CN110309741A - 障碍物检测方法及装置 - Google Patents
障碍物检测方法及装置 Download PDFInfo
- Publication number
- CN110309741A CN110309741A CN201910532194.2A CN201910532194A CN110309741A CN 110309741 A CN110309741 A CN 110309741A CN 201910532194 A CN201910532194 A CN 201910532194A CN 110309741 A CN110309741 A CN 110309741A
- Authority
- CN
- China
- Prior art keywords
- segment
- barrier
- signal reflex
- image
- reflex point
- 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.)
- Granted
Links
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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种障碍物检测方法及装置,该方法包括:获取待测方向的图像和超声波雷达针对待测方向的信号反射点;对图像进行障碍物识别,得到图像的障碍物标定框;确定信号反射点在图像中的投影点是否位于障碍物标定框内;若是,则确定信号反射点所在的位置存在障碍物。本发明提供的障碍物检测方法及装置,提高了障碍物的识别准确率。
Description
技术领域
本发明涉及目标识别领域,尤其涉及一种障碍物检测方法及装置。
背景技术
目前,随着智慧交通、无人物流等行业的蓬勃发展,无人驾驶得到越来越多的关注。障碍物检测是无人驾驶领域中的一个重要技术,准确的障碍物检测技术可以保证车辆及时准确的识别出障碍物,进行确保了无人驾驶的安全性。
现有技术中,障碍的物检测通常包括超声波检测方法和视觉检测方法。其中,超声波检测方法是通过超声波的信号反射点来确定待测方向中是否存在障碍物。视觉检测方法则通过深度学习技术识别出待测方向的图像,以此确定待测方向中是否存在障碍物。
然而,在采用超声波检测的方法中,超声波雷达发出的超声波可能打到地面上然后返回,这时就无法判断该信号反射点是障碍物还是正常路面。此外,因为漫反射或者天气等原因,会返回很多非障碍物的信号反射点。在视觉检测的方法中,由于障碍物的种类繁多,尤其是针对一些特殊的障碍物例如墙面,垃圾桶等,识别难度较高。因此,上述两种方法对障碍物的识别准确率都比较低。
发明内容
本发明提供一种障碍物检测方法及装置,以解决现有技术中障碍物识别准确率低的问题。
本发明的第一个方面提供一种障碍物检测方法,包括:
获取待测方向的图像和超声波雷达针对所述待测方向的信号反射点;
对所述图像进行障碍物识别,得到所述图像的障碍物标定框;
确定所述信号反射点在所述图像中的投影点是否位于所述障碍物标定框内;
若是,则确定所述信号反射点所在的位置存在障碍物。
可选的,所述确定所述信号反射点在所述图像中的投影点是否位于所述障碍物标定框内之后,还包括:
若否,则从所述图像中截取所述投影点所在位置的图块;
若所述图块中存在物体,则识别出所述图块中的物体的类型;
若第一集合中存在所述图块中的物体的类型,则确定所述信号反射点所在的位置不存在障碍物,所述第一集合包括超声波雷达误识别概率超过阈值的物体的类型。
可选的,所述从所述图像中截取所述信号反射投影点所在位置的图块,包括:
以所述投影为中心点,从所述图像中截取预设像素数量的图块。
可选的,所述识别出所述图块中的物体的类型之后,还包括:
若所述第一集合中不存在所述图块中的物体的类型,则确定所述信号反射点所在的位置存在障碍物。
可选的,所述识别出所述图块中的物体的类型,包括:
将所述图块输入深度神经网络模型,并获取所述深度神经网络模型输出的所述图块中的物体的类型。
本发明的第一个方面提供一种障碍物检测装置,包括:
获取模块,用于获取待测方向的图像和超声波雷达针对所述待测方向的信号反射点;
第一识别模块,用于对所述图像进行障碍物识别,得到所述图像的障碍物标定框;
第一确定模块,用于确定所述信号反射点在所述图像中的投影点是否位于所述障碍物标定框内;
第二确定模块,用于若是,则确定所述信号反射点所在的位置存在障碍物。
可选的,所述装置,还包括:
截图模块,用于若否,则从所述图像中截取所述投影点所在位置的图块;
第二识别模块,用于若所述图块中存在物体,则识别出所述图块中的物体的类型;
第三确定模块,用于若第一集合中存在所述图块中的物体的类型,则确定所述信号反射点所在的位置不存在障碍物,所述第一集合包括超声波雷达误识别概率超过阈值的物体的类型。
可选的,所述截图模块,具体用于以所述信号反射点为中心点,从所述图像中截取预设像素数量的图块。
可选的,所述装置,还包括:
第四确定模块,用于若所述第一集合中不存在所述图块中的物体的类型,则确定所述信号反射点所在的位置存在障碍物。
可选的,所述第二识别模块,具体用于将所述图块输入深度神经网络模型,并获取所述深度神经网络模型输出的所述图块中的物体的类型。
本发明的第三个方面提供一种电子设备,包括:
存储器,用于存储程序指令;
处理器,用于调用并执行所述存储器中的程序指令,执行第一方面所述的方法步骤。
本发明的第四个方面提供一种存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序用于执行第一方面任一项所述的方法。
本发明提供的障碍物检测方法及装置,获取待测方向的图像和超声波雷达针对待测方向的信号反射点;对图像进行障碍物识别,得到图像的障碍物标定框;确定信号反射点在图像中的投影点是否位于障碍物标定框内;若是,则确定信号反射点所在的位置存在障碍物。通过该方式,利用障碍物标定框对信号反射点在图像中的投影点进行校验,确定信号反射点是否准确,进而提高了障碍物识别的准确率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种障碍物检测方法的应用场景示意图;
图2为本发明提供的另一种障碍物检测方法的应用场景示意图;
图3为本发明提供的一种障碍物检测方法的流程示意图;
图4为本发明提供的另一种障碍物检测方法的流程示意图;
图5为本发明提供的一种障碍物检测装置的结构示意图;
图6为本发明提供的另一种障碍物检测装置的结构示意图;
图7为本发明提供的再一种障碍物检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,障碍的物检测通常包括超声波检测方法和视觉检测方法。其中,超声波检测方法是通过超声波的信号反射点来确定待测方向中是否存在障碍物。视觉检测方法则通过深度学习技术识别出待测方向的图像,以此确定待测方向中是否存在障碍物。然而,在采用超声波检测的方法中,超声波雷达发出的超声波可能打到地面上然后返回,这时就无法判断该信号反射点是障碍物还是正常路面。此外,因为漫反射或者天气等原因,会返回很多非障碍物的信号反射点。在视觉检测的方法中,由于障碍物的种类繁多,尤其是针对一些特殊的障碍物例如墙面,垃圾桶等,识别难度较高。因此,上述两种方法对障碍物的识别准确率都比较低。
考虑到上述问题,本发明提供了一种障碍物检测方法及装置,以图像识别的方式对超声波识别确定的障碍物位置进行进一步校验,从而提高了障碍物识别的准确率。
图1为本发明实施例提供的一种应用场景示意图。图2为本发明实施例提供的另一种应用场景的示意图。在图1和图2所示的场景中,车辆101可以对待测方向进行障碍物检测,确定其中的障碍物102。其中,车辆上可以安装有处理器103、存储器104、摄像头105和超声波雷达106。处理器103分别与存储器104、摄像头105和超声波雷达106连接。摄像头105用于采集待测方向的图像,超声波雷达106用于采集待测方向的超声波信号反射点,存储器104用于存储图像和信号反射点,处理器103用于对图像和信号反射点进行处理。
可以理解,本申请实施例提供的方法,不仅可以用于车辆,还可以运用于无人机、机器人等需要障碍物检测的设备上。
可以理解,该障碍物检测方法可以通过本申请实施例提供的障碍物检测装置执行,障碍物检测装置可以是某个设备的部分或全部,例如可以是车辆上的处理器。
下面以车辆上集成或安装有相关执行代码的处理器为例,以具体地实施例对本申请实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图3为本发明提供的一种障碍物检测方法的流程示意图。本实施例涉及的是车辆上的处理器如何进行障碍物检测的具体过程。如图3所示,该方法包括:
S201、获取待测方向的图像和超声波雷达针对待测方向的信号反射点。
其中,待测方向可以为车辆的前方、后方、左侧、右侧,待测方法可以根据具体场景进行设置,本申请实施例对此不作限制。
示例性的,当车辆进行倒车时,可以将车尾方向作为待测方向进行障碍物检测。示例性的,在车辆在道路上正常行驶时,可以将车头方向作为待测方向进行障碍物检测。
上述图像可以通过摄像头获取,摄像头可以与处理器有线或无线连接,摄像头的数量可以为一个也可以为多个,摄像头可以安装在车辆的顶部也可以安装在车门处。本申请实施例对于摄像头的型号、连接方式、数量和安装位置均不做限制。示例性的,该摄像头可以为鱼眼摄像头,相应的,该图像可以为鱼眼图像。
摄像头采集待测方向的图像,可以通过视频采集或图像采集等方式,本申请实施例对如何通过摄像头获取待测方向的图像的具体方式不做限制。在一种可选的情况中,对于处理器芯片来说,处理器芯片的传输接口接收摄像头获取的待测方向的图像也可以认为是在获取上述图像,即处理器芯片可以通过传输接口获取待测方向的图像。
对于上述信号反射点,车辆上的超声波雷达向待测方向发出发射信号,该发射信号在待测方向的物体上进行反射生成回波信号,该发射信号在物体上的反射点即为信号反射点。上述超声波雷达收集回拨信号,并确定发射在物体上的信号反射点。本申请实施例对于超声波雷达的类型不做限制。
S202、对图像进行障碍物识别,得到图像的障碍物标定框。
在获取待测方向的图像,对该图像进行障碍物识别,将识别出的障碍物通过障碍物标定框在图像中标记出来。
本申请对上述图像进行障碍物识别的方式不做限定,在一种可实施方式中,可以采取深度神经网络模型对图像进行障碍物识别。
示例性的,可以将上述图像输入训练好的深度神经网络模型中,并获取深度神经网络模型识别出的障碍物。
在识别出障碍物后,可以利用框图将障碍物在图像中标记出来,以确定障碍物在图像中的所在的位置。该障碍物标定框可以为一个也可以为多个,障碍物标定框之间可以相互独立,也可以部分重合,每个障碍物标定框均将一个识别出的障碍物标记出来。需要说明的是,本申请实施例对于障碍物标定框的样式不做限定
示例性的,在车辆进行倒车时,车辆上的摄像头拍摄下车尾方向的图像。处理器对该图像进行识别,若识别出该图像中存在自行车,则利用障碍物标定框将自行车标记出来。
S203、确定信号反射点在图像中的投影点是否位于所述障碍物标定框内。
在一种可实施方式中,信号反射点在所述图像中的投影点,可以通过将信号反射点利用雷达坐标标注出来,并利用该雷达坐标将信号反射点反投在图像上,形成信号反射点在所述图像中的投影点。需要说明的是,本申请对于如何确定信号反射点在图像中的投影点不做限定,可以根据实际情况具体确定。
在本步骤中,在确定信号反射点在图像中的投影点后,上述图像中既包括了由超声波雷达确定出的信号反投点对应的投影点,也包括了由图像识别确定出的障碍物标定框。信号反投点和障碍物标定框均是用来确定障碍物位置。通过确定投影点是否位于障碍物标定框内来对信号反射点的准确性进行校验。若上述投影点位于障碍物标定框内,则该投影点对应的信号反射点准确,若上述投影点不位于障碍物标定框内,则该投影点对应的信号反射点不准确。
S204、若是,则确定信号反射点所在的位置存在障碍物。
若信号反射点在图像中的投影点是否位于障碍物标定框内,则可以确定信号反射点所在的位置存在障碍物,可以理解为,通过由图像识别确定出的障碍物标定框来检验由超声波确定出的信号反投点的准确性。
示例性的,在车辆倒车过程中,超声波雷达针对的车尾方向获取到了信号反投点A、信号反投点B和信号反投点C,摄像头在车尾方向获取到的图像中得到障碍物标定框a和障碍物标定框b。若信号反投点A对应的投影点位于障碍物标定框a内,信号反投点B对应的投影点位于障碍物标定框b内,信号反投点C对应的投影点既不位于障碍物标定框a内,也不位于障碍物标定框b内。基于此,可以确定信号反投点A和信号反投点B所在的位置不但通过超声波识别的方式确定存在障碍物,也通过图像识别的方式存在障碍物,因此,可以确定反投点A和信号反投点B所在的位置存在障碍物。
本申请实施例提供的障碍物检测方法,获取待测方向的图像和超声波雷达针对待测方向的信号反射点;对图像进行障碍物识别,得到图像的障碍物标定框;确定信号反射点在图像中的投影点是否位于障碍物标定框内;若是,则确定信号反射点所在的位置存在障碍物。通过该方式,利用障碍物标定框对信号反射点在图像中的投影点进行校验,确定信号反射点是否准确,进而提高了障碍物识别的准确率。
然而,由于障碍物的种类繁多,给标注工作带来很大的挑战。在检测的准确性方面,基于深度学习的检测方法并不能很好的检测出所有障碍物,尤其是针对一些特殊的障碍物例如墙面,垃圾桶等无法检测出来。上述情况会降低障碍物识别的准确率,导致存在很多漏检的情况。
基于上述原因,上述实施例中的信号反射点对应的投影点如果不位于障碍物标定框内,也并不能确定该信号反射点为误检测,需要对该信号反射点的位置进行进一步检测。
下面对不在障碍物标定框内的信号反射点的位置进一步检测进行说明。
图4为本发明提供的一种障碍物检测方法的流程示意图。在上述实施例的基础上该方法包括:
S301、获取待测方向的图像和超声波雷达针对待测方向的信号反射点。
S302、对图像进行障碍物识别,得到图像的障碍物标定框。
S303、确定信号反射点在图像中的投影点是否位于障碍物标定框内。
S304、若是,则确定信号反射点所在的位置存在障碍物。
步骤S301-S304的技术名词、技术效果、技术特征,以及可选实施方式,可参照图3所示的步骤S201-S204理解,对于重复的内容,在此不再累述。
S305、若否,则从图像中截取投影点所在位置的图块。
在本步骤中,本申请实施例对于上述图块的截取方式不做限制,在一种可实施方式中,可以以投影点为中心截取图块。
需要说明的是,本申请实施例对于图块的大小和形状也不做限制,在一种可实施方式中,截取图像的形状可以为正方形,具体可以按照预设像素数量截取图块。在另一种可实施方式中,图像的形状可以为圆形,具体可以以投影点为圆心,截取预设半径大小的图块。
示例性的,对于一个信号反射点,可以以其对应的投影点为中心,截取大小为128*128像素大小的正方形图块。示例性的,对于一个信号反射点,可以以其对应的投影点为圆心,截取2mm为半径的圆形图块。
S306、若图块中存在物体,则识别出图块中的物体的类型。
在一种可实施方式中,在截取图块后,可以首先对图块进行初步识别,确定出该图块中是否存在物体。若图块中不存在物体,则可以认为该信号反射点为误识别,该信号反射点所在位置不存在障碍物。若图块中存在物体,则可以进一步识别出图块中的物体的类型。
本申请实施例对于如何识别出图块中的物体的类型不做限制,在一种可实施方式中,可以将图块输入深度神经网络模型,并获取深度神经网络模型输出的图块中的物体的类型。
S307、若第一集合中存在图块中的物体的类型,则确定信号反射点所在的位置不存在障碍物。
上述第一集合包括超声波雷达误识别为障碍物的概率超过阈值的物体的类型。其中,上述阈值可以根据要求的障碍物识别精度具体设置。示例性的,若障碍物识别要求的精度较高,则可以设置较低的阈值,以使第一集合中包含尽可能多的容易误识别的物体的类型;若障碍物识别要求的精度较低,则可以设置较高的阈值,以使第一集合中包含较少的容易误识别的物体的类型。其中,物体的类型可以例如路面、水坑、墙体等。
在本步骤中,不识别图块中的障碍物,避免了由于障碍物的种类繁多带来的识别难度。由于容易被超声波雷达误识别的物体相比于障碍物数量较少,反向识别容易被超声波雷达误识别的物体大大减少了识别难度。若识别出图块中存在容易被超声波雷达误识别的物体,则超声波雷达可能将该物体误识别为障碍物,进而可以确定该信号反射点所在位置不存在障碍物。与之相对的,若未识别出图块中存在容易被超声波雷达误识别的物体,则将信号进行反射的物体可以被认为是障碍物,进而可以确定该信号反射点所在位置存在障碍物。
在一种可实施方式中,处理器还可以识别出车辆不同的使用场景,根据使用场景来确定与该场景对应的第一集合,并利用该第一集合确定该信号反射点所在的位置是否存在障碍物。由于不同的使用场景均使用对应的第一集合,可以提高障碍物的识别准确率。
在一种可实施方式中,上述第一集合中的物体的类型在设定完成后,后续还可以进行再次添加或删减。
示例性的,若车辆在倒车过程中,通过信号反射点截取的图块识别出的物体为路面,则可以确定超声波雷达是打到地面上形成的信号反射点,进而可以确定该信号反射点所在的位置不存在障碍物。
S308、若第一集合中不存在图块中的物体的类型,则确定信号反射点所在的位置存在障碍物。
在一种可实施方式中,若第一集合中不存在图块中的物体的类型,处理器还可以再次调用超声波雷达和摄像头对该信号反射点的位置进行再次检测,以确定信号反射点所在的位置存在障碍物。
在本申请实施例中,由于超声波雷达容易误识别的物体的类型较为固定,例如:路面、水坑等。相较于逐一识别种类繁多的障碍物,通过将图块进行反向识别,确定其是否包含误识别概率高的物体,可以大大提高识别效率和识别准确性。
本发明提供的障碍物检测方法,若信号反射点不在障碍物标定框内,则从图像中截取投影点所在位置的图块;若图块中存在物体,则识别出图块中的物体的类型;若第一集合中存在图块中的物体的类型,则确定信号反射点所在的位置不存在障碍物,第一集合包括超声波雷达误识别概率超过阈值的物体的类型。通过该方式,对于不不位于障碍物标定框内的投影点,可以通过反向识别的方式进行再次验证,进而可以确定该位置是否存在障碍物,提高了障碍物识别的准确率。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图5为本申请实施例提供的一种障碍物检测装置的结构示意图。该障碍物检测装置可以通过软件、硬件或者两者的结合实现,可以为前述所说的处理器。
如图5所示,该障碍物检测装置400包括:
获取模块401,用于获取待测方向的图像和超声波雷达针对待测方向的信号反射点;
第一识别模块402,用于对图像进行障碍物识别,得到图像的障碍物标定框;
第一确定模块403,用于确定所述信号反射点在所述图像中的投影点是否位于所述障碍物标定框内;
第二确定模块404,用于若是,则确定信号反射点所在的位置存在障碍物。
本发明提供的障碍物检测装置,可以执行上述方法实施例中处理器的动作,其实现原理和技术效果类似,在此不再赘述。
图6为本申请实施例提供的另一种障碍物检测装置的结构示意图。在图5的基础上,该障碍物检测装置400,还包括:
截图模块405,用于若否,则从图像中截取投影点所在位置的图块;
第二识别模块406,用于若图块中存在物体,则识别出图块中的物体的类型;
第三确定模块407,用于若第一集合中存在图块中的物体的类型,则确定信号反射点所在的位置不存在障碍物,第一集合包括超声波雷达误识别概率超过阈值的物体的类型。
第四确定模块408,用于若第一集合中不存在图块中的物体的类型,则确定信号反射点所在的位置存在障碍物。
其中,截图模块405,具体用于以投影点为中心点,从图像中截取预设像素数量的图块。
第二识别模块406,具体用于将图块输入深度神经网络模型,并获取深度神经网络模型输出的图块中的物体的类型。
本发明提供的障碍物检测装置,可以执行上述方法实施例中处理器的动作,其实现原理和技术效果类似,在此不再赘述。
图7为本发明提供的再一种障碍物检测装置的结构示意图。如图7所示,该障碍物检测装置可以包括:至少一个处理器51和存储器52。图7示出的是以一个处理器为例的电子设备。
存储器52,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。
存储器52可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
处理器51用于执行存储器52存储的计算机执行指令,以实现障碍物检测方法。
其中,处理器51可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
可选的,在具体实现上,如果通信接口、存储器52和处理器51独立实现,则通信接口、存储器52和处理器51可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果通信接口、存储器52和处理器51集成在一块芯片上实现,则通信接口、存储器52和处理器51可以通过内部接口完成通信。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质,具体的,该计算机可读存储介质中存储有程序指令,程序指令用于上述实施例中的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种障碍物检测方法,其特征在于,包括:
获取待测方向的图像和超声波雷达针对所述待测方向的信号反射点;
对所述图像进行障碍物识别,得到所述图像的障碍物标定框;
确定所述信号反射点在所述图像中的投影点是否位于所述障碍物标定框内;
若是,则确定所述信号反射点所在的位置存在障碍物。
2.根据权利要求1所述的方法,其特征在于,所述确定所述信号反射点在所述图像中的投影点是否位于所述障碍物标定框内之后,还包括:
若否,则从所述图像中截取所述投影点所在位置的图块;
若所述图块中存在物体,则识别出所述图块中的物体的类型;
若第一集合中存在所述图块中的物体的类型,则确定所述信号反射点所在的位置不存在障碍物,所述第一集合包括超声波雷达误识别概率超过阈值的物体的类型。
3.根据权利要求2所述的方法,其特征在于,所述从所述图像中截取所述信号反射投影点所在位置的图块,包括:
以所述投影为中心点,从所述图像中截取预设像素数量的图块。
4.根据权利要求2所述的方法,其特征在于,所述识别出所述图块中的物体的类型之后,还包括:
若所述第一集合中不存在所述图块中的物体的类型,则确定所述信号反射点所在的位置存在障碍物。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述识别出所述图块中的物体的类型,包括:
将所述图块输入深度神经网络模型,并获取所述深度神经网络模型输出的所述图块中的物体的类型。
6.一种障碍物检测装置,其特征在于,包括:
获取模块,用于获取待测方向的图像和超声波雷达针对所述待测方向的信号反射点;
第一识别模块,用于对所述图像进行障碍物识别,得到所述图像的障碍物标定框;
第一确定模块,用于确定所述信号反射点在所述图像中的投影点是否位于所述障碍物标定框内;
第二确定模块,用于若是,则确定所述信号反射点所在的位置存在障碍物。
7.根据权利要求6所述的装置,其特征在于,所述装置,还包括:
截图模块,用于若否,则从所述图像中截取所述投影点所在位置的图块;
第二识别模块,用于若所述图块中存在物体,则识别出所述图块中的物体的类型;
第三确定模块,用于若第一集合中存在所述图块中的物体的类型,则确定所述信号反射点所在的位置不存在障碍物,所述第一集合包括超声波雷达误识别概率超过阈值的物体的类型。
8.根据权利要求7所述的装置,其特征在于,所述截图模块,具体用于以所述投影点为中心点,从所述图像中截取预设像素数量的图块。
9.根据权利要求7所述的装置,其特征在于,所述装置,还包括:
第四确定模块,用于若所述第一集合中不存在所述图块中的物体的类型,则确定所述信号反射点所在的位置存在障碍物。
10.根据权利要求7-9任一项所述的装置,其特征在于,所述第二识别模块,具体用于将所述图块输入深度神经网络模型,并获取所述深度神经网络模型输出的所述图块中的物体的类型。
11.一种电子设备,其特征在于,包括:存储器与处理器;
所述存储器,用于存储所述处理器的可执行指令;
所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一所述的方法。
12.一种存储介质,其上存储有计算机程序,其特征在于,包括:该程序被处理器执行时实现权利要求1-5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532194.2A CN110309741B (zh) | 2019-06-19 | 2019-06-19 | 障碍物检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532194.2A CN110309741B (zh) | 2019-06-19 | 2019-06-19 | 障碍物检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309741A true CN110309741A (zh) | 2019-10-08 |
CN110309741B CN110309741B (zh) | 2022-03-08 |
Family
ID=68076941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910532194.2A Active CN110309741B (zh) | 2019-06-19 | 2019-06-19 | 障碍物检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309741B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506189A (zh) * | 2020-11-19 | 2021-03-16 | 深圳优地科技有限公司 | 一种控制机器人移动的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978568A (zh) * | 2015-06-18 | 2015-10-14 | 奇瑞汽车股份有限公司 | 前方车辆检测方法 |
CN106485194A (zh) * | 2015-08-28 | 2017-03-08 | 现代自动车株式会社 | 目标识别装置、具有目标识别装置的车辆及其控制方法 |
CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
CN107235044A (zh) * | 2017-05-31 | 2017-10-10 | 北京航空航天大学 | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 |
CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
US10015452B1 (en) * | 2004-04-15 | 2018-07-03 | Magna Electronics Inc. | Vehicular control system |
CN108694374A (zh) * | 2017-03-31 | 2018-10-23 | 本田技研工业株式会社 | 车辆控制装置 |
US20190066324A1 (en) * | 2017-08-23 | 2019-02-28 | Liam Hodge | Human radar |
CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
CN109840454A (zh) * | 2017-11-28 | 2019-06-04 | 华为技术有限公司 | 目标物定位方法、装置、存储介质以及设备 |
CN109871787A (zh) * | 2019-01-30 | 2019-06-11 | 浙江吉利汽车研究院有限公司 | 一种障碍物检测方法及装置 |
-
2019
- 2019-06-19 CN CN201910532194.2A patent/CN110309741B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10015452B1 (en) * | 2004-04-15 | 2018-07-03 | Magna Electronics Inc. | Vehicular control system |
CN104978568A (zh) * | 2015-06-18 | 2015-10-14 | 奇瑞汽车股份有限公司 | 前方车辆检测方法 |
CN106485194A (zh) * | 2015-08-28 | 2017-03-08 | 现代自动车株式会社 | 目标识别装置、具有目标识别装置的车辆及其控制方法 |
CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
CN108694374A (zh) * | 2017-03-31 | 2018-10-23 | 本田技研工业株式会社 | 车辆控制装置 |
CN107235044A (zh) * | 2017-05-31 | 2017-10-10 | 北京航空航天大学 | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 |
US20190066324A1 (en) * | 2017-08-23 | 2019-02-28 | Liam Hodge | Human radar |
CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
CN109840454A (zh) * | 2017-11-28 | 2019-06-04 | 华为技术有限公司 | 目标物定位方法、装置、存储介质以及设备 |
CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
CN109871787A (zh) * | 2019-01-30 | 2019-06-11 | 浙江吉利汽车研究院有限公司 | 一种障碍物检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
张莹莹: "融合运动补偿与特征信息的障碍物检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邹晟: "一种基于分离地面点的障碍物识别方法", 《软件》 * |
闵永智 等: "基于多特征融合与AdaBoost算法的轨面缺陷识别方法", 《铁道科学与工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506189A (zh) * | 2020-11-19 | 2021-03-16 | 深圳优地科技有限公司 | 一种控制机器人移动的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110309741B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106767852B (zh) | 一种生成探测目标信息的方法、装置和设备 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN106950952B (zh) | 用于农机无人驾驶的农田环境感知方法 | |
CN111753609B (zh) | 一种目标识别的方法、装置及摄像机 | |
Liu et al. | “Seeing is not always believing”: detecting perception error attacks against autonomous vehicles | |
Cao et al. | You can't see me: Physical removal attacks on {lidar-based} autonomous vehicles driving frameworks | |
CN106295459A (zh) | 基于机器视觉和级联分类器的车辆检测和预警方法 | |
CN102997900A (zh) | 外界识别方法、装置以及车辆系统 | |
JP3596339B2 (ja) | 車間距離計測装置 | |
CN110992706B (zh) | 一种车辆检测方法、装置以及车路协同系统 | |
WO2022179207A1 (zh) | 视窗遮挡检测方法及装置 | |
CN116310679A (zh) | 多传感器融合目标检测方法、系统、介质、设备及终端 | |
CN112597807B (zh) | 一种违章检测系统、方法、装置、图像采集设备及介质 | |
Qu et al. | Improving maritime traffic surveillance in inland waterways using the robust fusion of AIS and visual data | |
CN117372979A (zh) | 道路巡检方法、装置、电子设备及存储介质 | |
CN110136186B (zh) | 一种用于移动机器人目标测距的检测目标匹配方法 | |
CN115729245A (zh) | 用于矿区坡道的障碍物融合检测方法、芯片和终端 | |
CN114119955A (zh) | 一种潜在危险目标检测方法及装置 | |
CN112986945B (zh) | 雷达目标的识别方法、装置、设备和存储介质 | |
CN114627409A (zh) | 一种车辆异常变道的检测方法及装置 | |
CN113192217A (zh) | 逃费检测方法、装置、计算机设备和介质 | |
CN110309741A (zh) | 障碍物检测方法及装置 | |
Miseikis et al. | Joint human detection from static and mobile cameras | |
Hildebrandt et al. | PhysCov: physical test coverage for autonomous vehicles | |
CN112101069A (zh) | 确定行驶区域信息的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |