CN110703732B - 相关性检测方法、装置、设备及计算机可读存储介质 - Google Patents
相关性检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110703732B CN110703732B CN201911002658.5A CN201911002658A CN110703732B CN 110703732 B CN110703732 B CN 110703732B CN 201911002658 A CN201911002658 A CN 201911002658A CN 110703732 B CN110703732 B CN 110703732B
- Authority
- CN
- China
- Prior art keywords
- candidate matching
- preset
- trained
- matching pairs
- decision tree
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000003066 decision tree Methods 0.000 claims abstract description 131
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 70
- 238000012360 testing method Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 description 70
- 230000004888 barrier function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000002596 correlated effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了相关性检测方法、装置、设备及计算机可读存储介质，涉及智能交通领域，可用于自动驾驶。具体实现方案为：获取预设的各传感器采集的观测数据，观测数据中包括至少一个目标物体对应的目标观测信息，传感器的数量为至少两个；确定各传感器中，预设的主传感器采集的观测数据与除主传感器以外的任一传感器采集的观测数据中的至少一组候选匹配对，将各候选匹配对输入至预设的决策树模型中，确定候选匹配对对应的目标观测信息是否为同一目标物体。从而无需依赖人工根据历史经验设定的阈值，能够更加精准地确定观测数据的相关性，并且能够适用在更多的场景中。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种智能交通技术，可用于自动驾驶。
背景技术
随着科技的发展，自动驾驶逐渐走进了用户的生活。为了提高自动驾驶的安全性，需要设置多个传感器，对路面的信息进行获取，实现对当前路面上的障碍物进行识别。从而无人驾驶汽车可以根据识别到的障碍物信息进行自主避障操作。具体地，为了实现对障碍物信息的识别，在获取到多个传感器采集的路面信息之后，需要进行数据配准、数据关联、数据相关、数据估计以及其他后处理等处理过程。
因此将不同的传感器的数据进行关联之后，便需要对候选匹配对判断是否为相关，即其是否为同一个目标物体对应的观测数据。现有技术中，一般都是使用多特征阈值法确定观测数据的相关性。具体地，可以将至少两个传感器采集到的观测数据中，候选匹配对对应的多个特征中的每一个特征进行相减的计算，将差值与预设的阈值进行对比，根据对比结果确定两个传感器采集的观测数据是否相关。
但是这种上述相关判断方法时，由于阈值的选取往往过于依赖经验，当遇到一个全新的场景时或者完全没有这个场景的经验时，很难将原始阈值直接应用后者简单调整进行应用。因此，会造成相关判断结果不精准，进而后续根据观测数据确定的障碍物信息也不够准确。
发明内容
本申请提供一种相关性检测方法、装置、设备及计算机可读存储介质，用于解决现有的相关判断方法阈值的选取过于依赖经验，而导致相关判断结果不精准，进而后续根据观测数据确定的障碍物信息也不够准确的技术问题。
第一方面，本申请实施例提供一种相关性检测方法，包括：
获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息，所述传感器的数量为至少两个；
确定所述各传感器中，预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为所述预设的主传感器与除所述主传感器以外的任一传感器采集的目标观测信息按照预设的组合方式组成的匹配对；
将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体。
本实施例提供的相关性检测方法，通过获取各传感器采集的观测数据，并根据观测数据确定多个候选匹配对，通过预设的决策树模型对各候选匹配对对应的目标观测信息是否为同一目标物体进行判断，从而无需依赖人工根据历史经验设定的阈值，能够更加精准地确定观测数据的相关性，并且能够适用在更多的场景中。
在一种可能的设计中，还包括：
获取预设的待训练数据，所述待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对所述候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对所述候选匹配对进行第二标注；
根据所述待训练数据对预设的待训练决策树进行训练，获得所述决策树模型。
本实施例提供的相关性检测方法，通过根据标注后的多个候选匹配度作为待训练数据对预设的决策树进行训练，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
在一种可能的设计中，所述获取预设的待训练数据，包括：
获取多个预设的待处理候选匹配对，所述待处理候选匹配对中包括多个特征信息；
根据所述多个特征信息以及预设的多个特征信息对应的权重，计算所述待处理候选匹配对对应的得分；
确定得分超过预设的第一阈值的候选匹配对中，第一标注与第二标注对应的候选匹配对的数量是否满足预设的第一比例；
若是，则将所述得分超过预设的阈值的候选匹配对作为所述待训练数据；若否，则获取得分低于预设的第二阈值的多个候选匹配对，直至第一标注与第二标注对应的候选匹配对的数量满足预设的第一比例。
本实施例提供的相关性检测方法，通过待训练数据对预设的决策树进行训练以及测试，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
在一种可能的设计中，所述根据所述待训练数据对预设的待训练决策树进行训练，包括：
针对每一候选匹配对，确定所述候选匹配对中各目标观测信息对应的至少一个特征信息；
计算所述候选匹配对中各特征信息的差值的绝对值；
根据所述绝对值对预设的待训练决策树进行训练。
本实施例提供的相关性检测方法，通过候选匹配对中各特征信息的差值的绝对值对预设的待训练决策树进行训练，从而能够提高决策树的训练效率以及精度。
在一种可能的设计中，所述根据所述待训练数据对预设的待训练决策树进行训练，包括：
将所述待训练数据按照预设的第二比例随机分别训练集与测试集；
通过所述训练集对所述待训练决策树进行训练，获得训练后的决策树；
通过所述测试集对所述训练后的决策树进行测试，根据测试结果对所述训练后的决策树进行参数调整，直至所述训练后的决策树收敛，获得所述决策树模型。
本实施例提供的相关性检测方法，通过待训练数据对预设的决策树进行训练以及测试，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
在一种可能的设计中，所述将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体之后，还包括：
若所述候选匹配对对应的目标观测信息为同一目标物体，则对所述预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据进行数据融合，获得融合后的数据；
根据融合后的数据确定障碍物信息。
本实施例提供的相关性检测方法，通过确定候选匹配对对应的目标观测信息为同一目标物体时，进行数据融合，获得融合后的数据。因此，后续可以根据该融合后的数据确定障碍物信息，进而能够根据该障碍物信息控制无人驾驶汽车进行自主避障，提高无人驾驶汽车的行驶安全性。
第二方面，本申请实施例提供一种相关性检测装置，包括：
获取模块，用于获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息，所述传感器的数量为至少两个；
确定模块，用于确定所述各传感器中，预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为所述预设的主传感器与除所述主传感器以外的任一传感器采集的目标观测信息按照预设的组合方式组成的匹配对；
处理模块，用于将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体。
在一种可能的设计中，还包括：
获取模块，用于获取预设的待训练数据，所述待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对所述候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对所述候选匹配对进行第二标注；
训练模块，用于根据所述待训练数据对预设的待训练决策树进行训练，获得所述决策树模型。
在一种可能的设计中，所述获取模块用于：
获取多个预设的待处理候选匹配对，所述待处理候选匹配对中包括多个特征信息；
根据所述多个特征信息以及预设的多个特征信息对应的权重，计算所述待处理候选匹配对对应的得分；
确定得分超过预设的第一阈值的候选匹配对中，第一标注与第二标注对应的候选匹配对的数量是否满足预设的第一比例；
若是，则将所述得分超过预设的阈值的候选匹配对作为所述待训练数据；若否，则获取得分低于预设的第二阈值的多个候选匹配对，直至第一标注与第二标注对应的候选匹配对的数量满足预设的第一比例。
在一种可能的设计中，所述训练模块用于：
针对每一候选匹配对，确定所述候选匹配对中各目标观测信息对应的至少一个特征信息；
计算所述候选匹配对中各特征信息的差值的绝对值；
根据所述绝对值对预设的待训练决策树进行训练。
在一种可能的设计中，所述训练模块用于：
将所述待训练数据按照预设的第二比例随机分别训练集与测试集；
通过所述训练集对所述待训练决策树进行训练，获得训练后的决策树；
通过所述测试集对所述训练后的决策树进行测试，根据测试结果对所述训练后的决策树进行参数调整，直至所述训练后的决策树收敛，获得所述决策树模型。
在一种可能的设计中，所述装置还包括：
融合模块，用于若所述候选匹配对对应的目标观测信息为同一目标物体，则对所述预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据进行数据融合，获得融合后的数据；
确定模块，用于根据融合后的数据确定障碍物信息。
第三方面，本申请实施例提供一种相关性检测设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
第四方面，本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。
第五方面，本申请实施例提供一种相关性检测方法，包括：
获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息；
确定任意两个传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为任意两个传感器采集的目标观测信息按照预设的组合方式组成的匹配对；
将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体。
本实施例提供的相关性检测方法、装置、设备及计算机可读存储介质，通过获取各传感器采集的观测数据，并根据观测数据确定多个候选匹配对，通过预设的决策树模型对各候选匹配对对应的目标观测信息是否为同一目标物体进行判断，从而无需依赖人工根据历史经验设定的阈值，能够更加精准地确定观测数据的相关性，并且能够适用在更多的场景中。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所基于的系统架构图；
图2为本申请实施例一提供的相关性检测方法的流程示意图；
图3为本申请实施例提供的传感器采集到的目标观测数据示意图；
图4为本申请实施例二提供的相关性检测方法的流程示意图；
图5为本申请实施例三提供的相关性检测方法的流程示意图；
图6为本申请实施例提供的又一系统架构图；
图7为本申请实施例提供的场景示意图；
图8为本申请实施例四提供的相关性检测装置的结构示意图；
图9为本申请实施例提供的相关性检测设备的结构示意图；
图10为本申请实施例五提供的相关性检测方法的流程示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决现有的相关判断方法阈值的选取过于依赖经验，而导致相关判断结果不精准，进而后续根据观测数据确定的障碍物信息也不够准确的技术问题，本申请提供了一种相关性检测方法、装置、设备及计算机可读存储介质。
需要说明的是，本申请提供的相关性检测方法、装置、设备及计算机可读存储介质能够应用在任意一种图像相关性的判断场景中。
图1为本申请所基于的系统架构图，如图1所示，本申请所基于的系统架构图至少包括多个传感器1以及相关性检测装置2，其中，多个传感器1分别与相关性检测装置2通信连接。其中，传感器1包括但不限于相机、录像机、激光雷达等。相关性检测装置2可以采用C/C++、Java、Shell或Python等语言编写。
图2为本申请实施例一提供的相关性检测方法的流程示意图，如图2所示，所述方法包括：
步骤101、获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息，所述传感器的数量为至少两个。
本实施例的执行主体为相关性检测装置。实际应用中，为了提高自动驾驶的安全性，需要设置多个传感器，对路面的观测信息进行获取，通过对观测信息进行分析，能够实现对当前路面上的障碍物进行识别。从而无人驾驶汽车可以根据识别到的障碍物信息进行自主避障操作。具体地，为了实现对障碍物信息的识别，由于观测信息中可能包括多个目标观测信息，在获取到多个传感器采集的观测信息之后，首先需要确定多个传感器采集到的目标观测信息是否为同一目标物体，即判断多个传感器采集到的目标观测信息是否相关。
相关性检测装置可以分别与多个传感器通信连接，从而能够实现观测信息的交互，其中，包括但不限于相机、录像机、激光雷达等。因此，相关性检测装置能够获取预设的各传感器采集的观测数据，其中，观测数据中可以包括至少一个目标物体对应的目标观测信息，举例来说，该目标物体可以为车辆、行人、路障等障碍物。需要说明的是，当仅设置有一个传感器时，无需对该传感器采集的观测数据进行关联、融合操作，因此，传感器的数量为至少两个。
步骤102、确定所述各传感器中，预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为所述预设的主传感器与除所述主传感器以外的任一传感器采集的目标观测信息按照预设的组合方式组成的匹配对。
在本实施方式中，为了确定各传感器采集到的目标观测信息的相关性，在获取到各传感器采集到的观测数据之后，针对上述各传感器中除预设的主传感器的每一传感器，可以确定其采集到的观测数据与预设的主传感器采集的观测数据中的至少一组候选匹配对，其中，候选匹配对为任意两个传感器采集的目标观测信息按照预设的组合方式组成的匹配对。
以实际应用举例来说，当传感器包括第一传感器与第二传感器时，可以将第二传感器作为预设的主传感器，第一传感器采集到的观测数据中包括A、B、C三个目标观测信息，第二传感器采集到的观测数据中包括1、2、3三个目标观测信息，可以按照排列组合的方式对六个目标观测信息进行组合，获得九个候选匹配对，分别为A1、A2、A3、B1、B2、B3、C1、C2、C3。
仍旧以实际应用举例来说，当传感器的数量为多个时，以传感器包括第一传感器、第二传感器以及第三传感器为例，可以首先将第二传感器作为预设的主传感器进行关联，确定候选匹配对，具体可见上述举例，在此不做赘述。在对第一传感器与第二传感器进行关联之后，为了提高相关性检测的精准度，可以将关联后的目标观测信息作为主传感器采集到的目标观测信息。具体地，图3为本申请实施例提供的传感器采集到的目标观测数据示意图，如图3所示，第一传感器采集到的观测数据中包括A、B、C三个目标观测信息，第二传感器采集到的观测数据中包括1、2、3三个目标观测信息，对两个传感器采集到的观测数据进行关联之后，确定A与1为同一目标物体对应的目标观测信息，B与2为同一目标物体对应的目标观测信息，C与3分别为不同的目标物体对应的目标观测信息，得出两个传感器关联后的目标观测信息A、B、C、3四个目标观测信息，后续可以将第三传感器采集到的目标观测信息与A、B、C、3四个目标观测信息生成候选匹配对。
步骤103、将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体。
在本实施方式中，可以预先训练一决策树模型，该决策树模型能够对候选匹配对是否为同一目标物体进行判断。因此，获得候选匹配对之后，可以将各候选匹配对输入至至预设的决策树模型中，确定候选匹配对对应的目标观测信息是否为同一目标物体。该决策树模型可以根据候选匹配对中各目标观测信息对应的特征信息依次对候选匹配对进行分类，得出相关性检测结果，其中，特征信息包括但不限于目标物体朝向、速度、角度、距离等。
进一步地，为了提高决策树模型判断的效率与精准度，针对每一候选匹配对，可以对候选匹配对中目标观测信息的各特征信息进行相减，将相减后结果的绝对值输入至决策树模型中。
本实施例提供的相关性检测方法，通过获取各传感器采集的观测数据，并根据观测数据确定多个候选匹配对，通过预设的决策树模型对各候选匹配对对应的目标观测信息是否为同一目标物体进行判断，从而无需依赖人工根据历史经验设定的阈值，能够更加精准地确定观测数据的相关性，并且能够适用在更多的场景中。
进一步地，在上述任一实施例的基础上，所述方法还包括：
获取预设的待训练数据，所述待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对所述候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对所述候选匹配对进行第二标注；
根据所述待训练数据对预设的待训练决策树进行训练，获得所述决策树模型。
在本实施例中，为了实现通过决策树模型对候选匹配对进行相关性检测之前，首先需要训练该决策树模型。具体地，首先可以获取预设的待训练数据。其中，待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对候选匹配对进行第二标注。需要说明的是，该第一标注与第二标注可以根据用户的实际需求进行设置，例如，第一标注可以为1，第二标注可以为0，本申请对此不做限制。获得该待训练数据之后，即可以根据该待训练数据对预设的决策树进行训练，直至该决策树收敛，获得决策树模型。
以实际应用举例来说，若一个候选匹配对对应的目标物体为同一辆汽车，则可以为该候选匹配对设置第一标注1，若一个候选匹配对对应的目标物体不是同一辆汽车，则可以为该候选匹配对设置第二标注0，获得待训练数据。
进一步地，在上述任一实施例的基础上，所述根据所述待训练数据对预设的待训练决策树进行训练，包括：
针对每一候选匹配对，确定所述候选匹配对中各目标观测信息对应的至少一个特征信息；
计算所述候选匹配对中各特征信息的差值的绝对值；
根据所述绝对值对预设的待训练决策树进行训练。
在本实施例中，为了提高决策树的训练效率以及精度，可以通过候选匹配对的差值绝对值实现对决策树的训练。具体地，针对每一个候选匹配对，可以确定其中各目标观测信息对应的至少一个特征信息，计算候选匹配对中各特征信息的差值的绝对值，根据该绝对值对预设的待训练决策树进行训练，直至决策树收敛，获得决策树模型。
本实施例提供的相关性检测方法，通过根据标注后的多个候选匹配度作为待训练数据对预设的决策树进行训练，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
图4为本申请实施例二提供的相关性检测方法的流程示意图，在上述任一实施例的基础上，所述获取预设的待训练数据，包括：
步骤201、获取多个预设的待处理候选匹配对，所述待处理候选匹配对中包括多个特征信息；
步骤202、根据所述多个特征信息以及预设的多个特征信息对应的权重，计算所述待处理候选匹配对对应的得分；
步骤203、确定得分超过预设的第一阈值的候选匹配对中，第一标注与第二标注对应的候选匹配对的数量是否满足预设的第一比例；
步骤204、若是，则将所述得分超过预设的阈值的候选匹配对作为所述待训练数据；若否，则获取得分低于预设的第二阈值的多个候选匹配对，直至第一标注与第二标注对应的候选匹配对的数量满足预设的第一比例。
在本实施例中，首先可以获取多个预设的待处理候选匹配对，其中，每一待处理候选匹配对中均包括多个特征信息，该特征信息包括但不限于两个传感器检测到的目标物体的速度、朝向、距离的差值等。为每一特征信息设置不同的权重，从而根据该权重以及特征信息可以确定各候选匹配对的得分。例如，速度的权重为A，朝向的权重为B，距离的权重为C，因此，可以通过计算获得得分＝速度*A+朝向*B+距离*C。
计算获得个候选匹配对的得分之后，可以获取得分超过预设的第一阈值的全部候选匹配对，确定其中第一标注与第二标注对应的候选匹配对的数量是否满足预设的第一比例，其中，该第一比例可以为50％。若是，则可以将得分超过预设的第一阈值的候选匹配对作为预设的待训练数据。反之，若不超过第一阈值，由于得分较高的候选匹配对是同一目标物体的概率较大，相应地，得分较低的候选匹配对是同一目标物体的概率较小，因此为了能够达到该第一阈值，可以获取得分低于预设的第二阈值的多个候选匹配对，直至第一标注与第二标注对应的候选匹配对的数量满足预设的第一比例。
进一步地，在上述任一实施例的基础上，所述根据所述待训练数据对预设的待训练决策树进行训练，包括：
将所述待训练数据按照预设的第二比例随机分别训练集与测试集；
通过所述训练集对所述待训练决策树进行训练，获得训练后的决策树；
通过所述测试集对所述训练后的决策树进行测试，根据测试结果对所述训练后的决策树进行参数调整，直至所述训练后的决策树收敛，获得所述决策树模型。
在本实施例中，获得待训练数据之后，可以通过该待训练数据对预设的决策树进行训练。具体地，可以将待训练数据按照预设的第二比例随机分为训练集以及测试集。其中，该第二比例具体可以为4:1，此外，第二比例还可以根据实际需求进行调整，本申请在此不做限制。通过训练集对该决策树进行训练，具体可以计算候选匹配对中各特征的信息增益比，该信息增益比能够衡量信息的不确定性，根据信息增益比依次分类获得多个分支，实现决策树的训练。通过测试集对训练后的决策树进行测试，以确定其判断的精准度，根据测试结果对决策树的参数进行相应调整，直至训练后的决策树收敛，获得所述决策树模型。
以实际应用举例来说，若当前的特征信息包括目标物体的位置、距离、速度、速度方向以及朝向。计算各特征信息的信息增益比，将信息增益比最高的距离作为第一分支，一次计算位置、速度、速度方向以及朝向的信息增益比，将信息增益比最高的速度作为第二分支，以此类推，依次确定位置为第三分支、速度方向为第四分支、朝向为第五分支。实现对决策树的训练。
本实施例提供的相关性检测方法，通过待训练数据对预设的决策树进行训练以及测试，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
图5为本申请实施例三提供的相关性检测方法的流程示意图，在上述任一实施例的基础上，步骤103之后，还包括：
步骤301、若所述候选匹配对对应的目标观测信息为同一目标物体，则对所述预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据进行数据融合，获得融合后的数据；
步骤302、根据融合后的数据确定障碍物信息。
在本实施例中，若根据决策树确定候选匹配对对应的目标观测信息为同一目标物体时，可以对任一传感器采集的观测数据与预设的主传感器采集的观测数据进行融合，获得融合后的数据。因此，后续可以根据该融合后的数据确定障碍物信息，进而能够根据该障碍物信息控制无人驾驶汽车进行自主避障。
图6为本申请实施例提供的又一系统架构图，如图6所示，本申请所基于的系统架构图至少包括多个传感器1、相关性检测装置2以及无人驾驶汽车3，其中，多个传感器1分别与相关性检测装置2通信连接；相关性检测装置2可以与无人驾驶汽车3通信连接，从而能够将障碍物信息发送至无人驾驶汽车3，进而能够根据该障碍物信息控制无人驾驶汽车3进行自主避障。其中，传感器1包括但不限于相机、录像机、激光雷达等。相关性检测装置2可以采用C/C++、Java、Shell或Python等语言编写。
图7为本申请实施例提供的场景示意图，相关性检测装置2可以分别将障碍物信息发送至无人驾驶汽车31与32，如图所示，无人驾驶汽车32前方有一障碍物，因此，无人驾驶汽车32可以根据该目标障碍信息可以进行避障操作，绕开障碍物进行运行；无人驾驶汽车31前方不存在障碍物，因此，无人驾驶汽车32可以保持正常运行。
本实施例提供的相关性检测方法，通过确定候选匹配对对应的目标观测信息为同一目标物体时，进行数据融合，获得融合后的数据。因此，后续可以根据该融合后的数据确定障碍物信息，进而能够根据该障碍物信息控制无人驾驶汽车进行自主避障，提高无人驾驶汽车的行驶安全性。
图8为本申请实施例四提供的相关性检测装置的结构示意图，如图8所示，所述相关性检测装置40包括获取模块41、确定模块42以及处理模块43，其中，获取模块41，用于获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息，所述传感器的数量为至少两个；确定模块42，用于确确定所述各传感器中，预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为所述预设的主传感器与除所述主传感器以外的任一传感器采集的目标观测信息按照预设的组合方式组成的匹配对；处理模块43，用于将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体。
本实施例提供的相关性检测装置，通过获取各传感器采集的观测数据，并根据观测数据确定多个候选匹配对，通过预设的决策树模型对各候选匹配对对应的目标观测信息是否为同一目标物体进行判断，从而无需依赖人工根据历史经验设定的阈值，能够更加精准地确定观测数据的相关性，并且能够适用在更多的场景中。
进一步地，在实施例四的基础上，还包括：
获取模块，用于获取预设的待训练数据，所述待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对所述候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对所述候选匹配对进行第二标注；
训练模块，用于根据所述待训练数据对预设的待训练决策树进行训练，获得所述决策树模型。
本实施例提供的相关性检测装置，通过根据标注后的多个候选匹配度作为待训练数据对预设的决策树进行训练，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
进一步地，在上述任一实施例的基础上，所述获取模块用于：
获取多个预设的待处理候选匹配对，所述待处理候选匹配对中包括多个特征信息；
根据所述多个特征信息以及预设的多个特征信息对应的权重，计算所述待处理候选匹配对对应的得分；
确定得分超过预设的第一阈值的候选匹配对中，第一标注与第二标注对应的候选匹配对的数量是否满足预设的第一比例；
若是，则将所述得分超过预设的阈值的候选匹配对作为所述待训练数据；若否，则获取得分低于预设的第二阈值的多个候选匹配对，直至第一标注与第二标注对应的候选匹配对的数量满足预设的第一比例。
本实施例提供的相关性检测装置，通过待训练数据对预设的决策树进行训练以及测试，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
进一步地，在上述任一实施例的基础上，所述训练模块用于：
针对每一候选匹配对，确定所述候选匹配对中各目标观测信息对应的至少一个特征信息；
计算所述候选匹配对中各特征信息的差值的绝对值；
根据所述绝对值对预设的待训练决策树进行训练。
本实施例提供的相关性检测装置，通过候选匹配对中各特征信息的差值的绝对值对预设的待训练决策树进行训练，从而能够提高决策树的训练效率以及精度。
进一步地，在上述任一实施例的基础上，所述训练模块用于：
将所述待训练数据按照预设的第二比例随机分别训练集与测试集；
通过所述训练集对所述待训练决策树进行训练，获得训练后的决策树；
通过所述测试集对所述训练后的决策树进行测试，根据测试结果对所述训练后的决策树进行参数调整，直至所述训练后的决策树收敛，获得所述决策树模型。
本实施例提供的相关性检测装置，通过待训练数据对预设的决策树进行训练以及测试，获得决策树模型，由于训练数据中对候选匹配对的相关性进行精准地标注，从而根据该待训练数据训练获得的决策树模型能够精准地对观测数据的相关性进行判断。无需依赖用户根据经验设置的阈值，提高判断精度的同时，适用性更强。
进一步地，在上述任一实施例的基础上，所述装置还包括：
融合模块，用于若所述候选匹配对对应的目标观测信息为同一目标物体，则对所述预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据进行数据融合，获得融合后的数据；
确定模块，用于根据融合后的数据确定障碍物信息。
本实施例提供的相关性检测装置，通过确定候选匹配对对应的目标观测信息为同一目标物体时，进行数据融合，获得融合后的数据。因此，后续可以根据该融合后的数据确定障碍物信息，进而能够根据该障碍物信息控制无人驾驶汽车进行自主避障，提高无人驾驶汽车的行驶安全性。
根据本申请的实施例，本申请还提供了一种相关性检测设备和一种可读存储介质。图9为本申请实施例提供的相关性检测设备的结构示意图。
如图9所示，是根据本申请实施例的相关性检测方法的相关性检测设备的框图。相关性检测设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。相关性检测设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示，该相关性检测设备包括：一个或多个处理器901、存储器902，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在相关性检测设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个相关性检测设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的相关性检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的相关性检测方法。
存储器902作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的相关性检测方法对应的程序指令/模块(例如，附图9所示的获取模块41、确定模块42以及处理模块43)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的相关性检测方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据相关性检测设备的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至相关性检测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
相关性检测方法的相关性检测设备还可以包括：输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接，图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息，以及产生与相关性检测设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
图10为本申请实施例五提供的相关性检测方法的流程示意图，如图10所示，包括：
步骤501、获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息；
步骤502、确定任意两个传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为任意两个传感器采集的目标观测信息按照预设的组合方式组成的匹配对；
步骤503、将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体。
本实施例提供的相关性检测方法，通过获取各传感器采集的观测数据，并根据观测数据确定多个候选匹配对，通过预设的决策树模型对各候选匹配对对应的目标观测信息是否为同一目标物体进行判断，从而无需依赖人工根据历史经验设定的阈值，能够更加精准地确定观测数据的相关性，并且能够适用在更多的场景中。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (13)
1.一种相关性检测方法，其特征在于，包括：
获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息，所述传感器的数量为至少两个；
确定所述各传感器中，预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为所述预设的主传感器与除所述主传感器以外的任一传感器采集的目标观测信息按照预设的组合方式组成的匹配对；
将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体；
还包括：
获取预设的待训练数据，所述待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对所述候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对所述候选匹配对进行第二标注；
根据所述待训练数据对预设的待训练决策树进行训练，获得所述决策树模型。
2.根据权利要求1所述的方法，其特征在于，所述获取预设的待训练数据，包括：
获取多个预设的待处理候选匹配对，所述待处理候选匹配对中包括多个特征信息；
根据所述多个特征信息以及预设的多个特征信息对应的权重，计算所述待处理候选匹配对对应的得分；
确定得分超过预设的第一阈值的候选匹配对中，第一标注与第二标注对应的候选匹配对的数量是否满足预设的第一比例；
若是，则将所述得分超过预设的阈值的候选匹配对作为所述待训练数据；若否，则获取得分低于预设的第二阈值的多个候选匹配对，直至第一标注与第二标注对应的候选匹配对的数量满足预设的第一比例。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述待训练数据对预设的待训练决策树进行训练，包括：
针对每一候选匹配对，确定所述候选匹配对中各目标观测信息对应的至少一个特征信息；
计算所述候选匹配对中各特征信息的差值的绝对值；
根据所述绝对值对预设的待训练决策树进行训练。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述待训练数据对预设的待训练决策树进行训练，包括：
将所述待训练数据按照预设的第二比例随机分别训练集与测试集；
通过所述训练集对所述待训练决策树进行训练，获得训练后的决策树；
通过所述测试集对所述训练后的决策树进行测试，根据测试结果对所述训练后的决策树进行参数调整，直至所述训练后的决策树收敛，获得所述决策树模型。
5.根据权利要求1或2所述的方法，其特征在于，所述将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体之后，还包括：
若所述候选匹配对对应的目标观测信息为同一目标物体，则对所述预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据进行数据融合，获得融合后的数据；
根据融合后的数据确定障碍物信息。
6.一种相关性检测装置，其特征在于，包括：
获取模块，用于获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息，所述传感器的数量为至少两个；
确定模块，用于确定所述各传感器中，预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为所述预设的主传感器与除所述主传感器以外的任一传感器采集的目标观测信息按照预设的组合方式组成的匹配对；
处理模块，用于将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体；
还包括：
获取模块，用于获取预设的待训练数据，所述待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对所述候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对所述候选匹配对进行第二标注；
训练模块，用于根据所述待训练数据对预设的待训练决策树进行训练，获得所述决策树模型。
7.根据权利要求6所述的装置，其特征在于，所述获取模块用于：
获取多个预设的待处理候选匹配对，所述待处理候选匹配对中包括多个特征信息；
根据所述多个特征信息以及预设的多个特征信息对应的权重，计算所述待处理候选匹配对对应的得分；
确定得分超过预设的第一阈值的候选匹配对中，第一标注与第二标注对应的候选匹配对的数量是否满足预设的第一比例；
若是，则将所述得分超过预设的阈值的候选匹配对作为所述待训练数据；若否，则获取得分低于预设的第二阈值的多个候选匹配对，直至第一标注与第二标注对应的候选匹配对的数量满足预设的第一比例。
8.根据权利要求6或7所述的装置，其特征在于，所述训练模块用于：
针对每一候选匹配对，确定所述候选匹配对中各目标观测信息对应的至少一个特征信息；
计算所述候选匹配对中各特征信息的差值的绝对值；
根据所述绝对值对预设的待训练决策树进行训练。
9.根据权利要求6或7所述的装置，其特征在于，所述训练模块用于：
将所述待训练数据按照预设的第二比例随机分别训练集与测试集；
通过所述训练集对所述待训练决策树进行训练，获得训练后的决策树；
通过所述测试集对所述训练后的决策树进行测试，根据测试结果对所述训练后的决策树进行参数调整，直至所述训练后的决策树收敛，获得所述决策树模型。
10.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：
融合模块，用于若所述候选匹配对对应的目标观测信息为同一目标物体，则对所述预设的主传感器采集的观测数据与除所述主传感器以外的任一传感器采集的观测数据进行数据融合，获得融合后的数据；
确定模块，用于根据融合后的数据确定障碍物信息。
11.一种相关性检测设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种相关性检测方法，其特征在于，包括：
获取预设的各传感器采集的观测数据，所述观测数据中包括至少一个目标物体对应的目标观测信息；
确定任意两个传感器采集的观测数据中的至少一组候选匹配对，其中，所述候选匹配对为任意两个传感器采集的目标观测信息按照预设的组合方式组成的匹配对；
将所述各候选匹配对输入至预设的决策树模型中，确定所述候选匹配对对应的目标观测信息是否为同一目标物体；
还包括：
获取预设的待训练数据，所述待训练数据中包括标注后的多个候选匹配对，其中，若候选匹配对对应的目标观测信息为同一目标物体，则对所述候选匹配对进行第一标注，若候选匹配对对应的目标观测信息非同一目标物体，则对所述候选匹配对进行第二标注；
根据所述待训练数据对预设的待训练决策树进行训练，获得所述决策树模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911002658.5A CN110703732B (zh) | 2019-10-21 | 2019-10-21 | 相关性检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911002658.5A CN110703732B (zh) | 2019-10-21 | 2019-10-21 | 相关性检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110703732A CN110703732A (zh) | 2020-01-17 |
| CN110703732B true CN110703732B (zh) | 2021-04-13 |
Family
ID=69200764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911002658.5A Active CN110703732B (zh) | 2019-10-21 | 2019-10-21 | 相关性检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110703732B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275122B (zh) * | 2020-02-03 | 2023-08-11 | 腾讯医疗健康(深圳)有限公司 | 标签标注方法、装置、设备及可读存储介质 |
| CN111310840B (zh) * | 2020-02-24 | 2023-10-17 | 北京百度网讯科技有限公司 | 数据融合处理方法、装置、设备和存储介质 |
| CN113343458B (zh) * | 2021-05-31 | 2023-07-18 | 潍柴动力股份有限公司 | 发动机传感器的选型方法、装置、电子设备及存储介质 |
| CN113746899B (zh) * | 2021-07-29 | 2023-04-07 | 济南浪潮数据技术有限公司 | 一种云平台访问方法及装置 |
| CN113673105A (zh) * | 2021-08-20 | 2021-11-19 | 安徽江淮汽车集团股份有限公司 | 真值对比策略的设计方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4514154B2 (ja) * | 2006-01-13 | 2010-07-28 | 日本電信電話株式会社 | 類似状況検索システムおよび類似状況検索方法 |
| CN103685483B (zh) * | 2013-11-29 | 2016-08-17 | 中国科学技术大学 | 一种基于目标信号相对位置配对的传感器网络数据关联方法 |
| JP2015139576A (ja) * | 2014-01-29 | 2015-08-03 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 超音波診断装置及びプログラム |
| CN108027887A (zh) * | 2015-05-15 | 2018-05-11 | 空气融合有限公司 | 用于实时自动化多传感器数据融合和分析的决策支持的便携式设备和方法 |
| CN105109484B (zh) * | 2015-08-21 | 2017-11-14 | 奇瑞汽车股份有限公司 | 目标障碍物体确定方法及装置 |
| JP6194520B1 (ja) * | 2016-06-24 | 2017-09-13 | 三菱電機株式会社 | 物体認識装置、物体認識方法および自動運転システム |
| CN105892471B (zh) * | 2016-07-01 | 2019-01-29 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
| CN108663677A (zh) * | 2018-03-29 | 2018-10-16 | 上海智瞳通科技有限公司 | 一种多传感器深度融合提高目标检测能力的方法 |
| CN109583505A (zh) * | 2018-12-05 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 一种多传感器的物体关联方法、装置、设备及介质 |
| CN109886130B (zh) * | 2019-01-24 | 2021-05-28 | 上海媒智科技有限公司 | 目标对象的确定方法、装置、存储介质和处理器 |
-
2019
- 2019-10-21 CN CN201911002658.5A patent/CN110703732B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110703732A (zh) | 2020-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110703732B (zh) | 相关性检测方法、装置、设备及计算机可读存储介质 | |
| CN111273268B (zh) | 自动驾驶障碍物类型的识别方法、装置及电子设备 | |
| CN111091591B (zh) | 一种碰撞检测方法、装置、电子设备及存储介质 | |
| CN110675651B (zh) | 停车场推荐方法和装置 | |
| CN111666891B (zh) | 用于估计障碍物运动状态的方法和装置 | |
| CN111723768B (zh) | 车辆重识别的方法、装置、设备和存储介质 | |
| CN111292531B (zh) | 交通信号灯的跟踪方法、装置、设备及存储介质 | |
| CN112132113A (zh) | 车辆再识别的方法、装置、训练方法以及电子设备 | |
| CN113091757B (zh) | 地图生成方法和装置 | |
| US11288887B2 (en) | Object tracking method and apparatus | |
| CN110717933B (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
| CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
| CN111767853A (zh) | 车道线检测方法和装置 | |
| CN110717474B (zh) | 目标关联计算方法、装置、设备和介质 | |
| CN112419722A (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
| CN111310840A (zh) | 数据融合处理方法、装置、设备和存储介质 | |
| CN110866504A (zh) | 标注数据的获取方法、装置和设备 | |
| CN111339877B (zh) | 盲区的长度检测方法、装置、电子设备及存储介质 | |
| CN111523515A (zh) | 自动驾驶车辆环境认知能力评价方法、设备及存储介质 | |
| CN111027195B (zh) | 仿真场景的生成方法、装置及设备 | |
| KR20230036960A (ko) | 장애물 검출 방법, 장치, 자율 주행 차량, 기기 및 기록 매체 | |
| CN111767843A (zh) | 三维位置预测方法、装置、设备以及存储介质 | |
| CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
| CN112577524A (zh) | 信息校正方法和装置 | |
| CN113361303A (zh) | 临时交通标志牌识别方法、装置及设备 |
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 |