CN111368794B - 障碍物检测方法、装置、设备和介质 - Google Patents
障碍物检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111368794B CN111368794B CN202010195786.2A CN202010195786A CN111368794B CN 111368794 B CN111368794 B CN 111368794B CN 202010195786 A CN202010195786 A CN 202010195786A CN 111368794 B CN111368794 B CN 111368794B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- sub
- image
- sample
- images
- 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
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
Abstract
本申请实施例公开了一种障碍物检测方法、装置、设备和介质,涉及数据处理领域,尤其涉及自动驾驶、自主泊车技术。具体实现方案为:沿纵向将待检测图像划分为至少两个子图像;确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域。本申请实施例提供一种障碍物检测方法、装置、设备和介质,以使得检测结果中包括有障碍物本身的形状及位置信息,同时降低障碍物检测的计算量。
Description
技术领域
本申请实施例涉及数据处理领域,尤其涉及自动驾驶技术。具体地,本申请实施例提供了一种障碍物检测方法、装置、设备和介质。
背景技术
在无人驾驶系统中,需要通过对车辆行驶前方的图像进行障碍物检测,以获得前方障碍物信息,进而根据获得的障碍物信息对车辆进行调整。
当前的障碍物检测算法有两大类,一种是基于检测框(boundingbox)的方法,一种是基于实例分割的方法。
然而,这两种方法都有各自的缺陷,基于检测框的方法丧失了障碍物本身的形状及位置信息,而采用实例分割的方法,计算密集度太高。
发明内容
本申请实施例提供一种障碍物检测方法、装置、设备和介质,以使得检测结果中包括有障碍物本身的形状及位置信息,同时降低障碍物检测的计算量。
本申请实施例公开了一种障碍物检测方法,该方法包括:
沿纵向将待检测图像划分为至少两个子图像;
确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域。
本申请实施例通过沿纵向将待检测图像划分为至少两个子图像;确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,从而实现所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息的自动确定。
进而根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,实现对所述待检测图像中障碍物的检测。因为本申请实施例是以子图像为单位进行的障碍物检测,不需要对待检测图像中的每一个像素点属于哪个类别和实例进行预测,所以本申请实施例可以以较少的计算量准确的获取障碍物的图像区域。
又因为本申请实施例的障碍物检测依据中包括有所述障碍物在所述至少两个子图像中的接地点和高度,所以检测得到障碍物的图像区域相比传统的检测边框可以更准确的标识障碍物的形状和位置信息。
进一步地,所述根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域,包括:
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域;
根据所述子图像中障碍物所属的物体信息,确定所述子区域关联的物体;
将关联有同一物体的至少两个子区域进行合并,以得到所述障碍物的图像区域。
基于该技术特征,本申请实施例通过根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域;根据所述子图像中障碍物所属的物体信息,确定所述子区域关联的物体;将关联有同一物体的至少两个子区域进行合并,以得到所述障碍物的图像区域,从而实现对待检测图像中障碍物的检测。
进一步地,所述根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域,包括:
在所述子图像中,确定过所述接地点且沿横向的第一线段;
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物的上边缘位置;
在所述子图像中,确定过所述上边缘位置且沿横向的第二线段;
将所述第一线段作为所述子区域的底边,将所述第二线段作为所述子区域的顶边,构建所述子区域。
基于该技术特征,本申请实施例通过根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物的上边缘位置;根据所述障碍物的接地点确定子区域的底边,根据所述障碍物的上边缘位置确定子区域的顶边,从而实现子区域的构建。
进一步地,所述沿纵向将待检测图像划分为至少两个子图像之前,所述方法还包括:
根据训练样本,构建障碍物检测模型,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
其中,所述训练样本包括:样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息;
所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识。
基于该技术特征,本申请实施例利用样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息对初始模型进行训练,得到障碍物检测模型。
因为所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识,所以训练得到的障碍物检测模型可以确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息。
进一步地,所述根据训练样本,构建障碍物检测模型之前,所述方法还包括:
沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;
根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息。
基于该技术特征,本申请实施例通过沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息,从而实现自动获取子样本图像的障碍物信息,进而实现模型训练样本的自动生成。
本申请实施例提供了一种障碍物检测装置,该装置包括:
图像划分模块,用于沿纵向将待检测图像划分为至少两个子图像;
信息确定模块,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
区域确定模块,用于根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域。
进一步地,所述区域确定模块,包括:
子区域确定单元,用于根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域;
物体确定单元,用于根据所述子图像中障碍物所属的物体信息,确定所述子区域关联的物体;
区域确定单元,用于将关联有同一物体的至少两个子区域进行合并,以得到所述障碍物的图像区域。
进一步地,所述子区域确定单元具体用于:
在所述子图像中,确定过所述接地点且沿横向的第一线段;
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物的上边缘位置;
在所述子图像中,确定过所述上边缘位置且沿横向的第二线段;
将所述第一线段作为所述子区域的底边,将所述第二线段作为所述子区域的顶边,构建所述子区域。
进一步地,所述装置还包括:
模型构建模块,用于所述沿纵向将待检测图像划分为至少两个子图像之前,根据训练样本,构建障碍物检测模型,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
其中,所述训练样本包括:样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息;
所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识。
进一步地,所述装置还包括:
图像切分模块,用于所述根据训练样本,构建障碍物检测模型之前,沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;
信息确定模块,用于根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息。
本申请实施例还提供了一种电子设备,该设备包括:
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本申请实施例中任一项所述的方法。
本申请实施例还提供了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本申请实施例中任一项所述的方法。
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是本申请第一实施例提供的一种障碍物检测方法的流程图;
图2是本申请第一实施例提供的一种子图像划分示意图;
图3是本申请第一实施例提供的一种子区域的确定示意图;
图4是本申请第二实施例提供的一种障碍物检测方法的流程图;
图5是本申请第三实施例提供的一种障碍物检测装置的结构示意图;
图6是用来实现本申请实施例的障碍物检测方法的电子设备的框图。
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。
第一实施例
图1是本申请第一实施例提供的一种障碍物检测方法的流程图。本实施例可适用于对获取的图像进行障碍物检测的情况。典型地,本申请实施例可适用于对自动驾驶车辆采集的行驶路面的图像进行障碍物检测,以根据检测结果控制自动驾驶车辆的情况。该方法可以由一种障碍物检测装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本申请实施例提供一种障碍物检测方法,该方法包括:
S110、沿纵向将待检测图像划分为至少两个子图像。
其中纵向是指待检测图像的列像素方向。
待检测图像是指待进行障碍物检测的图像。
子图像的列数小于待检测图像的列数,子图像的行数等于待检测图像的行数。
子图像之间的行数可以相等,也可以不等。
具体地,参见图2可以按照设定步长,沿纵向将待检测图像100划分为至少两个子图像101,障碍物102被切分至不同子图像101中。
S120、确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息。
其中,接地点是指障碍物与地面连接的位置点。
所述子图像中障碍物所属的物体信息是指,子图像中的障碍物关联物体的信息。
具体地,所述子图像中障碍物所属的物体信息可以根据障碍物所属的物体类型和物体唯一标识确定。
其中,障碍物所属的物体类型是指障碍物所属物体的类型,具体地,该类型可以是车辆、行人等。
物体唯一标识是指区别障碍物所属物体与待检测图像中其他物体的信息。
具体地,确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,包括:
基于障碍物的轮廓,确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息。
S130、根据所述障碍物在所述子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域。
具体地,所述根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域,包括:
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域;
根据所述子图像中障碍物所属的物体信息,确定所述子区域关联的物体;
将关联有同一物体的至少两个子区域进行合并,以得到所述障碍物的图像区域。
其中,子区域是指所述障碍物在所述子图像中的图像区域。
具体地,所述根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域,包括:
参见图3,在所述子图像101中,确定过所述接地点且沿横向的第一线段103;
根据所述障碍物在所述子图像101中的接地点和高度,确定所述障碍物的上边缘位置;
在所述子图像101中,确定过所述上边缘位置且沿横向的第二线段104;
参见图3,将所述第一线段103作为所述子区域105的底边,将所述第二线段作为所述子区域105的顶边,构建所述子区域105。
本申请实施例的技术方案,通过沿纵向将待检测图像划分为至少两个子图像;确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,从而实现所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息的自动确定。
进而根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,实现对所述待检测图像中障碍物的检测。因为本申请实施例是以子图像为单位进行的障碍物检测,不需要对待检测图像中的每一个像素点属于哪个类别和实例进行预测,所以本申请实施例可以以较少的计算量准确的获取障碍物的图像区域。
又因为本申请实施例的障碍物检测依据中包括有所述障碍物在所述至少两个子图像中的接地点和高度,所以检测得到障碍物的图像区域相比传统的检测边框可以更准确的标识障碍物的形状和位置信息。
为实现对障碍物空间位置的确定,在确定所述障碍物在所述待检测图像中的图像区域之后,所述方法还包括:
根据障碍物的图像区域,确定障碍物在图像中的接地位置;
基于逆透视变换,将障碍物在图像中的接地位置转换至三维坐标系,得到障碍物的空间位置信息。
第二实施例
图4是本申请第二实施例提供的一种障碍物检测方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图4,本申请实施例提供的障碍物检测方法包括:
S210、根据训练样本,构建障碍物检测模型。
其中,所述训练样本包括:样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息;
所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识。
具体地,根据训练样本,构建障碍物检测模型,包括:
利用训练样本对初始模型进行训练,以得到障碍物检测模型。
具体地,所述根据训练样本,构建障碍物检测模型之前,所述方法还包括:
沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;
根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息。
基于该技术特征,本申请实施例通过沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息,从而实现自动获取子样本图像的障碍物信息,进而实现模型训练样本的自动生成。
S220、将待检测图像输入所述障碍物检测模型,输出障碍物在至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息。
S230、根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域。
本申请实施例的技术方案,通过利用样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息对初始模型进行训练,得到障碍物检测模型。
因为所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识,所以训练得到的障碍物检测模型可以确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息。
进而根据识别得到的所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域。
第三实施例
图5是本申请第三实施例提供的一种障碍物检测装置的结构示意图。参见图5,本申请实施例提供的障碍物检测装置500包括:图像划分模块501、信息确定模块502和区域确定模块503。
其中,图像划分模块501,用于沿纵向将待检测图像划分为至少两个子图像;
信息确定模块502,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
区域确定模块503,用于根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,确定所述障碍物在所述待检测图像中的图像区域。
本申请实施例的技术方案,通过沿纵向将待检测图像划分为至少两个子图像;确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,从而实现所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息的自动确定。
进而根据所述障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息,实现对所述待检测图像中障碍物的检测。因为本申请实施例是以子图像为单位进行的障碍物检测,不需要对待检测图像中的每一个像素点属于哪个类别和实例进行预测,所以本申请实施例可以以较少的计算量准确的获取障碍物的图像区域。
又因为本申请实施例的障碍物检测依据中包括有所述障碍物在所述至少两个子图像中的接地点和高度,所以检测得到障碍物的图像区域相比传统的检测边框可以更准确的标识障碍物的形状和位置信息。
进一步地,所述区域确定模块,包括:
子区域确定单元,用于根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域;
物体确定单元,用于根据所述子图像中障碍物所属的物体信息,确定所述子区域关联的物体;
区域确定单元,用于将关联有同一物体的至少两个子区域进行合并,以得到所述障碍物的图像区域。
进一步地,所述子区域确定单元具体用于:
在所述子图像中,确定过所述接地点且沿横向的第一线段;
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物的上边缘位置;
在所述子图像中,确定过所述上边缘位置且沿横向的第二线段;
将所述第一线段作为所述子区域的底边,将所述第二线段作为所述子区域的顶边,构建所述子区域。
进一步地,所述装置还包括:
模型构建模块,用于所述沿纵向将待检测图像划分为至少两个子图像之前,根据训练样本,构建障碍物检测模型,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
其中,所述训练样本包括:样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息;
所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识。
进一步地,所述装置还包括:
图像切分模块,用于所述根据训练样本,构建障碍物检测模型之前,沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;
信息确定模块,用于根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息。
第四实施例
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的障碍物检测方法的电子设备的框图。电子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。电子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6所示,该电子设备包括:一个或多个处理器601、存储器602,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。处理器可以对在电子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,可以连接多个电子设备,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6中以一个处理器601为例。
存储器602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障碍物检测方法。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障碍物检测方法。
存储器602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障碍物检测方法对应的程序指令/模块(例如,附图5所示的图像划分模块501、信息确定模块502和区域确定模块503)。处理器601通过运行存储在存储器602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障碍物检测方法。
存储器602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障碍物检测电子设备的使用所创建的数据等。此外,存储器602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602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至障碍物检测电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
障碍物检测方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与障碍物检测电子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604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)、互联网和区块链网络。
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。
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 (10)
1.一种障碍物检测方法,其特征在于,包括:
沿纵向将待检测图像划分为至少两个子图像;
确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域;其中,子区域是指所述障碍物在所述子图像中的图像区域;
根据所述子图像中障碍物所属的物体信息,确定所述子区域关联的物体;
将关联有同一物体的至少两个子区域进行合并,以得到所述障碍物的图像区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域,包括:
在所述子图像中,确定过所述接地点且沿横向的第一线段;
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物的上边缘位置;
在所述子图像中,确定过所述上边缘位置且沿横向的第二线段;
将所述第一线段作为所述子区域的底边,将所述第二线段作为所述子区域的顶边,构建所述子区域。
3.根据权利要求1所述的方法,其特征在于,所述沿纵向将待检测图像划分为至少两个子图像之前,所述方法还包括:
根据训练样本,构建障碍物检测模型,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
其中,所述训练样本包括:样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息;
所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识。
4.根据权利要求3所述的方法,其特征在于,所述根据训练样本,构建障碍物检测模型之前,所述方法还包括:
沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;
根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息。
5.一种障碍物检测装置,其特征在于,包括:
图像划分模块,用于沿纵向将待检测图像划分为至少两个子图像;
信息确定模块,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
子区域确定模块,用于根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物在所述子图像中的子区域;其中,子区域是指所述障碍物在所述子图像中的图像区域;
物体确定模块,用于根据所述子图像中障碍物所属的物体信息,确定所述子区域关联的物体;
区域确定模块,用于将关联有同一物体的至少两个子区域进行合并,以得到所述障碍物的图像区域。
6.根据权利要求5所述的装置,其特征在于,所述子区域确定模块具体用于:
在所述子图像中,确定过所述接地点且沿横向的第一线段;
根据所述障碍物在所述子图像中的接地点和高度,确定所述障碍物的上边缘位置;
在所述子图像中,确定过所述上边缘位置且沿横向的第二线段;
将所述第一线段作为所述子区域的底边,将所述第二线段作为所述子区域的顶边,构建所述子区域。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
模型构建模块,用于所述沿纵向将待检测图像划分为至少两个子图像之前,根据训练样本,构建障碍物检测模型,用于确定障碍物在所述至少两个子图像中的接地点和高度,以及所述子图像中障碍物所属的物体信息;
其中,所述训练样本包括:样本障碍物图像和样本障碍物图像中至少两个子样本图像的障碍物信息;
所述子样本图像的障碍物信息包括所述子样本图像是否有样本障碍物,以及样本障碍物的接地点、高度、物体类型和物体唯一标识。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
图像切分模块,用于所述根据训练样本,构建障碍物检测模型之前,沿纵向对样本障碍物图像进行切分,得到至少两个子样本图像;
信息确定模块,用于根据样本障碍物的轮廓信息,确定所述子样本图像的障碍物信息。
9. 一种电子设备,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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195786.2A CN111368794B (zh) | 2020-03-19 | 2020-03-19 | 障碍物检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195786.2A CN111368794B (zh) | 2020-03-19 | 2020-03-19 | 障碍物检测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368794A CN111368794A (zh) | 2020-07-03 |
CN111368794B true CN111368794B (zh) | 2023-09-19 |
Family
ID=71204518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010195786.2A Active CN111368794B (zh) | 2020-03-19 | 2020-03-19 | 障碍物检测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368794B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475494A (en) * | 1992-12-22 | 1995-12-12 | Mitsubishi Denki Kabushiki Kaisha | Driving environment surveillance apparatus |
CN106503653A (zh) * | 2016-10-21 | 2017-03-15 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
CN108520536A (zh) * | 2018-03-27 | 2018-09-11 | 海信集团有限公司 | 一种视差图的生成方法、装置及终端 |
CN108692719A (zh) * | 2017-04-07 | 2018-10-23 | 丰田自动车株式会社 | 物体检测装置 |
CN109726627A (zh) * | 2018-09-29 | 2019-05-07 | 初速度(苏州)科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
CN109804223A (zh) * | 2016-10-11 | 2019-05-24 | 御眼视觉技术有限公司 | 基于检测到的障碍物导航车辆 |
CN110176017A (zh) * | 2019-03-01 | 2019-08-27 | 北京纵目安驰智能科技有限公司 | 一种基于目标检测的边缘检测模型、方法和存储介质 |
CN110246142A (zh) * | 2019-06-14 | 2019-09-17 | 深圳前海达闼云端智能科技有限公司 | 一种检测障碍物的方法、终端和可读存储介质 |
CN110738183A (zh) * | 2019-10-21 | 2020-01-31 | 北京百度网讯科技有限公司 | 障碍物检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190039515A1 (en) * | 2017-08-01 | 2019-02-07 | Nanning Fugui Precision Industrial Co., Ltd. | System and method for warning against vehicular collisions when driving |
US11202055B2 (en) * | 2018-02-28 | 2021-12-14 | Blackberry Limited | Rapid ground-plane discrimination in stereoscopic images |
-
2020
- 2020-03-19 CN CN202010195786.2A patent/CN111368794B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5475494A (en) * | 1992-12-22 | 1995-12-12 | Mitsubishi Denki Kabushiki Kaisha | Driving environment surveillance apparatus |
CN109804223A (zh) * | 2016-10-11 | 2019-05-24 | 御眼视觉技术有限公司 | 基于检测到的障碍物导航车辆 |
CN106503653A (zh) * | 2016-10-21 | 2017-03-15 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
CN108692719A (zh) * | 2017-04-07 | 2018-10-23 | 丰田自动车株式会社 | 物体检测装置 |
CN108520536A (zh) * | 2018-03-27 | 2018-09-11 | 海信集团有限公司 | 一种视差图的生成方法、装置及终端 |
CN109726627A (zh) * | 2018-09-29 | 2019-05-07 | 初速度(苏州)科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
CN110176017A (zh) * | 2019-03-01 | 2019-08-27 | 北京纵目安驰智能科技有限公司 | 一种基于目标检测的边缘检测模型、方法和存储介质 |
CN110246142A (zh) * | 2019-06-14 | 2019-09-17 | 深圳前海达闼云端智能科技有限公司 | 一种检测障碍物的方法、终端和可读存储介质 |
CN110738183A (zh) * | 2019-10-21 | 2020-01-31 | 北京百度网讯科技有限公司 | 障碍物检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Ramy Ashraf Zeineldin,等.Fast and accurate ground plane detection for the visually impaired from 3D organized point clouds.《2016 SAI Computing Conference (SAI)》.2016,全文. * |
解兴哲,等.基于双目视觉的障碍物高度检测.《传感器与微系统》.2010,第29卷(第7期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111368794A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220383535A1 (en) | Object Tracking Method and Device, Electronic Device, and Computer-Readable Storage Medium | |
CN111860479B (zh) | 光学字符识别方法、装置、电子设备及存储介质 | |
CN111753961B (zh) | 模型训练方法和装置、预测方法和装置 | |
US20220270289A1 (en) | Method and apparatus for detecting vehicle pose | |
CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN110968718B (zh) | 目标检测模型负样本挖掘方法、装置及电子设备 | |
CN111722245B (zh) | 定位方法、定位装置和电子设备 | |
US11694445B2 (en) | Obstacle three-dimensional position acquisition method and apparatus for roadside computing device | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
CN111524192B (zh) | 车载相机外参的标定方法、装置、系统及存储介质 | |
CN110929639A (zh) | 用于确定图像中障碍物位置的方法、装置、设备和介质 | |
US11380035B2 (en) | Method and apparatus for generating map | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN111402326B (zh) | 障碍物的检测方法、装置、无人车及存储介质 | |
CN111540010B (zh) | 一种道路监测的方法、装置、电子设备及存储介质 | |
CN111402161A (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
US11830242B2 (en) | Method for generating a license plate defacement classification model, license plate defacement classification method, electronic device and storage medium | |
CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
CN111337898A (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
CN111460072B (zh) | 车道线检测方法、装置、设备和存储介质 | |
CN111652112B (zh) | 一种车道流向的识别方法、装置、电子设备及存储介质 | |
CN110798681B (zh) | 成像设备的监测方法、装置和计算机设备 | |
CN113012255B (zh) | 道路边线提取方法、装置、设备和介质 | |
CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 |
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 |