CN115203457B - 图像检索方法、装置、车辆、存储介质及芯片 - Google Patents

Abstract

本公开涉及一种图像检索方法、装置、车辆、存储介质及芯片，所述方法包括：确定待训练的目标自动驾驶模型对应的模型关键词；根据多个历史环境图像对应的图像标签，从多个所述历史环境图像中检索与所述模型关键词匹配的多个目标环境图像，所述图像标签用于表征所述历史环境图像对应的属性信息；将多个所述目标环境图像，作为训练所述目标自动驾驶模型的样本图像。也就是说，本公开可以根据图像标签从多个历史环境图像中快速检索到需要的样本图像，该样本图像能够针对性地训练该目标自动驾驶模型，使得训练得到的目标自动驾驶模型的准确率更高，从而提高了自动驾驶的安全性。

Description

图像检索方法、装置、车辆、存储介质及芯片

技术领域

本公开涉及车辆技术领域，尤其涉及一种图像检索方法、装置、车辆、存储介质及芯片。

背景技术

自动驾驶技术的实现目前主要依赖于基于机器学习的自动驾驶模型，由自动驾驶模型根据驾驶时采集的行驶环境数据确定出行驶策略，从而控制车辆自动地执行相应的动作。为了提高自动驾驶的安全性，对自动驾驶模型也提出了更高的要求。

相关技术中，通过采集海量的环境图像训练自动驾驶模型，以提高自动驾驶模型的准确率。但是，大量的环境图像中可能存在较多的冗余数据，导致模型训练的准确率比较低，因此，如何从大量的环境图像中检索到能够对自动驾驶模型进行针对性训练的环境图像成为亟待解决的问题。

发明内容

为克服相关技术中存在的问题，本公开提供一种图像检索方法、装置、车辆、存储介质及芯片。

根据本公开实施例的第一方面，提供一种图像检索方法，包括：

确定待训练的目标自动驾驶模型对应的模型关键词；

根据多个历史环境图像对应的图像标签，从多个所述历史环境图像中检索与所述模型关键词匹配的多个目标环境图像，所述图像标签用于表征所述历史环境图像对应的属性信息；

将多个所述目标环境图像，作为训练所述目标自动驾驶模型的样本图像。

可选地，所述根据多个历史环境图像对应的图像标签，从多个所述历史环境图像中检索与所述模型关键词匹配的多个目标环境图像包括：

从多个所述历史环境图像对应的图像标签中，检索与所述模型关键词匹配的多个目标图像标签；

将多个所述目标图像标签对应的历史环境图像，作为所述目标环境图像。

可选地，所述方法还包括：

响应于用户触发的预览请求消息，获取预先存储的所述样本图像对应的预览图像，并显示所述预览图像，所述预览图像占用的存储空间小于所述样本图像。

可选地，在所述根据多个历史环境图像对应的图像标签，从多个所述历史环境图像中检索与所述模型关键词匹配的多个目标环境图像前，所述方法还包括：

获取预先生成的多个历史图像数据，所述历史图像数据包括所述历史环境图像和所述历史环境图像对应的图像标签；

所述根据多个历史环境图像对应的图像标签，从多个所述历史环境图像中检索与所述模型关键词匹配的多个目标环境图像包括：

根据多个所述历史图像数据中的图像标签，从多个所述历史图像数据中检索与所述模型关键词匹配的多个目标历史图像数据；

将多个所述目标历史图像数据中的历史环境图像，作为所述目标环境图像。

可选地，所述历史图像数据通过以下方式预先生成：

获取历史时间段内的车辆数据，所述车辆数据包括环境图像、传感器数据、控制器数据、地图数据；

按照预设时间间隔，将所述车辆数据划分为多个子数据；

针对每个所述子数据，将所述子数据中的环境图像作为所述历史环境图像，并确定所述历史环境图像对应的图像标签，以得到所述历史图像数据。

可选地，所述图像标签包括多个，所述确定所述历史环境图像对应的图像标签包括：

将所述子数据输入预先训练的多个标签获取模型，以获取每个所述标签获取模型输出的图像标签，不同的标签获取模型用于获取不同的图像标签。

可选地，所述方法还包括：

在每个所述标签获取模型输出所述图像标签后，根据所述子数据对应的车辆标识，从预先设置的多个消息队列中确定所述子数据对应的目标消息队列；

通过所述目标消息队列将所述历史图像数据存储至搜索数据库。

可选地，在所述通过所述目标消息队列将所述历史图像数据存储至搜索数据库前，所述方法还包括：

确定所述历史图像数据对应的图像标签是否为预设标签；

所述通过所述目标消息队列将所述历史图像数据存储至搜索数据库包括：

在所述历史图像数据对应的图像标签为所述预设标签的情况下，通过所述目标消息队列将所述历史图像数据存储至所述搜索数据库。

可选地，所述方法还包括：

针对每个所述子数据，确定所述子数据中的环境图像对应的预览图像，并存储所述预览图像。

根据本公开实施例的第二方面，提供一种图像检索装置，包括：

第一确定模块，被配置为确定待训练的目标自动驾驶模型对应的模型关键词；

检索模块，被配置为根据多个历史环境图像对应的图像标签，从多个所述历史环境图像中检索与所述模型关键词匹配的多个目标环境图像，所述图像标签用于表征所述历史环境图像对应的属性信息；

第一获取模块，被配置为将多个所述目标环境图像，作为训练所述目标自动驾驶模型的样本图像。

可选地，所述检索模块，还被配置为：

从多个所述历史环境图像对应的图像标签中，检索与所述模型关键词匹配的多个目标图像标签；

将多个所述目标图像标签对应的历史环境图像，作为所述目标环境图像。

可选地，所述装置还包括：

显示模块，被配置为响应于用户触发的预览请求消息，获取预先存储的所述样本图像对应的预览图像，并显示所述预览图像，所述预览图像占用的存储空间小于所述样本图像。

可选地，所述装置还包括：

第二获取模块，获取预先生成的多个历史图像数据，所述历史图像数据包括所述历史环境图像和所述历史环境图像对应的图像标签；

所述检索模块，还被配置为：

根据多个所述历史图像数据中的图像标签，从多个所述历史图像数据中检索与所述模型关键词匹配的多个目标历史图像数据；

将多个所述目标历史图像数据中的历史环境图像，作为所述目标环境图像。

可选地，所述装置还包括：

数据生成模块，被配置为获取历史时间段内的车辆数据，所述车辆数据包括环境图像、传感器数据、控制器数据、地图数据；按照预设时间间隔，将所述车辆数据划分为多个子数据；针对每个所述子数据，将所述子数据中的环境图像作为所述历史环境图像，并确定所述历史环境图像对应的图像标签，以得到所述历史图像数据。

可选地，所述图像标签包括多个，所述确定所述历史环境图像对应的图像标签包括：

将所述子数据输入预先训练的多个标签获取模型，以获取每个所述标签获取模型输出的图像标签，不同的标签获取模型用于获取不同的图像标签。

可选地，所述装置还包括：

第二确定模块，被配置为在每个所述标签获取模型输出所述图像标签后，根据所述子数据对应的车辆标识，从预先设置的多个消息队列中确定所述子数据对应的目标消息队列；

存储模块，被配置为通过所述目标消息队列将所述历史图像数据存储至搜索数据库。

可选地，所述装置还包括：

第三确定模块，被配置为确定所述历史图像数据对应的图像标签是否为预设标签；

所述存储模块，还被配置为：

在所述历史图像数据对应的图像标签为所述预设标签的情况下，通过所述目标消息队列将所述历史图像数据存储至所述搜索数据库。

可选地，所述装置还包括：

第四确定模块，被配置为针对每个所述子数据，确定所述子数据中的环境图像对应的预览图像，并存储所述预览图像。

根据本公开实施例的第三方面，提供一种车辆，包括：

第一处理器；

用于存储处理器可执行指令的存储器；

其中，所述第一处理器被配置为：

实现本公开第一方面所述方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所述方法的步骤。

根据本公开实施例的第五方面，提供一种芯片，包括第二处理器和接口；所述第二处理器用于读取指令以执行本公开第一方面所述的方法。

本公开的实施例提供的技术方案可以包括以下有益效果：通过确定待训练的目标自动驾驶模型对应的模型关键词；根据多个历史环境图像对应的图像标签，从多个所述历史环境图像中检索与所述模型关键词匹配的多个目标环境图像，所述图像标签用于表征所述历史环境图像对应的属性信息；将多个所述目标环境图像，作为训练所述目标自动驾驶模型的样本图像。也就是说，本公开可以根据图像标签从多个历史环境图像中快速检索到需要的样本图像，该样本图像能够针对性地训练该目标自动驾驶模型，使得训练得到的目标自动驾驶模型的准确率更高，从而提高了自动驾驶的安全性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种图像检索方法的流程图；

图2是根据一示例性实施例示出的另一种图像检索方法的流程图；

图3是根据一示例性实施例示出的一种图像数据生成方法的流程图；

图4是根据一示例性实施例示出的一种数据存储流程图；

图5是根据一示例性实施例示出的一种图像检索装置的框图；

图6是根据一示例性实施例示出的另一种图像检索装置的框图；

图7是根据一示例性实施例示出的另一种图像检索装置的框图；

图8是一示例性实施例示出的一种车辆的功能框图示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

首先，对本公开的应用场景进行说明。目前，训练自动驾驶模型的样本图像是车辆在行驶过程中采集的环境图像，通常情况下，车辆在行驶过程中可以采集不同行驶场景的环境图像，例如，该环境图像可以是车辆转弯时的环境图像，也可以是车辆等红灯时的环境图像，还可以是车辆前方出现行人时的环境图像。而自动驾驶系统包括多个自动驾驶模型，不同的自动驾驶模型用于获取不同的决策信息，例如，该自动驾驶模型可以包括转弯处理模型、障碍物避让处理模型。

相关技术中，为了提高自动驾驶模型的准确率，从大量的环境图像中确定与自动驾驶模型强相关的目标环境图像，作为样本图像训练该自动驾驶模型。例如，在训练转弯处理模型时，可以仅选取转弯场景相关的环境图像。但是，由于车辆行驶过程中采集的环境图像的数量庞大，大量的环境图像中可能存在较多的冗余数据，导致模型训练的准确率比较低。

为了解决以上技术问题，本公开提供了一种图像检索方法、装置、车辆、存储介质及芯片，根据图像标签从多个历史环境图像中快速检索到需要的样本图像，该样本图像能够针对性地训练该目标自动驾驶模型，使得训练得到的目标自动驾驶模型的准确率更高，从而提高了自动驾驶的安全性。

下面结合具体实施例对本公开进行说明。

图1是根据一示例性实施例示出的一种图像检索方法的流程图，如图1所示，该方法可以包括：

S101、确定待训练的目标自动驾驶模型对应的模型关键词。

在本步骤中，可以根据该目标自动驾驶模型的功能，确定该目标自动驾驶模型对应的模型关键词。示例地，若该目标自动驾驶模型的功能是障碍物检测，则可以确定该自动驾驶模型对应的模型关键词可以是障碍物。该模型关键词还可以是多个检索词的组合，例如，还模型关键词可以是时间点+车辆型号+弯道。

S102、根据多个历史环境图像对应的图像标签，从多个该历史环境图像中检索与该模型关键词匹配的多个目标环境图像。

其中，该图像标签可以用于表征该历史环境图像对应的属性信息，示例地，该图像标签可以包括图像类型标签、时间点标签、时间段标签。该历史环境图像可以是多帧图像，例如，该历史环境图像可以是一段时间的视频图像，该历史环境图像也可以是一个时间点的一帧图像，本公开对此不作限定。

在本步骤中，在确定该目标自动驾驶模型对应的模型关键词后，可以通过现有技术的字符匹配算法，从多个历史环境图像对应的图像标签中，检索与该模型关键词匹配的目标图像标签，将该目标图像标签对应的历史环境图像，作为该目标环境图像。示例地，若该目标自动驾驶模型对应的模型关键词为障碍物，则可以从多个图像标签中确定与障碍物匹配的目标图像标签，例如，若图像标签为行人或者自行车，则可以确定该图像标签为该目标图像标签。

S103、将多个该目标环境图像，作为训练该目标自动驾驶模型的样本图像。

其中，该样本图像可以包括待标注数据集、训练数据集以及测试数据集，该待标注数据集用于人工标注，通过标注后的数据集和该训练数据集对该目标自动驾驶模型进行训练，该测试数据集用于测试该目标自动驾驶模型的准确率。

在本步骤中，在得到多个目标环境图像后，可以将多个目标环境图像作为样本图像，对目标神经网络模型进行训练，得到该目标自动驾驶模型。

在一种可能的实现方式中，在得到该目标自动驾驶模型的样本图像后，可以响应于用户触发的预览请求消息，获取预先存储的该样本图像对应的预览图像，并显示该预览图像。其中，该预览图像占用的存储空间小于该样本图像，示例地，该预览图像可以是根据该样本图像生成的分辨率更低的图像。这样，在用户需要预览样本图像时，可以将该样本图像对应的预览图像发送至浏览器，并通过浏览器显示该预览图像，从而节省了存储资源。

采用上述方法，根据图像标签从多个历史环境图像中快速检索到需要的样本图像，该样本图像能够针对性地训练该目标自动驾驶模型，使得训练得到的目标自动驾驶模型的准确率更高，从而提高了自动驾驶的安全性。

图2是根据一示例性实施例示出的另一种图像检索方法的流程图，如图2所示，该方法还可以包括：

S104、获取预先生成的多个历史图像数据。

其中，该历史图像数据可以包括该历史环境图像和该历史环境图像对应的图像标签，不同历史图像数据可以是不同时间段的图像数据，也可以是相同时间段内不同标签的图像数据。

相应的，步骤S102可以为：

根据多个该历史图像数据中的图像标签，从多个该历史图像数据中检索与该模型关键词匹配的多个目标历史图像数据；将多个该目标历史图像数据中的历史环境图像，作为该目标环境图像。

示例地，在确定该自动驾驶模型对应的模型关键词后，可以获取多个历史图像数据，之后，从多个历史图像数据的图像标签中，确定与该模型关键词匹配的多个目标图像标签，将多个目标图像标签对应的历史图像数据作为该目标历史图像数据，并将该目标历史图像数据中的历史环境图像，作为该目标环境图像。

其中，该历史图像数据可以根据车辆在历史时间段内行驶时采集的车辆数据预先生成，图3是根据一示例性实施例示出的一种图像数据生成方法的流程图，如图3所示，该方法可以包括：

S31、获取历史时间段内的车辆数据。

其中，该车辆数据可以包括环境图像、传感器数据、控制器数据、地图数据，该环境图像可以通过车辆上安装的摄像头采集得到，该传感器数据可以通过该车辆上安装的传感器采集得到，该控制器数据可以通过该车辆的控制器获取得到，该控制器数据可以包括车辆行驶数据，例如，该控制器数据可以包括转弯数据、速度信息等。

在本步骤中，在车辆行驶过程中，可以控制该车辆的摄像头、传感器、控制器等采集该车辆数据，并存储该车辆数据。该车辆数据可以包括该车辆在不同工况、不同时间段采集的数据。

S32、按照预设时间间隔，将该车辆数据划分为多个子数据。

其中，该预设时间间隔可以根据经验设置，示例地，该预设时间间隔可以是20s。

在本步骤中，在获取该车辆数据后，可以获取该预设时间间隔，按照该预设时间间隔将该历史时间段划分为多个子时间段，每个子时间段的数据即为该子数据。

S33、针对每个该子数据，将该子数据中的环境图像作为该历史环境图像，并确定该历史环境图像对应的图像标签，以得到该历史图像数据。

在本步骤中，在得到多个子数据后，可以确定该子数据中的环境图像，并将该环境图像作为该历史环境图像。之后，可以将该子数据输入预先训练的多个标签获取模型，以获取每个该标签获取模型输出的图像标签，不同的标签获取模型用于获取不同的图像标签。

其中，该标签获取模型可以包括图像类型获取模型、时间点获取模型、时间段获取模型等。

示例地，针对每个子数据，可以将该子数据分别输入该图像类型获取模型、该时间点获取模型以及该时间段获取模型，获取该图像类型获取模型输出的图像类型标签，获取该时间点获取模型输出的时间点标签，获取该时间段获取模型输出的时间段标签。需要说明的是，每个历史环境图像对应的图像标签可以不同，示例地，历史环境图像A对应的图像标签可以包括图像类型标签和时间点标签，历史环境图像B对应的图像标签可以包括图像类型标签和时间段标签。

在一种可能的实现方式中，在每个该标签获取模型输出该图像标签后，根据该子数据对应的车辆标识，从预先设置的多个消息队列中确定该子数据对应的目标消息队列；通过该目标消息队列将该历史图像数据存储至搜索数据库。其中，该消息队列可以是现有技术的Kafka的消息队列。

示例地，图4是根据一示例性实施例示出的一种数据存储流程图，如图4所示，该历史图像数据可以通过消息队列1、消息队列2或者消息队列3存储至该搜索数据库。这样，同一车辆的历史图像数据可以通过同一消息队列存储至该搜索数据库，避免数据存储过程中产生并发冲突，导致数据丢失。需要说明的是，图4中的消息队列只是举例说明，可以包括更多的消息队列，本公开对此不作限定。

在存储该历史图像数据时，针对每个历史图像数据，可以将该历史图像数据对应的多个图像标签聚合为一个文档数据，例如，通过现有技术的拼接算法对多个图像标签进行拼接，得到该历史图像数据对应的标签文档数据，并存储该标签文档数据。这样，无需针对每个图像标签进行单独存储，降低数据更新的频率，节约内存资源。

采用上述方法，可以为每个历史图像数据设置对应的图像标签，在图像检索时对比图像标签和模型关键词，即可快速检索到样本图像，从而提高了图像检索的效率。

图5是根据一示例性实施例示出的一种图像检索装置的框图，如图5所示，该装置可以包括：

第一确定模块501，被配置为确定待训练的目标自动驾驶模型对应的模型关键词；

检索模块502，被配置为根据多个历史环境图像对应的图像标签，从多个该历史环境图像中检索与该模型关键词匹配的多个目标环境图像，该图像标签用于表征该历史环境图像对应的属性信息；

第一获取模块503，被配置为将多个该目标环境图像，作为训练该目标自动驾驶模型的样本图像。

可选地，该检索模块502，还被配置为：

从多个该历史环境图像对应的图像标签中，检索与该模型关键词匹配的多个目标图像标签；

将多个该目标图像标签对应的历史环境图像，作为该目标环境图像。

可选地，图6是根据一示例性实施例示出的另一种图像检索装置的框图，如图6所示，该装置还包括：

显示模块504，被配置为响应于用户触发的预览请求消息，获取预先存储的该样本图像对应的预览图像，并显示该预览图像，该预览图像占用的存储空间小于该样本图像。

可选地，图7是根据一示例性实施例示出的另一种图像检索装置的框图，如图7所示，该装置还包括：

第二获取模块505，获取预先生成的多个历史图像数据，该历史图像数据包括该历史环境图像和该历史环境图像对应的图像标签；

该检索模块502，还被配置为：

根据多个该历史图像数据中的图像标签，从多个该历史图像数据中检索与该模型关键词匹配的多个目标历史图像数据；

将多个该目标历史图像数据中的历史环境图像，作为该目标环境图像。

可选地，该装置还包括：

数据生成模块506，被配置为获取历史时间段内的车辆数据，该车辆数据包括环境图像、传感器数据、控制器数据、地图数据；按照预设时间间隔，将该车辆数据划分为多个子数据；针对每个该子数据，将该子数据中的环境图像作为该历史环境图像，并确定该历史环境图像对应的图像标签，以得到该历史图像数据。

可选地，该图像标签包括多个，该确定该历史环境图像对应的图像标签包括：

将该子数据输入预先训练的多个标签获取模型，以获取每个该标签获取模型输出的图像标签，不同的标签获取模型用于获取不同的图像标签。

可选地，该装置还包括：

第二确定模块507，被配置为在每个该标签获取模型输出该图像标签后，根据该子数据对应的车辆标识，从预先设置的多个消息队列中确定该子数据对应的目标消息队列；

存储模块508，被配置为通过该目标消息队列将该历史图像数据存储至搜索数据库。

可选地，该装置还包括：

第三确定模块509，被配置为确定该历史图像数据对应的图像标签是否为预设标签；

该存储模块508，还被配置为：

在该历史图像数据对应的图像标签为该预设标签的情况下，通过该目标消息队列将该历史图像数据存储至该搜索数据库。

可选地，该装置还包括：

第四确定模块510，被配置为针对每个该子数据，确定该子数据中的环境图像对应的预览图像，并存储该预览图像。

通过上述装置，根据图像标签从多个历史环境图像中快速检索到需要的样本图像，该样本图像能够针对性地训练该目标自动驾驶模型，使得训练得到的目标自动驾驶模型的准确率更高，从而提高了自动驾驶的安全性。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的图像检索方法的步骤。

上述装置除了可以是独立的电子设备外，也可是独立电子设备的一部分，例如在一种实施例中，该装置可以是集成电路(Integrated Circuit，IC)或芯片，其中该集成电路可以是一个IC，也可以是多个IC的集合；该芯片可以包括但不限于以下种类：GPU(GraphicsProcessing Unit，图形处理器)、CPU(Central Processing Unit，中央处理器)、FPGA(Field Programmable Gate Array，可编程逻辑阵列)、DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、SOC(System on Chip，SoC，片上系统或系统级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码)，以实现上述的图像检索方法。其中该可执行指令可以存储在该集成电路或芯片中，也可以从其他的装置或设备获取，例如该集成电路或芯片中包括第二处理器、存储器，以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中，当该可执行指令被处理器执行时实现上述的图像检索方法；或者，该集成电路或芯片可以通过该接口接收可执行指令并传输给该第二处理器执行，以实现上述的图像检索方法。

参阅图8，图8是一示例性实施例示出的一种车辆600的功能框图示意图。车辆600可以被配置为完全或部分自动驾驶模式。例如，车辆600可以通过感知系统620获取其周围的环境信息，并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶，或者将分析结果呈现给用户以实现部分自动驾驶。

车辆600可包括各种子系统，例如，信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640以及计算平台650。可选的，车辆600可包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆600的每个子系统和部件可以通过有线或者无线的方式实现互连。

在一些实施例中，信息娱乐系统610可以包括通信系统611，娱乐系统612以及导航系统613。

通信系统611可以包括无线通信系统，无线通信系统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，无线通信系统可使用3G蜂窝通信，例如CDMA、EVD0、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，无线通信系统可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统可包括一个或多个专用短程通信(dedicated short range communications，DSRC)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。

娱乐系统612可以包括显示设备，麦克风和音响，用户可以基于娱乐系统在车内收听广播，播放音乐；或者将手机和车辆联通，在显示设备上实现手机的投屏，显示设备可以为触控式，用户可以通过触摸屏幕进行操作。

在一些情况下，可以通过麦克风获取用户的语音信号，并依据对用户的语音信号的分析实现用户对车辆600的某些控制，例如调节车内温度等。在另一些情况下，可以通过音响向用户播放音乐。

导航系统613可以包括由地图供应商所提供的地图服务，从而为车辆600提供行驶路线的导航，导航系统613可以和车辆的全球定位系统621、惯性测量单元622配合使用。地图供应商所提供的地图服务可以为二维地图，也可以是高精地图。

感知系统620可包括感测关于车辆600周边的环境的信息的若干种传感器。例如，感知系统620可包括全球定位系统621(全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，IMU)622、激光雷达623、毫米波雷达624、超声雷达625以及摄像装置626。感知系统620还可包括被监视车辆600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)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆600的安全操作的关键功能。

全球定位系统621用于估计车辆600的地理位置。

惯性测量单元622用于基于惯性加速度来感测车辆600的位姿变化。在一些实施例中，惯性测量单元622可以是加速度计和陀螺仪的组合。

激光雷达623利用激光来感测车辆600所位于的环境中的物体。在一些实施例中，激光雷达623可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。

毫米波雷达624利用无线电信号来感测车辆600的周边环境内的物体。在一些实施例中，除了感测物体以外，毫米波雷达624还可用于感测物体的速度和/或前进方向。

超声雷达625可以利用超声波信号来感测车辆600周围的物体。

摄像装置626用于捕捉车辆600的周边环境的图像信息。摄像装置626可以包括单目相机、双目相机、结构光相机以及全景相机等，摄像装置626获取的图像信息可以包括静态图像，也可以包括视频流信息。

决策控制系统630包括基于感知系统620所获取的信息进行分析决策的计算系统631，决策控制系统630还包括对车辆600的动力系统进行控制的整车控制器632，以及用于控制车辆600的转向系统633、油门634和制动系统635。

计算系统631可以操作来处理和分析由感知系统620所获取的各种信息以便识别车辆600周边环境中的目标、物体和/或特征。目标可以包括行人或者动物，物体和/或特征可包括交通信号、道路边界和障碍物。计算系统631可使用物体识别算法、运动中恢复结构(Structure from Motion，SFM)算法、视频跟踪等技术。在一些实施例中，计算系统631可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统631可以将所获取的各种信息进行分析并得出对车辆的控制策略。

整车控制器632可以用于对车辆的动力电池和引擎641进行协调控制，以提升车辆600的动力性能。

转向系统633可操作来调整车辆600的前进方向。例如在一个实施例中可以为方向盘系统。

油门634用于控制引擎641的操作速度并进而控制车辆600的速度。

制动系统635用于控制车辆600减速。制动系统635可使用摩擦力来减慢车轮644。在一些实施例中，制动系统635可将车轮644的动能转换为电流。制动系统635也可采取其他形式来减慢车轮644转速从而控制车辆600的速度。

驱动系统640可包括为车辆600提供动力运动的组件。在一个实施例中，驱动系统640可包括引擎641、能量源642、传动系统643和车轮644。引擎641可以是内燃机、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641将能量源642转换成机械能量。

能量源642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642也可以为车辆600的其他系统提供能量。

传动系统643可以将来自引擎641的机械动力传送到车轮644。传动系统643可包括变速箱、差速器和驱动轴。在一个实施例中，传动系统643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644的一个或多个轴。

车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个第一处理器651，第一处理器651可以执行存储在例如存储器652这样的非暂态计算机可读介质中的指令653。在一些实施例中，计算平台650还可以是采用分布式方式控制车辆600的个体组件或子系统的多个计算设备。

第一处理器651可以是任何常规的处理器，诸如商业可获得的CPU。可替换地，第一处理器651还可以包括诸如图像处理器(Graphic Process Unit，GPU)，现场可编程门阵列(Field Programmable Gate Array，FPGA)、片上系统(System on Chip，SOC)、专用集成芯片(Application Specific Integrated Circuit，ASIC)或它们的组合。尽管图8功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件，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，处理器只执行与特定于组件的功能相关的计算。

在本公开实施方式中，第一处理器651可以执行上述的图像检索方法。

在此处所描述的各个方面中，第一处理器651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。

在一些实施例中，存储器652可包含指令653(例如，程序逻辑)，指令653可被第一处理器651执行来执行车辆600的各种功能。存储器652也可包含额外的指令，包括向信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。

除了指令653以外，存储器652还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在车辆600在自主、半自主和/或手动模式中操作期间被车辆600和计算平台650使用。

计算平台650可基于从各种子系统(例如，驱动系统640、感知系统620和决策控制系统630)接收的输入来控制车辆600的功能。例如，计算平台650可利用来自决策控制系统630的输入以便控制转向系统633来避免由感知系统620检测到的障碍物。在一些实施例中，计算平台650可操作来对车辆600及其子系统的许多方面提供控制。

可选地，上述这些组件中的一个或多个可与车辆600分开安装或关联。例如，存储器652可以部分或完全地与车辆600分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。

可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图8不应理解为对本公开实施例的限制。

在道路行进的自动驾驶汽车，如上面的车辆600，可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶汽车所要调整的速度。

可选地，车辆600或者与车辆600相关联的感知和计算设备(例如计算系统631、计算平台650)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)来预测识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆600能够基于预测的识别的物体的行为来调整它的速度。换句话说，自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)何种稳定状态。在这个过程中，也可以考虑其它因素来确定车辆600的速度，诸如，车辆600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等。

除了提供调整自动驾驶汽车的速度的指令之外，计算设备还可以提供修改车辆600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，道路上的相邻车道中的车辆)的安全横向和纵向距离。

上述车辆600可以为各种类型的行驶工具，例如，轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等，本公开实施例不做特别的限定。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的图像检索方法的代码部分。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种图像检索方法，其特征在于，包括：

确定待训练的目标自动驾驶模型对应的模型关键词；

根据多个历史环境图像对应的图像标签，从所述多个历史环境图像中检索与所述模型关键词匹配的多个目标环境图像，所述图像标签用于表征所述历史环境图像对应的属性信息；

将所述多个目标环境图像，作为训练所述目标自动驾驶模型的样本图像；

所述确定待训练的目标自动驾驶模型对应的模型关键词包括：

根据所述目标自动驾驶模型的功能，确定所述目标自动驾驶模型对应的模型关键词；

在所述根据多个历史环境图像对应的图像标签，从所述多个历史环境图像中检索与所述模型关键词匹配的多个目标环境图像前，所述方法还包括：

获取预先生成的多个历史图像数据，所述历史图像数据包括所述历史环境图像和所述历史环境图像对应的图像标签；

所述历史图像数据通过以下方式预先生成：

获取历史时间段内的车辆数据，所述车辆数据包括环境图像、传感器数据、控制器数据、地图数据；

按照预设时间间隔，将所述车辆数据划分为多个子数据；

针对每个所述子数据，将所述子数据中的环境图像作为所述历史环境图像，并确定所述历史环境图像对应的图像标签，以得到所述历史图像数据。

2.根据权利要求1所述的方法，其特征在于，所述根据多个历史环境图像对应的图像标签，从所述多个历史环境图像中检索与所述模型关键词匹配的多个目标环境图像包括：

从所述多个历史环境图像对应的图像标签中，检索与所述模型关键词匹配的多个目标图像标签；

将所述多个目标图像标签对应的历史环境图像，作为所述目标环境图像。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于用户触发的预览请求消息，获取预先存储的所述样本图像对应的预览图像，并显示所述预览图像，所述预览图像占用的存储空间小于所述样本图像。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据多个历史环境图像对应的图像标签，从所述多个历史环境图像中检索与所述模型关键词匹配的多个目标环境图像包括：

根据所述多个历史图像数据中的图像标签，从所述多个历史图像数据中检索与所述模型关键词匹配的多个目标历史图像数据；

将所述多个目标历史图像数据中的历史环境图像，作为所述目标环境图像。

5.根据权利要求1所述的方法，其特征在于，所述图像标签包括多个，所述确定所述历史环境图像对应的图像标签包括：

将所述子数据输入预先训练的多个标签获取模型，以获取每个所述标签获取模型输出的图像标签，不同的标签获取模型用于获取不同的图像标签。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

在每个所述标签获取模型输出所述图像标签后，根据所述子数据对应的车辆标识，从预先设置的多个消息队列中确定所述子数据对应的目标消息队列；

通过所述目标消息队列将所述历史图像数据存储至搜索数据库。

7.根据权利要求6所述的方法，其特征在于，在所述通过所述目标消息队列将所述历史图像数据存储至搜索数据库前，所述方法还包括：

确定所述历史图像数据对应的图像标签是否为预设标签；

所述通过所述目标消息队列将所述历史图像数据存储至搜索数据库包括：

在所述历史图像数据对应的图像标签为所述预设标签的情况下，通过所述目标消息队列将所述历史图像数据存储至所述搜索数据库。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

针对每个所述子数据，确定所述子数据中的环境图像对应的预览图像，并存储所述预览图像。

9.一种图像检索装置，其特征在于，包括：

第一确定模块，被配置为确定待训练的目标自动驾驶模型对应的模型关键词；

检索模块，被配置为根据多个历史环境图像对应的图像标签，从所述多个历史环境图像中检索与所述模型关键词匹配的多个目标环境图像，所述图像标签用于表征所述历史环境图像对应的属性信息；

第一获取模块，被配置为将所述多个目标环境图像，作为训练所述目标自动驾驶模型的样本图像；

所述第一确定模块，被配置为：

根据所述目标自动驾驶模型的功能，确定所述目标自动驾驶模型对应的模型关键词；

所述装置还包括：

第二获取模块，获取预先生成的多个历史图像数据，所述历史图像数据包括所述历史环境图像和所述历史环境图像对应的图像标签；

数据生成模块，被配置为获取历史时间段内的车辆数据，所述车辆数据包括环境图像、传感器数据、控制器数据、地图数据；按照预设时间间隔，将所述车辆数据划分为多个子数据；针对每个所述子数据，将所述子数据中的环境图像作为所述历史环境图像，并确定所述历史环境图像对应的图像标签，以得到所述历史图像数据。

10.一种车辆，其特征在于，包括：

第一处理器；

用于存储处理器可执行指令的存储器；

其中，所述第一处理器被配置为：

实现权利要求1-8中任一项所述方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-8中任一项所述方法的步骤。

12.一种芯片，其特征在于，包括第二处理器和接口；所述第二处理器用于读取指令以执行权利要求1-8中任一项所述的方法。