[发明专利]基于历史视频的导航方法、装置、计算机设备及存储介质

权利要求书

1.一种基于历史视频的导航方法，其特征在于，包括：

若当前时刻与前一视频采集时刻的时间间隔等于预设的采集周期，获取预设的地理位置坐标所对应的道路在当前时刻的道路路况视频数据；

将所述道路路况视频数据进行视频分解，得到与所述道路路况视频数据对应的多帧道路路况图片；

在与所述道路路况视频数据对应的多帧道路路况图片中随机获取一帧图片，以作为与所述道路路况视频数据对应的实际道路路况实景图片；

将所述实际道路路况实景图片作为预先训练的道路天气状况识别模型的输入，得到与所述实际道路路况实景图片的道路天气状况识别结果；

若所述道路天气状况识别结果大于预设的恶劣天气预警值，获取对应的实际道路路况实景图片，及所述实际道路路况实景图片对应的地理位置坐标；以及

将所述地理位置坐标对应的实际道路路况实景图片替换为非恶劣天气状况下的道路路况实景图片。

2.根据权利要求1所述的基于历史视频的导航方法，其特征在于，所述获取预设的地理位置坐标所对应的道路在当前时刻的道路路况视频数据之前，还包括：

获取多个训练数据，以对待训练的道路天气状况识别模型进行训练，得到用于识别道路天气状况识别结果的道路天气状况识别模型；其中，多个训练数据中每一训练数据以道路路况图片对应的图片特征向量作为待训练的道路天气状况识别模型的输入，并以道路天气状况识别结果作为待训练的道路天气状况识别模型的输出；其中，多个训练数据中每一训练数据对应的道路路况图片的采集时刻与当前时刻之差小于或等于预设的时间间隔阈值；每一训练数据对应的道路天气状况识别结果为预先标注的天气状况识别结果。

3.根据权利要求1所述的基于历史视频的导航方法，其特征在于，所述将所述实际道路路况实景图片作为预先训练的道路天气状况识别模型的输入，包括：

获取与所述实际道路路况实景图片对应的像素矩阵；

将所述像素矩阵作为卷积神经网络模型中输入层的输入，对应得到多个特征图；

将多个特征图输入至卷积神经网络模型的池化层，得到每一特征图对应的最大值所对应一维行向量；

将每一特征图对应的最大值所对应一维行向量输入至卷积神经网络模型的全连接层，得到与所述实际道路路况实景图片对应的图片特征向量；

将所述图片特征向量作为预先训练的道路天气状况识别模型的输入。

4.根据权利要求1所述的基于历史视频的导航方法，其特征在于，所述将所述地理位置坐标对应的实际道路路况实景图片替换为非恶劣天气状况下的道路路况实景图片之前，还包括：

获取与所述地理位置坐标对应的多张历史路况实景图片，并获取每一历史路况实景图片的采集时间；

获取多张历史路况实景图片对应的采集时间与当前时刻的时间间距为最小时间间隔、且对应的道路天气状况识别结果为非恶劣天气状况的历史路况实景图片。

5.根据权利要求1所述的基于历史视频的导航方法，其特征在于，所述在与所述道路路况视频数据对应的多帧道路路况图片中随机获取一帧图片，以作为与所述道路路况视频数据对应的实际道路路况实景图片之后，包括：

将当前时刻的实际道路路况实景图片及对应的采集时间进行存储。