本发明涉及车辆盲区检测，尤其涉及一种用于大型车辆的盲区检测方法、装置及存储介质。
背景技术：
现有技术中对于车辆的盲区检测，一般采用相机和毫米波雷达的方式来提高车距的预警，但是这种方式需要额外安装多个传感器来实现车距的检测等，其设备成本较高，同时，还需要对摄像头、毫米波雷达设备做标定校准，安装复杂。
技术实现要素：
为了克服现有技术的不足，本发明的目的之一在于提供一种用于大型车辆的盲区检测方法，其能够解决现有技术中车辆盲区检测的设备成本高、设备安装不便等问题。
本发明的目的之二在于提供一种用于大型车辆的盲区检测装置，其能够解决现有技术中车辆盲区检测的设备成本高、设备安装不便等问题。
本发明的目的之三在于提供一种存储介质，其能够解决现有技术中车辆盲区检测的设备成本高、设备安装不便等问题。
本发明的目的之一采用如下技术方案实现：
一种用于大型车辆的盲区检测方法，包括：
设定步骤：将摄像头安装于车辆侧方的车身上，同时在距离车辆侧方的车身对应距离的位置设定第一警戒线、距离车辆前方的车身对应距离的位置设定第二警戒线；其中，摄像头安装于车辆侧方的车身上时，摄像头的镜头光轴与地面平行，并且与车身侧面平行；
标定步骤：在车辆停止时，根据第一警戒线、第二警戒线以及摄像头所拍摄的图像确定预警触发条件；
检测步骤：在车辆运行过程中，实时获取摄像头所拍摄的图像，进而根据该摄像头所拍摄的图像与所述预警触发条件判断是否触发预警；
提醒步骤：当触发预警时，向司机发送预警提醒。
进一步地，所述第一警戒线包括第一一米警戒线、第一二米警戒线和第一三米警戒线；其中，第一一米警戒线距离车辆侧方的车身为1米，第一二米警戒线距离车辆侧方的车身为2米，第一三米警戒线距离车辆侧方的车身为3米；第二警戒线距离车辆前方的车身为3米。
进一步地，所述标定步骤包括：
标定点设定步骤：在第一警戒线上设定至少两个标定点以及在第二警戒线上设定至少两个标定点；
函数确定步骤：根据第一警戒线上的所有标定点确定第一警戒线预警机判断函数，以及根据第二警戒线上的所有标定点确定第二警戒线预警判断函数，以及根据第一警戒线、第二警戒线、第一警戒线预警机判断函数以及第二警戒线预警判断函数确定预警触发条件和预警级别。
进一步地，函数确定步骤包括：首先获取摄像头所拍摄的图像，并从该图像中提取得出每个警戒线以及每个警戒线上的标定点的像素坐标值，然后根据每个警戒线上的标定点的像素坐标指得出对应的警戒线预警判断函数。
进一步地，所述检测步骤还包括：采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值，以及将目标的像素坐标值代入每个警戒线预警判断函数中判断是否触发预警。
进一步地，采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值具体包括：首先将实时获取的摄像头所拍摄的图像的原始尺寸缩放为第一尺寸；然后通过目标检测神经网络对缩放后的图像进行归一化处理得出目标的归一化目标；最后根据目标的归一化坐标对目标的尺寸进行复原得出目标的像素坐标值。
进一步地，所述目标检测神经网络为cnn目标检测神经网络、mobilessd神经网络、rcnn神经网络、faster-rcnn神经网络和yolo神经网络中的任意一种。
进一步地，所述目标包括行人和非机动车辆。
本发明的目的之二采用如下技术方案实现：
一种用于大型车辆的盲区检测装置，包括存储器和处理器，所述存储器上存储有可在处理器上运行的盲区检测程序，所述盲区检测程序为计算机程序，所述处理器执行所述盲区检测程序时实现如本发明的目的之一采用的一种用于大型车辆的盲区检测方法的步骤。
本发明的目的之三采用如下技术方案实现：
一种存储介质，所述存储介质为计算机可读存储介质，其上存储有盲区检测程序，所述盲区检测程序为计算机程序，所述盲区检测程序被处理器执行时实现如本发明的目的之一采用的一种用于大型车辆的盲区检测方法的步骤。
相比现有技术，本发明的有益效果在于：
本发明通过在车辆侧方安装摄像头，然后在车辆静止时，设定相应的警戒线实现对摄像头的标定并设定预警触发条件，这样在车辆运行过程中判断识别得出的目标所在的位置是否会触发预警，进而实现对盲区的目标检测，本发明设备安装简单、操作简单，解决了现有技术车辆盲区检测成本高、设备安装不变的等问题。
附图说明
图1为本发明提供的用于大型车辆的盲区检测方法中的车辆、摄像头以及警戒线的位置示意图；
图2为本发明提供的用于大型车辆的盲区检测方法流程图；
图3为图2中步骤s2的流程图；
图4为图2中步骤s3的流程图；
图5为本发明提供的用于大型车辆的盲区检测装置模块图。
图中：11、存储器；12、处理器；13、通信总线；14、网络接口。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
针对现有技术中对于车辆盲区检测所存在的设备成本高、设备安装复杂等问题，本发明提供一种用于大型车辆的盲区检测方法，只需要单个摄像头，并做简单的标定即可实现，安装简单、设备成本低，车辆改造成本较低，尤其适合于大型车辆的盲区检测。
如图2所示，本发明提供一优选的实施例，一种用于大型车辆的盲区检测方法，包括以下步骤：
步骤s1、将摄像头安装于车辆侧方的车身上，并在距离车辆侧方的车身对应距离的位置处设定第一警戒线、距离车辆前方的车身对应距离的位置设定第二警戒线。
优选地，为了保证摄像头能够完整覆盖车辆的盲区，因此，本实施例中的摄像头在安装于车辆侧方的车身上时，保证摄像头的镜头光轴与地面平行，同时与车身测面平行。
另外，由于车辆有左右两侧方，因此，摄像头包括两个，分设于车辆左侧方的车身上、车辆右侧方的车身上。
优选地，本发明以车辆的一侧方所安装的摄像头为例来说明：当摄像头安装完成后，还包括：
步骤s2、当车辆停止时，根据第一警戒线、第二警戒线以及摄像头所拍摄的图像确定预警触发条件。
优选地，如图1所示，第一警戒线包括第一一米警戒线、第一二米警戒线和第一三米警戒线。其中，第一一米警戒线距离车辆侧方的车身为1米，第一二米警戒线距离车辆侧方的车身为2米，第一三米警戒线距离车辆侧方的车身为三米；第二警戒线距离车辆前方的车身为3米。
从图1中可以看出，在警戒线与车身之间的区域一般为危险区域，也即，当有目标处于该区域内时，则认为需要向司机提醒。因此，通过设定对应的预警触发条件。也即：在获取目标时，检目标所在得位置是否落入该危险区域来判断是否触发预警。
优选地，在设定预警判断条件时，如图3所示，具体包括：
步骤s21、在第一警戒线上设定标定点以及在第二警戒线上设定标定点。优选地，每个警戒线的标定点至少有两个。
步骤s22、根据第一警戒线上的所有标定点确定第一警戒线预警机判断函数，以及根据第二警戒线上的所有标定点确定第二警戒线预警判断函数，以及根据第一警戒线、第二警戒线、第一警戒线预警机判断函数以及第二警戒线预警判断函数确定预警触发条件和预警级别。
优选地，在设定警戒线判定函数时，首先获取摄像头所拍摄的图像，并从该图像中提取得出每个警戒线以及每个警戒线上的标定点的像素坐标值，然后根据每个警戒线上的标定点的像素坐标指得出对应的警戒线预警判断函数。
具体地，对于第二警戒线函数来说：在第二警戒线上设定第一标定点f1、第二标定点f2。通过根据摄像头所拍摄的图像可获取第一标定点f1、第二标定点f2的像素坐标值，进而根据第一标定点f1的像素坐标值、第二标定点f2的像素坐标值确定第一警戒线预警判断函数。优选地，第一标定点f1、第二标定点f2可根据实际的需求进行设定。
同理，根据第三标定点p10、第四标定点p11计算得到第一一米警戒线预警判断函数。
根据第五标定点p20、第六标定点p21计算得到第一二米警戒线预警判断函数。
根据第七标定点p30、第八标定点p31计算得到第一三米警戒线预警判断函数。
优选地，警戒线函数为直线方程。从图中可知，两点确定一条直线，因此，可将警戒线通过直线方程来表示。
优选地，本实施例还根据目标距离车身的距离远近设定预警级别。如图1所示，比如：设定位于第一一米警戒线、车身之间的区域时，则认为危险系数最高，预警级别为1级，同理，依次设定对应的预警级别。优选地，对于预警级别的设定并不仅限于本实施例给出的方案，具体可根据实际需求进行设定。
优选地，车身一侧设置的摄像头可以有多个，然后根据上述方法针对每个摄像头进行标定。
步骤s3、在车辆运行过程中，实时获取摄像头所拍摄的图像，进而根据该摄像头所拍摄的图像与所述预警触发条件判断是否触发预警。
优选地，如图4所示，步骤s3还包括：步骤s31、采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理并识别得出目标以及目标的像素坐标值。
优选地，本实施例中的目标检测神经网络可以采用以下任意一种方法实现：ccn目标检测神经网络、mobilessd神经网络、rcnn神经网络、faster-rcnn神经网络、yolo神经网络。
优选地，步骤s31还包括：首先将实时获取的摄像头所拍摄的图像的原始尺寸缩放为第一尺寸；然后通过目标检测神经网络对缩放后的图像进行归一化处理得出目标的归一化目标；最后根据目标的归一化坐标对目标的尺寸进行复原得出目标的像素坐标值。其中，第一尺寸为300×300。
其中，目标的像素坐标值等于目标位置的下边缘的中心的像素坐标值。也即，目标位置的下边缘的中点所在的位置是目标落地点所在的位置。
优选地，本实施例中的目标包括行人和非机动车辆。
步骤s32、将目标的像素坐标值代入每个警戒线预紧判断函数中判断是否触发预警。
具体地，比如当目标在第二警戒线与车身之间，则认为触发预警。同时，还可根据目标在图像中的像素坐标点代入每个警戒线函数的结果值来判断预警级别。也即，判断目标相对于车身的距离来确定预警级别。
步骤s4、当触发预警时，向司机发送预警提醒。
具体地，可通过在驾驶室内安装对应的预警灯和预警铃。通过预警灯和/或预警铃向司机发送提醒。
本发明提供了一种用于大型车辆的盲区检测装置。如图5所示，本发明一实施例提供的用于大型车辆的盲区检测装置的内部结构示意图。
在本实施例中，用于大型车辆的盲区检测装置可以是pc(personalcomputer，个人电脑)，也可以是智能手机、平板电脑、便携计算机等终端设备。该用于大型车辆的盲区检测装置至少包括：处理器12、通信总线13、网络接口14以及存储器11。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是用于大型车辆的盲区检测装置的内部存储单元，例如该用于大型车辆的盲区检测装置的硬盘。存储器11在另一些实施例中也可以是用于大型车辆的盲区检测装置的外部存储设备，例如用于大型车辆的盲区检测装置上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，存储器11还可以既包括用于大型车辆的盲区检测装置的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于用于大型车辆的盲区检测装置的应用软件及各类数据，例如盲区检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行盲区检测程序等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通常用于在该用于大型车辆的盲区检测装置与其他电子设备之间建立通信连接。
可选地，该用于大型车辆的盲区检测装置还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在用于大型车辆的盲区检测装置中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有组件11-14以及盲区检测程序的用于大型车辆的盲区检测装置，本领域技术人员可以理解的是，图5示出的结构并不构成对用于大型车辆的盲区检测装置的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图5所示的用于大型车辆的盲区检测装置实施例中，存储器11中存储有盲区检测程序；处理器12执行存储器11中存储的盲区检测程序时实现如下步骤：
设定步骤：将摄像头安装于车辆侧方的车身上，同时在距离车辆侧方的车身对应距离的位置设定第一警戒线、距离车辆前方的车身对应距离的位置设定第二警戒线；其中，摄像头安装于车辆侧方的车身上时，摄像头的镜头光轴与地面平行，并且与车身侧面平行；
标定步骤：在车辆停止时，根据第一警戒线、第二警戒线以及摄像头所拍摄的图像确定预警触发条件；
检测步骤：在车辆运行过程中，实时获取摄像头所拍摄的图像，进而根据该摄像头所拍摄的图像与所述预警触发条件判断是否触发预警；
提醒步骤：当触发预警时，向司机发送预警提醒。
进一步地，所述第一警戒线包括第一一米警戒线、第一二米警戒线和第一三米警戒线；其中，第一一米警戒线距离车辆侧方的车身为1米，第一二米警戒线距离车辆侧方的车身为2米，第一三米警戒线距离车辆侧方的车身为3米；第二警戒线距离车辆前方的车身为3米。
进一步地，所述标定步骤包括：
标定点设定步骤：在第一警戒线上设定至少两个标定点以及在第二警戒线上设定至少两个标定点；
函数确定步骤：根据第一警戒线上的所有标定点确定第一警戒线预警机判断函数，以及根据第二警戒线上的所有标定点确定第二警戒线预警判断函数，以及根据第一警戒线、第二警戒线、第一警戒线预警机判断函数以及第二警戒线预警判断函数确定预警触发条件和预警级别。
进一步地，函数确定步骤包括：首先获取摄像头所拍摄的图像，并从该图像中提取得出每个警戒线以及每个警戒线上的标定点的像素坐标值，然后根据每个警戒线上的标定点的像素坐标指得出对应的警戒线预警判断函数。
进一步地，所述检测步骤还包括：采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值，以及将目标的像素坐标值代入每个警戒线预警判断函数中判断是否触发预警。
进一步地，采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值具体包括：首先将实时获取的摄像头所拍摄的图像的原始尺寸缩放为第一尺寸；然后通过目标检测神经网络对缩放后的图像进行归一化处理得出目标的归一化目标；最后根据目标的归一化坐标对目标的尺寸进行复原得出目标的像素坐标值。
进一步地，所述目标检测神经网络为cnn目标检测神经网络、mobilessd神经网络、rcnn神经网络、faster-rcnn神经网络和yolo神经网络中的任意一种。
进一步地，所述目标包括行人和非机动车辆。
优选地，本发明还提供了一种实施例，一种存储介质，所述存储介质为计算机可读存储介质，其上存储有盲区检测程序，所述盲区检测程序为计算机程序，所述盲区检测程序被处理器执行时实现以下步骤：
设定步骤：将摄像头安装于车辆侧方的车身上，同时在距离车辆侧方的车身对应距离的位置设定第一警戒线、距离车辆前方的车身对应距离的位置设定第二警戒线；其中，摄像头安装于车辆侧方的车身上时，摄像头的镜头光轴与地面平行，并且与车身侧面平行；
标定步骤：在车辆停止时，根据第一警戒线、第二警戒线以及摄像头所拍摄的图像确定预警触发条件；
检测步骤：在车辆运行过程中，实时获取摄像头所拍摄的图像，进而根据该摄像头所拍摄的图像与所述预警触发条件判断是否触发预警；
提醒步骤：当触发预警时，向司机发送预警提醒。
进一步地，所述第一警戒线包括第一一米警戒线、第一二米警戒线和第一三米警戒线；其中，第一一米警戒线距离车辆侧方的车身为1米，第一二米警戒线距离车辆侧方的车身为2米，第一三米警戒线距离车辆侧方的车身为3米；第二警戒线距离车辆前方的车身为3米。
进一步地，所述标定步骤包括：
标定点设定步骤：在第一警戒线上设定至少两个标定点以及在第二警戒线上设定至少两个标定点；
函数确定步骤：根据第一警戒线上的所有标定点确定第一警戒线预警机判断函数，以及根据第二警戒线上的所有标定点确定第二警戒线预警判断函数，以及根据第一警戒线、第二警戒线、第一警戒线预警机判断函数以及第二警戒线预警判断函数确定预警触发条件和预警级别。
进一步地，函数确定步骤包括：首先获取摄像头所拍摄的图像，并从该图像中提取得出每个警戒线以及每个警戒线上的标定点的像素坐标值，然后根据每个警戒线上的标定点的像素坐标指得出对应的警戒线预警判断函数。
进一步地，所述检测步骤还包括：采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值，以及将目标的像素坐标值代入每个警戒线预警判断函数中判断是否触发预警。
进一步地，采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值具体包括：首先将实时获取的摄像头所拍摄的图像的原始尺寸缩放为第一尺寸；然后通过目标检测神经网络对缩放后的图像进行归一化处理得出目标的归一化目标；最后根据目标的归一化坐标对目标的尺寸进行复原得出目标的像素坐标值。
进一步地，所述目标检测神经网络为cnn目标检测神经网络、mobilessd神经网络、rcnn神经网络、faster-rcnn神经网络和yolo神经网络中的任意一种。
进一步地，所述目标包括行人和非机动车辆。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
1.一种用于大型车辆的盲区检测方法，其特征在于，所述盲区检测方法包括：
设定步骤：将摄像头安装于车辆侧方的车身上，同时在距离车辆侧方的车身对应距离的位置设定第一警戒线、距离车辆前方的车身对应距离的位置设定第二警戒线；其中，摄像头安装于车辆侧方的车身上时，摄像头的镜头光轴与地面平行，并且与车身侧面平行；
标定步骤：在车辆停止时，根据第一警戒线、第二警戒线以及摄像头所拍摄的图像确定预警触发条件；
检测步骤：在车辆运行过程中，实时获取摄像头所拍摄的图像，进而根据该摄像头所拍摄的图像与所述预警触发条件判断是否触发预警；
提醒步骤：当触发预警时，向司机发送预警提醒。
2.根据权利要求1所述的一种用于大型车辆的盲区检测方法，其特征在于，所述第一警戒线包括第一一米警戒线、第一二米警戒线和第一三米警戒线；其中，第一一米警戒线距离车辆侧方的车身为1米，第一二米警戒线距离车辆侧方的车身为2米，第一三米警戒线距离车辆侧方的车身为3米；第二警戒线距离车辆前方的车身为3米。
3.根据权利要求1所述的一种用于大型车辆的盲区检测方法，其特征在于，所述标定步骤包括：
标定点设定步骤：在第一警戒线上设定至少两个标定点以及在第二警戒线上设定至少两个标定点；
函数确定步骤：根据第一警戒线上的所有标定点确定第一警戒线预警机判断函数，以及根据第二警戒线上的所有标定点确定第二警戒线预警判断函数，以及根据第一警戒线、第二警戒线、第一警戒线预警机判断函数以及第二警戒线预警判断函数确定预警触发条件和预警级别。
4.根据权利要求3所述的一种用于大型车辆的盲区检测方法，其特征在于，函数确定步骤包括：首先获取摄像头所拍摄的图像，并从该图像中提取得出每个警戒线以及每个警戒线上的标定点的像素坐标值，然后根据每个警戒线上的标定点的像素坐标指得出对应的警戒线预警判断函数。
5.根据权利要求4所述的一种用于大型车辆的盲区检测方法，其特征在于，所述检测步骤还包括：采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值，以及将目标的像素坐标值代入每个警戒线预警判断函数中判断是否触发预警。
6.根据权利要求5所述的一种用于大型车辆的盲区检测方法，其特征在于，采用目标检测神经网络对实时获取的摄像头所拍摄的图像进行处理识别得出目标以及目标的像素坐标值具体包括：首先将实时获取的摄像头所拍摄的图像的原始尺寸缩放为第一尺寸；然后通过目标检测神经网络对缩放后的图像进行归一化处理得出目标的归一化目标；最后根据目标的归一化坐标对目标的尺寸进行复原得出目标的像素坐标值。
7.根据权利要求5所述的一种用于大型车辆的盲区检测方法，其特征在于，所述目标检测神经网络为cnn目标检测神经网络、mobilessd神经网络、rcnn神经网络、faster-rcnn神经网络和yolo神经网络中的任意一种。
8.根据权利要求5所述的一种用于大型车辆的盲区检测方法，其特征在于，所述目标包括行人和非机动车辆。
9.一种用于大型车辆的盲区检测装置，包括存储器和处理器，所述存储器上存储有可在处理器上运行的盲区检测程序，所述盲区检测程序为计算机程序，其特征在于：所述处理器执行所述盲区检测程序时实现如权利要求1-8中任一项所述的一种用于大型车辆的盲区检测方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，其上存储有盲区检测程序，所述盲区检测程序为计算机程序，其特征在于：所述盲区检测程序被处理器执行时实现如权利要求1-8中任一项所述的一种用于大型车辆的盲区检测方法的步骤。
技术总结