【技术实现步骤摘要】
本专利技术涉及车辆控制领域，具体而言，涉及一种车辆转向灯控制方法、装置、电子设备及存储介质。
技术介绍
1、随着智能汽车技术的发展，传统的物理按键和拨杆式转向灯控制方式已经逐渐不能满足现代驾驶者的需求。这些传统方式虽然响应迅速，但缺乏人机互动，且在人体工程学布局上存在不足，对于不同体型的驾驶员来说，操作便利性有待提高。为了解决这些问题，智能座舱技术的发展带来了新的解决方案，如触屏操作和语音命令控制。然而，这些方法也存在弊端：触屏操作会分散驾驶员的注意力，而语音控制则受车内噪音水平的影响，可能导致误判或无响应。
2、随着传感器技术和手势识别算法的进步，手势识别技术被提出作为一种新的车辆控制方式。该技术旨在提高驾驶安全性和便利性，同时减少对驾驶员注意力的干扰。然而，现有的手势识别技术在应用于车辆转向灯控制时仍存在一些问题。例如，通过计算手势图像的特征向量并利用支持向量机进行识别的方法，忽略了手势动作的连续性，会导致误判，且识别准确度有限。仅仅基于深度学习模型的动态手势车控方法，虽然能够识别驾驶员的动态手势，但需要设计较深的网络结构，计算量大，对硬件性能要求高。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种车辆转向灯控制方法、装置、电子设备及存储介质，以至少解决相关技术中通过动态手势识别控制车辆转向灯时，识别模型计算量大、识别结果准确性低的技术问题。
2、根据本专利技术其中一实施例，提供了一种车辆转向灯
3、可选地，手势识别模型中至少包含深度学习网络，利用手势识别模型对初始手势图像数据进行识别，得到目标识别结果包括：对手势图像数据进行图像预处理操作，得到第一手势图像数据；利用深度学习网络对第一手势图像数据进行特征提取操作，得到样本位姿数据，其中，样本位姿数据用于确定第一手势图像数据中关键点的位置信息和姿态信息；利用第一预设算法获取样本位姿数据与参照位姿数据的相似度，其中，参照位姿数据基于深度学习网络对参照手势图像数据进行提取而获得；基于第二预设算法和相似度对初始手势图像数据进行检测，得到目标识别结果。
4、可选地，利用第一预设算法获取样本位姿数据与参照位姿数据的相似度包括：将样本位姿数据转化为第一时间序列；将参照位姿数据转化为第二时间序列；利用第一预设算法中的距离函数得到累积距离矩阵，其中，累计距离矩阵用于表示第一时间序列转化为第二时间序列的成本；基于累计距离矩阵获取样本位姿数据与参照位姿数据的相似度。
5、可选地，基于第二预设算法和相似度对初始手势图像数据进行检测，得到目标识别结果包括：将相似度按照预设排列规则进行排序，得到排序结果；按照排序结果选取参照位姿数据，作为备选位姿数据；对备选位姿数据和样本位姿数据进行概率分析，得到目标识别结果。
6、可选地，对备选位姿数据和样本位姿数据进行概率分析，得到目标识别结果包括：获取备选位姿数据中每种参照位姿数据出现的频次信息；利用频次信息获得备选位姿数据种每种参照位姿出现的概率值；基于概率值和概率值对应的参照位姿数据确定目标识别结果。
7、可选地，车辆转向灯控制方法还包括：获取参照手势图像数据；利用卷积位姿机对参照手势图像数据进行特征提取，得到语义特征；基于参照手势图像数据和语义特征训练深度学习网络，以提取参照位姿数据。
8、可选地，基于目标识别结果对车辆转向灯进行控制包括：响应于目标识别结果符合驾驶员的控制意图，控制车辆转向灯的工作状态转换为目标识别结果。
9、可选地，车辆转向灯控制方法还包括：响应于车辆转向灯的工作状态转换为目标识别结果，利用预设提醒方式生成提示信息。
10、根据本专利技术其中一实施例，还提供了一种车辆转向灯控制装置，包括：采集模块，用于响应于目标功能处于运行状态，采集驾驶员的初始手势图像数据；识别模块，用于利用手势识别模型对初始手势图像数据进行识别，得到目标识别结果，其中，手势识别模型中至少包含第一预设算法和第二预设算法，第一预设算法用于确定初始手势图像数据与参照手势图像数据的相似度，第二预设算法用于基于相似度对初始手势图像数据进行分析检测，以确定目标识别结果，目标识别结果用于表示初始手势图像数据对应的车辆转向灯的工作状态；控制模块，用于基于目标识别结果对车辆转向灯进行控制。
11、可选地，识别模块还用于：对手势图像数据进行图像预处理操作，得到第一手势图像数据；利用深度学习网络对第一手势图像数据进行特征提取操作，得到样本位姿数据，其中，样本位姿数据用于确定第一手势图像数据中关键点的位置信息和姿态信息；利用第一预设算法获取样本位姿数据与参照位姿数据的相似度，其中，参照位姿数据基于深度学习网络对参照手势图像数据进行提取而获得；基于第二预设算法和相似度对初始手势图像数据进行检测，得到目标识别结果。
12、可选地，该车辆转向灯控制装置还包括获取模块，用于将样本位姿数据转化为第一时间序列；将参照位姿数据转化为第二时间序列；利用第一预设算法中的距离函数得到累积距离矩阵，其中，累计距离矩阵用于表示第一时间序列转化为第二时间序列的成本；基于累计距离矩阵获取样本位姿数据与参照位姿数据的相似度。
13、可选地，该车辆转向灯控制装置还包括确定模块，用于将相似度按照预设排列规则进行排序，得到排序结果；按照排序结果选取参照位姿数据，作为备选位姿数据；对备选位姿数据和样本位姿数据进行概率分析，得到目标识别结果。
14、可选地，获取模块还用于：获取备选位姿数据中每种参照位姿数据出现的频次信息；利用频次信息获得备选位姿数据种每种参照位姿出现的概率值；基于概率值和概率值对应的参照位姿数据确定目标识别结果。
15、可选地，获取模块还用于：获取参照手势图像数据；该车辆转向灯控制装置还包括处理模块，用于利用卷积位姿机对参照手势图像数据进行特征提取，得到语义特征；基于参照手势图像数据和语义特征训练深度学习网络，以提取参照位姿数据。
16、可选地，控制模块还用于响应于目标识别结果符合驾驶员的控制意图，控制车辆转向灯的工作状态转换为目标识别结果。
17、可选地，该车辆转向灯控制装置还包括生成模块，用于响应于车辆转向灯的工作状态转换为目标识别结果，利用预设提醒方式生成提示信息。
18、根据本专利技术其中一实施例，还提供了一种电子设备，包括：存储器，存储有可执行程序；处理器，用于运行程序，其中，程序运行时执行上述的车辆转向灯本文档来自技高网...
【技术保护点】
1.一种车辆转向灯控制方法，其特征在于，包括：
2.根据权利要求1所述的车辆转向灯控制方法，其特征在于，所述手势识别模型中至少包含深度学习网络，利用所述手势识别模型对所述初始手势图像数据进行识别，得到目标识别结果包括：
3.根据权利要求2所述的车辆转向灯控制方法，其特征在于，利用所述第一预设算法获取所述样本位姿数据与所述参照位姿数据的相似度包括：
4.根据权利要求2所述的车辆转向灯控制方法，其特征在于，基于所述第二预设算法和所述相似度对所述初始手势图像数据进行检测，得到所述目标识别结果包括：
5.根据权利要求4所述的车辆转向灯控制方法，其特征在于，对所述备选位姿数据和所述样本位姿数据进行概率分析，得到所述目标识别结果包括：
6.根据权利要求2所述的车辆转向灯控制方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的车辆转向灯控制方法，其特征在于，基于所述目标识别结果对所述车辆转向灯进行控制包括：
8.根据权利要求1所述的车辆转向灯控制方法，其特征在于，所述方法还包括：
9.一种车
10.一种电子设备，其特征在于，包括：
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的可执行程序，其中，在所述可执行程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的车辆转向灯控制方法。
12.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至8中任意一项所述的车辆转向灯控制方法。
...【技术特征摘要】
1.一种车辆转向灯控制方法，其特征在于，包括：
2.根据权利要求1所述的车辆转向灯控制方法，其特征在于，所述手势识别模型中至少包含深度学习网络，利用所述手势识别模型对所述初始手势图像数据进行识别，得到目标识别结果包括：
3.根据权利要求2所述的车辆转向灯控制方法，其特征在于，利用所述第一预设算法获取所述样本位姿数据与所述参照位姿数据的相似度包括：
4.根据权利要求2所述的车辆转向灯控制方法，其特征在于，基于所述第二预设算法和所述相似度对所述初始手势图像数据进行检测，得到所述目标识别结果包括：
5.根据权利要求4所述的车辆转向灯控制方法，其特征在于，对所述备选位姿数据和所述样本位姿数据进行概率分析，得到所述目标识别结果包括：
6.根据权利要求2所述的车辆转...
【专利技术属性】
技术研发人员：支永帅，李胜伟，王烨东，王秀鹏，王松，
申请(专利权)人：一汽解放青岛汽车有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。