CN110390814A - 监控系统和方法 - Google Patents

Abstract

本申请涉及一种监控方法、系统、装置、设备和存储介质，计算机设备获取对所处道路环境进行扫描获得的扫描数据；对扫描数据进行处理，获取环境信息；环境信息包括道路环境中的对象的数量、位置、类型、方向和速度信息；对象包括行人、车辆以及交通障碍物；将环境信息发送给交通参与者，交通参与者包括交通监控中心和/或终端设备。采用上述方法可以车辆获取的环境信息更完整。

Description

监控系统和方法

技术领域

本申请涉及车路协同技术领域，特别是涉及一种监控系统和方法。

背景技术

自动驾驶技术是当今智能交通最前沿的技术，其中包含环境感知技术是其中重要的部分。

目前自动驾驶汽车主流的环境感知方法主要是通过车载多传感器信息融合，并结合高精度地图等信息得到环境感知。

上述获取环境感知信息的方式依赖于各个传感器的性能，且难以获取障碍物所遮挡的更远处的环境感知信息，因此获取的感知信息不够完整。

发明内容

基于此，有必要针对上述技术问题，提供一种监控系统和方法。

一种监控系统，所述系统包括：传感器，信息处理设备，以及与所述信息处理设备通信连接的通信设备；

所述传感器对所处的环境进行扫描，获得扫描数据；

所述信息处理设备获取扫描数据，对所述扫描数据进行处理，获取环境信息；所述环境信息包括所述环境中的对象数量、位置、类型、方向和速度信息；所述对象包括行人、车辆以及交通障碍物；

所述通信设备将所述环境信息发送给交通参与者或交通监控者。

在其中一个实施例中，所述信息处理设备根据所述环境设置检测区域；

所述信息处理设备获取所述检测区域对应的目标扫描数据；

所述信息处理设备对所述目标扫描数据进行处理，识别所述道路场景中的行人和/或车辆，及其位置信息；

所述信息处理设备统计所述道路场景中各个车道的车辆数量，和/或各个人行道的行人数量；其中，所述环境包括交通十字路口场景。

在其中一个实施例中，所述信息处理设备根据所述环境确定监测平面；获取所述监测平面所在位置的扫描数据；

所述信息处理设备识别所述扫描数据中的各对象，并统计通过所述监测平面的对象的数量。

在其中一个实施例中，所述传感器包括摄像装置和非图像传感设备。

在其中一个实施例中，所述信息处理设备对所述非图像传感设备采集获得的非图像扫描数据，以及摄像装置采集获得的图像数据进行融合处理。

在其中一个实施例中，所述非图像传感设备包括激光雷达或毫米波雷达；所述非图像扫描数据包括所述激光雷达获得的点云数据；

所述信息处理设备根据所述激光雷达与所述摄像装置的位置，对同一时刻获取的所述点云数据和所述图像数据进行标定，将所述道路环境中同一位置的点云数据与图像数据进行对应；

所述信息处理设备通过预设的转换矩阵，将对应的所述点云数据与所述图像数据进行融合，获取融合扫描数据；

所述信息处理设备将所述融合扫描数据输入预设的深度学习模型，通过所述深度学习模型对所述融合扫描数据进行处理，获取所述环境信息。

在其中一个实施例中，所述信息处理设备通过预设的转换矩阵，将所述图像数据，添加到与所述图像数据对应的点云数据，获得彩色点云数据。

在其中一个实施例中，所述信息处理设备通过预设的转换矩阵，将所述点云数据，转换为与所述点云数据对应的图像数据的灰度值，获得深度图像；所述灰度值用于表征所述深度图像中点与所述摄像装置的距离。

在其中一个实施例中，所述信息处理设备将所述点云数据输入预设的点云深度学习模型，识别所述道路环境中的第一对象，获得所述第一对象信息；所述第一对象的信息包括所述第一对象的类型和与所述激光雷达的位置关系；

所述信息处理设备将所述图像数据输入预设的图像深度学习模型，识别所述道路环境中的第二对象，获得所述第二对象信息；所述第二对象的信息包括所述第二对象的类型和颜色；

所述信息处理设备将所述第一对象信息所在坐标系与所述第二对象信息所在坐标系转换成同一坐标系；

所述信息处理设备将所述第一对象信息和所述第二对象信息融合，获取所述环境信息。

在其中一个实施例中，所述信息处理设备在所述第一对象和所述第二对象的坐标相同时，根据所述第一对象的类型和所述第二对象的类型，确定所述第一对象和所述第二对象是否相同；

若相同，则所述信息处理设备合并所述第一对象信息和所述第二对象信息。

一种监控方法，所述方法包括：

获取对所处环境进行扫描获得的扫描数据；

对所述扫描数据进行处理，获取环境信息；所述环境信息包括所述道路环境中的对象的数量、位置、类型、方向和速度信息；所述对象包括行人、车辆以及交通障碍物；

将所述环境信息发送给交通参与者或交通监控者。

上述监控系统和方法，系统包括传感器，信息处理设备以及与信息处理设备通信连接的通信设备；传感器对所处的环境进行扫描，获得扫描数据；信息处理设备获取扫描数据，对扫描数据进行处理，获取环境信息；环境信息包括环境中的对象数量、位置、类型、方向和速度信息；对象包括行人、车辆以及交通障碍物；通信设备将环境信息发送给交通参与者或交通监控者。由于信息处理设备通过对扫描数据进行处理获得环境信息，使得接收到上述环境信息的车辆可以获取车辆主动感知的范围之外的信息，从而使车辆获得的环境信息更加完整。

附图说明

图1为一个实施例中监控系统的应用环境图；

图2为一个实施例中监控系统的结构框图；

图3为另一个实施例中监控系统的结构框图；

图4为另一个实施例中监控系统的结构框图；

图5为一个实施例中监控方法的流程示意图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的监控系统和方法，可以应用于如图1所示的应用环境中。其中，传感器10可以但不限于是激光雷达、毫米波雷达以及红外、摄像头等类型的传感器，可以是一个传感器，也可以是多个传感器的组合，在此不做限定；信息处理设备20与传感器10连接。

在一个实施例中，如图2所示，监控系统包括传感器10，信息处理设备20以及与信息处理设备20通信连接的通信设备30；传感器10对所处的环境进行扫描，获得扫描数据；信息处理设备20获取扫描数据，对扫描数据进行处理，获取环境信息；环境信息包括环境中的对象数量、位置、类型、方向和速度信息；对象包括行人、车辆以及交通障碍物；通信设备30将环境信息发送给交通参与者或交通监控者。

其中，上述扫描数据可以是激光雷达获得的点云数据，也可以是毫米波雷达获得的扫描数据，对于上述扫描数据的具体类型在此不做限定。上述环境可以是道路环境，例如城市道路、行人斑马线处、十字路口或者高速公路等，也可以是室内环境，例如道路中的公交车，或者人口比较密集的食堂、超市或等服务型公共场所；对于上述环境的类型在此不做限定。

具体地，信息处理设备20可以直接接收传感器10发送的扫描数据，也可以是传感器10将扫描数据上传至交通控制中心之后，接收上述交通控制中心发送的扫描数据；信息处理设备20可以通过有线连接的方式获取上述扫描数据，也可以通过无线连接的方式获取上述扫描数据，对于上述扫描数据的获取方式在此不作限定。

上述环境信息是指信息处理设备20对扫描数据进行处理，获得的当前环境的感知信息，例如，可以是当前道路环境中行人数量，也可以是当前道路环境中的各种车辆类型的分布，例如自行车、电动车以及汽车分别位于上述道路环境的哪些区域，还可以是当前道路中存在的交通障碍物的信息，比如交通障碍物的位置、交通障碍物的尺寸以及交通障碍物周围车辆情况等，对于上述环境信息的具体内容在此不做限定。

具体地，信息处理设备20对扫描数据进行处理时，可以通过机器学习模型来处理，也可以通过特征匹配算法，来识别上述扫描数据中的对象，获取上述环境中的对象的数量、位置以及对象类型等信息；信息处理设备20在识别出上述对象之后，还可以通过跟踪算法对上述对象进行跟踪，进一步获得上述对象的运动方向和速度等信息，对于上述扫描数据的处理方法，在此不做限定。

进一步地，通信设备30在将上述环境信息发送给交通参与者或交通监控者之后，可以将上述环境信息发送给交通监控中心，使得交通监控者，例如交通监控中心可以根据上述环境信息对道路环境获得比较全面的了解，从而可以根据环境信息进行整体的交通协调，例如，交通监控中心可以根据环境信息了解到道路A中的车辆较多，而相邻路口的道路B中的车辆较少，交通指挥中心可以通过调整交通灯的设置对车辆进行引导。通信设备30还可以将上述环境信息发送给交通参与者，可以是车载终端设备，也可以是行人的手持终端设备，在此不做限定。通信设备30可以通过移动通信网络，将上述环境信息发送给交通参与者，也可以通过与车载终端设备组成的专用网络，来发送上述环境信息，对于上述环境信息的发送途径，在此不做限定。具体地，通信设备30可以主动发送上述环境信息，也可以根据交通参与者的请求来发送环境信息，对于上述环境信息的发送方式，在此不做限定。

上述监控系统，包括传感器，信息处理设备以及与信息处理设备通信连接的通信设备；传感器对所处的环境进行扫描，获得扫描数据；信息处理设备获取扫描数据，对扫描数据进行处理，获取环境信息；环境信息包括环境中的对象数量、位置、类型、方向和速度信息；对象包括行人、车辆以及交通障碍物；通信设备将环境信息发送给交通参与者或交通监控者。由于信息处理设备通过对扫描数据进行处理获得环境信息，使得接收到上述环境信息的车辆可以获取车辆主动感知的范围之外的信息，从而使车辆获得的环境信息更加完整。

在一个实施例中，本实施例涉及一种信息处理设备20，在上述实施例的基础上，信息处理设备20根据上述环境设置检测区域；获取检测区域对应的目标扫描数据；对目标扫描数据进行处理，识别道路场景中的行人和/或车辆，及其位置信息；统计道路场景中各个车道的车辆数量，和/或各个人行道的行人数量；其中，道路场景包括交通十字路口场景。

具体地，信息处理设备20可以根据上述环境设置检测区域，例如，对于环境为交通十字路口场景时，可以设置检测区域为十字路口中心，以及交通十字路口的各个交通支路；对于其它的环境，信息处理设备20可以根据具体的道路场景情况里设置检测区域。信息处理设备20可以根据上述检测区域，从扫描数据中获取与上述检测区域匹配的目标扫描数据。例如，上述根据检测区域在上述道路场景所在坐标系总的坐标范围，来获取该坐标范围内的目标扫描数据。

信息处理设备20可以通过机器学习模型来识别道路场景中的行人和/或车辆，并确定上述道路环境中的行人和/或车辆的位置；例如，可以先识别出道路场景中的行人和/或车辆，然后建立道路环境所在的坐标系，确定上述行人和/或车辆的坐标位置。信息处理设备20在确定了上述道路场景中的行人和/或车辆及其坐标位置后，可以获得道路场景中各个车道的车辆数量，和/或各个人行道的行人数量。具体地，计算机设备可以在上述道路场景坐标系中，获取各个车道和各个人行道的区域范围，然后在各个车道的区域范围内，对识别出的车辆进行标记，根据上述标记统计出各个车道所对应的车辆数量；也可以在各个人行道的区域范围内，对识别出的行人进行标记，然后根据上述标记统计出各个人行道所对应的行人数量；另外，计算机设备还可以先对道路场景中识别出的行人和车辆进行标记，然后获取各个车道和各个人行道的区域范围，并根据上述区域范围对标记进行统计，最后得到各个车道的车辆数量，和/或各个人行道的行人数量。对于上述统计方式，在此不做限定。

上述监控系统，信息处理设备通过预设的道路场景来设置检测区域，可以减少无关区域的扫描信息带来的干扰，使信息处理设备获得的环境信息更加准确。

在一个实施例中，涉及一种信息处理设备20，上述信息处理设备20根据环境确定监测平面；获取监测平面所在位置的扫描数据；识别扫描数据中的各对象，并统计通过监测平面的对象的数量。

在上述实施例的基础上，上述监控系统除了可以统计检测区域中的行人数量或者车辆数量外，还可以用于对通过某一个位置的人流量或者车流量进行统计，例如，上述监控系统可以安装在公交车门口，用来统计一天中乘坐该公交车的总人数；或者设置在停车场入口，用于统计进入了该停车场的车辆的数量。上述监测平面可以根据监测系统所处的环境来确定，例如可以是与公交车的入口平行的平面，也可以是停车场的入口所在的平面，在此不作限定。

具体地，信息处理设备20可以获取上述监测平面所在位置的扫描数据，可以包括监测平面两侧的扫描数据，也可以只获取监测平面一侧的扫描数据，例如信息处理设备20需要统计乘坐公交车的人流量，可以只获取上述公交车门内的扫描数据，在此不作限定；对于上述扫描数据的获取方式与图2实施例中的限定类似，在此不再赘述。

进一步地，信息处理设备20可以识别扫描数据中的各对象，并统计通过监测平面的对象的数量。信息处理设备20可以通过机器学习模型来识别上述监测平面周围的对象，然后进一步确定该对象的移动方向，来确定上述对象中，通过该监测平面的目标对象，并对目标对象的数量进行统计。

上述监控系统，信息处理设备20可以通过确定监测平面来统计通过监测平面的对象的数量，使得交通参与者或交通监控者可以根据上述对象的数量对环境中的对象数量，增强环境感知能力。

在一个实施例中，如图3所示，上述传感器10包括摄像装置101和非图像传感设备102。

具体地，对于道路环境中已经设置了很多的摄像装置的情况，信息处理设备20可以获取上述摄像装置101采集的图像数据。上述图像数据可以JPEG格式，也可以是RAW格式，对于上述图像数据的类型在此不做限定。信息处理设备20可以获取上述非图像传感设备102采集的非图像扫描数据，其中，上述非图像扫描数据可以是激光雷达获得的点云数据，也可以是毫米波雷达获得的扫描数据，对于上述非图像扫描数据的具体类型在此不做限定。非图像传感设备102在对道路环境进行扫描时，不会因为道路环境中的光线、下雨等环境因素的不同，而导致获得非图像扫描数据的不同。

在一个实施例中，信息处理设备20可以对非图像传感设备102采集获得的非图像扫描数据，以及摄像装置101采集获得的图像数据进行融合处理。

具体地，信息处理设备20对非图像扫描数据和图像数据进行融合处理时，可以先将非图像扫描数据和图像数据分别处理，分别从非图像扫描数据以及图像数据中获取道路环境的对象信息，然后将获取的对象信息进行处理，得到环境信息；也可以将非图像扫描数据和图像数据进行融合，然后根据融合后的结果来获取环境信息，对于上述对扫描数据进行处理的过程在此不做限定。

上述监控系统，由于信息处理设备获取的扫描数据包括非图像扫描数据，且非图像扫描数据的不容易受到光线强度等环境因素等影响，从而使得到的环境信息更准确，环境感知能力强。

在一个实施例中，上述非图像传感设备102包括激光雷达1021或毫米波雷达1022；非图像扫描数据包括激光雷达获得的点云数据；信息处理设备20根据激光雷达1021与摄像装置101的位置，对同一时刻获取的点云数据和图像数据进行标定，将道路环境中同一位置的点云数据与图像数据进行对应；通过预设的转换矩阵，将对应的点云数据与图像数据进行融合，获取融合扫描数据；将融合扫描数据输入预设的深度学习模型，通过深度学习模型对融合扫描数据进行处理，获取环境信息。

具体地，激光雷达1021和摄像装置101的相对位置可以固定，也可以不固定，在此不做限定。信息处理设备20获取了激光雷达1021扫描得到的点云数据以及摄像装置101扫描得到的图像数据后，可以先将上述点云数据和图像数据进行标定，将道路环境中同一位置的点云数据，与该位置的图像数据进行对应。信息处理设备20获取的点云数据中，每一个点都包含有一个三维坐标，图像数据，例如每一个RGB信息也都对应一个坐标，信息处理设备20可以将点云数据所在的坐标系转换成图像数据所在的坐标系，也可以将上述点云数据所在的坐标系以及图像数据所在的坐标系，转换为同一个坐标系，例如地球坐标系，对于上述标定方式，在此不做限定。具体地，上述点云数据可以是稀疏点云数据，道路环境中同一个点的数据所对应的为多个RGB值，信息处理设备20可以将同一区域的多个点的数据与该区域的多个RGB值，进行对应，对于上述对应方式，在此不做限定。

具体地，信息处理设备20可以通过预设的转换矩阵，将道路环境中同一位置的点云数据与对应的图像数据进行融合，获取融合扫描数据。上述转换矩阵与激光雷达和摄像装置的位置有关，还与激光雷达的点云稀疏程度，以及图像数据的像素大小有关系。信息处理设备20在将扫描数据进行融合时，可以先对点云数据和图像数据进行过滤处理再融合，例如可以进行点云滤波，以及去除图像数据中的噪点等；还可以对上述点云数据和图像数据进行分割处理，进行点云分割和图像分割，对于上述融合方式，在此不做限定。

可选地，信息处理设备20可以通过预设的转换矩阵，将图像数据添加到与图像数据对应的点云数据，获得彩色点云数据。例如，信息处理设备20将RGB信息添加到对应的点云数据中，使得点云数据可以包含颜色特征，得到彩色点云数据；例如，点云数据中的点，除了对应一个三维坐标外，还对应一个RGB值，可以用(x，y，z，RGB)来表示。上述RGB信息，可以是点云数据对应的图像数据中的RGB数据中的最大值，也可以对应的对个RGB数据的平均值，对于彩色点云数据的获取方式，在此不做限定。

可选地，信息处理设备20还可以通过预设的转换矩阵，将点云数据，转换为与点云数据对应的图像数据的灰度值，获得深度图像；灰度值用于表征深度图像中点与摄像装置的距离。其中，上述深度图像是一种三维的道路信息的表达方式，深度图像的每个像素点的灰度值，可以用于表征深度图像中，某一点与摄像装置的距离。信息处理设备20可以根据点云数据，获取道路环境中的点与摄像装置的距离，然后将上述距离获取图像数据中各个像素点的灰度值，然后将上述灰度值添加到该点对应的RGB信息中，例如，添加灰度值后的像素点的RGB信息可以表示为(R，G，B，D)，其中D为灰度值。

信息处理设备20可以通过深度学习模型对融合扫描数据进行处理，来获取环境信息。信息处理设备20可以直接将融合扫描数据输入预设的深度学习模型，也可以先将扫描数据进行预处理后，再输入上述深度学习模型中，对于上述输入方法在此不做限定。进一步地，深度学习模型可以通过融合扫描数据，识别出上述道路环境中的位置中包含对象的概率值，然后根据上述概率值的大小确定出道路环境中的各对象的位置，然后进一步地根据对象的类型特征来区分出各对象的类型。信息处理设备20在获取了各对象的位置和类型后，可以通过对上述识别出的对象进行统计，获取道路环境中不同类型的对象的数量，例如车辆数量以及行人数量。进一步地，信息处理设备20通过对连续多次扫描得到的融合扫描数据进行处理，可以确定出上述各对象中，车辆和行人的移动方向，以及移动速度等。

上述监控系统，信息处理设备20通过将非图像扫描数据和图像数据进行融合，然后对融合扫描数据进行处理，获取环境信息。通过对融合扫描数据进行处理，可以使获得的环境信息更准确。

在一个实施例中，信息处理设备20将点云数据输入预设的点云深度学习模型，识别道路环境中的第一对象，获得第一对象信息；第一对象的信息包括第一对象的类型和与激光雷达的位置关系；信息处理设备20将图像数据输入预设的图像深度学习模型，识别道路环境中的第二对象，获得第二对象信息；第二对象的信息包括第二对象的类型和颜色；信息处理设备20将第一对象信息所在坐标系与第二对象信息所在坐标系转换成同一坐标系；信息处理设备20将第一对象信息和第二对象信息融合，获取环境信息。

具体地，信息处理设备20可以通过点云深度学习模型来对点云数据进行处理，可以直接将点云数据输入点云深度学习模型，也可以先对点云数据进行点云滤波，然后再输入上述点云深度学习模型，对于上述输入方式，在此不做限定。信息处理设备20将上述点云数据输入点云深度学习模型后，可以获取点云深度学习模型输出的道路环境中的第一对象信息，包括道路环境中各对象的类型，以及各对象与激光雷达的距离。

进一步地，信息处理设备20可以通过图像深度学习模型来对点云数据进行处理，可以直接将图像数据输入图像深度学习模型，也可以先对图像数据进行预处理，然后再输入上述图像深度学习模型，对于上述输入方式，在此不做限定。信息处理设备20将上述图像数据输入图像深度学习模型后，可以获取图像深度学习模型输出的道路环境中的第二对象信息，包括道路环境中各对象的类型，以及各对象的颜色。由于激光雷达的位置与摄像装置的位置不一定相同，以及受到光线等环境因素的影响，上述第一对象信息和第二对象信息中的第一对象和第二对象有可能相同，也有可能不同。

信息处理设备20在获取的第一对象信息和第二对象信息后，可以将上述第一对象信息所在的坐标系与第二对象信息所在的坐标系转换成同一坐标系，其中，信息处理设备20可以将第一对象信息所在坐标系转换到第二信息所在坐标系中，也可以将第二信息所在坐标系转换到第一信息所在坐标系中，还可以将上述一对象信息所在的坐标系与第二对象信息所在的坐标系转换为地球坐标系中，对于上述坐标系的转换方式在此不做限定。在转换成同一坐标系后，信息处理设备20可以获取第一对象和第二对象在上述同一坐标系下的坐标。

进一步地，信息处理设备20可以将上述第一对象信息和第二对象信息进行融合，获取环境信息。具体地，信息处理设备20可以将第一对象信息和第二对象信息，按照第一对象坐标和第二对象坐标，添加到上述转换后的坐标系中；也可以对上述第一对象信息和第二对象信息先进行处理，例如统计上述第一对象和第二对象中各类型的对象的数量等，然后对上述信息进行融合。对于上述环境信息的获取方式在此不做限定。

可选地，信息处理设备20在第一对象和第二对象的坐标相同时，根据第一对象的类型和第二对象的类型，确定第一对象和第二对象是否相同；若相同，合并第一对象信息和第二对象信息。

具体地，信息处理设备20可以设定坐标误差范围，若第一对象坐标和第二对象坐标在误差范围内相同，信息处理设备20认为通过激光雷达扫描以及通过摄像装置扫描，在该坐标点处都存在一个对象；进一步地，可以根据第一对象信息中和第二对象信息中的对象类型，来确定上述第一对象和第二对象是否相同，若对象类型相同，那么信息处理设备20认为该第一对象和第二对象是同一个对象，若对象类型不同，那么信息处理设备20认为第一对象和第二对象不同，例如，道路环境中车辆上面放置一箱大型货物时，两个对象的坐标相同，但是类型不同。

信息处理设备20在确定出第一对象和第二对象为同一对象之后，可以将上述第一对象和第二对象进行合并，然后将第一对象信息和第二对象信息进行合并。

以安装在道路中监控摄像装置所在支架上为例进行说明，如图1所示，信息处理设备20获取激光雷达对道路环境扫描所获取的点云数据，以及摄像装置所获取的图像数据。根据预设的点云深度学习模型，对上述点云数据进行处理，识别出上述道路环境包括车辆A1、车辆B1和车辆C1，并获得第一对象信息，包括上述车辆车辆A1、车辆B1和车辆C1的中心位置，距离激光雷达的距离。根据预设的图像深度学习模型，对上述图像数据进行处理，识别出上述道路环境包括车辆A2、车辆B2和车辆C2，并获得第二对象信息，包括车辆A2、车辆B2和车辆C2的颜色分别为黑色、黑色和白色。信息处理设备20根据上述传感器和摄像装置的相对位置，将第一对象信息所在坐标和第二对象信息所在坐标统一。

信息处理设备20在统一后的坐标系中，确定车辆A1和车辆A2的坐标相同，车辆B1和车辆B2的坐标相同，并且根据车辆的尺寸判断，车辆A1和车辆A2的的类型相同，车辆B1和车辆B2的类型也相同，可以认为车辆A1和车辆A2为同一车辆B，车辆B1和车辆B2为同一车辆B。信息处理设备20将上述第一对象信息和第二对象信息进行融合后，所得到的环境信息包括：车辆A、车辆B、车辆C1和车辆C2；且包含车辆A、车辆B的坐标，与激光雷达的距离信息，以及颜色，还包括第一对象信息中车辆C1的信息，以及第二对象信息中车辆C2的信息。

上述监控系统，信息处理设备20对点云数据和图像数据分别处理，然后将获得的第一对象信息和第二对象信息再进行融合，获得环境信息。采用上述方法可以使信息处理设备20获取的环境信息更完整，且获取的每个对象的信息更全面，可以使接收到上述环境信息的车辆提升环境的感知能力。

在一个实施例中，如图5所示，提供了一种监控方法，上述方法包括：

S101、获取对所处环境进行扫描获得的扫描数据；

S102、对所述扫描数据进行处理，获取环境信息；所述环境信息包括所述环境中的对象的数量、位置、类型、方向和速度信息；所述对象包括行人、车辆以及交通障碍物；

S103、将所述环境信息发送给交通参与者或交通监控者。

本申请实施例提供的监控方法，可以应用于上述监控系统，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储监控数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种监控方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取对所处环境进行扫描获得的扫描数据；

对扫描数据进行处理，获取环境信息；环境信息包括环境中的对象的数量、位置、类型、方向和速度信息；对象包括行人、车辆以及交通障碍物；

将环境信息发送给交通参与者或交通监控者。

本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取对所处环境进行扫描获得的扫描数据；

对扫描数据进行处理，获取环境信息；环境信息包括环境中的对象的数量、位置、类型、方向和速度信息；对象包括行人、车辆以及交通障碍物；

将环境信息发送给交通参与者或交通监控者。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种监控系统，其特征在于，所述系统包括：传感器，信息处理设备以及与所述信息处理设备通信连接的通信设备；

所述传感器对所处的环境进行扫描，获得扫描数据；

所述信息处理设备获取扫描数据，对所述扫描数据进行处理，获取环境信息；所述环境信息包括所述环境中的对象数量、位置、类型、方向和速度信息；所述对象包括行人、车辆以及交通障碍物；

所述通信设备将所述环境信息发送给交通参与者或交通监控者。

2.根据权利要求1所述的系统，其特征在于，所述信息处理设备根据所述环境设置检测区域；

所述信息处理设备获取所述检测区域对应的目标扫描数据；

所述信息处理设备对所述目标扫描数据进行处理，识别所述道路场景中的行人和/或车辆，及其位置信息；

所述信息处理设备统计所述道路场景中各个车道的车辆数量，和/或各个人行道的行人数量；其中，所述环境包括交通十字路口场景。

3.根据权利要求1所述的系统，其特征在于，所述信息处理设备根据所述环境确定监测平面；

所述信息处理设备获取所述监测平面所在位置的扫描数据；识别所述扫描数据中的各对象，并统计通过所述监测平面的对象的数量。

4.根据权利要求1所述的系统，其特征在于，所述传感器包括摄像装置和非图像传感设备。

5.根据权利要求4所述的系统，其特征在于，所述信息处理设备对所述非图像传感设备采集获得的非图像扫描数据，以及摄像装置采集获得的图像数据进行融合处理。

6.根据权利要求5所述的系统，其特征在于，所述非图像传感设备包括激光雷达或毫米波雷达；所述非图像扫描数据包括所述激光雷达获得的点云数据；

所述信息处理设备根据所述激光雷达与所述摄像装置的位置，对同一时刻获取的所述点云数据和所述图像数据进行标定，将所述道路环境中同一位置的点云数据与图像数据进行对应；

所述信息处理设备通过预设的转换矩阵，将对应的所述点云数据与所述图像数据进行融合，获取融合扫描数据；

所述信息处理设备将所述融合扫描数据输入预设的深度学习模型，通过所述深度学习模型对所述融合扫描数据进行处理，获取所述环境信息。

7.根据权利要求6所述的系统，其特征在于，所述信息处理设备通过预设的转换矩阵，将所述图像数据，添加到与所述图像数据对应的点云数据，获得彩色点云数据。

8.根据权利要求5所述的系统，其特征在于，所述信息处理设备通过预设的转换矩阵，将所述点云数据，转换为与所述点云数据对应的图像数据的灰度值，获得深度图像；所述灰度值用于表征所述深度图像中点与所述摄像装置的距离。

9.根据权利要求5所述的系统，其特征在于，所述信息处理设备将所述点云数据输入预设的点云深度学习模型，识别所述道路环境中的第一对象，获得所述第一对象信息；所述第一对象的信息包括所述第一对象的类型和与所述激光雷达的位置关系；

所述信息处理设备将所述图像数据输入预设的图像深度学习模型，识别所述道路环境中的第二对象，获得所述第二对象信息；所述第二对象的信息包括所述第二对象的类型和颜色；

所述信息处理设备将所述第一对象信息所在坐标系与所述第二对象信息所在坐标系转换成同一坐标系；

所述信息处理设备将所述第一对象信息和所述第二对象信息融合，获取所述环境信息。

10.根据权利要求5所述的系统，其特征在于，所述信息处理设备在所述第一对象和所述第二对象的坐标相同时，根据所述第一对象的类型和所述第二对象的类型，确定所述第一对象和所述第二对象是否相同；

若相同，则所述信息处理设备合并所述第一对象信息和所述第二对象信息。

11.一种监控方法，其特征在于，所述方法包括：

获取对所处环境进行扫描获得的扫描数据；

对所述扫描数据进行处理，获取环境信息；所述环境信息包括所述环境中的对象的数量、位置、类型、方向和速度信息；所述对象包括行人、车辆以及交通障碍物；

将所述环境信息发送给交通参与者或交通监控者。