一种智能灯光切换方法、系统及相关设备与流程

1.本技术涉及智能车辆领域，尤其涉及一种智能灯光切换方法、系统及相关设备。


背景技术：

2.众所周知，夜间行车需要借助远光灯和近光灯来照明，便于驾驶员获取道路信息。相比于近光灯，远光灯在提高视线、扩大观察视野等方面的作用更加显著，尤其在没有路灯的漆黑路面上，开启远光灯后的可视范围要远远大于只开启近光灯时的可视范围。然而，远光灯并非适用于所有夜间道路，比如，正面会车时，若开启远光灯，可能导致对方驾驶员视觉上瞬间致盲，也可能导致对方驾驶员对速度和距离的感知力以及对宽度的判断力下降。因此，正确使用远光灯对夜间安全行驶至关重要。为了从源头上解决驾驶员错误使用远光灯的行为，智能灯光切换技术应运而生。
3.现有的智能灯光切换方法中，可以通过灯源在不同曝光时间下呈现的图像特征不同，来对灯源进行区分，或者直接计算前方环境光亮度，再或者根据车道线获取消失点，从而辅助驾驶员切换远近光灯。但是，上述方法的实施效果并不理想，实现上述第一种方法对摄像头模组的要求较高，因此该方法的实施需要较高成本；上述第二种方法忽略了远处大灯的亮度影响，使得环境光亮度的计算存在较大误差；上述第三种方法的实现依赖于车道线的准确获取，可是在夜间准确获取车道线的概率极低。
4.因此，如何准确实现远光灯切换或近光灯切换是目前亟待解决的问题。


技术实现要素：

5.本技术提供了一种智能灯光切换方法、系统及相关设备，能够准确检测环境光亮度，并准确分类灯源信息，将两种信息融合后，可以准确地执行远光灯或近光灯切换功能，有效解决了远处光源未被发现、干扰光源影响的问题。
6.第一方面，本技术提供一种智能灯光切换方法，所述方法包括：获取图像，所述图像由设置于车辆的固定位置的摄像机拍摄得到，所述图像中记录了灯源信息；计算所述图像对应的环境光亮度值；根据所述灯源信息，对所述图像中所包含的灯源进行分类，获得分类结果；根据所述图像对应的环境光亮度值和所述分类结果，进行远光灯切换或者近光灯切换(灯光切换)。
7.在本技术提供的方案中，在获取图像之后，进行环境光亮度计算，并且进行灯源分类，然后将其结果结合起来再判断是否进行灯光切换，这种灯光切换方法融合了环境光信息和灯源信息两种信息，使得在判断灯光切换时有更多的夜间道路的相关信息可以参考，提高了灯光切换的准确率。
8.结合第一方面，在第一方面的一种可能的实现方式中，所述计算所述图像对应的环境光亮度值，包括：在所述图像中选取至少一个区域，并计算所述至少一个区域的亮度值；根据所述至少一个区域的亮度值，计算得到所述图像对应的环境光亮度值。
9.在本技术提供的方案中，计算环境光亮度值时，选取至少一个区域计算其亮度值，
然后将其亮度值结合起来得到环境光亮度值，充分考虑了图像不同区域可能存在的灯源信息，相较于仅通过整幅图像计算环境光亮度，本技术提供的方法可以更准确地获得环境光亮度。
10.结合第一方面，在第一方面的一种可能的实现方式中，所述对所述图像中所包含的灯源进行分类，获得分类结果，包括：将所述图像输入灯源检测模型，根据所述灯源检测模型获得所述图像中的灯源类别。
11.在本技术提供的方案中，灯源分类是通过灯源检测模型实现的，经过训练后，灯源检测模型可以根据灯源的大小、位置、颜色等特征快速准确地实现灯源分类。
12.结合第一方面，在第一方面的一种可能的实现方式中，所述将所述图像输入灯源检测模型之前，所述方法还包括：利用多个样本图像对所述灯源检测模型进行训练，所述样本图像中包括所述灯源及所述灯源的标注信息。
13.在本技术提供的方案中，正式应用灯源检测模型之前，需要对其进行训练，所述训练是指初始模型识别并学习样本图像中的灯源信息的过程，训练完成后，灯源检测模型可以准确识别不同灯源的不同特征，提高了灯源分类的准确率。
14.结合第一方面，在第一方面的一种可能的实现方式中，所述根据所述灯源检测模型获得所述图像中的灯源类别，包括：从所述图像中选取亮度值大于预设阈值的亮斑，并对所述亮斑设置灯框；对所述灯框进行配对，得到多个灯框对；根据所述多个灯框对，确定vp line，所述vp line用于区分所述图像的第一区域和第二区域；根据所述亮斑与所述vp line的位置关系及所述亮斑的颜色特征，对所述亮斑进行分类，得到不同类型的灯源类别。
15.在本技术提供的方案中，进行灯源分类，首先需要获取图像中亮度较高的亮斑并设置灯框，这是对光源的初步筛选，再进行灯源配对，根据车灯对之间的关系进行配对，相较于单个识别，这种配对的方式提高了分类的效率和准确率，然后根据灯框对在图像中的分布确定消失点水平线vp line，最后根据亮斑与vp line的位置关系及其亮度、颜色等特征，对亮斑进行分类，可理解，确定vp line之后就能大概划分出车灯区域、路灯及信号灯的区域，后续分类过程会更加准确且有效。
16.结合第一方面，在第一方面的一种可能的实现方式中，对所述灯框进行配对之前，所述方法还包括：对所述灯框进行去重，以使得所述灯框之间不发生重叠或相切。
17.在本技术提供的方案中，对灯框进行配对之前需要对其进行去重，让灯框间不会重叠或者相切，从而使得后续分类过程中灯框间不会相互影响，提高了灯源分类的准确性。
18.结合第一方面，在第一方面的一种可能的实现方式中，根据所述多个灯框对，确定消失点水平线vp line，包括：对所述灯框对的灯框中心在图像中的行进行映射，得到灯框对的行数分布图；根据所述行数分布图，选取vp line；根据预设的修正值对所述vp line进行修正，得到修正后的vp line；利用参考值对所述修正后的vp line进行调整，获得用于对所述亮斑进行分类的vp line，其中，所述参考值用于描述所述摄像机俯仰角的变化。
19.在本技术提供的方案中，vp line最初是由灯框对的行数分布图确定的，后续需要对其进行修正并引入参考值，使得最后获得的vp line更加准确，从而提高了后续灯源分类的准确性。
20.第二方面，本技术提供一种智能灯光切换系统，所述系统，包括：获取单元，用于获取图像，所述图像由设置于车辆的固定位置的摄像机拍摄得到，所述图像中记录了灯源信
息；环境光探测单元，用于计算所述图像对应的环境光亮度值；灯源分类单元，用于根据所述灯源信息，对所述图像中所包含的灯源进行分类，获得分类结果；切换单元，根据所述图像对应的环境光亮度值和所述分类结果，进行远光灯切换或者近光灯切换(灯光切换)。
21.结合第二方面，在第二方面的一种可能的实现方式中，所述环境光探测单元，具体用于：在所述图像中选取至少一个区域，并计算所述至少一个区域的亮度值；根据所述至少一个区域的亮度值，计算得到所述图像对应的环境光亮度值。
22.结合第二方面，在第二方面的一种可能的实现方式中，所述灯源分类单元，用于对所述图像中所包含的灯源进行分类，获得分类结果时，具体用于：将所述图像输入灯源检测模型，根据所述灯源检测模型获得所述图像中的灯源类别。
23.结合第二方面，在第二方面的一种可能的实现方式中，所述灯源分类单元，用于将所述图像输入灯源检测模型之前，还用于：利用多个样本图像对所述灯源检测模型进行训练，所述样本图像中包括所述灯源及所述灯源的标签。
24.结合第二方面，在第二方面的一种可能的实现方式中，所述灯源分类单元，用于根据所述灯源检测模型获得所述图像中的灯源类别时，具体用于：从所述图像中选取亮度值大于预设阈值的亮斑，并对所述亮斑设置灯框；对所述灯框进行配对，得到多个灯框对；根据所述多个灯框对，确定消失点水平线vp line，所述vp line用于区分所述图像的第一区域和第二区域；根据所述亮斑与所述vp line的位置关系及所述亮斑的颜色特征，对所述亮斑进行分类，得到不同类型的灯源类别。
25.结合第二方面，在第二方面的一种可能的实现方式中，所述灯源分类单元，用于对所述灯框进行配对之前，还用于：对所述灯框进行去重，以使得所述灯框之间不发生重叠或相切。
26.结合第二方面，在第二方面的一种可能的实现方式中，所述灯源分类单元，用于根据所述多个灯框对，确定消失点水平线vp line时，具体用于：对所述灯框对的灯框中心在图像中的行进行映射，得到灯框对的行数分布图；根据所述行数分布图，选取vp line；根据预设的修正值对所述vp line进行修正，得到修正后的vp line；利用参考值对所述修正后的vp line进行调整，获得用于对所述亮斑进行分类的vp line，其中，所述参考值用于描述所述摄像机俯仰角的变化。
27.第三方面，提供了一种计算设备，所述计算设备包括处理器和存储器，所述存储器用于存储程序代码，所述处理器用于所述存储器中的程序代码执行上述第一方面以及结合上述第一方面中的任意一种实现方式所提供的智能灯光切换方法。
28.第四方面，提供了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，当该计算机程序被处理器执行时，所述处理器执行上述第一方面以及结合上述第一方面中的任意一种实现方式所提供的智能灯光切换方法。
29.第五方面，提供了一种计算机程序产品，该计算机程序产品包括指令，当该计算机程序产品被计算机执行时，使得计算机可以执行上述第一方面以及结合上述第一方面中的任意一种实现方式所提供的智能灯光切换的流程。
附图说明
30.图1为本技术实施例提供的一种智能灯光切换方法的应用场景的示意图；
31.图2为本技术实施例提供的一种智能车辆的结构示意图；
32.图3为本技术实施例提供的一种智能灯光切换系统的结构示意图；
33.图4为本技术实施例提供的一种初始灯源检测模型的结构示意图；
34.图5为本技术实施例提供的一种提取图像中灯源特征方法的示意图；
35.图6为本技术实施例提供的一种给第一亮斑设置灯框的示意图；
36.图7为本技术实施例提供的一种对灯框进行去重的示意图；
37.图8为本技术实施例提供的一种灯框配对方法的示意图；
38.图9为本技术实施例提供的一种绘制行数分布图的示意图；
39.图10为本技术实施例提供的一种确定第一行数值的示意图；
40.图11为本技术实施例提供的一种排除路面反射干扰的示意图；
41.图12为本技术实施例提供的一种智能灯光切换方法的示意图；
42.图13为本技术实施例提供的一种计算设备的结构示意图。
具体实施方式
43.下面结合附图对本技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
44.首先，结合附图对本技术中所涉及的部分用语和相关技术进行解释说明，以便于本领域技术人员理解。
45.rgb颜色空间以红、绿、蓝三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模式，也被称为自然色彩模式。红绿蓝代表可见光谱中的三种基本颜色(三原色)，每一种颜色按其亮度的不同分为256个等级。当色光三原色重叠时，由于不同的混色比例能产生各种中间色。显示器系统一般使用的就是rgb颜色空间，彩色阴极射线管,彩色光栅图形的显示器都使用r、g、b数值来驱动r、g、b电子枪发射电子，并分别激发荧光屏上的r、g、b三种颜色的荧光粉发出不同亮度的光线，并通过相加混合产生各种颜色。
46.yuv颜色空间包含一个亮度信号以及两个色度信号，亮度信号经常被称作y，色度信号是由两个互相独立的信号(表示红色的色度信号和表示蓝色的色度信号)组成，两种色度信号经常被称作uv或pbpr或cbcr，所以yuv颜色空间也被称为ypbpr颜色空间，或者ycbcr颜色空间。将亮度信息从色度信息中分离了出来，并且对同一帧图像的亮度和色度采用了不同的采样率。在yuv颜色空间中，亮度信息y与色度信息u\v相互独立。y信号分量为黑白灰度图。u、v信号分量为单色彩色图。由于人类视觉对亮度的敏感度比对色度的敏感度高，所以yuv颜色空间为彩色电视系统广泛使用。
47.hsi颜色空间用h、s、i三个参数来描述颜色特性，其中h定义颜色的频率，称为色调；s表示颜色的深浅程度，称为饱和度；i表示强度或亮度。
48.感兴趣区域(region of interest，roi)：机器视觉、图像处理中，从被处理的图像中以方框、圆、椭圆、不规则多边形等方式划分出的需要处理的区域，称为感兴趣区域roi。在halcon、opencv、matlab等机器视觉软件上常用到各种算子(operator)和函数来求得感兴趣区域roi，并进行图像的下一步处理。
49.交并比(intersection over union，iou)是指两个矩形框面积的交集和并集的比值。iou是一种测量在特定数据集中检测相应物体准确度的一个标准。iou是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用iou来进行测量。
50.先进驾驶辅助系统(advanced driver assistance system，adas)是利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性的主动安全技术。adas采用的传感器主要有摄像头、雷达、激光和超声波等，可以探测光、热、压力或其它用于监测汽车状态的变量，通常位于车辆的前后保险杠、侧视镜、驾驶杆内部或者挡风玻璃上。早期的adas技术主要以被动式报警为主，当车辆检测到潜在危险时，会发出警报提醒驾车者注意异常的车辆或道路情况。对于最新的adas技术来说，主动式干预也很常见。
51.自适应巡航控制(adaptive cruise control，acc)系统，是在定速巡航系统的基础上发展而来的，除了具有定速巡航系统的功能，即可依照驾驶者所设定的速度行驶的功能外，还可以实现保持预设的跟车距离以及随着车距变化自动加速与减速的功能。相较定速巡航系统而言，acc系统能够更好地帮助驾驶员协调刹车和油门。
52.路侧单元(road side unit，rsu)是自动道路缴费(electronic toll collection，etc)系统中，安装在路侧，采用专用短距离通讯(dedicated short range communications，dsrc)，与车载单元(on board unit，obu)进行通讯，实现车辆身份识别，电子扣分的装置。rsu可以由高增益定向束控读写天线和射频控制器组成。高增益定向束控读写天线是一个微波收发模块，负责信号和数据的发送/接收、调制/解调、编码/解码、加密/解密；射频控制器是控制发射和接收数据以及处理向上位机收发信息的模块。
53.本技术提供的智能灯光切换方法由智能灯光切换系统执行，为了便于理解本技术实施例，首先对本技术实施例基于的一种智能灯光切换系统的应用场景进行描述。如图1所示，图1是一种智能灯光切换系统的应用场景的示意图，图1所示的场景为车联网中的一个场景，该场景包括多辆智能车辆、无线电发射塔、rsu，而智能灯光切换系统可以应用在所述智能车辆的车载系统上，比如应用在adas、acc系统中，可以实现在辅助驾驶、自动驾驶等多种场景中的智能远近光灯的切换，另外，智能灯光切换系统也可以作为独立系统安装在所述智能车辆中，与所述智能车辆中的其他辅助驾驶系统区分开来。
54.基于上述智能灯光切换系统的应用场景，本技术实施例提供了一种应用于上述智能灯光切换系统的应用场景中的智能车辆200，请参见图2，图2是本技术实施例提供的一种智能车辆200的结构示意图。
55.需要说明的是，智能车辆200可以设置为完全智能驾驶模式，也可以设置为部分智能驾驶模式。可理解，当智能车辆200设置为完全智能驾驶模式时，智能车辆200可以在不和人交互的情况下进行相应操作，所述操作包括但不限于加速、减速、跟车；当智能车辆设置为部分智能驾驶模式时，智能车辆200不仅可以自动执行相应操作，同时还可以由驾驶员来执行相应操作，例如，确定车辆及其周边环境，确定周边环境中的至少一个其他车辆的可能行为，确定所述其他车辆执行可能行为的可能性相对应的置信水平，然后，基于所确定的信息来控制智能车辆200。
56.智能车辆200可包括各种子系统，例如行进系统210、传感器系统220、控制系统230、一个或多个外围设备240以及计算机系统250、电源260和用户接口270。可选地，智能车辆200可包括更多或更少的子系统，每个子系统可包括多个元件。另外，智能车辆200的每个子系统和元件可以通过多种方式互连，例如，可通过有线或无线方式互连。
57.行进系统210可包括为智能车辆200提供动力的组件。在一个实施例中，行进系统210可包括引擎2110、能量源2120、传动装置2130和车轮/轮胎2140。引擎2110可以是内燃引擎、电动机、空气压缩引擎或其他类型的引擎组合，例如汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎2110将能量源2120转换成机械能量。
58.能量源2120的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源2120也可以为智能车辆200的其他系统提供能量。
59.传动装置2130可以将来自引擎2110的机械动力传送到车轮2140。传动装置2130可包括变速箱、差速器和驱动轴。在一个实施例中，传动装置2130还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮2140的一个或多个轴。
60.传感器系统220可包括感测智能车辆200周边环境信息以及获取其自车信息的若干个传感器。例如，传感器系统220可包括定位系统2210、惯性测量单元(inertial measurement unit，imu)2220、雷达2230以及视觉传感器2240。其中，定位系统2210可包括gps系统、北斗系统或者其他定位系统。传感器系统220还可包括被监视智能车辆200的内部系统的传感器，例如，车内空气质量监测器、燃油量表、机油温度表等。由这些传感器所获取的数据可用于检测对象及其相应特性，所述特性包括但不限于位置、形状、方向、速度。这种检测和识别对于智能车辆200安全执行后续操作意义重大。
61.定位系统2210可用于确定智能车辆200的地理位置。
62.imu 2220可基于惯性加速度来感测智能车辆200的位置和朝向变化。在一个实施例中，imu 2220可以是加速度计和陀螺仪的组合，此时，imu 2220可用于测量智能车辆200的曲率。
63.雷达2230可利用无线信号来感测智能车辆200的周边环境，该周边环境包括但不限于周围车辆、基础设施、行人。可理解，雷达2230可以包括但不限于毫米波雷达、激光雷达。在一些实施例中，除了感测周边环境以外，雷达2230还可用于感测环境中的物体运动状态。
64.视觉传感器2240可用于捕捉智能车辆200周边环境的多个图像。视觉传感器2240可以包括但不限于静态相机、视频相机。
65.控制系统230可用于控制智能车辆200及其组件的操作。控制系统230可包括多个元件，在一个实施例中，控制系统230包括转向系统2310、执行器2320、制动单元2330、计算机视觉系统2340、路线控制系统2350、障碍物避免系统2360以及远近光灯切换系统2370。
66.转向系统2310可通过操作来调整智能车辆200的前进方向。例如，在一个实施例中，转向系统2310可以包括方向盘系统。
67.执行器2320可用于控制引擎2110进而控制智能车辆200的速度。例如，在一个实施例中，执行器2320可以包括油门。
68.制动单元2330可用于控制智能车辆200进行减速。制动单元2330可使用摩擦力来
降低车轮2140的转速。在其他实施例中，制动单元2330可将车轮2140的动能转换为电流。制动单元2330也可采取其他方法来降低车轮2140的转速从而控制智能车辆200的速度。
69.可理解，执行器2320和制动单元2330可合并成一个单元模块，所述合并后的单元模块可用于控制智能车辆200的速度，在一个实施例中，所述合并后的单元模块可以包括油门系统和刹车系统。
70.计算机视觉系统2340可用于处理和分析由视觉传感器2240捕捉的图像，以便进行后续操作。通过计算机视觉系统2340，还能识别智能车辆200周边环境、周边环境中的物体的特征及其运动状态。所述周边环境可包括交通信号、道路边界和障碍物，所述周边环境中的物体的特征包括但不限于其表面光学特性，所述运动状态包括但不限于静止、加速、减速。计算机视觉系统2340可使用颜色空间转换技术、物体识别算法、运动中恢复结构(structure from motion，sfm)算法、视频跟踪和其他计算机视觉技术。在一些实施例中，计算机视觉系统2340包括图像检测系统、基于神经网络的处理系统等，可以用于为环境绘制地图、跟踪物体、估计物体的速度等。
71.路线控制系统2350用于确定智能车辆200的行驶路线。在一些实施例中，路线控制系统2350可结合来自定位系统2210的一个或多个预定地图的数据来为智能车辆200确定行驶路线。
72.障碍物避免系统2360用于识别、评估、避免或绕过周围环境中的障碍物。在一个实施例中，障碍物避免系统2360需要借助雷达2230、视觉传感器2240获取周围环境的信息，然后通过计算机视觉系统2340分析周围环境，识别出潜在障碍物，再由障碍物避免系统2360进行评估和规避。
73.远近光灯切换系统2370用于智能切换远近光灯。在一个实施例中，远近光灯切换系统2370可以根据环境光自行启动，自动进行远近光切换，也可以人为启动。
74.需要说明的是，控制系统230可以增加其他组件，也可以替换和/或减少上文描述的那些组件。
75.智能车辆200通过外围设备240与外部传感器、其他车辆、其他计算机系统或用户之间进行交互。外围设备240可包括但不限于无线通信系统2410、车载电脑2420、麦克风2430和/或扬声器2440。
76.需要说明的是，在一些实施例中，外围设备240可以与智能车辆200的用户进行交互，例如，车载电脑2420可以给智能车辆200的用户提供信息，同时，智能车辆200的用户也可以将数据上传至车载电脑2420，可理解，智能车辆200的用户可以通过车载电脑2420的触摸屏来进行操作。另外，外围设备240可提供智能车辆200与车内其他设备通信的手段，例如，麦克风2430可从智能车辆200的用户接收音频，所述音频可以包括语音命令及其他音频输入。类似地，扬声器2440可向智能车辆200的用户输出音频。
77.无线通信系统2410可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统2410可使用3g蜂窝通信，例如cdma、evdo、gsm/gprs，或者4g蜂窝通信,例如lte,或者5g蜂窝通信。无线通信系统2410可利用wifi与无线局域网(wireless local area network，wlan)通信。在一些实施例中，无线通信系统2410可利用红外链路、蓝牙或zigbee与设备直接通信，所述设备可以包括但不限于车辆和/或路边台站之间的公共设施。
78.另外，在本技术的一个实施例中，多辆智能车辆之间能通过v2x进行通信，因此，无
线通信系统2410中还可以包括一个或多个dsrc设备、一个或多个lte-v2x设备。
79.电源260可向智能车辆200的各种组件提供电力。在一个实施例中，电源260可以包括一个或多个电池组，所述电池组中的电池可为可再充电锂离子电池或铅酸电池。可理解，在一些实施例中，电源260和能量源2120可一起实现。
80.智能车辆200的部分或所有功能受计算机系统250控制。计算机系统250可包括一个或多个处理器2520，由处理器2520执行指令25110，所述指令25110存储在例如存储器2510这样的非暂态计算机可读介质中。计算机系统250还可以是采用分布式方式控制智能车辆200的个体组件或子系统的多个计算设备。
81.处理器2520可以是任何常规的处理器，诸如商业可获得的cpu。可选的，该处理器可以是诸如专用集成电路(application specific integrated circuit，asic)或其它基于硬件的处理器的专用设备。尽管图2功能性地图示了处理器、存储器和计算机等器件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如，存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，所述处理器只执行与特定于组件的功能相关的计算。
82.在此处所描述的各个方面中，处理器可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
83.在一些实施例中，存储器2510可包含指令25110(例如，程序逻辑)，指令25110可被处理器2520执行从而实现智能车辆200的包括上述功能在内的各种功能。存储器2510也可包含额外的指令，包括向行进系统210、传感器系统220、控制系统230和外围设备240中的一个或多个发送数据、接收数据、与其交互和/或对其进行控制的指令。
84.除了存储指令25110以外，存储器2510还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度等车辆数据，以及其他相关信息。可理解，在一种实施例中，智能车辆200处于自主、半自主和/或手动模式时，其计算机系统250能利用所述数据进行相关操作，例如，可以根据目标路段的道路信息和接收的目标车辆速度范围，对智能车辆的当前速度进行调整，从而使智能车辆能以恒定的速度跟车行驶。
85.用户接口270，用于向智能车辆200的用户提供信息或从其接收信息。可选地，用户接口270可包括外围设备240中的一个或多个输入/输出设备所需要的接口，例如usb接口、aux接口、obd接口。
86.计算机系统250可基于各种子系统(例如，行进系统210、传感器系统220和控制系统230)的数据以及从用户接口270接收的数据来控制智能车辆200的功能。例如，计算机系统250可控制转向系统2310来规避由传感器系统220和障碍物避免系统2360检测到的障碍物。
87.可选地，上述组件不仅可以作为子系统组装在智能车辆200内部，组件中的一个或多个还可与智能车辆200分开安装。例如，存储器2510可以部分或完全地与智能车辆200分开存在。上述组件可以采取有线和/或无线方式进行耦合。
88.需要说明的是，上述各个模块及其中的组件有可能根据实际需要增添、替换或者删除，本技术对此不作限制。
89.在道路上行进的智能驾驶汽车，如图2中的智能车辆200，可以识别其周围环境调整当前速度。所述周围环境可以包括但不限于其它车辆、行人、交通控制设备、其它基础设施以及其它类型的物体。在一些实施例中，所述智能驾驶汽车可以独立地考虑每个识别的物体，并且基于物体的特性，例如速度、加速度、与本车的相对距离等，来确定自动驾驶汽车所要调整的速度。
90.可选地，智能车辆200或者与智能车辆200相关联的计算设备(如图2的计算机系统250、计算机视觉系统2340、数据存储装置2510)可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰、等等)来预测所述识别的物体的行为。可理解，每一个所识别的物体都相关联，因此还可以通过分析周围环境中所有物体的状态来预测单个物体的行为。智能车辆200能够基于预测的所述识别的物体的行为来调整自车速度。换句话说，智能车辆200能够基于所预测的物体的行为来确定车辆需要如何调整(例如，加速、减速、或者停止)以及调整到什么稳定状态，在这个过程中，也可以考虑其它因素的影响，例如智能车辆200在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等。
91.除了提供调整智能车辆200的速度的指令之外，计算设备还可以提供修改智能车辆200的转向角的指令，以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如相邻车道的轿车)的安全横向和纵向距离。
92.上述智能车辆200可以为轿车、卡车、摩托车、公共汽车、船、娱乐车、游乐场车辆、施工设备、电车、火车等，本技术实施例对此不作限定。
93.可以理解的是，图2所示的智能车辆的结构示意图只是本技术实施例中的一种示例性的实施方式，本技术实施例中的智能车辆包括但不仅限于以上结构。
94.本技术提供了一种智能灯光切换系统，用于夜间行车过程中的智能灯光切换，智能灯光切换系统首先会获取前方图像，然后获取环境光信息，并对该图像中的灯源进行分类，然后结合环境光信息和灯源分类信息来判断是否切换远近光灯。智能灯光切换系统内部的单元可以有多种划分方式，本技术对此不作限制。图3为一种示例性的划分方式，如图3所示，下面将分别简各个功能单元的功能。
95.所示智能灯光切换系统300包括获取单元310、环境光探测单元320、灯源分类单元330和切换单元340。其中，获取单元310，用于获取图像，所述图像由设置于车辆的固定位置的摄像机拍摄得到，所述图像中记录了灯源信息；环境光探测单元320，用于计算所述图像对应的环境光亮度值；灯源分类单元330，用于根据所述灯源信息，对所述图像中所包含的灯源进行分类，获得分类结果；切换单元340，根据所述图像对应的环境光亮度值和所述分类结果，进行远光灯切换或者近光灯切换(灯光切换)。
96.由上述内容可知，灯源分类是本技术方案中至关重要的一步，是由灯源分类单元330实现的，具体地，灯源分类单元330中包含灯源检测模型，灯源检测模型会对所获取的图像进行检测并进行灯源分类。
97.可理解，灯源检测模型可以是一种ai模型，而在利用ai模型进行检测之前需要对初始ai模型进行训练，本技术利用摄像机获取到的包含灯源信息的样本图像对初始ai模型进行训练，从而使得训练后ai模型具备灯源分类的能力，可以对摄像机所获取的图像进行
灯源分类。
98.另外，本技术中的灯源检测模型还可以确定灯源位置(检测框信息/目标在图像中的位置)以及检测灯源与自车间实际距离。
99.在训练过程中，需要使用特别的训练数据进行训练，从模型能力需求出发进行分析，需要使用携带标注信息的摄像机拍摄的样本图像进行训练，样本图像中记录了目标，标注信息包括目标在样本图像中的类别信息、位置信息(检测框信息/目标在图像中的位置)和距离信息(目标与自车间的距离等)。
100.目标的类别信息用于表示目标的类别，在本技术实施例中，所述目标指灯源，例如：车大灯、车尾灯、路灯、交通信号灯等，目标的类别信息指灯源的类别信息。
101.另外，进行分类时，需要借助检测框，所述检测框用于在样本图像中将目标标注出来，在本技术实施例中，所述检测框指灯框，检测框信息可以包括但不限于目标类别信息、像素坐标信息。示例性的，在本技术的一个实施例中，利用矩形检测框进行标注，检测框信息包括所标注的目标的类别信息、像素坐标信息，该类别信息包括检测框的形状、颜色等特征，该像素坐标信息由四个像素坐标组成，即检测框的左上角横坐标、左上角纵坐标、右下角横坐标、右下角纵坐标。
102.需要说明的是，检测框信息在本技术的一个实施例中，可以直接显示文字表示该目标的类别信息，也可以利用检测框的形状、颜色等特征来表明该目标的类别，标注信息可以以可扩展标记语言(extensible markup language，xml)或javascript对象简谱(javascript object notation，json)等文件进行保存。
103.下面对灯源检测模型进行详细介绍。
104.本技术中灯源检测模型的训练所需的训练数据(样本图像)是由车辆中固定位置的摄像机所获取。可以利用目标检测算法对该样本图像进行检测，从而得到样本图像中记录的灯源的类别信息和检测框信息，也可以通过人工标注的方式得到。可理解，样本图像可以包括不同时刻获取的图像以及不同曝光时间的图像。
105.获取多个样本图像并得到其标注信息后，多个带有标注信息的样本图像构成训练集，利用训练集中的训练样本进行训练。首先确定初始灯源检测模型，由上文可知，本技术中的初始灯源检测模型可以是一种ai模型，具体可以选用一种深度神经网络模型，该模型不仅可以对灯源的类别及其在图像中的位置进行检测，同时还可以计算灯源与自车的实际距离，这意味着本技术中的初始灯源检测模型在结构上有所改进。
106.如图4所示，本技术的初始灯源检测模型400的结构主要包括三部分，即骨干网络410、检测网络420和损失函数计算单元430。骨干网络410用于对输入的样本图像进行特征提取，其内部包含若干卷积层，可以选用视觉几何组网络(visual geometry group network，vgg)、残差网络(residual network)、密集卷积网络(dense convolutional network)等。检测网络420用于对骨干网络410提取的特征进行检测和识别，输出灯源类别信息、灯源位置信息(即检测框信息)，其内部本质上也是由若干卷积层组成，会对骨干网络410的输出结果进行进一步的卷积计算。
107.如上文所述，与一般的检测模型(例如yolo、faster rcnn等)相比，本技术的灯源检测模型在结构上有所不同。因为图像中同一辆车的车灯间的距离、该车辆的真实车宽、用于获取图像的摄像机的焦距、该车辆到自车的距离，这四者存在比例关系，已知其中三个，
就能根据该比例关系求得另一个的值。因此，骨干网络410可以选用同一种网络，但在检测网络420中，本技术在每个负责回归检测框的卷积层上增加了多个通道，优先增加两个通道，用于表示灯源在样本图像中的横坐标和纵坐标，通过同一车辆的灯源的横、纵坐标，可以得到图像上该车辆车灯间的距离，从而得到该车辆到自车的距离。当然，也可以增加更多个通道，每个通道赋予相应的物理含义，本技术对此不作限定。
108.首先，将初始灯源检测模型400的参数初始化，之后将样本图像输入至初始灯源检测模型400。骨干网络410对样本图像中记录的目标进行特征提取，得到抽象的特征，然后将抽象的特征输入至检测网络420，检测网络进行进一步的检测和识别，预测出该目标的类别、位置以及到自车的距离，并通过相应的通道进行输出至损失函数计算单元430；然后将该样本图像对应的标注信息也输入损失函数计算单元430，损失函数计算单元430将检测网络420预测得到的预测结果与该样本图像对应的标注信息进行比对，并计算出损失函数，以损失函数为目标函数使用反向传播算法更新调整模型中的参数。依次输入携带标注信息的样本图像，不断迭代执行上述训练过程，直到损失函数值收敛时，即每次计算得到的损失函数值在某一个值附近上下波动，则停止训练，此时，灯源分类模型已经训练完成，即灯源分类模型已经具备检测图像中目标的类别、位置、以及到自车的距离，可以用于灯源分类。
109.值得说明的是，由于本技术在每个负责回归检测框的卷积层上增加了两个通道，因此在损失函数的构造上需要重新设计。假设本技术的目标定位模型是在经典的目标检测模型(例如yolo、faster rcnn等)上进行的改进，经典的目标检测模型的损失函数为loss1，那么构造的本技术的目标定位模型的损失函数loss可以表示为：loss＝loss1 loss2，loss2为新增的两个通道所对应的损失函数。
110.如上文所述，对图像中的灯源的特征的提取主要由骨干网络410和检测网络420完成，下面结合图5具体描述如何提取特征来实现分类。如图5所示，该方法包括但不限于以下步骤：
111.s501：从图像中选取亮度值大于预设阈值的亮斑，并给其设置灯框。
112.具体地，选取亮斑中亮度大于或等于预设阈值的亮斑为第一亮斑，给其设置灯框，所述灯框的尺寸可以根据需要标定的第一亮斑的大小适应性变化。
113.示例性的，如图6所示，图6为给第一亮斑设置灯框的示意图，通过识别第一亮斑在图像上的位置、亮度、尺寸和颜色等要素，将位于图像下方的第一亮斑用红色方框标识，将位于图像上方、具有一定分布特征的第一亮斑用蓝色方框标识，将位于图像上方具有鲜明的颜色特征的第一亮斑用紫色方框标识，由此可以较为清楚地显示具有不同特征的亮斑在图像上的分布情况。
114.所述具有一定分布特征是指图像上方区域左右两侧的第一亮斑的连线在一定误差范围内会相交于图像中央的某一点。
115.需要说明的是，上述对灯框的设置方式只是本技术中的一种示例性方式，灯框的尺寸、形状、颜色等具体参数，均可由研发人员根据实际需要和实验数据进行设置，比如，设置灯框时，使用不同颜色或不同形状的灯框对不同特征的亮斑进行标定，本技术中对此不作限制。
116.s502：对所述灯框进行筛选去重。
117.在设置灯框后，灯框间可能出现相交、相切的情形，从而可能影响后续操作，因此，
需要对灯框进行筛选去重处理。需要说明的是，对所述灯框进行筛选去重的方法有很多种，比如，在本技术的一个实施例中，对所述灯框采用iou算法进行去重，如图7所示，亮斑a被灯框c标定，亮斑b被灯框d标定，当检测出灯框c与灯框d有重叠区域e时，生成第二灯框，该第二灯框比原始灯框更大一些，可以将两个亮斑都包含在内，图7中的灯框f即为第二灯框，可理解，所述第二灯框的尺寸可以根据原始灯框的大小来确定，在其他情况下，第二灯框的尺寸、形状、颜色等具体参数也可以预先设置。
118.s503：对去重后的灯框进行配对，得到第一灯框对。
119.在本技术的一个实施例中，图像中任意两个灯框至少需要满足三个条件，才能配对成功，第一个条件为：所述两个灯框的高度的差值的绝对值小于第一阈值；第二个条件为：所述两个灯框间的距离与所述灯框的高度存在线性关系，即所述两个灯框间的距离与所述灯框的高度的比值在比例区间内；第三个条件为：所述两个灯框中心点的连线与水平线的角度小于第二阈值。可理解，第二个条件中，所述两个灯框间的距离为灯框中心点间的距离(即所述两个灯框中心点连线的长度)，灯框的高度为所述两个灯框的高度的平均值。
120.如图8所示，图8为灯框配对的示意图，图中灯框a和灯框b为图像中任意选取的两个灯框，灯框a的高度为a，灯框b的高度为b，灯框中心点之间的距离为c，当|a-b|小于第一阈值，在比例区间内，并且θ小于第二阈值时，灯框a和灯框b配对成功，即可以认为灯框a中的亮斑和灯框b中的亮斑为一组灯对。
121.可理解，第一阈值、第二阈值以及比例区间由研发人员根据实际需求和实验数据进行设置，在本技术中不作限制。
122.s504：确定远处车灯与自车的距离。
123.由上文可知，中央区域为远处车辆的车灯可能出现的区域，选取中央区域中的第一灯框对，所述第一灯框对中第一亮斑的中心点间的距离与真实车宽的比值为第一比值，用于获取图像的摄像机的焦距与所述第一灯框对所属车辆到自车的距离的比值为第二比值，可理解，第一比值与第二比值在一定误差范围内相等，在本技术的一个实施例中，可认为二者近似相等，因此，已知所述第一灯框对中第一亮斑中心点间的距离、真实车宽以及摄像机的焦距，可得所述第一灯框对所属车辆到自车的距离，或者，引入一个数值作为误差值，在已知第一灯框对中第一亮斑中心点间的距离、真实车宽的情况下，可计算出第一比值，将第一比值加上或减去所述误差值，得到第二比值，而已知摄像机的焦距，可得所述第一灯框对所属车辆到自车的距离。
124.需要说明的是，上述方法仅为本技术中的一种示例性的方法，还可以有不同的方法来确定远处车灯与自车的距离，本技术对此不作限制。
125.可理解，所述中央区域的形状、尺寸等具体参数可由研发人员根据实验数据预先设置，本技术中对此不作限制。
126.另外，在本技术的其他实施例中，为了获取更精准的灯源分类结果，可以根据上述方法计算所获取图像中所有车辆与自车的距离，由此，不仅可以得到灯源信息，还可以得到灯源的距离信息，结合远光灯和近光灯的照射距离，能够更加准确地进行切换。
127.s505：确定消失点水平线(vp line)。
128.在本技术的一个实施例中，将所获取的图像分为n行(n为正整数)，确定第一灯框
对中两个第一亮斑的中心点所在的行，统计所获取图像中每行的第一灯框对的数量，绘制以行数为横坐标，第一灯框对的数量为纵坐标的行数分布图，所述行数分布图可以是平滑散点图、折线散点图、直方图等形式，所述行数分布图为平滑散点图时，选取所述行数分布图的所有波谷中横坐标最大的波谷，将该处对应的行数值作为第一行数值，或者，选取所述行数分布图的所有波峰中横坐标最大的波峰左半侧最低区间中央位置，将该处对应的行数值作为第二行数值。
129.如图9所示，图9为绘制行数分布图的示意图，将所获取的图像分为7行，若图像宽度为280px(像素)，则每行的高度为40px，确定各个第一灯框对中的第一亮斑的中心点所在行，统计所获取图像中每行的第一灯框对的数量，图9中，第一行、第二行和第四行灯对数为1，第三行灯对数为5，第五行灯对数为3，第六行和第七行灯对数为0，绘制以行数为横坐标，第一灯框对的数量为纵坐标的行数分布图，该行数分布图是直方图形式。
130.如图10所示，图10为确定第一行数值的示意图，其中，黑点标记处为行数分布图中横坐标最大的波谷，即该黑点标记处对应的行数为第一行数值。可理解，第二行数值的确定方式与上述第一行数值的确定方式相同，在此不再赘述。
131.需要说明的是，若第一灯框对中两个第一亮斑的中心点所在的行不同，在后续统计图像每行的第一灯框对的数量时，所述两个第一亮斑的中心点所在的行各记0.5。可理解，上述过程还有不同的统计方法，比如，给所述两个第一亮斑的中心点所在的行各记1，或者任意选择所述两个第一亮斑的中心点所在的行中的一行记1，本技术中对此不作限制。
132.在本技术的其他实施例中，还有不同的绘制行数分布图的方法，可以首先确定图像中被灯框所标定的第一亮斑的中心点所在的行，统计图像中每行的第一亮斑的数量，绘制以行数为横坐标，第一亮斑的数量为纵坐标的行数分布图。
133.当所述行数分布图中无波峰和/或无波谷时，选取默认消失点水平线作为第一消失点水平线(vp linei)。当所述第一行数值与所述默认消失点水平线的差值的绝对值大于第三阈值时，或者，当所述第二行数值与所述默认消失点水平线的差值的绝对值大于第三阈值时，选取默认消失点水平线作为第一消失点水平线(vp linei)。由于车灯一般在车体的中间位置，所以根据预设的修正值对vp linei进行修正，将所述消失点水平线加上修正值，得到第二消失点水平线(vp lineii)。另外，考虑自车在刹车、加速以及上下坡等过程中会导致摄像机俯仰角的变化，从而造成图像中灯源位置发生较大变化，因此引入参考值，将vp linei与所述参考值的差值的绝对值乘以阻尼系数α，再加上参考值，得到第三消失点水平线(vp lineiii)，此时所得的vp lineiii即为可用于对所述亮斑进行分类的vp line。
134.可理解，修正值为较小的正整数，其具体数值由研发人员根据实验数据和实际需求进行设置，在本技术中不作限制。
135.可理解，第三阈值由研发人员根据实际需求和实验数据进行设置，在本技术中不作限制。
136.需要说明的是，在本技术的其他实施例中，可以根据刹车、加速、上坡、下坡等具体行车环境，来自适应调整参考值和阻尼系数α的大小。
137.另外，上述引入参考值和阻尼系数α的方法仅为本技术中的一种示例性方法，在具体实现过程中，可根据实际需求对该方法做出调整，或者变换方法，以获取更好的有益效果，本技术对此不作限制。
138.s506：利用vp lineiii分割图像区域。
139.在得到vp lineiii后，以vp lineiii这个行数值所对应的所获取的图像中的行作为分界线，将所获取的图像分为第一区域和第二区域，所述第一区域为所述分界线以上的图像区域，所述第二区域为所述分界线以下的图像区域。
140.s507：排除路面反射光的干扰。
141.因为第一区域的灯源与路面之间的距离较大，所以产生的反射光较暗，极大可能不满足“亮度大于或等于预设阈值”这一条件，而第二区域的灯源与路面之间的距离较小，极大可能满足“亮度大于或等于预设阈值”这一条件，因此，主要针对第二区域的第一亮斑进行路面反射光的排除。
142.选取第二区域内的第一亮斑，对该第一亮斑分别进行位置分析，检测该第一亮斑垂直下方、左右偏移小于或等于预设距离的区域内是否存在其他第一亮斑，若所述区域内存在其他第一亮斑，则筛除所述其他第一亮斑，得到第二亮斑和第二灯框对。可理解，进行筛除操作后剩余的第一灯框对为第二灯框对，另外，预设距离由研发人员根据实际需求和实验数据进行设置，本技术对此不作限制。
143.如图11所示，图11为排除路面反射光干扰的示意图，图中对亮斑a进行位置分析，其中，左右偏移的预设距离为m点到o点的距离(或者n点到o点的距离)，可理解，m点到o点的距离与n点到o点的距离相等。有两种方案来排除路面反射光的干扰，第一种方案是检测区域x内是否存在其他第一亮斑，第二种方案是检测区域x和区域y组成的扇形区域内是否存在其他第一亮斑，该扇形区域是以p点为圆心，以p点到m点的距离为半径所画的区域，该扇形区域的角度为(α β)，可理解，α＝β，若采取第一种方案，亮斑d在区域x内，所以筛除亮斑d，若采取第二种方案，亮斑e在该扇形区域内，则筛除亮斑e。
144.s508：确定大灯对、尾灯对。
145.对第二区域内第二灯框对中的第二亮斑进行亮度检测，并对第二区域内第二灯框对中的第二亮斑的光晕进行色彩分析；当所述第二亮斑的亮度在第一区间内且所述光晕的颜色在第二区间内时，所述第二灯框对为大灯对；当所述第二亮斑的亮度在第三区间内且所述光晕的颜色在第四区间内时，所述第二灯框对为尾灯对。
146.需要说明的是，若将获取的rgb颜色空间下的图像转化成yuv颜色空间下的图像，那么进行色彩分析时，主要考虑v分量(红色分量)或者u分量(蓝色分量)。因此，对所述第二亮斑进行亮度检测时，获取所述第二亮斑每个像素的y分量的值(亮度值)，可得到所述第二亮斑的平均亮度值；对所述第二亮斑的进行色彩分析时，获取所述第二亮斑每个像素的v分量的值，可得到所述第二亮斑的v分量的平均值，当所述平均亮度值在第三区间且所述v分量的平均值在第四区间时，所述第二灯框对为尾灯对。当然，也可计算u分量的平均值来进行色彩区分，本技术对此不作限制。
147.可理解，对不同颜色空间下的图像而言，进行亮度检测、色彩分析采取方法可能不同，上述内容仅为本技术中一种示例性方法，不视为对本技术的限制。
148.需要说明的是，当所述第二灯框对中的两个亮斑均满足上述条件时，才能确定所述第二灯框对为大灯对或者尾灯对。在本技术的一个实施例中，引入误差值，当所述第二灯框对中的两个亮斑的亮度信息和颜色信息在误差范围内满足上述条件，也可认为所述第二灯框对为大灯对或者尾灯对，可理解，误差值的具体值可由研发人员根据实际需求和实验
数据进行设置，本技术中对此不作限制。
149.可理解，第一区间、第二区间、第三区间和第四区间由研发人员根据实际需求和实验数据进行设置，本技术对此不作限制。
150.对所述第一区域内的第二亮斑进行亮度检测，并对所述第一区域内的第二亮斑的光晕进行色彩分析，当所述第二亮斑的亮度在第五区间内且所述光晕的颜色在第六区间内时，所述第二亮斑为路灯。
151.s509：确定路灯。
152.确定路灯的方法与确定大灯对和尾灯对的方法相同，在此不再详细说明，参考上述确定大灯对和尾灯对的相关内容即可。
153.需要说明的是，第五区间、第六区间由研发人员根据实际需求和实验数据进行设置，本技术对此不作限制。
154.s510：确定交通信号灯。
155.选取所述第一区域内亮度大于或等于第四阈值的亮斑为第三亮斑，对所述第一区域内的第三亮斑进行亮度检测，并对所述第一区域内的第三亮斑的光晕进行色彩分析。当所述第三亮斑的亮度在第七区间内且所述光晕的颜色在第八区间内时，所述第三亮斑为交通信号灯中的红灯；当所述第三亮斑的亮度在第九区间内且所述光晕的颜色在第十区间内时，所述第三亮斑为交通信号灯中的绿灯；当所述第三亮斑的亮度在第十一区间内且所述光晕的颜色在第十二区间内时，所述第三亮斑为交通信号灯中的黄灯。
156.确定交通信号灯的方法与确定大灯对和尾灯对的方法相同，在此不再详细说明，参考上述确定大灯对和尾灯对的相关内容即可。
157.可理解，第七区间、第八区间、第九区间、第十区间、第十一区间和第十二区间由研发人员根据实际需求和实验数据进行设置，本技术对此不作限制。
158.可理解，第四阈值由研发人员根据实际需求和实验数据进行设置，在本技术中不作限制。
159.s511：对误分类的情形进行纠正。
160.在灯源分类过程中，有可能出现误分类的情况，比如，公交车、卡车等大型车辆前后方上下两侧各有两个灯，因此，可能出现两个灯在第一区域、两个灯在第二区域的情况，需要对此进行纠正。
161.对第二区域内的第二灯框对的进行垂直分析，找到位于所述第二灯框对垂直上方，且与所述第二灯框对的距离在第十三区间内的灯框对；当所述灯框对的亮度在第十四区间内且所述光晕的颜色在第十五区间内时，所述灯框对为大型车辆的大灯；当所述灯框对的亮度在第十六区间内且所述光晕的颜色在第十七区间内时，所述灯框对为大型车辆的尾灯。
162.可理解，第十三区间、第十四区间、第十五区间、第十六区间和第十七区间由研发人员根据实际需求和实验数据进行设置，本技术对此不作限制。
163.上述进行亮度检测和色彩分析过程与确定大灯对和尾灯对时采取的方法相同，在此不再详细说明，参考上述确定大灯对和尾灯对的相关内容即可。
164.需要说明的是，s504(确定远处车灯与自车的距离)可以放在s507(排除路面反射光的干扰)之后进行，也可以放在s508(确定大灯对和尾灯对)或s509(确定路灯)或s510(确
定交通信号灯)或s511(对误分类的情形进行纠正)之后进行。
165.另外，在本技术的一个实施例中，对于所获取的原始图像进行如下操作：选取该图像的中央区域作为roi区域；对该图像进行压缩。其中，所述中央区域为远处的车辆的大灯可能出现的区域，所述中央区域的形状、尺寸等具体参数可以由研发人员根据实验数据预先设置。对该图像进行压缩后再进行后续操作(计算亮度加权值等)可以降低计算量，但是该图像中部分细节信息会丢失。因此，采取压缩后的图像和所选取的原始图像的中央区域图像相结合的方式来进行灯源分类，具体地，将压缩后的图像和所选取的原始图像的中央区域图像进行比对，所述中央区域图像内的灯源根据该中央区域图像进行分类，其他区域的灯源根据压缩后的图像进行分类。
166.上述内容介绍了灯源分类模型及其训练过程，下面将具体描述本技术提供的智能灯光切换方法的过程，如图12所述，该方法包括但不限于以下步骤：
167.s1210：获取图像。
168.具体地，智能灯光切换系统通过摄像机模组实时获取自车的前方图像。所述图像中包括但不限于前方车辆的灯光信息、道路两侧的路灯信息、交通信号灯信息等灯源信息，以及环境光信息。
169.可理解，所述摄像机模组可以根据预先设定的时间实时截取图像，比如每1/20s截取一次图像。
170.在本技术的一个实施例中，智能灯光切换系统通过摄像机模组实时获取的前方图像包括3帧图像，这3帧图像分别是短曝光图像、中曝光图像、长曝光图像，其中短曝光图像的曝光时间最短，长曝光图像的曝光时间最长，中曝光图像的曝光时间介于二者之间。
171.可理解，曝光时间可以有多种设定方式，比如设定短曝光的曝光时间为10ms，中曝光的曝光时间为20ms，长曝光的曝光时间为30ms，或者，设定短曝光的曝光时间为5ms，中曝光的曝光时间为10ms，长曝光的曝光时间为20ms。因此，上述短曝光、中曝光和长曝光只是相对而言，具体的曝光时间由研发人员根据实际需要和实验数据进行设置，在此不作限制。
172.需要说明的是，不同曝光时间下灯源呈现的图像特征不同，采取3帧图像来进行分析可以帮助获取到更多的灯源信息，在本技术的其他实施例中，还可以获取更多或更少的图像来进行后续分析。
173.在本技术的一个实施例中，由所述智能灯光切换系统所获取的前方图像为rgb颜色空间下的图像，需要将该图像转换成yuv颜色空间下的图像。
174.需要说明的是，上述由rgb颜色空间到yuv颜色空间的转换只是本技术的一种示例性方式，在实际情况下，还可以有其他的转换方式，比如转换成hsi颜色空间。
175.s1220：计算所述图像对应的环境光亮度值。
176.具体地，智能灯光切换系统对所获取的图像选取至少一个roi区域，获取所选取的区域每个像素的亮度值，计算平均亮度值，然后根据设置的权重，计算亮度加权值，该亮度加权值即为环境光亮度值。可理解，所选取的roi区域的尺寸、形状等具体参数由研发人员根据图像、实际需要以及实验数据预先设置，在本技术中不作限制。可理解，权重由研发人员根据实验数据进行设置，在本技术中不作限制。
177.在本技术的一个实施例中，可以选取中央区域和整幅图像作为roi区域，所述中央区域为远处的车辆的大灯可能出现的区域，如上文所述，所述中央区域的形状、尺寸等具体
参数可以由研发人员根据实验数据预先设置。
178.在本技术的一个实施例中，可以选取中央区域、上方区域和整幅图像作为roi区域，所述中央区域为远处车辆的车灯可能出现的区域，所述上方区域为路灯可能出现的区域，如上文所述，所述中央区域和所述上方区域的形状、尺寸等具体参数可以由研发人员根据实验数据预先设置。
179.需要说明的是，对yuv颜色空间下的图像来说，y分量表示亮度信息，获取该图像中像素的y分量的值，即可认为获取了该像素的亮度值。
180.示例性的，选取中央区域和整幅图像作为roi区域，现已计算出中央区域的平均亮度值为200，整幅图像的平均亮度值为120，若设置的中央区域和整幅图像的权重为3:7，计算亮度加权值：200*0.3 120*0.7＝144，所以计算所得的亮度加权值即为144。
181.s1230：对所述图像中所包含的灯源进行分类。
182.具体地，将所述图像输入灯源检测模型，根据所述灯源检测模型获得所述图像中的灯源类别。
183.需要说明的是，计算环境光亮度和灯源分类并无确定的先后关系，在实际应用中，可以先计算环境光亮度，也可以先进行灯源分类，还可以二者同时进行。
184.s1240：根据所述图像对应的环境光亮度值和所述分类结果判断是否进行远近光灯切换。
185.具体地，若所述图像对应的环境光亮度值大于或等于第六阈值，灯源分类结果显示远光灯照射距离内确实有车灯，并不是受到了干扰光源的影响，此时判断切换至近光灯；若所述图像对应的环境光亮度值大于或等于第六阈值，灯源分类结果显示远光灯照射距离内无车灯，可认为环境光亮度值受到了干扰光源的影响，此时判断切换至远光灯；若所述图像对应的环境光亮度值小于第六阈值，灯源分类结果显示远光灯照射距离内无车灯，此时判断切换至远光灯；若所述图像对应的环境光亮度值小于第六阈值，灯源分类结果显示远光灯照射距离内有车灯，此时判断切换至近光灯。
186.可理解，远光灯照射距离由研发人员根据实际需求和车灯的参数进行设置，本技术中对此不作限制。另外，由于摄像机会实时获取图像，智能灯光切换系统也会实时进行环境光亮度计算和灯源分类，因此可以实时获取到灯源信息及其距离信息，在本技术的一个实施例中，可以设置延时切换模式，当灯源分类结果表明灯源与自车的距离与自车远光灯照射距离的差值在预设区间内时，判断延时切换至远光灯，可理解，所述预设区间和延长的时间可由研发人员根据实际需求进行设置，本技术中对此不作限制。
187.需要说明的是，智能灯光切换系统可以人为启动，也可以自行启动。其中，人为启动方式适用于上述s1240中的切换方法，当驾驶员判断需要开灯时，触发该智能灯光切换系统；若采取自行启动的方式，可以先计算环境光亮度，当其大于或等于第七阈值时，可认为自车此时所处环境无需开灯，那么之后无需再进行灯源分类，否则进行灯源分类并判断是否进行远光灯切换或近光灯切换，这样可以减少能耗，或者，可以另外设置一个计算环境光亮度的模块，当该模块得到的环境光亮度大于或等于第七阈值时，可认为无需启动智能灯光切换系统，否则触发智能灯光切换系统，此时智能灯光切换系统可按照s1210-s1240所述方法进行远近光灯切换。可理解，第七阈值由研发人员根据实际需求和实验数据进行设置，本技术中对此不作限制。
188.上述详细阐述了本技术实施例的方法，为了便于更好的实施本技术实施例的上述方案，相应地，下面还提供用于配合实施的相关设备。
189.如图3所示，图3是本技术提供的一种智能灯光切换系统的结构示意图，该智能灯光切换系统用于执行上述图12所述的智能灯光切换方法。本技术对该智能灯光切换系统的功能单元的划分不做限定，可以根据需要对该智能灯光切换系统中的各个单元进行增加、减少或合并。此外，智能灯光切换系统中的各个单元的操作和/或功能分别为了实现上述图12所描述的方法的相应流程，为了简洁，在此不再赘述。图3示例性的提供了一种功能单元的划分：
190.智能灯光切换系统300包括获取单元310、环境光探测单元320、灯源分类单元330和切换单元340。
191.具体地，所述获取单元310用于执行前述步骤s1210，且可选的执行前述步骤中可选的方法。
192.所述环境光探测单元320用于执行前述步骤s1220，且可选的执行前述步骤中可选的方法。
193.所述灯源分类单元330用于执行前述步骤s501-s511、s1230，且可选的执行前述步骤中可选的方法。
194.所述切换单元340用于执行前述步骤s1240，且可选的执行前述步骤中可选的方法。
195.上述四个单元之间互相可通过通信通路进行数据传输，应理解，智能灯光切换系统300包括的各单元可以为软件单元、也可以为硬件单元，或部分为软件单元部分为硬件单元。
196.参见图13，图13是本技术实施例提供的一种计算设备的结构示意图。如图13所示，该计算设备1300包括：处理器1310、通信接口1320以及存储器1330，所述处理器1310、通信接口1320以及存储器1330通过内部总线1340相互连接。
197.所述计算设备1300可以是图3中的智能灯光切换系统300，图3中的智能灯光切换系统300所执行的功能实际上是由所述智能灯光切换系统300的处理器1310来执行。
198.所述处理器1310可以由一个或者多个通用处理器构成，例如中央处理器(central processing unit，cpu)，或者cpu和硬件芯片的组合。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，asic)、可编程逻辑器件(programmable logic device，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device，cpld)、现场可编程逻辑门阵列(field-programmable gate array，fpga)、通用阵列逻辑(generic array logic，gal)或其任意组合。
199.通信接口1320用于与其他设备或通信网络通信，如以太网，无线接入网(ran)，核心网，无线局域网(wireless local area networks，wlan)等。
200.总线1340可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。所述总线1340可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但不表示仅有一根总线或一种类型的总线。
201.存储器1330可以包括易失性存储器(volatile memory)，例如随机存取存储器
(random access memory，ram)；存储器1330也可以包括非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，rom)、快闪存储器(flash memory)、硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；存储器1330还可以包括上述种类的组合。存储器1330用于存储执行以上述智能灯光切换方法实施例的程序代码，在一种实施方式中，存储器1330还可以缓存其他数据，并由处理器1310来控制执行，以实现智能灯光切换系统300所示的功能单元，或者用于实现图12所示的方法实施例中以智能灯光切换系统300为执行主体的方法步骤。
202.本技术实施例还提供一种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，可以实现上述方法实施例中记载的任意一种的部分或全部步骤，以及实现上述图3所描述的任意一个功能单元的功能。
203.本技术实施例还提供了一种计算机程序产品，当其在计算机或处理器上运行时，使得计算机或处理器执行上述任一个方法中以智能灯光切换系统300为执行主体的方法步骤的一个或多个步骤。上述所涉及的设备的各组成模块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，可以存储在所述计算机可读取存储介质中。
204.在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
205.应理解，本文中涉及的第一、第二、第三、第四以及各种数字编号仅为描述方便进行的区分，并不用来限制本技术的范围。
206.应理解，本文中术语“和/或”，仅仅是一种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：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
207.还应理解，在本技术的各种实施例中，上述各过程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，而不应对本技术实施例的实施过程构成任何限定。
208.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技术的范围。
209.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
210.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
211.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。
212.另外，在本技术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。
213.所述功能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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
214.本技术实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
215.本技术实施例装置中的模块可以根据实际需要进行合并、划分和删减。
216.以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的范围。