一种新型视频语义分析的坐标转换自学习方法与流程

1.本发明涉及新型视频语义分析的坐标转换自学习方法领域，特别涉及一种新型视频语义分析的坐标转换自学习方法。


背景技术：

2.以无人驾驶为目标的智能驾驶已成为全球大热的技术发展方向，到2021 年全球无人驾驶汽车市场规模将达70.3亿美元，市场前景极其广阔，传统智能驾驶技术路线可分为tesla以光学摄像头为主的视觉优先路线，以及激光雷达为主的多传感器融合路线，但两种主要技术路线均基于驾驶员视角进行信息融合与处理，存在驾驶员位置物理视野受限、感知距离几何构型差、车载传感器成本高昂的问题，因此，在未来无人驾驶领域如何克服上述问题，将成为主要行业竞争焦点，无人物流配送作为上述无人驾驶领域中最重要的商业落地场景，已经触发了多家无人驾驶行业巨头的实质性产业推动。
3.目前无人驾驶在使用前都需要进行学习，从而保证无人驾驶过程中的安全，现有的无人驾驶学习过程，一般都是进行实际的道路学习，或者自己建设每一种数据进行处理，实际道路学习的方式经常容易导致无人驾驶装置的损坏，建设数据进行处理的方式需要工作人员花费大量的时间，过程十分繁琐。


技术实现要素：

[0004][0005]
本发明的目的在于提供一种新型视频语义分析的坐标转换自学习方法，以解决上述背景技术中提出的无人驾驶学习过程，一般都是进行实际的道路学习，或者自己建设每一种数据进行处理，实际道路学习的方式经常容易导致无人驾驶装置的损坏，建设数据进行处理的方式需要工作人员花费大量的时间，过程十分繁琐的问题。
[0006]
为实现上述目的，本发明提供如下技术方案：一种新型视频语义分析的坐标转换自学习方法，学习方法包括视频识别
→
视频分析
→
坐标分析
→
坐标收集建模
→
新坐标输入
→
障碍物识别；
[0007]
s1：基于所述视频识别包括转向摄像头，所述转向摄像头的内壁安装有视频传输模块。
[0008]
s2：基于所述视频分析包括终端，所述终端的内壁设置有多组视频数据分析模块。
[0009]
s3：基于所述坐标分析包括区域坐标，多组所述视频数据分析模块将障碍物的坐标输送到处理器内部，所述处理器对碍物输的坐标数据进行分析，所述处理器将碍物输坐标输送到区域坐标内部进行识别。
[0010]
s4：基于所述坐标收集建模包括收集的数据和建模模块，所述收集的数据传递到建模模块内部，所述建模模块对收集的时间进行重新建模。
[0011]
s5：基于所述新坐标输入包括将收集建模的输送过程。
[0012]
s6：基于所述障碍物识别包括自动对视频中障碍物的坐标进行分析识别并躲避过
程。
[0013]
优选的，s1中所述转向摄像头为目前市面上的摄像头，并且具备自动转向功能。
[0014]
优选的，s2中所述终端为现有公司内部服务器，所述服务器由公司工作人员操控。
[0015]
优选的，s3中所述处理器位于公司内部服务器中，所述区域坐标为运输区域服务。
[0016]
优选的，s4中的收集数据的过程为服务器中的数据收集模块，所述重新建模的过程为障碍物影像在服务器内部的区域模具中加入障碍物的模型，让原本的模型变成加入障碍物的新模型。
[0017]
优选的，s5中所述输送过程是将产生的新模型传输到服务器中的数据存储部分。
[0018]
优选的，s6中所述障碍物识别躲避过程为转向摄像头对障碍物进行识别，并且将数据传输到服务器内部的数据存储部分中，所述数据存储保护通过处理器对障碍物和坐标进行处理，然后服务器发出避让指令。
[0019]
本发明的技术效果和优点：可以利用视频中的语义障碍物进行自动的学习、分析、识别，并且经过学习、分析、识别能够在无人驾驶运输的时候对道路区域中障碍物的坐标进行自动处理，从而让无人驾驶运输的过程中的学习过程更加安全，并且节约了大量的建设时间。
附图说明
[0020]
图1为本发明的流程结构示意图。
具体实施方式
[0021]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0022]
本发明提供了如图1所示的一种新型视频语义分析的坐标转换自学习方法，学习方法包括视频识别
→
视频分析
→
坐标分析
→
坐标收集建模
→
新坐标输入
→
障碍物识别，s1：基于所述视频识别包括转向摄像头，所述转向摄像头的内壁安装有视频传输模块，所述转向摄像头为目前市面上的摄像头，并且具备自动转向功能，能够很好的对无人驾驶过程的四周路口进行观察，s2：基于所述视频分析包括终端，所述终端的内壁设置有多组视频数据分析模块，所述终端为现有公司内部服务器，所述服务器由公司工作人员操控，s3：基于所述坐标分析包括区域坐标，多组所述视频数据分析模块将障碍物的坐标输送到处理器内部，所述处理器对碍物输的坐标数据进行分析，所述处理器将碍物输坐标输送到区域坐标内部进行识别，所述处理器位于公司内部服务器中，所述区域坐标为运输区域服务，s4：基于所述坐标收集建模包括收集的数据和建模模块，所述收集的数据传递到建模模块内部，所述建模模块对收集的时间进行重新建模，使得服务器内部的数据增加，在无人驾驶过程中遇到的多种意外情况下能够很好的进行处理，让无人驾驶的过程更加安全；
[0023]
如图1所示，s4中的收集数据的过程为服务器中的数据收集模块，所述重新建模的过程为障碍物影像在服务器内部的区域模具中加入障碍物的模型，让原本的模型变成加入障碍物的新模型，s5：基于所述新坐标输入包括将收集建模的输送过程，能够对视频中学习
到的进行重新建模处理，所述输送过程是将产生的新模型传输到服务器中的数据存储部分，能够将收集的数据进行很好的保存处理，使得装置能够在无人驾驶的过程中对多种障碍物的坐标进行快速的识别，s6：基于所述障碍物识别包括自动对视频中障碍物的坐标进行分析识别并躲避过程，所述障碍物识别躲避过程为转向摄像头对障碍物进行识别，并且将数据传输到服务器内部的数据存储部分中，所述数据存储保护通过处理器对障碍物和坐标进行处理，然后服务器发出避让指令，可以利用视频中的语义障碍物进行自动的学习、分析、识别，并且经过学习、分析、识别能够在无人驾驶运输的时候对道路区域中障碍物的坐标进行自动处理，从而让无人驾驶运输的过程中的学习过程更加安全，并且节约了大量的建设时间。
[0024]
本发明工作原理：转向摄像头对视频的语义和障碍物进行识别，然后转向摄像头通过视频传输模块将视频传输到公司服务器内部，服务器对传输的食品进行处理，处理的时候通过服务器内部的处理器进行处理；
[0025]
处理的时候处理器对视频中的语义和障碍物的坐标进行分析，分析完成后通过数据传输将语义和障碍物的坐标输送到建模模块中，建模模块对数据中的语义和障碍物的坐标进行导入，导入到原有区域建模中，然后产生新的带有语义和障碍物的坐标的建模，然后在通过数据传输将产生的新的建模输送到服务器中的数据存储部分中，即可完成对视频中的语义和障碍物的坐标的学习；
[0026]
之后在使用的时候转向摄像头将视频输送到处理器内部，处理器对视频进行分析，然后处理器将数据产生到服务器内部的分析部分，分析部分从数据存储部分中调取建模，之后中建模中分析出语义和障碍物的坐标，然后服务器对无人驾驶发出避让指令。
[0027]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。