车用LOGO灯及其成像方法与流程

车用logo灯及其成像方法
技术领域
1.本技术涉及照明领域，且更为具体地，涉及一种车用logo灯及其成像方法。


背景技术：

2.汽车，尤其是小型轿车，通常设有车门灯，也称为迎宾灯或车门警示灯。是一种新型的车用绿色光源。车门灯一般安装在车门内侧的饰板下方或车门的侧面。
3.汽车门灯的亮灭控制是随着车门的打开和关闭自动控制的。灯罩也因不同的厂家也有所不同，有白色、黄色、红色以及蓝色，它主要是在环境光线不良的情况下发挥作用：一是打开车门后，向后方车辆给予警示，让他人能识别车辆的位置和宽度，避免后方车辆追尾、碰挂，以确保安全，二是考虑和人性化的需要，给上下车人员提供温馨、体贴的地面照明，在夜间坐车时，可方便看清车门地面的状况，避免踩到沙石、泥土、雨水、坑包等。
4.早期有过这样的方案：在车门的门锁下沿装设led软灯条，利用每个车门的门开关作为控制开关，车门灯电源统一取常电。但该方案的光线是沿门饰板斜上方向射出，造成车门处地面的照明不够明亮；且容易对乘坐宾客造成过于炫亮、刺眼的问题；另外，该车门灯无法变换图案。
5.因此，期待一种优化的车用logo灯及其成像方案。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种车用logo灯及其成像方法。其首先对照明效果图像进行图像分块处理再分别通过卷积神经网络模型以得到多个照明效果图像块特征矩阵，接着，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，然后，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到照明效果区域差异拓扑特征矩阵，接着，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵后和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示增大焦距、减小焦距和保持焦距不变的分类结果。这样，可以提高照明效果。
7.根据本技术的一个方面，提供了一种车用logo灯的成像方法，其包括：
8.获取由摄像头采集的被车用logo灯照明的车门地面的照明效果图像；
9.对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列；
10.将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵；
11.将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量；
12.计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵；
13.将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵；
14.将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵；以及
15.将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变。
16.在上述的车用logo灯的成像方法中，对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列，包括：
17.对所述照明效果图像进行均匀地图像分块处理以得到照明效果图像块的序列。
18.在上述的车用logo灯的成像方法中，将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵，包括：
19.将所述照明效果图像块的序列中的各个照明效果图像块分别输入所述卷积神经网络模型以从所述卷积神经网络模型的浅层提取多个浅层特征图以及从所述卷积神经网络模型的深层提取多个深层特征图；
20.使用所述卷积神经网络模型的所述深浅特征融合模块来分别将所述多个浅层特征图和所述多个深层特征图进行级联以得到多个照明效果图像块特征图；以及
21.分别计算所述多个照明效果图像块特征图的各个位置沿通道维度的均值以得到所述多个照明效果图像块特征矩阵。
22.在上述的车用logo灯的成像方法中，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，包括：
23.计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；
24.以所述位置信息图式注意力响应因数作为权重分别对每个所述照明效果图像块特征矩阵的每个位置的特征值进行加权以得到多个加权后照明效果图像块特征矩阵；以及
25.将所述多个加权后照明效果图像块特征矩阵分别按照行向量进行展开以得到所述多个照明效果图像块展开特征向量。
26.在上述的车用logo灯的成像方法中，计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，包括：
27.以如下因数计算公式计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；
28.其中，所述因数计算公式为：
[0029][0030]
其中，代表将二维实数映射为一维实数的函数，w和h分别是所述照明效果图像块特征矩阵的宽度和高度，mi是第i个所述照明效果图像块特征矩阵的各个位置的特征值，(xi,yi)为所述照明效果图像块特征矩阵的各个特征值的坐标，且是所述照明效果图像块特征矩阵的所有特征值的全局均值，log是以2为底的对数函数，wi是第i个所述照明效果图像块特征矩阵的位置信息图式注意力响应因数。
[0031]
在上述的车用logo灯的成像方法中，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效
果区域差异拓扑特征矩阵，包括：
[0032]
以如下计算公式计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到所述多个欧式距离；
[0033]
其中，所述计算公式为：
[0034][0035]
其中，m1和m2分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵，dist(m1，m2)是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离，和分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵m1和m2的第i个位置的特征值；以及
[0036]
将所述多个欧式距离进行二维排列以得到所述照明效果区域差异拓扑特征矩阵。
[0037]
在上述的车用logo灯的成像方法中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变，包括：
[0038]
将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；
[0039]
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
[0040]
将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0041]
根据本技术的另一个方面，提供了一种车用logo灯，所述车用logo灯以前述任一所述的车用logo灯的成像方法进行工作。
[0042]
在上述的车用logo灯中，所述车用logo灯，包括：调焦作动器、聚光部分、成像部分和菲林图案片。
[0043]
在上述的车用logo灯中，所述聚光部分包括led灯源和聚光片，所述成像部分包括第一凹凸镜、第二凹凸镜和双凸镜。
[0044]
与现有技术相比，本技术提供的车用logo灯及其成像方法，其首先对照明效果图像进行图像分块处理再分别通过卷积神经网络模型以得到多个照明效果图像块特征矩阵，接着，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，然后，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到照明效果区域差异拓扑特征矩阵，接着，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵后和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示增大焦距、减小焦距和保持焦距不变的分类结果。这样，可以提高照明效果。
附图说明
[0045]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
[0046]
图1为根据本技术实施例的车用logo灯的成像方法的应用场景图。
[0047]
图2为根据本技术实施例的车用logo灯的成像方法的流程图。
[0048]
图3为根据本技术实施例的车用logo灯的成像方法的架构示意图。
[0049]
图4为根据本技术实施例的车用logo灯的成像方法的子步骤s130的流程图。
[0050]
图5为根据本技术实施例的车用logo灯的成像方法的子步骤s140的流程图。
[0051]
图6为根据本技术实施例的车用logo灯的成像方法的子步骤s180的流程图。
[0052]
图7为根据本技术实施例的车用logo灯的截面示意图。
[0053]
图8为根据本技术实施例的车用logo灯的示意爆炸图。
[0054]
图9为根据本技术实施例的菲林图案片的立体示意图。
[0055]
图10为根据本技术实施例的菲林支架的立体示意图。
[0056]
图11为根据本技术实施例的菲林支架被组装于镜筒支架的结构示意图。
[0057]
图12为根据本技术实施例的镜片被组装于镜筒支架的结构示意图。
[0058]
图13为根据本技术实施例的另一镜筒支架的结构示意图。
[0059]
图14为根据本技术实施例的成像部分光路图。
[0060]
图15为根据本技术实施例的mtf值图。
[0061]
图16为根据本技术实施例的入射角与像高关系示意图
[0062]
图17为根据本技术实施例的车用logo灯的成像系统的框图。
具体实施方式
[0063]
下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，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，也属于本技术保护的范围。
[0064]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0065]
虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
[0066]
本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0067]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0068]
针对上述技术问题，为优化车门灯的照射光线角度，使之对特定位置进行照明，同时在兼顾照明的情况下，丰富照明内容，比如汽车车标、型号、欢迎语等个性化信息，特意开
发了车用logo灯。所述车用logo灯是通过led光源照射在菲林片上，再通过透镜的折射把菲林片上的图案呈现在所照射的物体上，和投影机的原理相似。整个灯具无污染，无噪音，无电子干扰。
[0069]
特别地，在通过所述车用logo灯进行图案投射时，因停车所在地的地形存在差异导致车用logo灯与地面之间的距离发生变化，因此为了提高车用logo灯的照明效果，期待能够基于实时照明效果来自适应地调整焦距。
[0070]
具体地，在本技术的技术方案中，首先获取由摄像头采集的被车用logo灯照明的车门地面的照明效果图像。车用logo灯在投射图案时需要与地面保持一定的距离，而该距离会受到车辆所在地形的影响而发生变化。因此，通过获取被车用logo灯照明的车门地面的照明效果图像，可以实时反映出当前光线条件下车门地面的照明情况，从而对车用logo灯进行焦距调整，以达到最佳的照明效果。
[0071]
接着，对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列。也就是，将整块的照明效果图像分割为若干个小块。在本技术一个具体的示例中，对所述照明效果图像进行均匀图像分块以得到所述照明效果图像块的序列。
[0072]
应可以理解，在车用logo灯照明的车门地面上，由于地形等原因，不同位置的照明效果会存在差异，因此需要对照明效果图像进行精细的处理和分析，以获得更准确、更全面的信息。通过对照明效果图像进行分块处理，可以将其划分成多个小块，每个小块代表着一个局部区域的照明效果，然后对每个小块进行特征提取和分析，可更加全面地了解车门地面上的照明情况，并实现自适应调整焦距，最终提高车用logo灯的照明效果。
[0073]
继而，将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵。也就是说，在本技术的技术方案中，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个照明效果图像块中所蕴含的图像特征。这里，本领域普通技术人员应知晓，卷积神经网络模型在编码的过程中，随着编码深度的加深，浅层特征会被模糊甚至被淹没，而在本技术的技术方案中，照明图案中的纹理、形状、线条等浅层特征是极为重要的照明效果特征表示，因此，为了避免浅层特征被稀释或者被掩埋，在所述卷积神经网络模型中嵌入深浅特征融合模块以完整地保留不同深度的图像特征。
[0074]
进而，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，并计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵。应可以理解，在本技术的技术方案中，每个所述照明效果图像块对应着一个照明效果图像块特征矩阵，通过将其展开为特征向量，并计算每两个照明效果图像块特征矩阵之间的欧式距离，可以得到由多个欧式距离所组成的照明效果区域差异拓扑特征矩阵，所述照明效果区域差异拓扑特征矩阵展示了不同照明效果区域之间的差异性和相似性，从而更好地理解车门地面上的照明情况，在自适应调整焦距时提供重要的参考依据。
[0075]
同时，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵，并将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵。这里，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵，是为了综合不同位置的照明效果，得到一个全局的照明效果特征矩阵。进
一步地，所述各个照明效果图像块展开特征向量相对于节点的高维特征表示，而所述照明效果区域差异拓扑特征矩阵则表示节点与节点之间的边的高维特征表示，因此，在本技术的技术方案中，进一步将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型，以通过所述图神经网络模型来综合不同位置的照明效果和不同区域之间的差异性和相似性以得到所述分类特征矩阵。
[0076]
进而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，所述类概率标签用于表示增大焦距、减小焦距和保持焦距不变。这样，所述车用logo灯能够基于实时照明效果来自适应地调整焦距，以保证照明灯效。
[0077]
特别地，在本技术的技术方案中，在将所述照明效果图像块的序列分别通过包含深浅特征融合模块的卷积神经网络模型得到所述多个照明效果图像块特征矩阵时，在对每个照明效果图像块进行深层和浅层图像特征语义提取时，所述多个照明效果图像块特征矩阵中的每个照明效果图像块特征矩阵的特征值具有相应的位置属性信息。但是，在将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量时，会涉及到所述照明效果图像块特征矩阵的特征值的基于位置属性的重新排列变换，因此，为了提升所述多个照明效果图像块展开特征向量的各个特征值在排列变换时对所述多个照明效果图像块特征矩阵的图像特征语义的位置信息表达效果，进而提升所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵的表达准确性，计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：
[0078][0079]
代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，w和h分别是所述照明效果图像块特征矩阵的宽度和高度，(xi,yi为所述照明效果图像块特征矩阵的各个特征值mi的坐标，例如，可以特征矩阵的任意顶点作为坐标原点，且是所述照明效果图像块特征矩阵的所有特征值的全局均值。
[0080]
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述多个照明效果图像块特征向量的高维特征分布的特征流形的整体形状权重，从而使得所述多个照明效果图像块特征向量的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性(permutation invariance)性质。因此，通过以此所述位置信息图式注意力响应因数对所述照明效果图像块特征矩阵的各个特征值进行加权，就可以提升从所述照明效果图像块特征矩阵展开后得到的所述多个照明效果图像块特征向量的各个特征值在排列变换时对图像语义特征的位置信息表达效果，从而提升所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵的表达准确性，并最终提升所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型得到的所述分类特征矩阵的表达效果，改进了其通过分类器得到的分类结果的准确性。
[0081]
图1为根据本技术实施例的车用logo灯的成像方法的应用场景图。如图1所示，在该应用场景中，首先，获取由摄像头(例如，图1中所示意的c)采集的被车用logo灯(例如，图
1中所示意的n)照明的车门地面的照明效果图像(例如，图1中所示意的d)，然后，将所述照明效果图像输入至部署有车用logo灯的成像算法的服务器中(例如，图1中所示意的s)，其中，所述服务器能够使用所述车用logo灯的成像算法对所述照明效果图像进行处理以得到用于表示增大焦距、减小焦距和保持焦距不变的分类结果。
[0082]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0083]
图2为根据本技术实施例的车用logo灯的成像方法的流程图。如图2所示，根据本技术实施例的车用logo灯的成像方法，包括步骤：s110，获取由摄像头采集的被车用logo灯照明的车门地面的照明效果图像；s120，对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列；s130，将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵；s140，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量；s150，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵；s160，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵；s170，将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵；以及,s180，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变。
[0084]
图3为根据本技术实施例的车用logo灯的成像方法的架构示意图。如图3所示，在该网络架构中，首先，获取由摄像头采集的被车用logo灯照明的车门地面的照明效果图像；接着，对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列；然后，将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵；接着，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量；然后，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵；接着，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵；然后，将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵；最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变。
[0085]
更具体地，在步骤s110中，获取由摄像头采集的被车用logo灯照明的车门地面的照明效果图像。车用logo灯在投射图案时需要与地面保持一定的距离，而该距离会受到车辆所在地形的影响而发生变化。因此，通过获取被车用logo灯照明的车门地面的照明效果图像，可以实时反映出当前光线条件下车门地面的照明情况，从而对车用logo灯进行焦距调整，以达到最佳的照明效果。
[0086]
更具体地，在步骤s120中，对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列。在车用logo灯照明的车门地面上，由于地形等原因，不同位置的照明效果会存在差异，因此需要对照明效果图像进行精细的处理和分析，以获得更准确、更全面的信息。通过对照明效果图像进行分块处理，可以将其划分成多个小块，每个小块代表着一个局部区域的照明效果，然后对每个小块进行特征提取和分析，可更加全面地了解车门地面上
的照明情况，并实现自适应调整焦距，最终提高车用logo灯的照明效果。
[0087]
相应地，在一个具体示例中，对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列，包括：对所述照明效果图像进行均匀地图像分块处理以得到照明效果图像块的序列。
[0088]
更具体地，在步骤s130中，将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵。也就是说，在本技术的技术方案中，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个照明效果图像块中所蕴含的图像特征。这里，本领域普通技术人员应知晓，卷积神经网络模型在编码的过程中，随着编码深度的加深，浅层特征会被模糊甚至被淹没，而在本技术的技术方案中，照明图案中的纹理、形状、线条等浅层特征是极为重要的照明效果特征表示，因此，为了避免浅层特征被稀释或者被掩埋，在所述卷积神经网络模型中嵌入深浅特征融合模块以完整地保留不同深度的图像特征。
[0089]
应可以理解，卷积神经网络(convolutional neural network，cnn)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
[0090]
相应地，在一个具体示例中，如图4所示，将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵，包括：s131，将所述照明效果图像块的序列中的各个照明效果图像块分别输入所述卷积神经网络模型以从所述卷积神经网络模型的浅层提取多个浅层特征图以及从所述卷积神经网络模型的深层提取多个深层特征图；s132，使用所述卷积神经网络模型的所述深浅特征融合模块来分别将所述多个浅层特征图和所述多个深层特征图进行级联以得到多个照明效果图像块特征图；以及，s133，分别计算所述多个照明效果图像块特征图的各个位置沿通道维度的均值以得到所述多个照明效果图像块特征矩阵。
[0091]
更具体地，在步骤s140中，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量。
[0092]
相应地，在一个具体示例中，如图5所示，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，包括：s141，计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；s142，以所述位置信息图式注意力响应因数作为权重分别对每个所述照明效果图像块特征矩阵的每个位置的特征值进行加权以得到多个加权后照明效果图像块特征矩阵；以及，s143，将所述多个加权后照明效果图像块特征矩阵分别按照行向量进行展开以得到所述多个照明效果图像块展开特征向量。
[0093]
特别地，在本技术的技术方案中，在将所述照明效果图像块的序列分别通过包含深浅特征融合模块的卷积神经网络模型得到所述多个照明效果图像块特征矩阵时，在对每个照明效果图像块进行深层和浅层图像特征语义提取时，所述多个照明效果图像块特征矩阵中的每个照明效果图像块特征矩阵的特征值具有相应的位置属性信息。但是，在将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量时，会涉及到所述照明效果图像块特征矩阵的特征值的基于位置属性的重新排列变换，因此，为了提升所述
多个照明效果图像块展开特征向量的各个特征值在排列变换时对所述多个照明效果图像块特征矩阵的图像特征语义的位置信息表达效果，进而提升所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵的表达准确性，计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数。
[0094]
相应地，在一个具体示例中，计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，包括：以如下因数计算公式计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；其中，所述因数计算公式为：
[0095][0096]
其中，代表将二维实数映射为一维实数的函数，w和h分别是所述照明效果图像块特征矩阵的宽度和高度，mi是第i个所述照明效果图像块特征矩阵的各个位置的特征值，(xi,yi)为所述照明效果图像块特征矩阵的各个特征值的坐标，且是所述照明效果图像块特征矩阵的所有特征值的全局均值，log是以2为底的对数函数，wi是第i个所述照明效果图像块特征矩阵的位置信息图式注意力响应因数。
[0097]
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述多个照明效果图像块特征向量的高维特征分布的特征流形的整体形状权重，从而使得所述多个照明效果图像块特征向量的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述照明效果图像块特征矩阵的各个特征值进行加权，就可以提升从所述照明效果图像块特征矩阵展开后得到的所述多个照明效果图像块特征向量的各个特征值在排列变换时对图像语义特征的位置信息表达效果，从而提升所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵的表达准确性，并最终提升所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型得到的所述分类特征矩阵的表达效果，改进了其通过分类器得到的分类结果的准确性。
[0098]
更具体地，在步骤s150中，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵。每个所述照明效果图像块对应着一个照明效果图像块特征矩阵，通过将其展开为特征向量，并计算每两个照明效果图像块特征矩阵之间的欧式距离，可以得到由多个欧式距离所组成的照明效果区域差异拓扑特征矩阵，所述照明效果区域差异拓扑特征矩阵展示了不同照明效果区域之间的差异性和相似性，从而更好地理解车门地面上的照明情况，在自适应调整焦距时提供重要的参考依据。
[0099]
相应地，在一个具体示例中，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵，包括：以如下计算公式计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到所述多个欧式距离；其中，所述计算公式为：
[0100][0101]
其中，m1和m2分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵，dist(m1，m2)是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离，和分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵m1和m2的第i个位置的特征值；以及，将所述多个欧式距离进行二维排列以得到所述照明效果区域差异拓扑特征矩阵。
[0102]
更具体地，在步骤s160中，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵。将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵，是为了综合不同位置的照明效果，得到一个全局的照明效果特征矩阵。
[0103]
更具体地，在步骤s170中，将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵。通过所述图神经网络模型来综合不同位置的照明效果和不同区域之间的差异性和相似性以得到所述分类特征矩阵。
[0104]
更具体地，在步骤s180中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，所述类概率标签用于表示增大焦距、减小焦距和保持焦距不变。这样，所述车用logo灯能够基于实时照明效果来自适应地调整焦距，以保证照明灯效。
[0105]
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、svm等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
[0106]
相应地，在一个具体示例中，如图6所示，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变，包括：s181，将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；s182，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，s183，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0107]
综上，基于本技术实施例的车用logo灯的成像方法，其首先对照明效果图像进行图像分块处理再分别通过卷积神经网络模型以得到多个照明效果图像块特征矩阵，接着，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，然后，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到照明效果区域差异拓扑特征矩阵，接着，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵后和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示增大焦距、减小焦距和保持焦距不变的分类结果。这样，可以提高照明效果。
[0108]
进一步地，在本技术的技术方案中，还提供一种车用logo灯，所述车用logo灯以前述任一所述的车用logo灯的成像方法进行工作。所述车用logo灯，包括：调焦作动器、聚光
部分、成像部分和菲林图案片，所述聚光部分包括led灯源和聚光片，所述成像部分包括第一凹凸镜、第二凹凸镜和双凸镜，所述聚光部分和所述成像部分中间设有菲林图案片。
[0109]
具体地，如图7所示，1为led灯源，2为聚光部分镜片，3为菲林图案片，4为菲林支架，5、6、7为成像部分镜片，8、9为镜筒支架。其中，聚光部分的镜片2为双凸镜；成像部分的镜片5为第一凹凸镜，镜片6为第二凹凸镜，镜片7为双凸镜。
[0110]
各镜片的光焦度分别为2_f、5_f、6_f和7_f；满足：-0.15《2_f《0.45；-0.05《5_f《0.55；-0.55《6_f《0.05；-0.05《7_f《0.55。
[0111]
如图8所示，该车用logo灯的镜筒支架由两个部分组成(标号8、9)，两部分靠支柱进行卡合组装。成像部分由标号5的第一凹凸镜、标号6的第二凹凸镜、标号7的双凸镜组成；聚光部分为标号2的单片双凸镜构成；菲林图案片(标号3)固定在菲林支架(标号4)中，以上镜片以及菲林支架均固定在镜筒对应的凹槽中，顺序不可变。
[0112]
如图9和图10所示，菲林图案片3上设有定位缺口30，菲林支架4上设有菲林支架定位柱41、定位孔42及定位凹槽40。将缺口30对准菲林支架4上的定位凹槽40的斜角，以完成菲林图案片3和菲林支架4的组装。继续参照图7，镜片2上设有定位柱，将镜片定位柱对菲林支架4的定位孔42进行卡合，以实现镜片2的组装。
[0113]
如图11所示，镜筒支架8上设有镜筒凹槽80及镜筒定位柱81，通过将菲林支架4的菲林支架定位柱41对准镜筒凹糟80进行卡合，以实现菲林支架4与镜筒支架8的组装。
[0114]
进一步参照图12和图13，将镜片5、镜片6和镜片7依次卡合后放入镜筒支架8中，以完成镜片5、镜片6和镜片7的组装，其中，led灯源1的设置位置如图12所示。镜筒支架9上设有镜筒定位孔90，将镜筒定位孔90对准镜筒支架8上的镜筒定位柱81后进行卡合，完成该车用logo灯的组装。该车用logo灯视场角为23度，可在离地距离为450mm处投影出直径为380mm的图案，配合90lm的led，照度可达300lux。
[0115]
进一步地，图14示出了该车用logo灯成像部分光路图，图15和图16示出了相应的mtf值和入射角与像高关系。
[0116]
具体地，下表1示出了所述车用logo灯镜头成像部分中的一种设计值。
[0117]
表1
[0118][0119]
具体地，下表2示出了所述车用logo灯镜头成像部分中非球面系数的一种设计值。
[0120]
表2
[0121]
球号abcd
5-r1-7.20e-04-1.32e-042.25e-04-2.94e-055-r22.98e-02-5.37e-037.65e-04-6.47e-056-r1-1.24e-02-5.36e-041.89e-04-2.53e-056-r2-9.54e-038.46e-04-3.08e-05-1.16e-067-r17.97e-03-1.74e-031.44e-04-6.35e-067-r2-2.17e-03-4.52e-051.21e-05-1.53e-06
[0122]
具体地，下表3示出了所述车用logo灯镜头聚光部分中的一种设计值。
[0123]
表3
[0124][0125]
具体地，下表4示出了所述车用logo灯镜头聚光部分中非球面系数的一种设计值。
[0126]
表4
[0127]
球号abcd2-r100002-r20.02732-0.0026780.0001998-6.70e-06
[0128]
进一步地，图17为根据本技术实施例的车用logo灯的成像系统100的框图。如图17所示，根据本技术实施例的车用logo灯的成像系统100，包括：图像采集模块110，用于获取由摄像头采集的被车用logo灯照明的车门地面的照明效果图像；图像分块模块120，用于对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列；深浅融合编码模块130，用于将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵；矩阵展开模块140，用于将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量；欧式距离计算模块150，用于计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵；矩阵排列模块160，用于将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵；图神经编码模块170，用于将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵；以及，分类模块180，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变。
[0129]
在一个示例中，在上述车用logo灯的成像系统100中，所述图像分块模块120，用于：对所述照明效果图像进行均匀地图像分块处理以得到照明效果图像块的序列。
[0130]
在一个示例中，在上述车用logo灯的成像系统100中，所述深浅融合编码模块130，用于：将所述照明效果图像块的序列中的各个照明效果图像块分别输入所述卷积神经网络模型以从所述卷积神经网络模型的浅层提取多个浅层特征图以及从所述卷积神经网络模型的深层提取多个深层特征图；使用所述卷积神经网络模型的所述深浅特征融合模块来分别将所述多个浅层特征图和所述多个深层特征图进行级联以得到多个照明效果图像块特
征图；以及，分别计算所述多个照明效果图像块特征图的各个位置沿通道维度的均值以得到所述多个照明效果图像块特征矩阵。
[0131]
在一个示例中，在上述车用logo灯的成像系统100中，所述矩阵展开模块140，用于：计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；以所述位置信息图式注意力响应因数作为权重分别对每个所述照明效果图像块特征矩阵的每个位置的特征值进行加权以得到多个加权后照明效果图像块特征矩阵；以及，将所述多个加权后照明效果图像块特征矩阵分别按照行向量进行展开以得到所述多个照明效果图像块展开特征向量。
[0132]
在一个示例中，在上述车用logo灯的成像系统100中，计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，包括：以如下因数计算公式计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；其中，所述因数计算公式为：
[0133][0134]
其中，代表将二维实数映射为一维实数的函数，w和h分别是所述照明效果图像块特征矩阵的宽度和高度，mi是第i个所述照明效果图像块特征矩阵的各个位置的特征值，(xi,yi)为所述照明效果图像块特征矩阵的各个特征值的坐标，且是所述照明效果图像块特征矩阵的所有特征值的全局均值，log是以2为底的对数函数，wi是第i个所述照明效果图像块特征矩阵的位置信息图式注意力响应因数。
[0135]
在一个示例中，在上述车用logo灯的成像系统100中，所述欧式距离计算模块150，用于：以如下计算公式计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到所述多个欧式距离；其中，所述计算公式为：
[0136][0137]
其中，m1和m2分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵，dist(m1，m2)是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离，和分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵m1和m2的第i个位置的特征值；以及，将所述多个欧式距离进行二维排列以得到所述照明效果区域差异拓扑特征矩阵。
[0138]
在一个示例中，在上述车用logo灯的成像系统100中，所述分类模块180，用于：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0139]
这里，本领域技术人员可以理解，上述车用logo灯的成像系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的车用logo灯的成像方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0140]
如上所述，根据本技术实施例的车用logo灯的成像系统100可以实现在各种无线终端中，例如具有车用logo灯的成像算法的服务器等。在一个示例中，根据本技术实施例的
车用logo灯的成像系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该车用logo灯的成像系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该车用logo灯的成像系统100同样可以是该无线终端的众多硬件模块之一。
[0141]
替换地，在另一示例中，该车用logo灯的成像系统100与该无线终端也可以是分立的设备，并且该车用logo灯的成像系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
[0142]
根据本技术的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
[0143]
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
[0144]
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
[0145]
本技术使用了特定词语来描述本技术的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0146]
此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
[0147]
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0148]
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前
提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种车用logo灯的成像方法，其特征在于，包括：获取由摄像头采集的被车用logo灯照明的车门地面的照明效果图像；对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列；将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵；将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量；计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵；将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵；将所述全局照明效果特征矩阵和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变。2.根据权利要求1所述的车用logo灯的成像方法，其特征在于，对所述照明效果图像进行图像分块处理以得到照明效果图像块的序列，包括：对所述照明效果图像进行均匀地图像分块处理以得到照明效果图像块的序列。3.根据权利要求2所述的车用logo灯的成像方法，其特征在于，将所述照明效果图像块的序列中的各个照明效果图像块分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个照明效果图像块特征矩阵，包括：将所述照明效果图像块的序列中的各个照明效果图像块分别输入所述卷积神经网络模型以从所述卷积神经网络模型的浅层提取多个浅层特征图以及从所述卷积神经网络模型的深层提取多个深层特征图；使用所述卷积神经网络模型的所述深浅特征融合模块来分别将所述多个浅层特征图和所述多个深层特征图进行级联以得到多个照明效果图像块特征图；以及分别计算所述多个照明效果图像块特征图的各个位置沿通道维度的均值以得到所述多个照明效果图像块特征矩阵。4.根据权利要求3所述的车用logo灯的成像方法，其特征在于，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，包括：计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；以所述位置信息图式注意力响应因数作为权重分别对每个所述照明效果图像块特征矩阵的每个位置的特征值进行加权以得到多个加权后照明效果图像块特征矩阵；以及将所述多个加权后照明效果图像块特征矩阵分别按照行向量进行展开以得到所述多个照明效果图像块展开特征向量。5.根据权利要求4所述的车用logo灯的成像方法，其特征在于，计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，包括：以如下因数计算公式计算每个所述照明效果图像块特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；其中，所述因数计算公式为：
其中，代表将二维实数映射为一维实数的函数，w和h分别是所述照明效果图像块特征矩阵的宽度和高度，m
i
是第i个所述照明效果图像块特征矩阵的各个位置的特征值，(x
i
,y
i
)为所述照明效果图像块特征矩阵的各个特征值的坐标，且是所述照明效果图像块特征矩阵的所有特征值的全局均值，log是以2为底的对数函数，w
i
是第i个所述照明效果图像块特征矩阵的位置信息图式注意力响应因数。6.根据权利要求5所述的车用logo灯的成像方法，其特征在于，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到由多个欧式距离排列而成的照明效果区域差异拓扑特征矩阵，包括：以如下计算公式计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到所述多个欧式距离；其中，所述计算公式为：其中，m1和m2分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵，dsit(m1，m2)是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离，和分别是所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵m1和m2的第i个位置的特征值；以及将所述多个欧式距离进行二维排列以得到所述照明效果区域差异拓扑特征矩阵。7.根据权利要求6所述的车用logo灯的成像方法，其特征在于，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示增大焦距、减小焦距和保持焦距不变，包括：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。8.一种车用logo灯，其特征在于，所述车用logo灯以如权利要求1至8任一所述的车用logo灯的成像方法进行工作。9.根据权利要求8所述的车用logo灯，其特征在于，所述车用logo灯，包括：调焦作动器、聚光部分、成像部分和菲林图案片。10.根据权利要求9所述的车用logo灯，其特征在于，所述聚光部分包括led灯源和聚光片，所述成像部分包括第一凹凸镜、第二凹凸镜和双凸镜。

技术总结
公开了一种车用LOGO灯及其成像方法。其首先对照明效果图像进行图像分块处理再分别通过卷积神经网络模型以得到多个照明效果图像块特征矩阵，接着，将所述多个照明效果图像块特征矩阵展开为多个照明效果图像块展开特征向量，然后，计算所述多个照明效果图像块特征矩阵中每两个照明效果图像块特征矩阵之间的欧式距离以得到照明效果区域差异拓扑特征矩阵，接着，将所述多个照明效果图像块展开特征向量排列为全局照明效果特征矩阵后和所述照明效果区域差异拓扑特征矩阵通过图神经网络模型以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示增大焦距、减小焦距和保持焦距不变的分类结果。这样，可以提高照明效果。提高照明效果。提高照明效果。


技术研发人员：林平 龚勇暋 龚昭宇
受保护的技术使用者：上饶市美宇达光学仪器有限公司
技术研发日：2023.07.15
技术公布日：2023/9/20