预设脏污类型进行标签处理后，生成训练集和测试集。

将所述训练集输入至场景库深度学习模型进行训练，将所述测试集输入至场景库深度学习模型进行测试。

在本申请中，预设脏污类型进行标签处理后输出带标签的图像数据，通过提取图像数据的标签特征点，以获取所述第一图像特征。

在本申请中，所述场景库深度学习模型至少采用机器学习模型，人工智能模型或神经网络学习模型中的一种或多种。

可选地，该场景库深度学习模型可以是一个计算机深度学习模型，主要是构建一个以图像为输入，以类别或标签为输出的神经网络模型，然后利用大量的带有标注的图像数据来训练这个模型，使其能够在新的图像上做出正确且快速的预测。

其中，输入一定数量的预设脏污图像到该场景库，形成一个图片数据集，所述预设脏污图像可以是雨滴、斑点、水纹、气泡、污泥等类型的脏污图像；并将这些脏污图像按照不同的类型来设定的标签，采用图像加速处理单元获得第一图像特征；另外，在将预设脏污图像输入到场景库中时，可以同时自定义设置一定比例的图像样本组成用于模型的训练的训练图像集，其余比例的图像样本用于模型测试，该设置可以大大提高检测模型对每种场景图像识别的准确率，并提升评估调整获得最佳识别性能；当将所述第二图像特征输入所述图像特征场景库时，利用卷积神经网络将模型预测的第一图像特征与第二图像特征进行比较，就能快速得到正确高的预测结果；最后根据存在脏污物的预测结果来确认实际脏污物类型，再根据所述实际脏污物类型启动预设摄像头清洗模式，完成摄像头自动清洗的过程。

在本申请中，所述步骤S1具体为：

所述图像特征场景库根据预设脏污图像中的脏污特征得到预设脏污类型和预设脏污比例。

其中，预设脏污类型可以是雨滴、斑点、水纹、气泡、污泥等等；预设脏污比例可以是脏污物在图像中占比面积的比例大小，还可以是脏污物颜色深浅比例。

优选地，预设脏污类型可以是污泥，预设脏污比例可以是在整个预设脏污图像中面积占比15%，均不限于此。

所述预设脏污图像至少包括：脏污物相同且脏污程度不同的图像一、脏污物不同且脏污程度相同的图像二，以及脏污物不同且脏污程度不同的图像三。

在本申请中，所述第一图像特征至少包括预设脏污图像中脏污特征的预设脏污类型和预设脏污比例。

优选地，图像一中脏污物相同且脏污程度不同的图像，例如:

（1）雨滴小：雨滴较少，雨滴大小较小；

（2）雨滴大：雨滴较多，雨滴大小较大。

上述两种图像，脏污物都是雨滴，但脏污程度不同，可以用于训练模型识别同一脏污类型不同脏污程度。

优选地，图像二中脏污物不同且脏污程度相同的图像，例如：

（1）雨滴：雨滴面积占图像30%；

（2）污泥：污泥面积占图像30%。

上述两种图像，脏污物不同但脏污程度，即占比面积相同，可以用于训练模型识别不同脏污类型相同脏污程度。

优选地，图像三：脏污物不同且脏污程度不同的图像，例如：

（1）雨滴小:雨滴面积占图像10%；

（2）污泥大:污泥面积占图像50%。

上述两种图像，脏污物不同，脏污程度，即占比面积相同也不同，可以用于训练模型识别不同脏污类型和不同脏污程度。

在本申请中，所述第二图像特征至少包括摄像头当前镜头图像中异物形状、异物颜色、条纹和异物比例。

优选地，可以通过污泥覆盖在图像上的颜色深厚来加以判断，均不限于此。

其中，第一图像特征和第二图像特征均可由图像加速处理单元来快速提取。

在本申请中，所述步骤S3，具体为：

判断所述第二图像特征是否在所述第一图像特征的预设阈值特征范围内，若在，则认为摄像头当前镜头存在脏污，需要清洗；否则，则认为摄像头当前镜头不需要清洗。

进一步地，根据所述第一图像特征的预设阈值特征确定实际脏污物类型。

其中，所述预设阈值特征范围至少包括预设脏污类型范围和预设脏污比例范围。

优选地，预设脏污类型范围，例如：预设脏污类型包括雨滴、灰尘、污泥三种。则预设脏污类型范围就是这三种脏污类型；预设脏污比例范围，例如：预设雨滴脏污的比例范围是10%~50%，灰尘脏污的比例范围是20%~60%，污泥脏污的比例范围是30%~70%，均不限于此。

如果通过第二图像特征提取出的脏污类型为属于灰尘，且同时，如果通过第二图像特征提取出的雨滴脏污占比为5%，则判断不在预设雨滴脏污比例范围内，此时，不满足预设阈值特征范围内启动摄像头清洗模式的条件，需要重复步骤S2。

在本申请中，通过设置合理的预设脏污类型范围和预设脏污比例范围,可以过滤掉一些不需要清洗的非脏污情况,避免错误启动清洗模式,提高判断的准确性。

在本申请中，所述预设摄像头清洗模式至少包括预设清洗方法、预设清洗强度、预设清洗次数和预设清洗位置。

优选地，预设清洗方法，例如：对于雨滴可以预设喷水清洗；对于灰尘可以预设抹布擦拭；对于污泥可以预设强力喷水清洗，均不限于此。

优选地，预设清洗强度，例如：对于轻度脏污可以预设低喷水压力；对于重度脏污可以预设高喷水压力，均不限于此。

优选地，预设清洗次数，例如：对于难清污泥可以预设重复清洗2次；对于轻度灰尘可以预设清洗1次，均不限于此。

优选地，预设清洗位置，例如：可以通过图像处理定位脏污区域，然后预设对此区域进行清洗，均不限于此。

在本申请中，通过预先设置好匹配各种脏污的清洗方法、清洗强度、清洗次数和清洗位置,就可以在检测到不同的实际脏污时快速启动相应的最优清洗模式,有针对性地去除脏污,实现车载摄像头的自动清洗。

综上，实施例一对本申请提出的一种车载摄像头自动清洗方法作出了详细的分析和举例说明，本申请通过先输入预设脏污图像构建场景库进行图像测试训练，然后获取摄像头当前镜头图像，采用图像加速处理单元分别获得第一图像特征和第二图像特征，再通过第一图像特征和第二图像特征的对比，快速确定是否存在脏污，以及存在脏污时实际脏污物类型，根据所述实际脏污物类型启动预设摄像头清洗模式，本申请大大提高了脏污特征识别过程中的准确率和识别效率，也进一步提升了摄像头自动清洗的高效性和及时性。

实施例二：

如附图2所示，为了解决上述技术问题，本申请还提出了如上述一种车载摄像头自动清洗方法所述的车载摄像头自动清洗系统，包括：

图像显示单元、图像特征识别单元、图像特征判断单元、数据处理单元和控制单元。

其中，所述数据处理单元包括第一数据处理单元和第二数据处理单元。

所述第一数据处理单元用于根据预设脏污图像构建图像特征场景库深度学习模型，以获取第一图像特征。

优选地，获取第一图像特征是通过图像加速处理单元模块来实现的。

所述图像显示单元用于显示摄像头当前镜头图像。

优选地，图像显示单元可以是显示在车载座舱显示面板上，均不限于此

所述图像特征识别单元用于识别摄像头当前镜头图像的第二图像特征。

所述第二数据处理单元用于提取摄像头当前镜头图像的第二图像特征，并将所述第二图像特征输入所述图像特征场景库深度学习模型。

优选地，第二图像特征是通过图像加速处理单元模块来提取的。

所述图像特征判断单元用于判断所述第二图像特征在第一图像特征的预设阈值特征范围内时，以确认实际脏污物类型。

以及，所述控制单元用于根据所述实际脏污物类型启动预设摄像头清洗模式。

优选地，预设清洗方法，例如：对于雨滴可以预设喷水清洗；对于灰尘可以预设抹布擦拭；对于污泥可以预设强力喷水清洗，均不限于此。

优选地，预设清洗强度，例如：对于轻度脏污可以预设低喷水压力；对于重度脏污可以预设高喷水压力，均不限于此。

优选地，预设清洗次数，例如：对于难清污泥可以预设重复清洗2次；对于轻度灰尘可以预设清洗1次，均不限于此。

上述的清洗模式还可以通过清洗脏污物的顽强度手动调整，均不限于此。

综上，实施例二为本申请一种车载摄像头自动清洗系统作出了详细的分析和举例说明，是根据实施例一中的车载摄像头自动清洗的系统的举例方案，相当于对该方法应用实现的一种延伸和创造。

实施例三：

为了解决上述技术问题，本申请还提出了一种车辆，至少包括如上述的摄像头自动清洗系统。

实施例四：

为了解决上述技术问题，本申请还提出了一种存储介质，为计算机可读存储介质中的一种，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述任一所述的车载摄像头自动清洗方法。

综上，本申请提出的一种车载摄像头自动清洗方法、系统及存储介质通过先输入预设脏污图像构建场景库进行图像测试训练，然后获取摄像头当前镜头图像，采用图像加速处理单元分别获得第一图像特征和第二图像特征，再通过第一图像特征和第二图像特征的对比，快速确定是否存在脏污，以及存在脏污时实际脏污物类型，根据所述实际脏污物类型启动预设摄像头清洗模式，本申请大大提高了脏污特征识别过程中的准确率和识别效率，也进一步提升了摄像头自动清洗的高效性和及时性，大大提升了用户的使用体验。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。