CN111126336B - 样本采集方法、装置及设备 - Google Patents

样本采集方法、装置及设备 Download PDF

Info

Publication number
CN111126336B
CN111126336B CN201911407723.2A CN201911407723A CN111126336B CN 111126336 B CN111126336 B CN 111126336B CN 201911407723 A CN201911407723 A CN 201911407723A CN 111126336 B CN111126336 B CN 111126336B
Authority
CN
China
Prior art keywords
vehicle
image information
target vehicle
road
simulation model
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
Application number
CN201911407723.2A
Other languages
English (en)
Other versions
CN111126336A (zh
Inventor
王龙晓
崔文韬
袁润芝
张溥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weichai Power Co Ltd
Original Assignee
Weichai Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weichai Power Co Ltd filed Critical Weichai Power Co Ltd
Priority to CN201911407723.2A priority Critical patent/CN111126336B/zh
Publication of CN111126336A publication Critical patent/CN111126336A/zh
Application granted granted Critical
Publication of CN111126336B publication Critical patent/CN111126336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种样本采集方法、装置及设备，所述方法包括第一车辆在行驶过程中实时获取道路中的道路图像信息，其中，道路图像信息为内置在第一车辆上的影像采集设备采集的，根据预存的车辆仿真模型集和道路图像信息判断在道路中是否存在目标车辆，若道路图像信息中存在目标车辆，则确定第一车辆对目标车辆的视角信息，根据目标车辆的车辆仿真模型确定在视角信息下目标车辆的视角图像信息，将视角图像信息发送至服务器，以作为神经网络训练的样本。提高了样本标注的效率，进而提高了神经网络的训练进度。

Description

样本采集方法、装置及设备
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种样本采集方法、装置及设备。
背景技术
随着科技的发展，无人驾驶越来越成为人们关注的重点。无人驾驶的车辆可以将驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可以使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
要实现上述功能，训练自动驾驶控制模型是关键操作。在训练自动驾驶控制模型时，需要大量的带标注的街景视觉图像作为神经网络的样本，然后神经网络才可以根据带标注的街景视觉图像进行训练，得到自动驾驶控制模型。
目前，在获得带标注的街景视觉图像时，需要先通过摄像头拍摄大量的街景视觉图像。在摄像头拍摄到的街景视觉图像中，可能会包括车辆、行人等，然而神经网络是识别不出街景视觉图像中的车辆或行人的，需要人在街景视觉图像中将车辆或行人标注出来，然后再将标注好的街景视觉图像作为神经网络的样本，供神经网络进行训练，样本标注工作量大，且标注效率低，进而影响了神经网络的训练进度。
发明内容
本发明实施例提供一种样本采集方法、装置及设备，以提高样本标注的效率，进而提高神经网络的训练进度。
第一方面，本发明实施例提供一种样本采集方法，包括：
第一车辆在行驶过程中实时获取道路中的道路图像信息，其中，所述道路图像信息为内置在所述第一车辆上的影像采集设备采集的；
根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆；
若所述道路图像信息中存在所述目标车辆，则确定所述第一车辆对所述目标车辆的视角信息；
根据所述目标车辆的车辆仿真模型确定在所述视角信息下所述目标车辆的视角图像信息；
将所述视角图像信息发送至服务器，以作为神经网络训练的样本。
可选的，所述根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆，包括：
提取所述道路图像信息中包括的对象的图形轮廓；
将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行一致性比对，判断在所述道路中是否存在目标车辆。
可选的，所述将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆，包括：
获取所述道路图像信息中包括的对象的图形轮廓与所述车辆仿真模型集中的车辆仿真模型的相似度集；
若所述相似度集中的最大相似度超过预设的相似度阈值，则确定所述道路中存在目标车辆。
可选的，所述确定所述第一车辆对所述目标车辆的视角信息，包括：
分别获取所述第一车辆的第一位置与所述目标车辆的第二位置；
分别获取所述第一车辆的第一车辆航向角和所述目标车辆的第二车辆航向角；
根据所述第一位置、所述第二位置、所述第一车辆航向角和所述第二车辆航向角确定所述第一车辆与所述目标车辆的相对位置；
根据所述第一车辆与所述目标车辆的相对位置确定确定所述第一车辆对所述目标车辆的视角信息。
可选的，所述第一车辆上还设有感应传感器；所述方法还包括：
若所述道路图像信息中不存在所述目标车辆，而所述感应传感器感应到道路中存在所述目标车辆，则将所述道路图像信息发送至所述服务器，以作为神经网络训练的样本。
可选的，还包括：
根据所述道路图像信息确定所述目标车辆对应的目标车辆仿真模型；
根据预存的车辆仿真模型与车辆标识的对应关系确定所述目标车辆仿真模型对应的目标车辆标识。
可选的，所述将所述视角图像信息发送至服务器，以作为神经网络训练的样本，包括：
将所述视角图像信息和所述目标车辆标识发送至服务器，以作为神经网络训练的目标车型的样本。
第二方面，本发明实施例提供一种样本采集装置，包括：
获取模块，用于第一车辆在行驶过程中实时获取道路中的道路图像信息，其中，所述道路图像信息为内置在所述第一车辆上的影像采集设备采集的；
判断模块，用于根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆；
确定模块，用于若所述道路图像信息中存在所述目标车辆，则确定所述第一车辆对所述目标车辆的视角信息；
所述确定模块，还用于根据所述目标车辆的车辆仿真模型确定在所述视角信息下所述目标车辆的视角图像信息；
发送模块，用于将所述视角图像信息发送至服务器，以作为神经网络训练的样本。
可选的，所述判断模块，还用于：
提取所述道路图像信息中包括的对象的图形轮廓；
将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆。
可选的，所述确定模块，还用于：
获取所述道路图像信息中包括的对象的图形轮廓与所述车辆仿真模型集中的车辆仿真模型的相似度集；
若所述相似度集中的最大相似度超过预设的相似度阈值，则确定所述道路中存在目标车辆。
第三方面，本发明实施例提供一种样本采集设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任一项所述的样本采集方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的样本采集方法。
本发明实施例提供了一种样本采集方法、装置及设备，采用上述方案后，使得车辆在行驶过程中，可以通过车辆上设置的影像采集设备实时采集道路中的道路图像信息，再根据采集的道路图像信息确定道路中是否存在目标车辆，若存在，则可以根据与目标车辆的视角信息确定目标车辆的仿真模型在该视角下的视角图像信息，并可以将该视角图像信息直接作为神经网络的训练样本，无需再人工手动标注样本，提高了样本标注的效率，进而提高了神经网络的训练进度。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的样本采集方法的架构示意图；
图2为本发明实施例提供的样本采集方法的流程示意图；
图3为本发明另一实施例提供的样本采集方法的流程示意图；
图4为本发明实施例提供的样本采集装置的结构示意图；
图5为本发明实施例提供的样本采集设备的硬件结构示意图。
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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的样本采集方法的架构示意图，如图1所示，包括服务器101、第一车辆102和目标车辆103，服务器101用于在车辆出厂时为车辆分配一个车辆标识，并将车辆标识与车辆的仿真模型相关联。同时，也会在车辆出厂时，为每辆车部署V2X(vehicle to everything，车辆对外界的信息交换)功能。V2X功能通过整合全球定位系统，可以实现车辆与车辆之间、车辆与远端服务器之间或车辆与道路中设置的终端设备之间进行信息交互。第一车辆102为行驶在道路中的车辆，目标车辆103为第一车辆102在道路行驶的过程中识别到的车辆。其中，目标车辆103也可以转换为第一车辆，识别到其他的目标车辆。
第一车辆102在行驶过程中，会通过车辆中设置的影像采集设备实时采集道路图像信息，再根据道路图像信息判断道路中是否有目标车辆103，若有，则根据第一车辆102对目标车辆103的视角确定目标车辆103的视角图像信息。然后再将确定的目标车辆103的若干视角图像信息作为样本输入到神经网络中进行训练，得到自动驾驶控制模型。进一步的，可以通过第一车辆102中部署的ECU(Electronic Control Unit，电子控制单元)来根据道路图像信息判断道路中是否有目标车辆103，若有，则根据第一车辆102对目标车辆103的视角确定目标车辆103的视角图像信息。
其中，目标车辆103可以为一种车型，也可以为多种车型。若要限定为训练一种车型的样本，则可以为属于同一种车型的视角图像信息分配同一个车辆标识，神经网络就可以根据同一个标识的视角图像信息确定该车型车辆的特征，进而可以识别出该车型的车辆。
下面以具体地实施例对本发明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2为本发明实施例提供的样本采集方法的流程示意图，本实施例的方法可以由第一车辆102执行。如图2所示，本实施例的方法，可以包括：
S201：第一车辆在行驶过程中实时获取道路中的道路图像信息，其中，所述道路图像信息为内置在所述第一车辆上的影像采集设备采集的。
具体的，第一车辆在行驶时，设置在第一车辆上的影像采集设备实时的采集道路的图像信息。其中，影像采集设备可以为扫描仪、照相机或录像机等。
S202：根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆。
具体的，在获取到道路图像信息之后，可以将车辆仿真模型集中的每个车辆仿真模型与道路图像信息进行比对，判断道路图像信息中是否包括车辆仿真模型对应的二维图像。判断结果有两种，一种为道路图像信息中包括车辆仿真模型对应的二维图像，即道路中存在目标车辆。另一种为道路图像信息中不包括车辆仿真模型对应的二维图像，即道路中不存在目标车辆。
此外，车辆仿真模型是服务器在车辆出厂时预先存储的，每一种车辆仿真模型对应一种车型的车辆。根据所有车型的车辆仿真模型得到车辆仿真模型集。
S203：若所述道路图像信息中存在所述目标车辆，则确定所述第一车辆对所述目标车辆的视角信息。
具体的，当确定道路图像信息中存在目标车辆时，则可以根据第一车辆与目标车辆的相对位置，以及第一车辆的车辆航向角和目标车辆的车辆航向角确定第一车辆对目标车辆的视角信息。
S204：根据所述目标车辆的车辆仿真模型确定在所述视角信息下所述目标车辆的视角图像信息。
具体的，在确定了第一车辆对目标车辆的视角信息之后，可以确定在该视角信息下目标车辆的车辆仿真模型得到的视角图像信息。例如，若第一车辆在目标车辆正后方，则可以将目标车辆的车辆仿真模型的后视图作为视角图像信息。
S205：将所述视角图像信息发送至服务器，以作为神经网络训练的样本。
具体的，在确定了视角图像信息之后，可能一次会确定多张视角图像信息，也可能一次只确定一张视角图像信息。每张视角图像信息均代表一张带批注的样本，无需再人工批注样本。
采用上述方案后，使得车辆在行驶过程中，可以通过车辆上设置的影像采集设备实时采集道路中的道路图像信息，再根据采集的道路图像信息确定道路中是否存在目标车辆，若存在，则可以根据与目标车辆的视角信息确定目标车辆的仿真模型在该视角下的视角图像信息，并可以将该视角图像信息直接作为神经网络的训练样本，无需再人工手动标注样本，提高了样本标注的效率，进而提高了神经网络的训练进度。
基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
此外，在一个具体实施方式中，如图3所示，为本发明另一实施例提供的样本采集方法的流程示意图，可以包括：
S301：提取所述道路图像信息中包括的对象的图形轮廓。
S302：将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆。
具体的，在判断道路中是否存在目标车辆时，可以先提取采集到的道路图像信息中包含的对象的对象轮廓，然后根据提取到的包含的对象的对象轮廓分别与车辆仿真模型集中的车辆仿真模型进行比对。此外，车辆仿真模型可以为三维的，在比对时，可以先将车辆仿真模型转换成二维图像，然后再与车辆仿真模型对应的二维图像进行比对，提高了比对的准确率。其中，图像轮廓提取技术和三维图像转二维图像技术均可以采用现有的技术，在此不再详细进行论述。
此外，在一个具体实施方式中，所述将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆，可以包括：
获取所述道路图像信息中包括的对象的图形轮廓与所述车辆仿真模型集中的车辆仿真模型的相似度集。
若所述相似度集中的最大相似度超过预设的相似度阈值，则确定所述道路中存在目标车辆。
具体的，在将道路图像信息中包含的对象的图形轮廓分别与车辆仿真模型集中的车辆仿真模型进行比对时，会针对每一个车辆仿真模型得到一个相似度，最后得到相似度集合。
在相似度集合中，每个相似度的值可能不同，在确定道路中是否包含目标车辆时，可以将相似度进行排序，然后获取相似度值最大的相似度。再根据相似度值最大的相似度与预设的相似度阈值进行比对，若超过预设的相似度阈值，则代表道路中存在目标车辆。否则，则表示道路中不存在目标车辆。其中，相似度阈值可以根据实际情况进行设置，例如，可以为90％-96％之间的任一值。
此外，在一个具体实施方式中，所述确定所述第一车辆对所述目标车辆的视角信息，可以包括：
分别获取所述第一车辆的第一位置与所述目标车辆的第二位置。
分别获取所述第一车辆的第一车辆航向角和所述目标车辆的第二车辆航向角。
根据所述第一位置、所述第二位置、所述第一车辆航向角和所述第二车辆航向角确定所述第一车辆与所述目标车辆的相对位置。
根据所述第一车辆与所述目标车辆的相对位置确定确定所述第一车辆对所述目标车辆的视角信息。
具体的，在确定第一车辆对目标车辆的视角信息时，可以先确定第一车辆与目标车辆的相对位置，然后再根据第一车辆与目标车辆的相对位置确定第一车辆对目标车辆的视角信息。
此外，在确定第一车辆与目标车辆的相对位置时，由于第一车辆可能会识别到很多目标车辆，进而会确定出与很多目标车辆的相对位置。为了相对位置确定的准确率，可以在确定出多辆目标车辆的相对位置时，接收目标车辆返回的与第一车辆之间的相对位置，然后将两个相对位置进行比对，若一致，则可以确定第一车辆确定的相对位置是对应该目标车辆的。
另外，车辆航向角代表车辆的行驶方向，例如第一车辆的车辆航向角为向正东方向，目标车辆的车辆航向角也为正东方向，且第一车辆与目标车辆的距离为5米，则可以确定出第一车辆与目标车辆的相对位置为第一车辆在目标车辆的正后方5米处，所以，在确定视角信息时，可以直接获取目标车辆正后方5米处所能得到的视角图像信息。
此外，在一个具体实施方式中，所述第一车辆上还设有感应传感器。
所述方法还可以包括：
若所述道路图像信息中不存在所述目标车辆，而所述感应传感器感应到道路中存在所述目标车辆，则将所述道路图像信息发送至所述服务器，以作为神经网络训练的样本。
具体的，当根据摄像采集设备采集到的道路图像信息识别不出道路中存在目标车辆，而车辆上的其他传感器却识别到道路中存在目标车辆时，表示图像识别算法可能出现了问题，为了增加神经网络训练样本的丰富性，可以直接将采集到的道路图像信息作为样本提供给神经网络进行训练。
此外，在提供给神经网络进行训练时，可以先将道路图像信息发送至服务器，服务器端在道路图像累计到预设数量时，在进行神经网络的训练，提高了神经网络的训练效率。
此外，在一个具体实施方式中，还可以包括：
根据所述道路图像信息确定所述目标车辆对应的目标车辆仿真模型。
根据预存的车辆仿真模型与车辆标识的对应关系确定所述目标车辆仿真模型对应的目标车辆标识。
具体的，可以为每一种车型的车辆分配一个统一的车辆标识，然后将车辆标识与该车辆的车辆仿真模型进行关联，并将关联关系存储至服务器中。服务器还可以将车辆仿真模型发送至车辆进行存储，或将车辆标识与车辆仿真模型的关联关系发送至服务器进行存储。
此外，在一个具体实施方式中，所述将所述视角图像信息发送至服务器，以作为神经网络训练的样本，可以包括：
将所述视角图像信息和所述目标车辆标识发送至服务器，以作为神经网络训练的目标车型的样本。
具体的，在训练神经网络时，可以将同一车型的样本统一发送至神经网络进行训练，得到自动驾驶控制模型，使得自动驾驶控制模型可以精细化到识别出具体车型的车辆。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置，如图4所示，为本发明实施例提供的样本采集装置的结构示意图，可以包括：
获取模块401，用于第一车辆在行驶过程中实时获取道路中的道路图像信息，其中，所述道路图像信息为内置在所述第一车辆上的影像采集设备采集的。
判断模块402，用于根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆。
确定模块403，用于若所述道路图像信息中存在所述目标车辆，则确定所述第一车辆对所述目标车辆的视角信息。
所述确定模块403，还用于根据所述目标车辆的车辆仿真模型确定在所述视角信息下所述目标车辆的视角图像信息。
发送模块404，用于将所述视角图像信息发送至服务器，以作为神经网络训练的样本。
此外，在一个具体实施方式中，所述判断模块，还可以用于：
提取所述道路图像信息中包括的对象的图形轮廓。
将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆。
此外，在一个具体实施方式中，所述确定模块，还可以用于：
获取所述道路图像信息中包括的对象的图形轮廓与所述车辆仿真模型集中的车辆仿真模型的相似度集。
若所述相似度集中的最大相似度超过预设的相似度阈值，则确定所述道路中存在目标车辆。
此外，在一个具体实施方式中，所述确定模块，还可以用于：
分别获取所述第一车辆的第一位置与所述目标车辆的第二位置。
分别获取所述第一车辆的第一车辆航向角和所述目标车辆的第二车辆航向角。
根据所述第一位置、所述第二位置、所述第一车辆航向角和所述第二车辆航向角确定所述第一车辆与所述目标车辆的相对位置。
根据所述第一车辆与所述目标车辆的相对位置确定确定所述第一车辆对所述目标车辆的视角信息。
此外，在一个具体实施方式中，所述第一车辆上还设有感应传感器。
所述确定模块，还可以用于：
若表示所述道路图像信息中不存在所述目标车辆，而所述感应传感器感应到道路中存在所述目标车辆，则将所述道路图像信息发送至所述服务器，以作为神经网络训练的样本。
此外，在一个具体实施方式中，所述确定模块还可以用于：
根据所述道路图像信息确定所述目标车辆对应的目标车辆仿真模型。
根据预存的车辆仿真模型与车辆标识的对应关系确定所述目标车辆仿真模型对应的目标车辆标识。
此外，在一个具体实施方式中，所述发送模块，还可以用于：
将所述视角图像信息和所述目标车辆标识发送至服务器，以作为神经网络训练的目标车型的样本。
本发明实施例提供的装置，可以实现上述如图2所示的实施例的方法，其实现原理和技术效果类似，此处不再赘述。
图5为本发明实施例提供的样本采集设备的硬件结构示意图。如图5所示，本实施例提供的设备500包括：至少一个处理器501和存储器502。其中，处理器501、存储器502通过总线503连接。
在具体实现过程中，至少一个处理器501执行所述存储器502存储的计算机执行指令，使得至少一个处理器501执行上述方法实施例中的方法。
处理器501的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图5所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述方法实施例的样本采集方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各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，执行包括上述各方法实施例的步骤；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。
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 (8)

1.一种样本采集方法，其特征在于，包括：
第一车辆在行驶过程中实时获取道路中的道路图像信息，其中，所述道路图像信息为内置在所述第一车辆上的影像采集设备采集的；
根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆；
若所述道路图像信息中存在所述目标车辆，则确定所述第一车辆对所述目标车辆的视角信息；
根据所述目标车辆的车辆仿真模型确定在所述视角信息下所述目标车辆的视角图像信息；
将所述视角图像信息发送至服务器，以作为神经网络训练的样本；
其中，所述根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆，包括：
提取所述道路图像信息中包括的对象的图形轮廓；
将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆；
其中，所述方法还包括：
根据所述道路图像信息确定所述目标车辆对应的目标车辆仿真模型；
根据预存的车辆仿真模型与车辆标识的对应关系确定所述目标车辆仿真模型对应的目标车辆标识；
其中，将所述视角图像信息发送至服务器，以作为神经网络训练的样本，包括：
将所述视角图像信息和所述目标车辆标识发送至服务器，以作为神经网络训练的目标车型的样本；
其中，所述方法还包括：
为每一种车型的车辆分配一个统一的车辆标识，将同一车型的样本统一发送至神经网络进行训练，得到自动驾驶控制模型。
2.根据权利要求1所述的方法，其特征在于，将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆，包括：
获取所述道路图像信息中包括的对象的图形轮廓与所述车辆仿真模型集中的车辆仿真模型的相似度集；
若所述相似度集中的最大相似度超过预设的相似度阈值，则确定所述道路中存在目标车辆。
3.根据权利要求1所述的方法，其特征在于，所述确定所述第一车辆对所述目标车辆的视角信息，包括：
分别获取所述第一车辆的第一位置与所述目标车辆的第二位置；
分别获取所述第一车辆的第一车辆航向角和所述目标车辆的第二车辆航向角；
根据所述第一位置、所述第二位置、所述第一车辆航向角和所述第二车辆航向角确定所述第一车辆与所述目标车辆的相对位置；
根据所述第一车辆与所述目标车辆的相对位置确定所述第一车辆对所述目标车辆的视角信息。
4.根据权利要求1所述的方法，其特征在于，所述第一车辆上还设有感应传感器；所述方法还包括：
若所述道路图像信息中不存在所述目标车辆，而所述感应传感器感应到道路中存在所述目标车辆，则将所述道路图像信息发送至所述服务器，以作为神经网络训练的样本。
5.一种样本采集装置，其特征在于，包括：
获取模块，用于第一车辆在行驶过程中实时获取道路中的道路图像信息，其中，所述道路图像信息为内置在所述第一车辆上的影像采集设备采集的；
判断模块，用于根据预存的车辆仿真模型集和所述道路图像信息判断在所述道路中是否存在目标车辆；
确定模块，用于若所述道路图像信息中存在所述目标车辆，则确定所述第一车辆对所述目标车辆的视角信息；
所述确定模块，还用于根据所述目标车辆的车辆仿真模型确定在所述视角信息下所述目标车辆的视角图像信息；
发送模块，用于将所述视角图像信息发送至服务器，以作为神经网络训练的样本；
其中，所述判断模块，还用于：
提取所述道路图像信息中包括的对象的图形轮廓；
将所述道路图像信息中包括的对象的图形轮廓分别与所述车辆仿真模型集中的车辆仿真模型进行比对，判断在所述道路中是否存在目标车辆；
其中，所述确定模块还用于：
根据所述道路图像信息确定所述目标车辆对应的目标车辆仿真模型；
根据预存的车辆仿真模型与车辆标识的对应关系确定所述目标车辆仿真模型对应的目标车辆标识；
所述发送模块，具体用于：
将所述视角图像信息和所述目标车辆标识发送至服务器，以作为神经网络训练的目标车型的样本；
其中，所述确定模块还用于：
为每一种车型的车辆分配一个统一的车辆标识，将同一车型的样本统一发送至神经网络进行训练，得到自动驾驶控制模型。
6.根据权利要求5所述的装置，其特征在于，所述确定模块，还用于：
获取所述道路图像信息中包括的对象的图形轮廓与所述车辆仿真模型集中的车辆仿真模型的相似度集；
若所述相似度集中的最大相似度超过预设的相似度阈值，则确定所述道路中存在目标车辆。
7.一种样本采集设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至4任一项所述的样本采集方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至4任一项所述的样本采集方法。
CN201911407723.2A 2019-12-31 2019-12-31 样本采集方法、装置及设备 Active CN111126336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911407723.2A CN111126336B (zh) 2019-12-31 2019-12-31 样本采集方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911407723.2A CN111126336B (zh) 2019-12-31 2019-12-31 样本采集方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111126336A CN111126336A (zh) 2020-05-08
CN111126336B true CN111126336B (zh) 2023-07-21

Family

ID=70506132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911407723.2A Active CN111126336B (zh) 2019-12-31 2019-12-31 样本采集方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111126336B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112721935A (zh) * 2021-01-19 2021-04-30 西人马帝言(北京)科技有限公司 一种车辆控制模型训练方法、车辆控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737236A (zh) * 2012-07-06 2012-10-17 北京大学 一种基于多模态传感器数据自动获取车辆训练样本方法
CN108647638A (zh) * 2018-05-09 2018-10-12 东软集团股份有限公司 一种车辆位置检测方法及装置
CN109636927A (zh) * 2018-11-26 2019-04-16 中国科学院长春光学精密机械与物理研究所 一种飞行器姿态测量算法训练与鉴定的系统及方法
CN109657590A (zh) * 2018-12-11 2019-04-19 合刃科技（武汉）有限公司 一种检测车辆信息的方法、装置及存储介质
CN110427837A (zh) * 2019-07-12 2019-11-08 深兰科技（上海）有限公司 一种神经网络模型训练样本采集方法、装置、终端及介质
CN110478911A (zh) * 2019-08-13 2019-11-22 苏州钛智智能科技有限公司 基于机器学习的智能游戏车无人驾驶方法及智能车、设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019183087A1 (en) * 2018-03-20 2019-09-26 Phantom AI, Inc. Data augmentation using computer simulated objects for autonomous control systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737236A (zh) * 2012-07-06 2012-10-17 北京大学 一种基于多模态传感器数据自动获取车辆训练样本方法
CN108647638A (zh) * 2018-05-09 2018-10-12 东软集团股份有限公司 一种车辆位置检测方法及装置
CN109636927A (zh) * 2018-11-26 2019-04-16 中国科学院长春光学精密机械与物理研究所 一种飞行器姿态测量算法训练与鉴定的系统及方法
CN109657590A (zh) * 2018-12-11 2019-04-19 合刃科技（武汉）有限公司 一种检测车辆信息的方法、装置及存储介质
CN110427837A (zh) * 2019-07-12 2019-11-08 深兰科技（上海）有限公司 一种神经网络模型训练样本采集方法、装置、终端及介质
CN110478911A (zh) * 2019-08-13 2019-11-22 苏州钛智智能科技有限公司 基于机器学习的智能游戏车无人驾驶方法及智能车、设备

Also Published As

Publication number Publication date
CN111126336A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN109343061B (zh) 传感器标定方法、装置、计算机设备、介质和车辆
JP7221089B2 (ja) 動的な交通参加者の除去による位置推定と地図生成の安定した同時実行
CN110705405B (zh) 目标标注的方法及装置
US9443153B1 (en) Automatic labeling and learning of driver yield intention
CN110163176B (zh) 车道线变化位置识别方法、装置、设备和介质
CN110598743A (zh) 一种目标对象的标注方法和装置
CN111723724B (zh) 一种路面障碍物识别方法和相关装置
CN111256693B (zh) 一种计算位姿变化方法及车载终端
WO2020007589A1 (en) Training a deep convolutional neural network for individual routes
CN110657812A (zh) 车辆定位方法、装置及车辆
CN110647886A (zh) 兴趣点标注方法、装置、计算机设备和存储介质
CN111121797B (zh) 道路筛选方法、装置、服务器及存储介质
CN108573244B (zh) 一种车辆检测方法、装置及系统
CN113255444A (zh) 图像识别模型的训练方法、图像识别方法和装置
CN112654998A (zh) 一种车道线检测方法和装置
CN115830399A (zh) 分类模型训练方法、装置、设备、存储介质和程序产品
CN111126336B (zh) 样本采集方法、装置及设备
CN111210411B (zh) 图像中灭点的检测方法、检测模型训练方法和电子设备
CN109766799B (zh) 车位识别模型训练方法及装置和车位识别方法及装置
CN111126154A (zh) 路面元素的识别方法、装置、无人驾驶设备和存储介质
CN117079238A (zh) 道路边沿检测方法、装置、设备及存储介质
CN111426299A (zh) 一种基于目标物的景深进行测距的方法及装置
CN114782914A (zh) 自动驾驶车辆定位方法及装置、电子设备、存储介质
CN112528918A (zh) 道路元素识别方法、地图标注方法及装置、车辆
CN111639640A (zh) 基于人工智能的车牌识别方法、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