[发明专利]时间CNN后部碰撞警报系统

说明书

本公开提供了“时间CNN后部碰撞警报系统”。本公开公开了一种系统和方法。在示例性实现方式中，所述系统和方法可以在第一深度神经网络处接收图像，估计所述图像中描绘的对象与车辆之间的距离，其中所述第一深度神经网络估计所述距离，确定所述估计距离是否大于预定距离阈值，并且当所述估计距离不大于所述预定距离阈值时生成警报。

技术领域

本公开总体上涉及车辆碰撞检测系统。

背景技术

深度神经网络(DNN)可以用于执行许多图像理解任务，包括分类、分割和生成字幕。例如，卷积神经网络可以将图像作为输入，为图像内描绘的各个方面/对象分配重要性，并且将所述方面/对象彼此区分开。

发明内容

一种系统包括计算机，所述计算机包括处理器和存储器，并且所述存储器包括指令，使得所述处理器被编程为：在第一深度神经网络处接收图像；估计所述图像中描绘的对象与车辆之间的距离，其中所述第一深度神经网络估计所述距离；确定所述估计距离是否大于预定距离阈值；并且当所述估计距离不大于所述预定距离阈值时生成警报。

在其他特征中，所述处理器还被编程为确定所述车辆是否已经停止或正在相反方向上移动，并且当所述车辆尚未停止并且未在所述相反方向上移动时致动所述车辆。

在其他特征中，所述处理器还被编程为使所述车辆从非自主模式转变为自主模式。

在其他特征中，所述第一深度神经网络包括时间卷积神经网络或长短期记忆神经网络中的至少一者。

在其他特征中，所述处理器还被编程为在所述图像内不再描绘所述对象之后继续估计所述对象的所述距离。

在其他特征中，所述处理器还被编程为在第二深度神经网络处接收所述图像，经由所述第二深度神经网络对所述图像内描绘的至少一个对象进行分类，为所述至少一个分类对象分配对象类型，以及基于所述对象类型生成警报。

在其他特征中，所述第二深度神经网络包括卷积神经网络。

在其他特征中，所述对象类型对应于与所述分类对象相对应的预先分配的风险系数。

在其他特征中，所述处理器还被编程为确定所述车辆是否已经停止或正在相反方向上移动，并且当所述车辆尚未停止并且未在所述相反方向上移动时致动所述车辆。

在其他特征中，所述处理器还被编程为使所述车辆从非自主模式转变为自主模式。

一种方法包括：在第一深度神经网络处接收图像；估计所述图像中描绘的对象与车辆之间的距离，其中所述第一深度神经网络估计所述距离；确定所述估计距离是否大于预定距离阈值；以及当所述估计距离不大于所述预定距离阈值时生成警报。

在其他特征中，所述方法还包括确定所述车辆是否已经停止或正在相反方向上移动，以及当所述车辆尚未停止并且未在所述相反方向上移动时致动所述车辆。

在其他特征中，所述方法还包括使所述车辆从非自主模式转变为自主模式。

在其他特征中，所述第一深度神经网络包括时间卷积神经网络或长短期记忆神经网络中的至少一者。

在其他特征中，所述方法还包括在所述图像内不再描绘所述对象之后继续估计所述对象的所述距离。

在其他特征中，所述方法还包括在第二深度神经网络处接收所述图像，经由所述第二深度神经网络对所述图像内描绘的至少一个对象进行分类，为所述至少一个分类对象分配对象类型，以及基于所述对象类型生成警报。

在其他特征中，所述对象类型对应于与所述分类对象相对应的预先分配的风险系数。