CN106707293B - 用于车辆的障碍物识别方法和装置 - Google Patents
用于车辆的障碍物识别方法和装置 Download PDFInfo
- Publication number
- CN106707293B CN106707293B CN201611088130.0A CN201611088130A CN106707293B CN 106707293 B CN106707293 B CN 106707293B CN 201611088130 A CN201611088130 A CN 201611088130A CN 106707293 B CN106707293 B CN 106707293B
- Authority
- CN
- China
- Prior art keywords
- annotation results
- mark
- correct
- barrier
- elemental area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000004044 response Effects 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000004888 barrier function Effects 0.000 claims description 142
- 238000012549 training Methods 0.000 claims description 20
- 235000012149 noodles Nutrition 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
- B60K35/20—Output arrangements, i.e. from vehicle to user, associated with vehicle functions or specially adapted therefor
- B60K35/21—Output arrangements, i.e. from vehicle to user, associated with vehicle functions or specially adapted therefor using visual output, e.g. blinking lights or matrix displays
- B60K35/22—Display screens
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K2360/00—Indexing scheme associated with groups B60K35/00 or B60K37/00 relating to details of instruments or dashboards
- B60K2360/20—Optical features of instruments
- B60K2360/21—Optical features of instruments using cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K2360/00—Indexing scheme associated with groups B60K35/00 or B60K37/00 relating to details of instruments or dashboards
- B60K2360/20—Optical features of instruments
- B60K2360/33—Illumination features
- B60K2360/333—Lasers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
- B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
- B60R2300/301—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing combining image information with other obstacle sensor information, e.g. using RADAR/LIDAR/SONAR sensors for estimating risk of collision
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
- B60R2300/80—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement
- B60R2300/8093—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement for obstacle warning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了用于车辆的障碍物识别方法和装置。所述方法的一具体实施方式包括:利用激光雷达传感器获取目标区域的点云数据以及利用图像采集装置获取目标区域的图像数据;利用预设的点云识别模型识别点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果;利用预设的图像识别模型识别图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果;对比第一标注结果与第二标注结果,检测二者是否相同;响应于二者不同,确定第一标注结果与第二标注结果中正确的标注结果,并输出正确的标注结果。该实施方式实现了快速准确的识别正确的标注结果,并且全程无需人工标注,提高了标注效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及障碍物识别领域,尤其涉及一种用于车辆的障碍物识别方法和装置。
背景技术
障碍物的正确识别对无人驾驶车辆以及车辆的自动驾驶模式具有重要意义。在实现对障碍物的自动识别时,通常在车辆上安装激光雷达传感器、毫米波雷达传感器或图像采集装置来采集车辆周围的障碍物信息,得到三维点云数据或二维图像数据。然后利用训练后的机器学习算法识别上述三维点云数据或二维图像数据中的障碍物。在训练上述机器学习算法时,通常利用已标注出障碍物的三维点云数据或二维图像数据来训练机器学习算法。
现有的标注方法主要利用人工标注的方式,这种方式不仅耗费人力、财力,也降低了标注效率。
发明内容
本申请的目的在于提出一种用于车辆的障碍物识别方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种用于车辆的障碍物识别方法,所述车辆包括校准后的激光雷达传感器和图像采集装置,所述方法包括:利用所述激光雷达传感器获取目标区域的点云数据以及利用所述图像采集装置获取所述目标区域的图像数据;利用预设的点云识别模型识别所述点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果;利用预设的图像识别模型识别所述图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果;对比所述第一标注结果与所述第二标注结果,检测二者是否相同;响应于二者不同,确定所述第一标注结果与所述第二标注结果中正确的标注结果,并输出所述正确的标注结果。
在一些实施例中,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:确定所述第一标注结果与所述第二标注结果的不同之处;确定同一所述不同之处在所述第一标注结果中指示的第一障碍物和在所述第二标注结果中指示的第二障碍物;确定所述第一标注结果中,所述第一障碍物的三维坐标集合确定的标注体积以及所述第一障碍物与所述激光雷达传感器之间的第一距离;根据所述第一标注结果、所述第一距离,确定所述第一障碍物在所述点云数据中的期望体积范围;响应于所述标注体积位于所述期望体积范围之外,确定所述第一标注结果错误。
在一些实施例中,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:确定所述第二障碍物在所述第二标注结果中所覆盖的标注像素面积;根据所述第一距离、所述激光雷达传感器与所述图像采集装置之间的校准参数,确定所述第二障碍物与所述图像采集装置之间的第二距离;根据所述第二标注结果、所述第二距离,确定所述第二障碍物在所述图像数据中的期望像素面积范围;响应于所述标注像素面积位于所述期望像素面积范围之外,确定所述第二标注结果错误。
在一些实施例中,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:响应于所述标注体积位于所述期望体积范围之内并且所述标注像素面积位于所述期望像素面积范围之内,则执行以下步骤:确定所述点云数据中,所述第一障碍物的三维坐标集合确定的实际体积;将所述实际体积投影到所述图像数据中,得到与所述实际体积对应的期望像素面积;检测所述标注像素面积是否等于所述期望像素面积;如果检测到所述标注像素面积不等于所述期望像素面积,认定所述第一标注结果正确。
在一些实施例中,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:如果检测到所述第二像素面积等于所述期望像素面积,认定所述第二标注结果正确。
在一些实施例中,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:检测所述标注体积是否等于所述实际体积;如果检测到所述标注体积等于所述实际体积,认定所述第一标注结果正确。
在一些实施例中,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:如果检测到所述标注体积不等于所述实际体积,认定所述第二标注结果正确。
在一些实施例中,所述方法还包括以下至少一项:响应于所述第一标注结果正确,基于所述第一标注结果修正所述第二标注结果,并利用修正后的第二标注结果重新训练所述图像识别模型;响应于所述第二标注结果正确,基于所述第二标注结果修正所述第一标注结果,并利用修正后的第一标注结果重新训练所述点云识别模型。
第二方面,本申请提供了一种用于车辆的障碍物识别装置,所述车辆包括校准后的激光雷达传感器和图像采集装置,所述装置包括:获取单元,用于利用所述激光雷达传感器获取目标区域的点云数据以及利用所述图像采集装置获取所述目标区域的图像数据;第一标注单元,用于利用预设的点云识别模型识别所述点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果;第二标注单元,用于利用预设的图像识别模型识别所述图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果;检测单元,用于对比所述第一标注结果与所述第二标注结果,检测二者是否相同;输出单元,用于响应于二者不同,确定所述第一标注结果与所述第二标注结果中正确的标注结果,并输出所述正确的标注结果。
在一些实施例中,所述输出单元包括:第一确定模块,用于确定所述第一标注结果与所述第二标注结果的不同之处;障碍物确定模块,用于确定同一所述不同之处在所述第一标注结果中指示的第一障碍物和在所述第二标注结果中指示的第二障碍物;标注体积确定模块,用于确定所述第一标注结果中,所述第一障碍物的三维坐标集合确定的标注体积以及所述第一障碍物与所述激光雷达传感器之间的第一距离;期望体积范围确定模块,用于根据所述第一标注结果、所述第一距离,确定所述第一障碍物在所述点云数据中的期望体积范围;第一结果确定模块,用于响应于所述标注体积位于所述期望体积范围之外,确定所述第一标注结果错误。
在一些实施例中,所述输出单元包括:标注像素面积确定模块,用于确定所述第二障碍物在所述第二标注结果中所覆盖的标注像素面积;第二距离确定模块,用于根据所述第一距离、所述激光雷达传感器与所述图像采集装置之间的校准参数,确定所述第二障碍物与所述图像采集装置之间的第二距离;期望像素面积范围确定模块,用于根据所述第二标注结果、所述第二距离,确定所述第二障碍物在所述图像数据中的期望像素面积范围;第二结果确定模块,用于响应于所述标注像素面积位于所述期望像素面积范围之外,确定所述第二标注结果错误。
在一些实施例中,所述输出单元包括:第二确定模块,用于响应于所述标注体积位于所述期望体积范围之内并且所述标注像素面积位于所述期望像素面积范围之内,则执行以下步骤:确定所述点云数据中,所述第一障碍物的三维坐标集合确定的实际体积;将所述实际体积投影到所述图像数据中,得到与所述实际体积对应的期望像素面积;检测所述标注像素面积是否等于所述期望像素面积;如果检测到所述标注像素面积不等于所述期望像素面积,认定所述第一标注结果正确。
在一些实施例中,所述第二确定模块进一步用于:如果检测到所述第二像素面积等于所述期望像素面积,认定所述第二标注结果正确。
在一些实施例中,所述第二确定模块进一步用于:检测所述标注体积是否等于所述实际体积;如果检测到所述标注体积等于所述实际体积,认定所述第一标注结果正确。
在一些实施例中,所述第二确定模块进一步用于:如果检测到所述标注体积不等于所述实际体积,认定所述第二标注结果正确。
在一些实施例中,所述装置还包括以下至少一项:第一修正单元,用于响应于所述第一标注结果正确,基于所述第一标注结果修正所述第二标注结果,并利用修正后的第二标注结果重新训练所述图像识别模型;第二修正单元,用于响应于所述第二标注结果正确,基于所述第二标注结果修正所述第一标注结果,并利用修正后的第一标注结果重新训练所述点云识别模型。
本申请提供的用于车辆的障碍物识别方法和装置,利用激光雷达传感器获取目标区域的点云数据、利用图像采集装置获取目标区域的图像数据,然后分别利用预设的点云识别模型识别点云数据中的障碍物,利用预设的图像识别模型识别图像数据中的障碍物,并分别把识别出的障碍物标注出来,得到第一标注结果和第二标注结果,然后对比第一标注结果和第二标注结果,在二者不同时,确定二者中正确的一个,然后将正确的标注结果输出,本申请的上述方法不仅实现了快速准确的识别正确的标注结果,并且全程无需人工标注,有效地提高了标注效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的用于车辆的障碍物识别方法的一个实施例的流程图;
图2是根据本申请的用于车辆的障碍物识别方法的一个应用场景的示意图;
图3是根据本申请的用于车辆的障碍物识别方法的确定第一标注结果和第二标注结果中正确的标注结果的方法的一个实施例的流程图;
图4是根据本申请的用于车辆的障碍物识别方法的确定第一标注结果和第二标注结果中正确的标注结果的方法的另一个实施例的流程图;
图5是根据本申请的用于车辆的障碍物识别装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
参考图1,其示出了根据本申请的用于车辆的障碍物识别方法的一个实施例的流程100。本实施例的车辆包括激光雷达传感器和图像采集装置,其中,激光雷达传感器用于获取点云数据,图像采集装置用于获取图像数据,且激光雷达传感器和图像采集装置已校准。在校准上述激光雷达传感器和图像采集装置时,可以在激光雷达传感器和图像采集装置的共同视野内放置一个参照物,例如圆柱体,获取上述参照物在不同位置处的点云数据和图像数据,通过调整激光雷达传感器和图像采集装置的内外参数实现校准。可以理解的是,本实施例的车辆中可以包括多个激光雷达传感器和多个图像采集装置,本实施例对激光雷达传感器和图像采集装置的数量不做限定,本领域技术人员可以根据实际应用情况设置激光雷达传感器和图像采集装置的数量。
本实施例的用于车辆的障碍物识别方法,包括以下步骤:
步骤101,利用激光雷达传感器获取目标区域的点云数据以及利用图像采集装置获取目标区域的图像数据。
在本实施例中,用于车辆的障碍物识别方法运行于其上的电子设备(例如车辆的行车电脑或车载终端)可以通过有线连接方式或者无线连接方式控制激光雷达传感器和图像采集装置。具体地,行车电脑或车载终端可以控制激光雷达传感器以某一频率采集某一区域的点云数据,可以控制图像采集装置以同样的频率采集同一区域的图像数据。上述目标区域可以是待检测障碍物的区域,可以理解的是,上述目标区域应位于上述激光雷达传感器和图像采集装置的共同视野内。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,利用预设的点云识别模型识别点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果。
本实施例中,上述预设的点云识别模型可以是各种预先训练的能够识别点云数据中障碍物的算法,例如可以是ICP算法(Iterative Closest Point,就近点搜索法)、随机森林算法等。在利用上述点云识别模型识别点云数据中的障碍物后,对识别出的障碍物进行标注,得到第一标注结果。在对识别出的障碍物进行标注时,标注出的形状可以为与各障碍物外切的最小长方体,也可以是与各障碍物的外表面贴近的不规则曲面。可以理解的是,上述第一标注结果中包括对各障碍物的识别结果,例如点云数据中包括车辆、行人以及树木,则第一标注结果中也包括表示不同障碍物的标号或文字,如1代表车辆、2代表行人、3代表树木等。
步骤103,利用预设的图像识别模型识别图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果。
本实施例中,上述预设的图像识别模型可以是各种预先训练的能够识别图像数据中的障碍物的算法,例如可以是卷积神经网络。在利用上述图像识别模型识别图像数据中的障碍物后,可以利用障碍物的最小外切矩形或障碍物的边界来标注上述障碍物,得到第二标注结果。可以理解的是,上述第二标注结果中包括对各障碍物的识别结果,例如图像数据中包括车辆、行人以及树木,则第二标注结果中也包括表示不同障碍物的标号或文字,如1代表车辆、2代表行人、3代表树木等。
步骤104,对比第一标注结果与第二标注结果,检测二者是否相同。
在利用上述点云识别模型识别并标注出点云数据中的障碍物以及利用上述图像识别模型识别并标注出图像数据中的障碍物后,可以将两个标注结果进行对比,以检测上述两个标注结果是否相同。
步骤105,响应于二者不同,确定第一标注结果与第二标注结果中正确的标注结果,并输出正确的标注结果。
本实施例中,行车电脑或车载终端可以利用各种方法确定出第一标注结果与第二标注结果中正确的标注结果。例如,行车电脑或车载终端可以将获取到的点云数据或图像数据发送给多个人工标注的终端,并把人工标注结果作为标准,然后将人工标注结果分别与上述第一标注结果和第二标注结果比较,从而可以确定第一标注结果与第二标注结果中正确的标注结果;或者,行车电脑或车载终端利用其他的算法识别点云数据中的障碍物和图像数据中的障碍物,然后分别与第一标注结果和第二标注结果对比,从而可以确定第一标注结果与第二标注结果中正确的标注结果。在确定出正确的标注结果后,行车电脑或车载终端可以将上述正确的标注结果输出。
继续参见图2,图2是根据本实施例的用于车辆的障碍物识别方法的应用场景的一个示意图。在图2的应用场景中,车辆201上安装有摄像机202、激光雷达传感器203以及车载终端204。摄像机202采集车辆201前方的图像数据,激光雷达传感器203采集车辆201前方的点云数据。点云数据经点云识别模型识别并标注后得到第一标注结果,图像数据经图像识别模型识别并标注后得到第二标注结果。车载终端204确定第一标注结果和第二标注结果中正确的标注结果,并输出正确的标注结果。
本申请的上述实施例提供的用于车辆的障碍物识别方法,利用激光雷达传感器获取目标区域的点云数据、利用图像采集装置获取目标区域的图像数据,然后分别利用预设的点云识别模型识别点云数据中的障碍物,利用预设的图像识别模型识别图像数据中的障碍物,并分别把识别出的障碍物标注出来,得到第一标注结果和第二标注结果,然后对比第一标注结果和第二标注结果,在二者不同时,确定二者中正确的一个,然后将正确的标注结果输出,本申请的上述方法不仅实现了快速准确的识别正确的标注结果,并且全程无需人工标注,有效地提高了标注效率。
在本实施例的一些可选的实现方式中,上述用于车辆的障碍物识别方法还可以包括图1中未示出的以下至少一项:
响应于第一标注结果正确,基于第一标注结果修正第二标注结果,并利用修正后的第二标注结果重新训练图像识别模型。
响应于第二标注结果正确,基于第二标注结果修正第一标注结果,并利用修正后的第一标注结果重新训练点云识别模型。
本实现方式中,在检测出正确的标注结果后,可以基于正确的标注结果修正错误的标注结果,然后利用修正后的标注结果重新训练得到错误的标注结果的模型,这样可以不断增大图像识别模型或点云识别模型的标注结果的正确率,实现了对图像识别模型或点云识别模型的升级。
图3示出了根据本申请的用于车辆的障碍物识别方法的确定第一标注结果和第二标注结果中正确的标注结果的方法的一个实施例的流程图300。本实施例的确定第一标注结果和第二标注结果中正确的标注结果的方法包括以下步骤:
步骤301,确定第一标注结果与第二标注结果的不同之处。
在行车电脑或车载终端对比第一标注结果与第二标注结果,检测到二者存在不同之处时,首先确定二者的不同之处。上述不同之处可以包括:标注出的障碍物的数量不同、同一障碍物的标注结果不同。具体的,标注出的障碍物的数量不同可以表现为点云识别模型或图像识别模型未识别出某一障碍物;同一障碍物的标注结果不同可以表现为点云识别模型对某一障碍物的标注结果为车辆,图像识别模型对此障碍物的标注结果为行人。
步骤302,确定同一不同之处在第一标注结果中指示的第一障碍物。
根据上述不同之处,确定在第一标注结果中指示的第一障碍物。以同一障碍物的标注结果不同为例,上述不同之处在第一标注结果中指示的第一障碍物为车辆,在第二标注结果中指示的第二障碍物为行人。
步骤303,确定第一标注结果中,第一障碍物的三维坐标集合确定的标注体积。
由于点云数据中可以确定各障碍物的三维坐标,因此可以根据各障碍物的三维坐标确定各障碍物的体积。在第一标注结果中,可以确定各障碍物的标注体积。
步骤304,确定第一标注结果中,第一障碍物与激光雷达传感器之间的第一距离。
由于点云数据中包含了各障碍物的三维坐标,则根据各障碍物的三维坐标以及激光雷达传感器的安装位置,可以确定第一障碍物与激光雷达传感器之间的第一距离。可以理解的是,在确定上述第一距离时,可以先计算出第一障碍物的各个三维坐标与激光雷达传感器之间的距离,然后计算各距离的平均值,并将此平均值作为第一障碍物与激光雷达传感器之间的第一距离;还可以选取计算得到的各距离中最小的距离作为第一距离。
步骤305,根据第一标注结果、第一距离,确定第一障碍物在点云数据中的期望体积范围。
行车电脑或车载终端可以根据第一标注结果中对第一障碍物的标注,结合第一障碍物与激光雷达传感器之间的第一距离,计算出第一障碍物的合适的体积范围。以第一障碍物为小型汽车为例,假设车辆距离雷达传感器的距离为l1米,考虑到不同车型的小型汽车的大小不同,行车电脑或车载终端可以计算出小型汽车的体积应在V1~V2立方米之间,则期望体积范围为V1~V2立方米。
步骤306,响应于标注体积位于期望体积范围之外,确定第一标注结果错误。
当第一障碍物的标注体积位于上述期望体积范围之外时,则认定对第一障碍物的标注结果不合理,认定第一标注结果错误。
同时,在步骤301之后,行车电脑或车载终端还可以同时执行步骤312。
步骤312,确定同一不同之处在第二标注结果中指示的第二障碍物。
以同一障碍物的标注结果不同为例,上述不同之处在第一标注结果中指示的第一障碍物为车辆,在第二标注结果中指示的第二障碍物为行人。
步骤313,确定第二障碍物在第二标注结果中所覆盖的标注像素面积。
图像数据中的各障碍物应覆盖一定的像素面积,本实施例中,确定在对各障碍物的标注框包括的范围所覆盖的标注像素面积。上述标注像素面积可以以一个数值来表示,也可以以长与宽乘积的形式来表示。例如,当标注框为矩形框时,上述标注像素面积可以为900,也可以为30×30。
步骤314,根据第一距离、激光雷达传感器与图像采集装置之间的校准参数,确定第二障碍物与图像采集装置之间的第二距离。
由于激光雷达传感器与图像采集装置已校准,因此可以根据校准参数确定二者之间的相对位置,如距离、角度等。又已知同一障碍物与激光雷达传感器之间的第一距离,则根据第一距离和上述校准参数可以确定上述第二障碍物与图像采集装置之间的第二距离。
步骤315,根据第二标注结果、第二距离,确定第二障碍物在图像数据中的期望像素面积范围。
行车电脑或车载终端可以根据第二标注结果对第二障碍物的标注,结合第二障碍物与图像采集装置之间的第二距离,计算出第二障碍物的合适的像素面积范围。以第二障碍物为行人为例,假设行人与图像采集装置的距离为l1米,考虑到不同的行人的高矮胖瘦不同,行车电脑或车载终端可以计算出行人的像素面积应在S1~S2之间,则期望像素面积范围为S1~S2。
步骤316,响应于标注像素面积位于期望像素面积范围之外,确定第二标注结果错误。
当第二障碍物的标注像素面积位于期望像素面积范围之外时,则认定对第二障碍物的标注结果不合理,认定第二标注结果错误。
本申请的上述实施例提供的用于车辆的障碍物识别方法,通过确定同一不同之处在第一标注结果中指示的第一障碍物和在第二标注结果中指示的第二障碍物,然后确定第一障碍物与激光雷达传感器之间的第一距离、第二障碍物与图像采集装置之间的第二距离,基于上述距离和标注结果分别确定期望体积范围和期望像素面积范围,然后确定第一标注结果、第二标注结果是否错误。可以直接根据标注结果判断两个标注结果的合理性,使用的资源较少,处理速度较快。
图4示出了根据本申请的用于车辆的障碍物识别方法的确定第一标注结果和第二标注结果中正确的标注结果的方法的另一个实施例的流程图400。本实施例的确定第一标注结果和第二标注结果中正确的标注结果的方法包括步骤401~410。其中,步骤401~405与图3所示实施例的步骤301~305完全相同,步骤402’~405’与图3所示实施例的步骤311~315完全相同,此处不再赘述。
步骤406,检测标注体积是否位于期望体积范围之内并且标注像素面积是否位于期望像素面积范围之内。
如果二者均满足,则执行步骤407。
步骤407,确定点云数据中,第一障碍物的三维坐标集合确定的实际体积。
本实施例中,行车电脑或车载终端可以直接根据激光雷达传感器获取到的点云数据,确定上述第一障碍物的实际三维数据,因而可以确定第一障碍物的实际体积。
步骤408,将实际体积投影到图像数据中,得到与实际体积对应的期望像素面积。
本实施例中,行车电脑或车载终端可以对点云数据中的第一障碍物所占的三维体积即上述实际体积进行降维或向图像数据投影处理,得到与实际体积对应的期望像素面积。可以理解的是,在进行降维或向图像数据投影处理时,需要依据激光雷达传感器和图像采集装置之间的校准参数。
步骤409,检测标注像素面积是否等于期望像素面积。
如果是,则执行步骤410,否则执行步骤410’。
步骤410,认定第二标注结果正确。
如果标注像素面积等于期望像素面积,则说明图像识别模型的标注结果与其所覆盖的像素面积处于合理的范围内,同时,激光雷达传感器采集到的原始点云数据中的障碍物的实际体积向图像数据的投影与标注像素面积相等,则图像识别模型得到的第二标注结果是正确的。
步骤410’,认定第一标注结果正确。
相反的,如果标注像素面积不等于期望像素面积,则说明图像识别模型的标注结果与其所覆盖的像素面积虽然处于合理的范围内,但与激光雷达传感器采集到的原始点云数据中的障碍物的实际体积向图像数据的投影与标注像素面积不同,这种情况认定点云识别模型得到的第一标注结果是正确的。
举例来说,点云数据中包含一辆小型汽车,图像数据中也包括这辆小型汽车,但图像识别模型在识别时发生错误,未能识别出此小型汽车,而是将此小型汽车识别成行人,且其标注时只标注了此小型汽车的挡风玻璃,得到的标注框覆盖的标注像素面积处于期望像素面积范围内。
行车电脑或车载终端在执行完成上述步骤407和步骤408后,得到的期望像素面积是整个小型汽车在图像数据中覆盖的像素面积,大于上述标注像素面积,此时判定图像识别模型得到的第二标注结果是错误的。
同时,本实施例中,还可以在步骤407之后执行步骤408’,实现对第一标注结果和第二标注结果的判定。
步骤408’,检测标注体积是否等于实际体积。
在得到点云数据中第一障碍物的实际体积后,还可以将上述实际体积与标注体积直接进行对比,检测二者是否相等。在相等时,执行步骤410’,否则执行步骤410。
在本实施例的一些可选的实现方式中,当第一标注结果与第二标注结果的不同之处在于对于某一障碍物,点云识别模型或图像识别模型中的一个标注出此障碍物,另一个未标注出此障碍物时,可以通过以下步骤确定第一标注结果与第二标注结果中正确的标注结果:
对比第一标注结果与第二标注结果,确定第一标注结果或第二标注结果中漏标的各障碍物;对于漏标的每个障碍物,检测上述点云数据中是否存在上述漏标的障碍物的点云数据,如果存在,则确定漏标此障碍物的标注结果错误。
本实现方式,可以快速的检测出第一标注结果与第二标注结果中漏标的各障碍物,从而提高了确定正确的标注结果的效率。
在本实施例的一些可选的实现方式中,当检测到第一标注结果与第二标注结果均相同时,说明二者都正确或者出现了相同的标注错误,此时,行车电脑或车载终端可以从第一标注结果或第二标注结果中随机选取几个障碍物进行验证检测;根据验证检测结果,确定第一标注结果与第二标注结果的正确性。
本实现方式中,在进行验证检测时,可以执行步骤403~步骤410来确定对所选取的障碍物的标注是否正确。
在本实施例的一些可选的实现方式中,当检测到第一标注结果与第二标注结果均正确时,可以为第一标注结果与第二标注结果设置“可信”标签,然后将第一标注结果与第二标注结果存储,以备后续利用两个标注结果训练其它识别模型。
本申请的上述实施例提供的用于车辆的障碍物识别方法,相比于图3所示的实施例,有效地提高了对两个标注结果检测的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于车辆的障碍物识别装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。本实施例的车辆包括校准后的激光雷达传感器和图像采集装置。
如图5所示,本实施例的用于车辆的障碍物识别装置500包括:获取单元501、第一标注单元502、第二标注单元503、检测单元504及输出单元505。
获取单元501,用于利用激光雷达传感器获取目标区域的点云数据以及利用图像采集装置获取目标区域的图像数据。
第一标注单元502,用于利用预设的点云识别模型识别获取单元501获取的点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果。
第二标注单元503,用于利用预设的图像识别模型识别获取单元501获取的图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果。
检测单元504,用于对比第一标注单元502得到的第一标注结果与第二标注单元503得到的第二标注结果,检测二者是否相同。
输出单元505,用于响应于二者不同,确定第一标注结果与第二标注结果中正确的标注结果,并输出正确的标注结果。
本申请的上述实施例提供的用于车辆的障碍物识别装置,获取单元利用激光雷达传感器获取目标区域的点云数据、利用图像采集装置获取目标区域的图像数据,然后第一标注单元利用预设的点云识别模型识别点云数据中的障碍物,第二标注单元利用预设的图像识别模型识别图像数据中的障碍物,并分别把识别出的障碍物标注出来,得到第一标注结果和第二标注结果,然后检测单元对比第一标注结果和第二标注结果,在二者不同时,输出单元确定二者中正确的一个,然后将正确的标注结果输出,不仅实现了快速准确的识别正确的标注结果,并且全程无需人工标注,有效地提高了标注效率。
在本实施例的一些可选的实现方式中,上述输出单元505还可以包括图5中未示出的第一确定模块、障碍物确定模块、标注体积确定模块、期望体积范围确定模块以及第一结果确定模块。
其中,第一确定模块,用于确定第一标注单元502得到的第一标注结果与第二标注单元503得到的第二标注结果的不同之处。
障碍物确定模块,用于确定同一不同之处在第一标注结果中指示的第一障碍物和在第二标注结果中指示的第二障碍物。
标注体积确定模块,用于确定第一标注结果中,第一障碍物的三维坐标集合确定的标注体积以及第一障碍物与激光雷达传感器之间的第一距离。
期望体积范围确定模块,用于根据第一标注结果、第一距离,确定第一障碍物在点云数据中的期望体积范围。
第一结果确定模块,用于响应于标注体积位于期望体积范围之外,确定第一标注结果错误。
在本实施例的一些可选的实现方式中,上述输出单元505还可以包括图5中未示出的标注像素面积确定模块、第二距离确定模块、期望像素面积范围确定模块以及第二结果确定模块。
标注像素面积确定模块,用于确定第二障碍物在第二标注结果中所覆盖的标注像素面积。
第二距离确定模块,用于根据第一距离、激光雷达传感器与图像采集装置之间的校准参数,确定第二障碍物与图像采集装置之间的第二距离。
期望像素面积范围确定模块,用于根据第二标注结果、第二距离,确定第二障碍物在图像数据中的期望像素面积范围。
第二结果确定模块,用于响应于标注像素面积位于期望像素面积范围之外,确定第二标注结果错误。
在本实施例的一些可选的实现方式中,上述输出单元505还可以包括图5中未示出的第二确定模块,用于响应于标注体积位于期望体积范围之内并且标注像素面积位于期望像素面积范围之内,则执行以下步骤:确定点云数据中,第一障碍物的三维坐标集合确定的实际体积;将实际体积投影到图像数据中,得到与实际体积对应的期望像素面积;检测标注像素面积是否等于期望像素面积;如果检测到标注像素面积不等于期望像素面积,认定第一标注结果正确。
在本实施例的一些可选的实现方式中,上述第二确定模块还可以进一步用于:如果检测到第二像素面积等于期望像素面积,认定第二标注结果正确。
在本实施例的一些可选的实现方式中,上述第二确定模块还可以进一步用于:检测标注体积是否等于实际体积;如果检测到标注体积等于实际体积,认定第一标注结果正确。
在本实施例的一些可选的实现方式中,上述第二确定模块还可以进一步用于:如果检测到标注体积不等于实际体积,认定第二标注结果正确。
在本实施例的一些可选的实现方式中,用于车辆的障碍物识别装置500还可以包括图5中未示出的第一修正单元和第二修正单元。
第一修正单元,用于响应于第一标注结果正确,基于第一标注结果修正第二标注结果,并利用修正后的第二标注结果重新训练图像识别模型。
第二修正单元,用于响应于第二标注结果正确,基于第二标注结果修正第一标注结果,并利用修正后的第一标注结果重新训练点云识别模型。
应当理解,用于车辆的障碍物识别装置500中记载的单元501至单元505分别与参考图1中描述的方法中的各个步骤相对应。由此,上文针对用于车辆的障碍物识别方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。装置500的相应单元可以与服务器中的单元相互配合以实现本申请实施例的方案。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统600的结构示意图。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一标注单元、第二标注单元、检测单元及输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“利用激光雷达传感器获取目标区域的点云数据以及利用图像采集装置获取目标区域的图像数据的单元”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:利用所述激光雷达传感器获取目标区域的点云数据以及利用所述图像采集装置获取所述目标区域的图像数据;利用预设的点云识别模型识别所述点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果;利用预设的图像识别模型识别所述图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果;对比所述第一标注结果与所述第二标注结果,检测二者是否相同;响应于二者不同,确定所述第一标注结果与所述第二标注结果中正确的标注结果,并输出所述正确的标注结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于车辆的障碍物识别方法,其特征在于,所述车辆包括校准后的激光雷达传感器和图像采集装置,所述方法包括:
利用所述激光雷达传感器获取目标区域的点云数据以及利用所述图像采集装置获取所述目标区域的图像数据;
利用预设的点云识别模型识别所述点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果;
利用预设的图像识别模型识别所述图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果;
对比所述第一标注结果与所述第二标注结果,检测二者是否相同;
响应于二者不同,确定所述第一标注结果与所述第二标注结果中正确的标注结果,并输出所述正确的标注结果;
所述方法还包括:
基于正确的标注结果修正错误的标注结果,并利用修正后的标注结果重新训练得出错误的标注结果的模型。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:
确定所述第一标注结果与所述第二标注结果的不同之处;
确定同一所述不同之处在所述第一标注结果中指示的第一障碍物和在所述第二标注结果中指示的第二障碍物;
确定所述第一标注结果中,所述第一障碍物的三维坐标集合确定的标注体积以及所述第一障碍物与所述激光雷达传感器之间的第一距离;
根据所述第一标注结果、所述第一距离,确定所述第一障碍物在所述点云数据中的期望体积范围;
响应于所述标注体积位于所述期望体积范围之外,确定所述第一标注结果错误。
3.根据权利要求2所述的方法,其特征在于,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:
确定所述第二障碍物在所述第二标注结果中所覆盖的标注像素面积;
根据所述第一距离、所述激光雷达传感器与所述图像采集装置之间的校准参数,确定所述第二障碍物与所述图像采集装置之间的第二距离;
根据所述第二标注结果、所述第二距离,确定所述第二障碍物在所述图像数据中的期望像素面积范围;
响应于所述标注像素面积位于所述期望像素面积范围之外,确定所述第二标注结果错误。
4.根据权利要求3所述的方法,其特征在于,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:
响应于所述标注体积位于所述期望体积范围之内并且所述标注像素面积位于所述期望像素面积范围之内,则执行以下步骤:确定所述点云数据中,所述第一障碍物的三维坐标集合确定的实际体积;将所述实际体积投影到所述图像数据中,得到与所述实际体积对应的期望像素面积;检测所述标注像素面积是否等于所述期望像素面积;如果检测到所述标注像素面积不等于所述期望像素面积,认定所述第一标注结果正确。
5.根据权利要求4所述的方法,其特征在于,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:
如果检测到所述标注像素面积等于所述期望像素面积,认定所述第二标注结果正确。
6.根据权利要求4所述的方法,其特征在于,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:
检测所述标注体积是否等于所述实际体积;
如果检测到所述标注体积等于所述实际体积,认定所述第一标注结果正确。
7.根据权利要求4所述的方法,其特征在于,所述确定所述第一标注结果与所述第二标注结果中正确的标注结果,包括:
如果检测到所述标注体积不等于所述实际体积,认定所述第二标注结果正确。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述方法还包括以下至少一项:
响应于所述第一标注结果正确,基于所述第一标注结果修正所述第二标注结果,并利用修正后的第二标注结果重新训练所述图像识别模型;
响应于所述第二标注结果正确,基于所述第二标注结果修正所述第一标注结果,并利用修正后的第一标注结果重新训练所述点云识别模型。
9.一种用于车辆的障碍物识别装置,其特征在于,所述车辆包括校准后的激光雷达传感器和图像采集装置,所述装置包括:
获取单元,用于利用所述激光雷达传感器获取目标区域的点云数据以及利用所述图像采集装置获取所述目标区域的图像数据;
第一标注单元,用于利用预设的点云识别模型识别所述点云数据中的障碍物信息,并对识别结果进行标注,得到第一标注结果;
第二标注单元,用于利用预设的图像识别模型识别所述图像数据中的障碍物信息,并对识别结果进行标注,得到第二标注结果;
检测单元,用于对比所述第一标注结果与所述第二标注结果,检测二者是否相同;
输出单元,用于响应于二者不同,确定所述第一标注结果与所述第二标注结果中正确的标注结果,并输出所述正确的标注结果;
所述装置还包括执行以下操作的单元:
基于正确的标注结果修正错误的标注结果,并利用修正后的标注结果重新训练得出错误的标注结果的模型。
10.根据权利要求9所述的装置,其特征在于,所述输出单元包括:
第一确定模块,用于确定所述第一标注结果与所述第二标注结果的不同之处;
障碍物确定模块,用于确定同一所述不同之处在所述第一标注结果中指示的第一障碍物和在所述第二标注结果中指示的第二障碍物;
标注体积确定模块,用于确定所述第一标注结果中,所述第一障碍物的三维坐标集合确定的标注体积以及所述第一障碍物与所述激光雷达传感器之间的第一距离;
期望体积范围确定模块,用于根据所述第一标注结果、所述第一距离,确定所述第一障碍物在所述点云数据中的期望体积范围;
第一结果确定模块,用于响应于所述标注体积位于所述期望体积范围之外,确定所述第一标注结果错误。
11.根据权利要求10所述的装置,其特征在于,所述输出单元包括:
标注像素面积确定模块,用于确定所述第二障碍物在所述第二标注结果中所覆盖的标注像素面积;
第二距离确定模块,用于根据所述第一距离、所述激光雷达传感器与所述图像采集装置之间的校准参数,确定所述第二障碍物与所述图像采集装置之间的第二距离;
期望像素面积范围确定模块,用于根据所述第二标注结果、所述第二距离,确定所述第二障碍物在所述图像数据中的期望像素面积范围;
第二结果确定模块,用于响应于所述标注像素面积位于所述期望像素面积范围之外,确定所述第二标注结果错误。
12.根据权利要求11所述的装置,其特征在于,所述输出单元包括:
第二确定模块,用于响应于所述标注体积位于所述期望体积范围之内并且所述标注像素面积位于所述期望像素面积范围之内,则执行以下步骤:确定所述点云数据中,所述第一障碍物的三维坐标集合确定的实际体积;将所述实际体积投影到所述图像数据中,得到与所述实际体积对应的期望像素面积;检测所述标注像素面积是否等于所述期望像素面积;如果检测到所述标注像素面积不等于所述期望像素面积,认定所述第一标注结果正确。
13.根据权利要求12所述的装置,其特征在于,所述第二确定模块进一步用于:
如果检测到所述标注像素面积等于所述期望像素面积,认定所述第二标注结果正确。
14.根据权利要求12所述的装置,其特征在于,所述第二确定模块进一步用于:
检测所述标注体积是否等于所述实际体积;
如果检测到所述标注体积等于所述实际体积,认定所述第一标注结果正确。
15.根据权利要求14所述的装置,其特征在于,所述第二确定模块进一步用于:
如果检测到所述标注体积不等于所述实际体积,认定所述第二标注结果正确。
16.根据权利要求9-15任一项所述的装置,其特征在于,所述装置还包括以下至少一项:
第一修正单元,用于响应于所述第一标注结果正确,基于所述第一标注结果修正所述第二标注结果,并利用修正后的第二标注结果重新训练所述图像识别模型;
第二修正单元,用于响应于所述第二标注结果正确,基于所述第二标注结果修正所述第一标注结果,并利用修正后的第一标注结果重新训练所述点云识别模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611088130.0A CN106707293B (zh) | 2016-12-01 | 2016-12-01 | 用于车辆的障碍物识别方法和装置 |
US15/605,810 US10229332B2 (en) | 2016-12-01 | 2017-05-25 | Method and apparatus for recognizing obstacle of vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611088130.0A CN106707293B (zh) | 2016-12-01 | 2016-12-01 | 用于车辆的障碍物识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106707293A CN106707293A (zh) | 2017-05-24 |
CN106707293B true CN106707293B (zh) | 2019-10-29 |
Family
ID=58935477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611088130.0A Active CN106707293B (zh) | 2016-12-01 | 2016-12-01 | 用于车辆的障碍物识别方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10229332B2 (zh) |
CN (1) | CN106707293B (zh) |
Families Citing this family (87)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108342B (zh) * | 2016-12-30 | 2023-08-15 | 辉达公司 | 用于高清地图创建的视觉测程法和成对对准 |
CN107093210B (zh) * | 2017-04-20 | 2021-07-16 | 北京图森智途科技有限公司 | 一种激光点云标注方法及装置 |
CN108700665A (zh) * | 2017-06-01 | 2018-10-23 | 深圳市大疆创新科技有限公司 | 一种基于激光雷达的检测方法、装置及探测设备 |
CN109145680B (zh) * | 2017-06-16 | 2022-05-27 | 阿波罗智能技术(北京)有限公司 | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 |
CN109116374B (zh) * | 2017-06-23 | 2021-08-17 | 百度在线网络技术(北京)有限公司 | 确定障碍物距离的方法、装置、设备及存储介质 |
US10474161B2 (en) * | 2017-07-03 | 2019-11-12 | Baidu Usa Llc | High resolution 3D point clouds generation from upsampled low resolution lidar 3D point clouds and camera images |
CN107388967B (zh) * | 2017-08-14 | 2019-11-12 | 上海汽车集团股份有限公司 | 一种车载三维激光传感器的外参数补偿方法及装置 |
EP3460506A1 (en) * | 2017-09-25 | 2019-03-27 | Aptiv Technologies Limited | Method for monitoring the performance range of an automotive radar system |
US20190100146A1 (en) * | 2017-10-02 | 2019-04-04 | Hua-Chuang Automobile Information Technical Center Co., Ltd. | Three-dimensional driving image reminder device |
CN109840448A (zh) * | 2017-11-24 | 2019-06-04 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的信息输出方法和装置 |
CN108226894A (zh) * | 2017-11-29 | 2018-06-29 | 北京数字绿土科技有限公司 | 一种点云数据处理方法及装置 |
CN109903308B (zh) * | 2017-12-08 | 2021-02-26 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN108318895B (zh) * | 2017-12-19 | 2020-02-07 | 深圳市海梁科技有限公司 | 用于无人驾驶车辆的障碍物识别方法、装置及终端设备 |
CN108053407B (zh) * | 2017-12-22 | 2021-04-13 | 联想(北京)有限公司 | 数据处理方法及数据处理系统 |
US11328210B2 (en) | 2017-12-29 | 2022-05-10 | Micron Technology, Inc. | Self-learning in distributed architecture for enhancing artificial neural network |
CN108875528B (zh) * | 2018-01-08 | 2021-01-29 | 北京旷视科技有限公司 | 一种人脸形状点定位方法及装置、存储介质 |
CN108415032B (zh) * | 2018-03-05 | 2021-06-25 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
GB2571733B (en) | 2018-03-06 | 2020-08-12 | Univ Cape Town | Object identification in data relating to signals that are not human perceptible |
US10522038B2 (en) * | 2018-04-19 | 2019-12-31 | Micron Technology, Inc. | Systems and methods for automatically warning nearby vehicles of potential hazards |
CN108960046A (zh) | 2018-05-23 | 2018-12-07 | 北京图森未来科技有限公司 | 一种训练数据采样方法及其装置、计算机服务器 |
CN108710367B (zh) * | 2018-05-23 | 2022-02-11 | 广州视源电子科技股份有限公司 | 激光数据识别方法、装置、机器人及存储介质 |
CN108960232A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
SG11201811410RA (en) * | 2018-06-25 | 2020-01-30 | Beijing Didi Infinity Technology & Development Co Ltd | Integrated sensor calibration in natural scenes |
CN109283538B (zh) * | 2018-07-13 | 2023-06-13 | 上海大学 | 一种基于视觉和激光传感器数据融合的海上目标大小检测方法 |
CN108725318B (zh) * | 2018-07-28 | 2020-11-24 | 惠州华阳通用电子有限公司 | 汽车安全预警方法、装置及计算机可读存储介质 |
CN110378360B (zh) * | 2018-08-01 | 2021-10-15 | 北京京东尚科信息技术有限公司 | 目标标定方法、装置、电子设备及可读存储介质 |
US11449067B1 (en) * | 2018-08-03 | 2022-09-20 | GM Global Technology Operations LLC | Conflict resolver for a lidar data segmentation system of an autonomous vehicle |
US10962980B2 (en) * | 2018-08-30 | 2021-03-30 | Ford Global Technologies, Llc | System and methods for reverse braking during automated hitch alignment |
CN109345510A (zh) | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
CN109215136B (zh) | 2018-09-07 | 2020-03-20 | 百度在线网络技术(北京)有限公司 | 一种真实数据增强方法、装置以及终端 |
CN109145489B (zh) | 2018-09-07 | 2020-01-17 | 百度在线网络技术(北京)有限公司 | 一种基于概率图的障碍物分布仿真方法、装置以及终端 |
CN109146898B (zh) * | 2018-09-07 | 2020-07-24 | 百度在线网络技术(北京)有限公司 | 一种仿真数据量增强方法、装置以及终端 |
CN110969174B (zh) * | 2018-09-29 | 2023-09-08 | 深圳市布谷鸟科技有限公司 | 一种基于激光雷达的目标识别方法、装置及系统 |
CN110147706B (zh) * | 2018-10-24 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 障碍物的识别方法和装置、存储介质、电子装置 |
CN111199087A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术(北京)有限公司 | 场景识别方法和装置 |
CN109614886B (zh) * | 2018-11-23 | 2022-06-24 | 中国人民解放军63966部队 | 一种无人/自主驾驶系统的性能评测方法及装置 |
CN111238494B (zh) | 2018-11-29 | 2022-07-19 | 财团法人工业技术研究院 | 载具、载具定位系统及载具定位方法 |
CN109635868B (zh) * | 2018-12-10 | 2021-07-20 | 百度在线网络技术(北京)有限公司 | 障碍物类别的确定方法、装置、电子设备及存储介质 |
CN116068557A (zh) * | 2018-12-29 | 2023-05-05 | 百度在线网络技术(北京)有限公司 | 基于雷达的车辆位置检测方法、装置和计算机设备 |
CN113753081A (zh) * | 2019-01-15 | 2021-12-07 | 北京百度网讯科技有限公司 | 一种激光雷达路侧盲区交通参与者避让方法和装置 |
US11410475B2 (en) | 2019-01-31 | 2022-08-09 | Micron Technology, Inc. | Autonomous vehicle data recorders |
US11373466B2 (en) | 2019-01-31 | 2022-06-28 | Micron Technology, Inc. | Data recorders of autonomous vehicles |
CN109948448B (zh) * | 2019-02-20 | 2021-03-12 | 苏州风图智能科技有限公司 | 用于3d障碍物的检测方法、装置、系统及计算机存储介质 |
CN109934141B (zh) * | 2019-03-01 | 2021-05-04 | 北京百度网讯科技有限公司 | 用于标注数据的方法和装置 |
JP7205613B2 (ja) * | 2019-03-07 | 2023-01-17 | 日本電気株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN109978955B (zh) * | 2019-03-11 | 2021-03-19 | 武汉环宇智行科技有限公司 | 一种联合激光点云与图像的高效标注方法 |
CN109948683B (zh) * | 2019-03-12 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 点云数据的难易度划分方法、装置及其相关设备 |
CN109946703B (zh) * | 2019-04-10 | 2021-09-28 | 北京小马智行科技有限公司 | 一种传感器姿态调整方法及装置 |
CN110046569B (zh) * | 2019-04-12 | 2022-04-12 | 北京百度网讯科技有限公司 | 一种无人驾驶数据处理方法、装置及电子设备 |
US11170485B2 (en) * | 2019-05-22 | 2021-11-09 | Here Global B.V. | Method, apparatus, and system for automatic quality assessment of cross view feature correspondences using bundle adjustment techniques |
CN110263652B (zh) * | 2019-05-23 | 2021-08-03 | 杭州飞步科技有限公司 | 激光点云数据识别方法及装置 |
US11619724B2 (en) * | 2019-06-26 | 2023-04-04 | Nvidia Corporation | Calibration of multiple lidars mounted on a vehicle using localization based on a high definition map |
CN110473568B (zh) * | 2019-08-08 | 2022-01-07 | Oppo广东移动通信有限公司 | 场景识别方法、装置、存储介质及电子设备 |
US11755884B2 (en) | 2019-08-20 | 2023-09-12 | Micron Technology, Inc. | Distributed machine learning with privacy protection |
US11392796B2 (en) | 2019-08-20 | 2022-07-19 | Micron Technology, Inc. | Feature dictionary for bandwidth enhancement |
US11636334B2 (en) | 2019-08-20 | 2023-04-25 | Micron Technology, Inc. | Machine learning with feature obfuscation |
CN112630799B (zh) * | 2019-09-24 | 2022-11-29 | 阿波罗智能技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110807439B (zh) * | 2019-11-12 | 2022-11-25 | 银河水滴科技(北京)有限公司 | 检测障碍物的方法及装置 |
CN111078908B (zh) * | 2019-11-28 | 2023-06-09 | 北京云聚智慧科技有限公司 | 一种数据标注的检测方法和装置 |
CN111125442B (zh) * | 2019-12-11 | 2022-11-15 | 苏州智加科技有限公司 | 数据标注方法及装置 |
CN111290386B (zh) * | 2020-02-20 | 2023-08-04 | 北京小马慧行科技有限公司 | 路径规划方法及装置、运载工具 |
CN111338344A (zh) * | 2020-02-28 | 2020-06-26 | 北京小马慧行科技有限公司 | 车辆的控制方法及装置、运载工具 |
CN111401194B (zh) * | 2020-03-10 | 2023-09-22 | 北京百度网讯科技有限公司 | 用于自动驾驶车辆的数据处理方法和装置 |
CN111401423B (zh) * | 2020-03-10 | 2023-05-26 | 北京百度网讯科技有限公司 | 用于自动驾驶车辆的数据处理方法和装置 |
CN113496163B (zh) * | 2020-04-01 | 2024-01-16 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
CN111429512B (zh) * | 2020-04-22 | 2023-08-25 | 北京小马慧行科技有限公司 | 图像处理方法和装置、存储介质及处理器 |
CN111859862B (zh) * | 2020-07-22 | 2024-03-22 | 海尔优家智能科技(北京)有限公司 | 文本的数据标注方法和装置、存储介质及电子装置 |
CN111951330A (zh) * | 2020-08-27 | 2020-11-17 | 北京小马慧行科技有限公司 | 标注的更新方法、装置、存储介质、处理器以及运载工具 |
CN112034488B (zh) * | 2020-08-28 | 2023-05-02 | 京东科技信息技术有限公司 | 目标物体自动标注方法与装置 |
CN112101282B (zh) * | 2020-09-25 | 2024-04-26 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
CN112269379B (zh) * | 2020-10-14 | 2024-02-27 | 北京石头创新科技有限公司 | 障碍物识别信息反馈方法 |
CN112132115B (zh) * | 2020-10-26 | 2023-11-28 | 北京罗克维尔斯科技有限公司 | 一种图像筛选方法及装置 |
CN112487868A (zh) * | 2020-11-04 | 2021-03-12 | 西人马帝言(北京)科技有限公司 | 一种物体识别方法、装置、设备及存储介质 |
CN112347953B (zh) * | 2020-11-11 | 2021-09-28 | 上海伯镭智能科技有限公司 | 无人驾驶车辆路况不规则障碍物的识别装置 |
CN114531580B (zh) * | 2020-11-23 | 2023-11-21 | 北京四维图新科技股份有限公司 | 图像处理方法及装置 |
CN112347986A (zh) * | 2020-11-30 | 2021-02-09 | 上海商汤临港智能科技有限公司 | 样本生成、神经网络训练、智能行驶控制方法及装置 |
CN112558046B (zh) * | 2020-12-07 | 2021-10-15 | 福建(泉州)哈工大工程技术研究院 | 一种具有多线激光雷达智能设备的下线验收方法 |
CN112541475B (zh) | 2020-12-24 | 2024-01-19 | 北京百度网讯科技有限公司 | 感知数据检测方法及装置 |
CN112776799A (zh) * | 2021-01-13 | 2021-05-11 | 北京小马慧行科技有限公司 | 车辆的控制方法、计算机可读存储介质、处理器和车辆 |
US11836990B2 (en) * | 2022-03-18 | 2023-12-05 | GM Global Technology Operations LLC | Methods and systems for two-phase camera to lidar alignment |
CN113126120B (zh) * | 2021-04-25 | 2023-08-25 | 北京百度网讯科技有限公司 | 数据标注方法、装置、设备、存储介质以及计算机程序产品 |
CN113223091B (zh) * | 2021-04-29 | 2023-01-24 | 达闼机器人股份有限公司 | 三维目标检测方法、抓取方法、装置及电子设备 |
CN113655494B (zh) * | 2021-07-27 | 2024-05-10 | 上海智能网联汽车技术中心有限公司 | 路侧相机与4d毫米波融合的目标检测方法、设备及介质 |
WO2023034665A1 (en) * | 2021-09-02 | 2023-03-09 | Canoo Technologies Inc. | Metamorphic labeling using aligned sensor data |
CN114863695B (zh) * | 2022-05-30 | 2023-04-18 | 中邮建技术有限公司 | 一种基于车载激光和摄像机的超标车辆检测系统和方法 |
CN116257273B (zh) * | 2023-02-21 | 2024-02-23 | 合众新能源汽车股份有限公司 | 一种障碍物检测模型的更新方法、终端及计算机存储介质 |
CN116853326B (zh) * | 2023-09-05 | 2023-11-28 | 山西云井数通智能科技有限公司 | 一种矿用轨道车辆无人驾驶控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622589A (zh) * | 2012-03-13 | 2012-08-01 | 辉路科技(北京)有限公司 | 一种基于gpu的多光谱人脸检测方法 |
US8306273B1 (en) * | 2009-12-28 | 2012-11-06 | Ball Aerospace & Technologies Corp. | Method and apparatus for LIDAR target identification and pose estimation |
CN102944224A (zh) * | 2012-11-09 | 2013-02-27 | 大连理工大学 | 一种无人驾驶车的自动环境感知系统及其工作方法 |
CN103577792A (zh) * | 2012-07-26 | 2014-02-12 | 北京三星通信技术研究有限公司 | 用于估计人体姿势的设备和方法 |
CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012004396A1 (de) * | 2012-03-03 | 2013-09-05 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Erfassen von Objekten in einer Umgebung eines Fahrzeugs |
-
2016
- 2016-12-01 CN CN201611088130.0A patent/CN106707293B/zh active Active
-
2017
- 2017-05-25 US US15/605,810 patent/US10229332B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8306273B1 (en) * | 2009-12-28 | 2012-11-06 | Ball Aerospace & Technologies Corp. | Method and apparatus for LIDAR target identification and pose estimation |
CN102622589A (zh) * | 2012-03-13 | 2012-08-01 | 辉路科技(北京)有限公司 | 一种基于gpu的多光谱人脸检测方法 |
CN103577792A (zh) * | 2012-07-26 | 2014-02-12 | 北京三星通信技术研究有限公司 | 用于估计人体姿势的设备和方法 |
CN102944224A (zh) * | 2012-11-09 | 2013-02-27 | 大连理工大学 | 一种无人驾驶车的自动环境感知系统及其工作方法 |
CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106707293A (zh) | 2017-05-24 |
US20180157920A1 (en) | 2018-06-07 |
US10229332B2 (en) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106707293B (zh) | 用于车辆的障碍物识别方法和装置 | |
CN106845547B (zh) | 一种基于摄像头的智能汽车定位与道路标识识别系统及方法 | |
US20180276241A1 (en) | System and method for telecom inventory management | |
CN110753892A (zh) | 在自动驾驶车辆中用于经由交叉模态验证的即时物体标记的方法和系统 | |
US10460208B1 (en) | System and method for generating large simulation data sets for testing an autonomous driver | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
CN110869559A (zh) | 用于自动驾驶车辆中的集成的全局式与分布式学习的方法和系统 | |
US20180189577A1 (en) | Systems and methods for lane-marker detection | |
CN107945198A (zh) | 用于标注点云数据的方法和装置 | |
EP4016457A1 (en) | Positioning method and apparatus | |
CN106980813A (zh) | 机器学习的注视生成 | |
CN109141347A (zh) | 车载摄像机测距方法及装置、存储介质和电子设备 | |
CN110222641B (zh) | 用于识别图像的方法和装置 | |
EP3843036B1 (en) | Sample labeling method and device, and damage category identification method and device | |
KR20210072048A (ko) | 증강 데이터로 기계 모델을 훈련하기 위한 시스템 및 방법 | |
CN112241784A (zh) | 训练生成模型和判别模型 | |
CN109815854B (zh) | 一种用于在用户设备上呈现图标的关联信息的方法与设备 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN109636842A (zh) | 车道线修正方法、装置、设备及存储介质 | |
CN111178357A (zh) | 车牌识别方法、系统、设备和存储介质 | |
CN109102026A (zh) | 一种车辆图像检测方法、装置及系统 | |
Rothmeier et al. | Performance evaluation of object detection algorithms under adverse weather conditions | |
CN112784639A (zh) | 路口检测、神经网络训练及智能行驶方法、装置和设备 | |
CN117237681A (zh) | 图像处理方法、装置及相关设备 | |
Moseva et al. | Development of a Platform for Road Infrastructure Digital Certification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |