CN111353273A - 一种雷达数据标注方法、装置、设备及存储介质 - Google Patents
一种雷达数据标注方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111353273A CN111353273A CN202010158128.6A CN202010158128A CN111353273A CN 111353273 A CN111353273 A CN 111353273A CN 202010158128 A CN202010158128 A CN 202010158128A CN 111353273 A CN111353273 A CN 111353273A
- Authority
- CN
- China
- Prior art keywords
- image data
- data
- radar data
- radar
- vehicles
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种雷达数据标注方法、装置、设备及存储介质。该方法包括:获取对相同道路进行监测的雷达数据和图像数据;对雷达数据和图像数据进行时间同步和空间同步,确定雷达数据和图像数据间的对应关系;根据对应关系以及图像数据确定雷达数据中的车辆个数,将车辆个数作为雷达数据的标注信息。该方法通过时间同步和空间同步确定了雷达数据和图像数据间的对应关系,再通过图像数据确定雷达数据中作为标记信息的车辆个数,进而完成雷达数据的标注,有效的提高了雷达数据的标注效率,降低类雷达数据标注的操作门槛。
Description
技术领域
本发明涉及智能算法领域,尤其涉及一种雷达数据标注方法、装置、设备及存储介质。
背景技术
深度学习在图像识别、语音识别、自然语言处理等方面都有着广泛的应用。众所周知,深度学习的基础是大量的数据,只有在具备大量数据的基础上才可能利用深度学习的技术去学习数据内在的规律并最终完成推理得到可以良好运用的模型。典型应用场景如图像识别领域,通常有两种方法获取数据集:采用网络公开数据集,这种数据集一般都颇具规模且已经完成了标注,通常获取之后稍加修改便可以使用;自行收集数据并人工完成标注的,这种方法虽然需要耗费较多的人工,但就算没有接受过专业知识训练的普通人仍然可以完成对数据的标注。
但对于雷达而言,网络上几乎没有公开的雷达数据集,而对雷达数据进行人工标注的难点在于雷达数据不如图像直观,普通人无法对数据进行标注。就算是专业人士,在缺乏一些先验辅助知识的前提下对雷达数据进行标注亦是一个难题。因此数据集的获取成为深度学习应用于雷达上的一道门槛。
发明内容
有鉴于此,本发明实施例提供了一种雷达数据标注方法、装置、设备及存储介质,受环境影响程度低且算法复杂度低易于实现。
第一方面,本发明实施例提供了一种雷达数据标注方法,包括:
获取对相同道路进行监测的雷达数据和图像数据;
对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和所述图像数据间的对应关系;
根据所述对应关系以及所述图像数据确定所述雷达数据中的车辆个数,将所述车辆个数作为所述雷达数据的标注信息。
第二方面,本发明实施例提供了一种雷达数据标注装置,包括:
数据获取模块,用于获取对相同道路进行监测的雷达数据和图像数据;
同步模块,用于对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和图像数据间的对应关系;
标注模块,用于根据所述对应关系以及所述图像数据确定所述雷达数据中的车辆个数,将所述车辆个数作为所述图像数据对应的雷达数据的标注信息。
第三方面,本发明实施例还提供了一种雷达数据标注设备,包括存储器和处理器,所述存储器上存储有可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的雷达数据标注方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,该计算机程序被处理器执行时实现如前述的雷达数据标注方法。
本发明实施例提供的技术方案,通过时间同步和空间同步确定了雷达数据和图像数据间的对应关系,再通过图像数据确定雷达数据中作为标记信息的车辆个数,进而完成雷达数据的标注,该方法解决了人工标注雷达数据过于困难的问题,通过图像数据完成雷达数据的标注使得无需对雷达数据有所掌握了解也能完成雷达数据的标注,可以方便快捷的获取用于模型训练的标注好的雷达数据。
附图说明
图1是本发明实施例一中的雷达数据标注方法流程图;
图2是本发明实施例二中的雷达数据标注方法子流程图;
图3是本发明实施例二中的雷达数据示意图;
图4是本发明实施例二中的图像数据名称示意图;
图5是本发明实施例二中的雷达数据标注方法子流程图
图6是本发明实施例三中的一种雷达数据标注装置的结构示意图;
图7是本发明实施例四中的一种雷达数据标注设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”、“批量”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一
图1为本发明实施例一的雷达数据标注方法流程图,本实施例可以适用于能够对雷达数据和图像数据进行标注的设备,如安装了Semantic Segmentation Editor的计算机等终端设备。
具体的,如图1所示,实施例一步骤如下:
S110、获取对相同道路进行监测的雷达数据和图像数据。
本实施例中获取的雷达数据和图像数据均是未进行标记的初始数据/图像,雷达数据可以是通过综合脉冲孔径雷达、超宽带雷达、激光雷达等设备采集得到,图像数据可以由摄像头等影像记录设备采集得到。本实施例中使用的雷达数据和图像数据是对相同道路检测得到的,具体而言,通常情况下图像数据对应的现实区域要比雷达数据对应的现实区域要大,即图像数据对应的探测区域中包含雷达数据对应的探测区域。
S120、对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和所述图像数据间的对应关系。
在采集到相同道路的雷达数据和图像数据之后,本实施例需要结合图像数据对雷达数据进行标注,但是很多情况下雷达数据和图像数据并不是直接关联好对应关系的,即雷达数据和图像数据是分别采集的,这种情况下雷达数据和图像数据间的对应关系是无法直接确定的,即对于一帧雷达数据,无法找到其同时间的图像数据,也无法确定雷达数据对应的探测范围和图像数据对应的探测范围间的关系。因此本实施例中在获得了相同道路的雷达数据和图像数据之后,需要进一步对雷达数据和图像数据进行时间同步和空间同步,时间同步就是确定和每一帧雷达数据时间上最接近的图像数据,空间同步就是确定雷达数据对应的探测范围在图像数据上的位置,通过时间同步和空间同步后可以确定雷达数据和图像数据间的对应关系。
S130、根据所述对应关系以及所述图像数据确定所述雷达数据中的车辆个数,将所述车辆个数作为所述雷达数据的标注信息。
在确定了雷达数据和图像数据的对应关系后,可以通过图像数据对雷达数据进行标注。
现有技术中关于图像数据标注有较多的研究,其算法也较为成熟,甚至于进行人工标注也较为直观,因而对图像数据进行标注更方便,在对图像数据进行标注后再结合雷达数据和图像数据的对应关系可以得到雷达数据的标注信息,进而完成雷达数据的标注。具体到本实施例中,步骤S120中已经确定雷达数据和图像数据间的对应关系,也即确定了雷达数据对应的探测范围在图像数据上的位置(后面简称为探测区域),通过算法或人工等方式可以确定出图像数据上探测区域内的车辆个数,将车辆个数作为雷达数据的标注信息进而完成雷达数据的标注。
本实施例提供的雷达数据标注方法,通过时间同步和空间同步确定了雷达数据和图像数据间的对应关系,再通过图像数据确定雷达数据中作为标记信息的车辆个数,进而完成雷达数据的标注,该方法解决了人工标注雷达数据过于困难的问题,通过图像数据完成雷达数据的标注使得无需对雷达数据有所掌握了解也能完成雷达数据的标注,可以方便快捷的获取用于模型训练的标注好的雷达数据。
实施例二
本发明实施例二在实施例一的基础上对部分内容作了进一步补充,具体如下:
如图2所示,步骤S120、对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和图像数据间的对应关系包括:
S121、确定所述每一帧雷达数据和每一帧图像数据的时间标签以及相邻帧之间的时间差。
本实施例提供的雷达数据标注方法中,每一帧雷达数据和每一帧图像数据都设置有时间标签以及帧与帧之间的时间差。示例性的,可以如图3所示,对于雷达数据,将时间标签和时间差添加到雷达数据头,对于图像数据,将时间标签和时间差添加到图像数据的名称中。雷达数据以图3为示例,雷达数据中第一行为序号,第二行为雷达数据的时间标签,第三行为雷达数据的帧时间差,这三行位于雷达数据头,图像数据以图4为示例,图像数据的名称分为三个部分:名称头、中间部分和名称尾,这三个部分可以如图4所示用符号隔开,名称头为图像数据的编号,中间部分为图像数据的时间标签,名称尾为图像数据的帧时间差。在再通过数据采集组件如雷达进行数据采集后得到原始数据后将原始数据分别存储为图3和图4所示格式的数据,以通过时间标签和时间差确定雷达数据和图像数据的对应关系。
S122、根据所述时间标签匹配对应的雷达数据和图像数据。
本实施例中,雷达数据和图像数据的匹配原则为两者的时间标签的差值尽可能的小。
S123、通过信号处理算法从所述雷达数据中提取运动车辆得到时距图。
根据雷达数据通过信号处理算法得到以时间为横坐标距离为纵坐标的时间-距离图像(简称为时距图),时距图反映了通过雷达采集的车辆运动场景,一幅时距图是通过一帧或多帧雷达数据得到的,其对应的也有一帧或多帧图像数据,图像数据反映了影像记录设备采集的车辆运动场景,但是仅根据一帧图像数据无法进行后续的操作完成同步,因此步骤S123具体包括(图未示):
S1231、选取至少两帧图像数据。
S1232、确定所述至少两帧图像数据中相邻图像数据间的时间差并计算出所述至少两帧图像数据经过的总时间。
S1233、找到所述总时间内的雷达数据。
S1234、根据所述总时间内的雷达数据经信号处理得到时距图。
S124、建立所述图像数据中的车辆和所述时距图中的车辆间的映射关系。
图像数据用直观的图片反映了车辆运动场景,而雷达数据通过时距图反映了车辆运动场景,将二者结合分析可以确定出图像数据和时距图间车辆的对应关系,具体过程为:将所述至少两帧图像数据按照时间先后排列并逐帧与所述时距图比较确定所述至少两帧图像数据中的车辆与所述时距图中的车辆间的映射关系。
S125、通过所述映射关系在确定所述雷达数据在对应的图像数据上的探测区域。
在确定了图像数据和时距图间车辆的对应关系后,通过时距图上车辆出现的时间和消失的时间可以找到对应的雷达数据,再通过雷达数据和图像数据间的关系找到对应的图像数据,在图像数据上找到对应的车辆从而可以确定雷达数据在对应的图像数据上的探测区域。当然这只是一种方式,可以通过其他步骤确定探测区域,此处不作限制,可以视为该过程包括:根据所述映射关系确定时距图上车辆的出现时间以及消失时间;根据所述映射关系以及时距图上车辆的出现时间以及消失时间确定雷达数据在对应的图像数据上的探测区域。
除了具体给出了时间同步和空间同步的过程外,本实施例还具体给出了通过图像数据完成雷达数据标注的过程,具体如图5所示,步骤S130包括:
S131、利用图像目标检测算法对图像数据中的车辆进行检测,确定探测区域内的车辆个数。
图像目标检测算法是已经是较为成熟的算法,通过图像目标算法结合前文已经确定的探测区域可以得到图像数据中探测区域的车辆个数,其具体过程可以包括:利用图像目标检测算法检测出图像数据中的所有车辆,逐一判断车辆是否属于探测区域,统计得到探测区域内的车辆个数。
S132、选择和所述图像数据对应的一帧或多帧雷达数据。
在确定了一帧图像数据上探测区域内的车辆个数后,便可以对相应的雷达数据进行标记,而雷达数据和图像数据间可能不是一对一的关系(和数据采集间隔等因素有关,也存在数据缺失等情况),因而一帧图像数据找到的对应雷达数据可能有一帧或多帧。
S133、将所述探测区域内的车辆个数作为所述一帧或多帧雷达数据的标注信息。
在找到图像数据对应的雷达数据后,将该图像数据上探测区域内的车辆个数作为对应的雷达数据的标注信息即可完成雷达数据的标注。
本实施例提供的雷达数据标注方法,进一步给出了进行通过时间标签、时距图完成时间同步和空间同步的过程,以及对雷达数据进行标注的过程,该方法对于雷达数据和图像数据的采集过程要求低,无需要求在采集数据时要求时间同步以及空间同步,方案实施难度低,有效的提高了作为训练模型使用的雷达数据的标注效率,降低了获取难度。
实施例三
图6为本发明实施例五提供的一种雷达数据标注装置300,具体包括如下模块:
数据获取模块310,用于获取对相同道路进行监测的雷达数据和图像数据。
同步模块320,用于对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和图像数据间的对应关系。
标注模块330,用于根据所述对应关系以及所述图像数据确定所述雷达数据中的车辆数,将所述车辆个数作为所述图像数据对应的雷达数据的标注信息。
更具体的,所述同步模块320包括:
时间标签和时间差确定单元,用于确定所述每一帧雷达数据和每一帧图像数据的时间标签以及相邻帧之间的时间差。
匹配单元,用于根据所述时间标签匹配对应的雷达数据和图像数据。
时距图确定单元,用于通过信号处理算法从所述雷达数据中提取运动车辆得到时距图。
车辆映射单元,用于建立所述图像数据中的车辆和所述时距图中的车辆间的映射关系。
探测区域确定单元,用于通过所述映射关系在确定所述雷达数据在对应的图像数据上的探测区域。
更具体的,车辆映射单元用于:将所述至少两帧图像数据按照时间先后排列并逐帧与所述时距图比较确定所述至少两帧图像数据中的车辆与所述时距图中的车辆间的映射关系。
更具体的,探测区域确定单元用于:根据所述映射关系确定时距图上车辆的出现时间以及消失时间;根据所述映射关系以及时距图上车辆的出现时间以及消失时间确定雷达数据在对应的图像数据上的探测区域。
更具体的,标注模块330包括:
图像目标检测单元,用于利用图像目标检测算法对图像数据中的车辆进行检测,确定探测区域内的车辆个数。
雷达数据选择单元,用于选择和所述图像数据对应的一帧或多帧雷达数据。
标注单元,用于将所述探测区域内的车辆个数作为所述一帧或多帧雷达数据的标注信息。
更具体的,图像目标检测单元用于:利用图像目标检测算法检测出图像数据中的所有车辆,逐一判断车辆是否属于探测区域,统计得到探测区域内的车辆个数。
本实施例提供的雷达数据标注装置,其通过时间同步和空间同步确定了雷达数据和图像数据间的对应关系,再通过图像数据确定雷达数据中作为标记信息的车辆个数,进而完成雷达数据的标注,该方法解决了人工标注雷达数据过于困难的问题,通过图像数据完成雷达数据的标注使得无需对雷达数据有所掌握了解也能完成雷达数据的标注,可以方便快捷的获取用于模型训练的标注好的雷达数据。
实施例四
图7为本发明实施例四提供的一种设备的结构示意图,如图7所示,该设备包括处理器60、存储器61、输入装置62和输出装置63;设备中处理器60的数量可以是一个或多个,图中以一个处理器60为例;设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的主题更新方法对应的程序指令/模块(例如,雷达数据标注装置中的数据获取模块310、同步模块320、标注模块330等)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述任一实施例的雷达数据标注方法。
存储器61可主要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、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
输入装置62可用于接收输入的数字或字符信息,以及产生与设备的学员设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
上述设备可执行本发明任意实施例所提供的雷达数据标注方法,具备执行方法对应的功能能模块和有益效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的一种雷达数据标注方法,该方法可以包括:
获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型;
获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态;
根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在学员计算机上执行、部分地在学员计算机上执行、作为一个独立的软件包执行、部分在学员计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到学员计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本实施例结合图像数据完成雷达数据标注,通过时间同步和空间同步确定了雷达数据和图像数据间的对应关系,再通过图像数据确定雷达数据中作为标记信息的车辆个数,进而完成雷达数据的标注,该方法解决了人工标注雷达数据过于困难的问题,通过图像数据完成雷达数据的标注使得无需对雷达数据有所掌握了解也能完成雷达数据的标注,可以方便快捷的获取用于模型训练的标注好的雷达数据。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种雷达数据标注方法,其特征在于,包括:
获取对相同道路进行监测的雷达数据和图像数据;
对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和所述图像数据间的对应关系;
根据所述对应关系以及所述图像数据确定所述雷达数据中的车辆个数,将所述车辆个数作为所述雷达数据的标注信息。
2.根据权利要求1所述的方法,其特征在于,所述对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和所述图像数据间的对应关系包括:
确定每一帧所述雷达数据和每一帧所述图像数据的时间标签以及相邻帧之间的时间差;
根据所述时间标签匹配对应的雷达数据和图像数据;
通过信号处理算法从所述雷达数据中提取运动车辆得到时距图;
建立所述图像数据中的车辆和所述时距图中的车辆间的映射关系;
通过所述映射关系确定所述雷达数据在对应的图像数据上的探测区域。
3.根据权利要求2所述的方法,其特征在于,所述通过信号处理算法从所述雷达数据中提取运动车辆得到时距图包括:
选取至少两帧图像数据;
确定所述至少两帧图像数据中相邻图像数据间的时间差并计算出所述至少两帧图像数据经过的总时间;
找到所述总时间内的雷达数据;
根据所述总时间内的雷达数据经信号处理得到时距图。
4.根据权利要求2所述的方法,其特征在于,所述建立所述图像数据中的车辆和所述时距图中的车辆间的映射关系包括:
将所述至少两帧图像数据按照时间先后排列并逐帧与所述时距图比较确定所述至少两帧图像数据中的车辆与所述时距图中的车辆间的映射关系。
5.根据权利要求2所述的方法,其特征在于,所述通过所述映射关系在确定所述雷达数据在对应的图像数据上的探测区域包括:
根据所述映射关系确定所述时距图上车辆的出现时间以及消失时间;
根据所述映射关系以及所述时距图上车辆的出现时间以及消失时间确定所述雷达数据在对应的图像数据上的探测区域。
6.根据权利要求1所述的方法,其特征在于,所述根据所述对应关系以及所述图像数据确定所述雷达数据中的车辆个数,将所述车辆个数作为所述雷达数据的标注信息包括:
利用图像目标检测算法对所述图像数据中的车辆进行检测,确定探测区域内的车辆个数;
选择和所述图像数据对应的一帧或多帧雷达数据;
将所述探测区域内的车辆个数作为所述一帧或多帧雷达数据的标注信息。
7.根据权利要求6所述的方法,其特征在于,所述利用图像目标检测算法对图像数据中的车辆进行检测,确定探测区域内的车辆个数包括:
利用所述图像目标检测算法检测出所述图像数据中的所有车辆,逐一判断车辆是否属于探测区域,统计得到探测区域内的车辆个数。
8.一种雷达数据标注装置,其特征在于,包括:
数据获取模块,用于获取对相同道路进行监测的雷达数据和图像数据;
同步模块,用于对所述雷达数据和所述图像数据进行时间同步和空间同步,确定所述雷达数据和所述图像数据间的对应关系;
标注模块,用于根据所述对应关系以及所述图像数据确定所述雷达数据中的车辆个数,将所述车辆个数作为所述图像数据对应的雷达数据的标注信息。
9.一种雷达数据标注设备,其特征在在于,包括存储器和处理器,所述存储器上存储有可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的雷达数据标注方法。
10.一种计算机可读存储介质,所述存储介质存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-7任意一项所述的雷达数据标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158128.6A CN111353273B (zh) | 2020-03-09 | 2020-03-09 | 一种雷达数据标注方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158128.6A CN111353273B (zh) | 2020-03-09 | 2020-03-09 | 一种雷达数据标注方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353273A true CN111353273A (zh) | 2020-06-30 |
CN111353273B CN111353273B (zh) | 2023-09-26 |
Family
ID=71194454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010158128.6A Active CN111353273B (zh) | 2020-03-09 | 2020-03-09 | 一种雷达数据标注方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353273B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017241A (zh) * | 2020-08-20 | 2020-12-01 | 广州小鹏汽车科技有限公司 | 一种数据处理的方法和装置 |
CN112652169A (zh) * | 2020-12-15 | 2021-04-13 | 武汉万集信息技术有限公司 | 一种移动式车辆检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN110018470A (zh) * | 2019-03-01 | 2019-07-16 | 北京纵目安驰智能科技有限公司 | 基于多传感器前融合的实例标注方法、模型、终端和存储介质 |
CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
-
2020
- 2020-03-09 CN CN202010158128.6A patent/CN111353273B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN110018470A (zh) * | 2019-03-01 | 2019-07-16 | 北京纵目安驰智能科技有限公司 | 基于多传感器前融合的实例标注方法、模型、终端和存储介质 |
CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017241A (zh) * | 2020-08-20 | 2020-12-01 | 广州小鹏汽车科技有限公司 | 一种数据处理的方法和装置 |
CN112652169A (zh) * | 2020-12-15 | 2021-04-13 | 武汉万集信息技术有限公司 | 一种移动式车辆检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111353273B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
US11126855B2 (en) | Artificial-intelligence powered ground truth generation for object detection and tracking on image sequences | |
CN109508580B (zh) | 交通信号灯识别方法和装置 | |
CN110427860B (zh) | 一种车道线识别方法、装置及存储介质 | |
CN109606384B (zh) | 车辆控制方法、装置、设备和存储介质 | |
EP2395456A1 (en) | Methods and systems for semantic label propagation | |
CN110348463B (zh) | 用于识别车辆的方法和装置 | |
CN111767831B (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
CN111353273B (zh) | 一种雷达数据标注方法、装置、设备及存储介质 | |
CN112016585A (zh) | 用于将机器学习和大众外包数据标注进行集成的系统和方法 | |
CN114821421A (zh) | 一种交通异常行为检测方法与系统 | |
CN112905849A (zh) | 一种车辆数据处理的方法及装置 | |
US20230230484A1 (en) | Methods for spatio-temporal scene-graph embedding for autonomous vehicle applications | |
CN112329605A (zh) | 一种城市容貌乱贴乱画行为识别方法,存储装置及服务器 | |
CN115240157A (zh) | 道路场景数据持久化方法、装置、设备和计算机可读介质 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN114419603A (zh) | 一种自动驾驶车辆控制方法、系统和自动驾驶车辆 | |
CN109903308B (zh) | 用于获取信息的方法及装置 | |
CN113409393B (zh) | 用于识别交通标志牌的方法及装置 | |
CN116664498A (zh) | 车位检测模型的训练方法、车位检测方法、装置和设备 | |
CN115205855B (zh) | 融合多尺度语义信息的车辆目标识别方法、装置及设备 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN115311867A (zh) | 隧道场景的定位方法、装置、计算机设备、存储介质 | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
CN115393379A (zh) | 一种数据标注方法及相关产品 |
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 |