CN111382695A - 用于检测目标的边界点的方法和装置 - Google Patents
用于检测目标的边界点的方法和装置 Download PDFInfo
- Publication number
- CN111382695A CN111382695A CN202010152468.8A CN202010152468A CN111382695A CN 111382695 A CN111382695 A CN 111382695A CN 202010152468 A CN202010152468 A CN 202010152468A CN 111382695 A CN111382695 A CN 111382695A
- Authority
- CN
- China
- Prior art keywords
- marked
- target
- point
- boundary
- fisheye
- 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.)
- Pending
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了用于检测目标的边界点的方法和装置,涉及自动驾驶技术领域,尤其是自主泊车技术领域。方法包括:获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;将原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;其中,目标为包围全景图的中心点的目标;已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。该方法可以有效的降低检测目标的边界点的运算时间,加快检测速度,降低对硬件的计算能力的要求,降低硬件的成本。
Description
技术领域
本公开涉及计算机技术领域,具体涉及图像识别技术领域,尤其涉及用于检测目标的边界点的方法和装置。
背景技术
在现有的智能汽车场景中,为了能够检测车辆可行驶区域,车上加装了四路鱼眼摄像头,分别是一个前向鱼眼摄像头,左右各一个侧向鱼眼摄像头,以及后向鱼眼摄像头。
在车辆行进的过程中,四路鱼眼摄像头将获得的视频数据传输到现场可编程门阵列(FPGA)中,然后在FPGA中,采用线下训练好的四个模型(分别对应四路摄像头)分别对四路摄像头的图像数据进行推断,最终返回四个结果给下游进行决策。
发明内容
本公开实施例提供了用于检测目标的边界点的方法和装置。
第一方面,本公开实施例提供了一种用于检测目标的边界点的方法,包括:获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;将原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;其中,目标为包围全景图的中心点的目标;已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。
在一些实施例中,基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本采用以下步骤得到:拼接同一时刻采集的已标记目标的多张鱼眼图像样本,得到已标记目标的标记全景图样本;从标记全景图样本的中心点对外进行径向扫描直至扫描完标记全景图样本,得到已标记目标的边界点的全景图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0。
在一些实施例中,基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本采用以下步骤得到:获取同一时刻采集的已标记目标的多张鱼眼图像样本;对于已标记目标的各张鱼眼图像样本进行横向或列向扫描直至扫描完该张已标记目标的鱼眼图像样本,得到各张鱼眼图像样本的已标记目标的边界点的特征图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0;将各张鱼眼图像样本的已标记目标的边界点的特征图样本,拼接为已标记目标的边界点的全景图样本。
在一些实施例中,同一时刻采集的已标记目标的多张鱼眼图像样本包括:针对同一时刻采集的多张鱼眼图像样本,采用语义分割模型识别其中的目标所得到的已标记目标的多张鱼眼图像样本。
在一些实施例中,目标包括可行驶区域。
第二方面,本公开实施例提供了一种用于检测目标的边界点的装置,包括:图像获取单元,被配置成获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;图像输出单元,被配置成将原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;其中,目标为包围全景图的中心点的目标;已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。
在一些实施例中,图像输出单元中已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出采用以下单元得到:图像拼接单元,被配置成拼接同一时刻采集的已标记目标的多张鱼眼图像样本,得到已标记目标的标记全景图样本;图像扫描单元,被配置成从标记全景图样本的中心点对外进行径向扫描直至扫描完标记全景图样本,得到已标记目标的边界点的全景图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0。
在一些实施例中,图像输出单元中已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出采用以下单元得到:获取图像单元,被配置成获取同一时刻采集的已标记目标的多张鱼眼图像样本;扫描图像单元,被配置成对于已标记目标的各张鱼眼图像样本进行横向或列向扫描直至扫描完该张已标记目标的鱼眼图像样本,得到各张鱼眼图像样本的已标记目标的边界点的特征图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0;拼接图像单元,被配置成将各张鱼眼图像样本的已标记目标的边界点的特征图样本,拼接为已标记目标的边界点的全景图样本。
在一些实施例中,图像拼接单元或获取图像单元两者中同一时刻采集的已标记目标的多张鱼眼图像样本包括:针对同一时刻采集的多张鱼眼图像样本,采用语义分割模型识别其中的目标所得到的已标记目标的多张鱼眼图像样本。
在一些实施例中,目标包括可行驶区域。
第三方面,本公开实施例提供了一种电子设备/终端/服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任一所述的用于检测目标的边界点的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上任一所述的用于检测目标的边界点的方法。
本公开实施例提供的用于检测目标的边界点的方法和装置,首先获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;将原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;其中,目标为包围全景图的中心点的目标;已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。在这一过程中,只需要将原始全景图输入已训练完成的目标边界点检测神经网络模型,便可得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图,从而可以快速的得到已标记目标的边界点的全景图,有效的降低检测目标的边界点的运算时间,加快检测速度,降低对硬件的计算能力的要求,降低硬件的成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开实施例的用于检测目标的边界点的方法的一个实施例的流程示意图;
图3是根据本公开实施例的用于检测目标的边界点的方法的一个示例性应用场景;
图4是根据本公开实施例的用于检测目标的边界点的方法的又一个实施例的流程示意图;
图5是本公开的用于检测目标的边界点的装置的一个实施例的示例性结构图;
图6是适于用来实现本公开实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于检测目标的边界点的方法或用于检测目标的边界点的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如图像处理应用、行驶提醒应用、行驶控制应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是支持浏览器应用的各种电子设备,包括但不限于汽车大脑、智能终端、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
在实践中,本公开实施例所提供的用于检测目标的边界点的方法可以由终端设备101、102、103和/或服务器105、106执行,用于检测目标的边界点的装置也可以设置于终端设备101、102、103和/或服务器105、106中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,图2示出了根据本公开的用于检测目标的边界点的方法的一个实施例的流程200。该用于检测目标的边界点的方法包括以下步骤:
步骤201,获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图。
在本实施例中,用于检测目标的边界点的方法的执行主体(例如图1所示的终端或服务器)可以从本地或远程相册、数据库获取原始全景图像,也可以经由本地或远程的图像处理服务获取原始全景图像。
这里的原始全景图像,可以采用同一时刻采集的多张鱼眼图像进行拼接,将拼接的全景图像作为原始全景图像;还可以在采用同一时刻采集的多张鱼眼图像得到拼接的全景图像之后,对拼接的全景图像进行进一步处理(例如数据清洗、数据增强等),得到原始全景图像。
步骤202,将原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图。
在本实施例中,目标边界点检测神经网络模型为已训练完成的、以原始全景图样本为输入、以已标记目标的边界点的全景图样本为输出的机器学习网络,可以为现有技术或未来发展的技术中用于检测并标记输入图像中的目标的边界点的神经网络模型,本申请对此不作限定。
例如,可以基于R-CNN、空间金字塔池化网络SPP、FAST-RCNN、FASTER-RCNN等来实现目标边界点检测神经网络模型;在需要实时性较高的场合,可以基于目标检测算法YOLO系列、YOLO+SSD、支持向量机SVM或者深度卷积神经网络DeepLab系列等来实现目标边界点检测神经网络模型。
目标边界点检测神经网络模型可以通过以下方式得到:将全景图样本作为输入,将对应全景图样本的包含目标的边界点的全景图样本作为期望输出,训练目标边界点检测神经网络模型的初始网络得到。
其中,全景图样本可以采用同一时刻采集的多张鱼眼图像样本拼接得到。
对应全景图样本的包含目标的边界点的全景图样本,可以首先获取同一时刻采集的多张鱼眼图像样本的目标识别结果,得到已标记目标的多张鱼眼图像样本,再对已标记目标的多张鱼眼图像样本进行扫描,得到已标记目标的边界点,从而得到已标记目标的边界点的全景图样本。
全景图中的目标,是根据应用场景的需要从全景图中需要识别出的目标。例如,全景图中包围全景图的中心点的特定实体(对应现实场景中包围图像采集点的目标)。在一个具体的示例中,全景图中的目标可以为:在清洁机器人的场景中,从待处理的全景图中识别出的可清洁区域。
在本实施例的一些可选实现方式中,基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本可以采用以下步骤得到:拼接同一时刻采集的已标记目标的多张鱼眼图像样本,得到已标记目标的标记全景图样本;从标记全景图样本的中心点对外进行径向扫描直至扫描完标记全景图样本,得到已标记目标的边界点的全景图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0。
在本实现方式中,鱼眼图像样本中所标记的目标,可以采用现有技术中用于标记目标的方法来实现,例如,采用语义分割或目标识别的方法来识别鱼眼图像样本中需要识别出的目标,并对目标进行标记。
在获取同一时刻采集的已标记目标的多张鱼眼图像样本之后,可以将同一时刻采集的已标记目标的多张鱼眼图像样本拼接为已标记目标的标记全景图样本。
对于标记全景图样本,上述执行主体从标记全景图样本的中心点出发,向标记全景图样本的边缘方向进行径向扫描。其中,径向扫描,是从标记全景图样本的中心点开始,并沿径向扫描至标记全景图样本的边缘处,然后又回到标记全景图样本的中心点,与前一条径向线相邻产生另一条径向线,新产生的径向线沿径向扫描至标记全景图样本的边缘处,然后又回到标记全景图样本的中心点,如此一条径向线出现在前一条径向线之后,像各条径向线围绕标记全景图样本的中心点在旋转一样。
上述执行主体可以在执行每一次径向线扫描时,将所扫描到的为障碍物的接地点的像素点以及为路沿点的像素点的像素值确定为255,将所扫描到的其它像素点的像素值确定为0,这样就可以得到像素值为255的像素点作为目标的边界点,从而得到已标记目标的边界点的标记全景图样本。其中,判断像素点是否为障碍物接地点或路沿点的方法,为本领域的现有技术,在此不再赘述。例如,若目标为语义分割得到的不同色块,则可以根据色块的颜色变换确定是否为障碍物接地点或路沿点;若目标为检测到的目标框,则可以将目标框的最下方作为接地点。
在本实施例的一些可选实现方式中,基于已标记目标的多张鱼眼图像样本确定的已标记目标的边界点的全景图样本可以采用以下步骤得到:获取同一时刻采集的已标记目标的多张鱼眼图像样本;对于已标记目标的各张鱼眼图像样本进行横向或列向扫描直至扫描完该张已标记目标的鱼眼图像样本,得到各张鱼眼图像样本的已标记目标的边界点的特征图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0;将各张鱼眼图像样本的已标记目标的边界点的特征图样本,拼接为已标记目标的边界点的全景图样本。
在本实现方式中,已标记目标的鱼眼图像样本,可以采用现有技术中用于识别目标的方法来对鱼眼图像样本进行识别得到。例如,采用语义分割或目标识别的方法来识别鱼眼图像样本中需要识别出的目标,并对目标进行标记。
在获取同一时刻采集的已标记目标的多张鱼眼图像样本之后,可以对每一张已标记目标的鱼眼图像样本进行逐行或逐列扫描,并在每一次扫描时,将所扫描到的为障碍物的接地点的像素点以及为路沿点的像素点的像素值确定为255,将所扫描到的其它像素点的像素值确定为0,这样就可以得到像素值为255的像素点作为目标的边界点,从而得到各张鱼眼图像样本的已标记目标的边界点的特征图样本,最后,将各张鱼眼图像样本的已标记目标的边界点的特征图样本拼接为已标记目标的边界点的全景图样本。其中,判断像素点是否为障碍物接地点或路沿点的方法,为本领域的现有技术,在此不再赘述。例如,若目标为语义分割得到的不同色块,则可以根据色块的颜色变换确定是否为障碍物接地点或路沿点;若目标为检测到的目标框,则可以将目标框的最下方作为接地点。
本公开上述实施例的用于检测目标的边界点的方法,基于对已标记目标的多张鱼眼图像样本进行扫描来确定已标记目标的边界点的全景图样本,解决了目标边界点检测神经网络模型在训练阶段所采用的期望输出,从而可以提高训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的准确性,进而由于采用了已训练完成的目标边界点检测神经网络模型来输出已标记目标的边界点的全景图,可以保证输出结果的准确性,并且有效的降低确定目标的边界点的运算时间,加快检测速度,降低对硬件的计算能力的要求,降低硬件的成本。
以下结合图3,描述本公开的用于检测目标的边界点的方法的示例性应用场景。
如图3所示,图3示出了根据本公开的用于检测目标的边界点的方法的一个示例性应用场景。
如图3所示,用于检测目标的边界点的方法300运行于电子设备310中,可以包括:
首先,获取采用同一时刻采集的多张鱼眼图像301拼接的原始全景图302;
之后,将原始全景图302输入已训练完成的目标边界点检测神经网络模型303,得到神经网络模型输出的已标记目标的边界点的全景图304。其中,目标为包围全景图的中心点的目标;已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本305进行扫描所确定的已标记目标的边界点的全景图样本306。
应当理解,上述图3中所示出的用于检测目标的边界点的方法的应用场景,仅为对于用于检测目标的边界点的方法的示例性描述,并不代表对该方法的限定。例如,上述图3中示出的各个步骤,可以进一步采用更为细节的实现方法。也可以在上述图3的基础上,进一步增加对得到的已标记目标的边界点的全景图进行应用的步骤。
进一步参考图4,图4示出了根据本公开的用于检测目标的边界点的方法的又一个实施例的示意性流程图。
如图4所示,本实施例的用于检测目标的边界点的方法400,可以包括以下步骤:
步骤401,获取原始全景图像。
在本实施例中,用于检测目标的边界点的方法的执行主体(例如图1所示的终端或服务器)可以从本地或远程相册、数据库获取原始全景图像,也可以经由本地或远程的图像处理服务获取原始全景图像。
这里的原始全景图像,可以采用同一时刻采集的多张鱼眼图像进行拼接,将拼接的全景图像作为原始全景图像;还可以在采用同一时刻采集的多张鱼眼图像得到拼接的全景图像之后,对拼接的全景图像进行进一步处理(例如数据清洗、数据增强等),得到原始全景图像。
步骤402,将原始全景图输入已训练完成的可行驶区域边界点检测神经网络模型,得到神经网络模型输出的已标记可行驶区域的边界点的全景图。
在本实施例中,可行驶区域边界点检测神经网络模型为已训练完成的、以原始全景图像为输入、以已标记可行驶区域的边界点的全景图为输出的机器学习网络,可以为现有技术或未来发展的技术中用于检测并标记输入图像中的可行驶区域的边界点的神经网络模型,本申请对此不作限定。
例如,可以基于R-CNN、空间金字塔池化网络SPP、FAST-RCNN、FASTER-RCNN等来实现可行驶区域边界点检测神经网络模型;在需要实时性较高的场合,可以基于可行驶区域检测算法YOLO系列、YOLO+SSD、支持向量机SVM或者深度卷积神经网络DeepLab系列等来实现可行驶区域边界点检测神经网络模型。
可行驶区域边界点检测神经网络模型可以通过以下方式得到:将全景图样本作为输入,将对应全景图样本的包含可行驶区域的边界点的全景图样本作为期望输出,训练可行驶区域边界点检测神经网络模型的初始网络得到。
其中,全景图样本可以采用同一时刻采集的多张鱼眼图像样本拼接得到。
对应全景图样本的包含可行驶区域的边界点的全景图样本,可以首先获取同一时刻采集的多张鱼眼图像样本的可行驶区域识别结果,得到已标记可行驶区域的多张鱼眼图像样本,再对已标记可行驶区域的多张鱼眼图像样本进行扫描,得到已标记的可行驶区域的边界点,从而得到已标记可行驶区域的边界点的全景图样本。
具体地,可以先获取同一时刻采集的已标记可行驶区域的多张鱼眼图像样本,之后对这些已标记可行驶区域的多张鱼眼图像样本进行扫描,得到已标记可行驶区域的边界点,从而得到已标记可行驶区域的边界点的全景图样本。
在本实施例的一些可选实现方式中,基于对已标记可行驶区域的多张鱼眼图像样本进行扫描所确定的已标记可行驶区域的边界点的全景图样本可以采用以下步骤得到:拼接同一时刻采集的已标记可行驶区域的多张鱼眼图像样本,得到已标记可行驶区域的标记全景图样本;从标记全景图样本的中心点对外进行径向扫描直至扫描完标记全景图样本,得到已标记可行驶区域的边界点的全景图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0。
在本实现方式中,已标记可行驶区域的鱼眼图像样本,可以采用现有技术中用于标记可行驶区域的方法来实现,例如,采用语义分割或可行驶区域识别的方法来识别鱼眼图像样本中需要识别出的可行驶区域,并对可行驶区域进行标记。
在获取同一时刻采集的已标记可行驶区域的多张鱼眼图像样本之后,可以将同一时刻采集的已标记可行驶区域的多张鱼眼图像样本拼接为已标记可行驶区域的标记全景图样本。
对于标记全景图样本,上述执行主体从标记全景图样本的中心点出发,向标记全景图样本的边缘方向进行径向扫描。其中,径向扫描,是从标记全景图样本的中心点开始,并沿径向扫描至标记全景图样本的边缘处,然后又回到标记全景图样本的中心点,与前一条径向线相邻产生另一条径向线,新产生的径向线沿径向扫描至标记全景图样本的边缘处,然后又回到标记全景图样本的中心点,如此一条径向线出现在前一条径向线之后,像各条径向线围绕标记全景图样本的中心点在旋转一样。
上述执行主体可以在执行每一次径向线扫描时,将所扫描到的为障碍物的接地点的像素点以及为路沿点的像素点的像素值确定为255,将所扫描到的其它像素点的像素值确定为0,这样就可以得到像素值为255的像素点作为可行驶区域的边界点,从而得到已标记可行驶区域的边界点的标记全景图样本。其中,判断像素点是否为障碍物接地点或路沿点的方法,为本领域的现有技术,在此不再赘述。例如,若可行驶区域为语义分割得到的不同色块,则可以根据色块的颜色变换确定是否为障碍物接地点或路沿点;若可行驶区域为检测到的可行驶区域的目标框,则可以将可行驶区域的目标框的最下方作为接地点。
在本实施例的一些可选实现方式中,基于已标记可行驶区域的多张鱼眼图像样本确定的已标记可行驶区域的边界点的全景图样本可以采用以下步骤得到:获取同一时刻采集的已标记可行驶区域的多张鱼眼图像样本;对于已标记可行驶区域的各张鱼眼图像样本进行横向或列向扫描直至扫描完该张已标记可行驶区域的鱼眼图像样本,得到各张鱼眼图像样本的已标记可行驶区域的边界点的特征图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0;将各张鱼眼图像样本的已标记可行驶区域的边界点的特征图样本,拼接为已标记可行驶区域的边界点的全景图样本。
在本实现方式中,已标记可行驶区域的鱼眼图像样本,可以采用现有技术中用于识别可行驶区域的方法来对鱼眼图像样本进行识别得到。例如,采用语义分割或可行驶区域识别的方法来识别鱼眼图像样本中需要识别出的可行驶区域,并对可行驶区域进行标记。
在获取同一时刻采集的已标记可行驶区域的多张鱼眼图像样本之后,可以对每一张已标记可行驶区域的鱼眼图像样本进行逐行或逐列扫描,并在每一次扫描时,将所扫描到的为障碍物的接地点的像素点以及为路沿点的像素点的像素值确定为255,将所扫描到的其它像素点的像素值确定为0,这样就可以得到像素值为255的像素点作为可行驶区域的边界点,从而得到各张鱼眼图像样本的已标记可行驶区域的边界点的特征图样本,最后,将各张鱼眼图像样本的已标记可行驶区域的边界点的特征图样本拼接为已标记可行驶区域的边界点的全景图样本。其中,判断像素点是否为障碍物接地点或路沿点的方法,为本领域的现有技术,在此不再赘述。例如,若可行驶区域为语义分割得到的不同色块,则可以根据色块的颜色变换确定是否为障碍物接地点或路沿点;若可行驶区域为检测到的可行驶区域的目标框,则可以将可行驶区域的目标框的最下方作为接地点。
本公开上述实施例的用于检测可行驶区域的边界点的方法,与图2所示的实施例相比,可以基于对已标记可行驶区域的多张鱼眼图像样本进行扫描来确定已标记可行驶区域的边界点的全景图样本,解决了可行驶区域边界点检测神经网络模型在训练阶段所采用的期望输出,从而可以提高训练完成的可行驶区域边界点检测神经网络模型输出的已标记可行驶区域的边界点的准确性,进而由于采用了已训练完成的可行驶区域边界点检测神经网络模型来输出已标记可行驶区域的边界点的全景图,可以保证输出结果的准确性,并且有效的降低确定可行驶区域的边界点的运算时间,加快检测速度,降低对硬件的计算能力的要求,降低硬件的成本。
作为对上述各图所示方法的实现,本公开实施例提供了一种用于检测目标的边界点的装置的一个实施例,该装置实施例与图2-图4中所示的方法实施例相对应,该装置具体可以应用于上述图1所示的终端或服务器中。
如图5所示,本实施例的用于检测目标的边界点的装置500可以包括:图像获取单元501,被配置成获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;图像输出单元502,被配置成将原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;其中,目标为包围全景图的中心点的目标;已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。
在一些实施例中,图像输出单元502中已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出采用以下单元得到(图中未示出):图像拼接单元,被配置成拼接同一时刻采集的已标记目标的多张鱼眼图像样本,得到已标记目标的标记全景图样本;图像扫描单元,被配置成从标记全景图样本的中心点对外进行径向扫描直至扫描完标记全景图样本,得到已标记目标的边界点的全景图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0。
在一些实施例中,图像输出单元中已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出采用以下单元得到(图中未示出):获取图像单元,被配置成获取同一时刻采集的已标记目标的多张鱼眼图像样本;扫描图像单元,被配置成对于已标记目标的各张鱼眼图像样本进行横向或列向扫描直至扫描完该张已标记目标的鱼眼图像样本,得到各张鱼眼图像样本的已标记目标的边界点的特征图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0;拼接图像单元,被配置成将各张鱼眼图像样本的已标记目标的边界点的特征图样本,拼接为已标记目标的边界点的全景图样本。
在一些实施例中,图像拼接单元或获取图像单元两者中同一时刻采集的已标记目标的多张鱼眼图像样本包括:针对同一时刻采集的多张鱼眼图像样本,采用语义分割模型识别其中的目标所得到的已标记目标的多张鱼眼图像样本。
在一些实施例中,目标包括可行驶区域。
应当理解,装置500中记载的各个单元与参考图2-图4描述的方法中记载的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的各个单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如笔记本电脑、台式计算机等。图6示出的终端设备/服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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。计算机可读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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:用于检测目标的边界点的方法,包括:获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;将原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;其中,目标为包围全景图的中心点的目标;已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。
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公开的实施例的操作的计算机程序代码,所述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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户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服务器上执行。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)——连接到用户计算机,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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像获取单元和图像输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像获取单元还可以被描述为“获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于检测目标的边界点的方法,包括:
获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;
将所述原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;
其中,所述目标为包围所述全景图的中心点的目标;所述已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。
2.根据权利要求1所述的方法,其中,所述基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本采用以下步骤得到:
拼接同一时刻采集的已标记目标的多张鱼眼图像样本,得到已标记目标的标记全景图样本;
从所述标记全景图样本的中心点对外进行径向扫描直至扫描完所述标记全景图样本,得到已标记目标的边界点的全景图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0。
3.根据权利要求1所述的方法,其中,所述基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本采用以下步骤得到:
获取同一时刻采集的已标记目标的多张鱼眼图像样本;
对于已标记目标的各张鱼眼图像样本进行横向或列向扫描直至扫描完该张已标记目标的鱼眼图像样本,得到各张鱼眼图像样本的已标记目标的边界点的特征图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0;
将各张鱼眼图像样本的已标记目标的边界点的特征图样本,拼接为已标记目标的边界点的全景图样本。
4.根据权利要求2或3任意一项所述的方法,其中,所述同一时刻采集的已标记目标的多张鱼眼图像样本包括:
针对同一时刻采集的多张鱼眼图像样本,采用语义分割模型识别其中的目标所得到的已标记目标的多张鱼眼图像样本。
5.根据权利要求1所述的方法,其中,所述目标包括可行驶区域。
6.一种用于检测目标的边界点的装置,包括:
图像获取单元,被配置成获取采用同一时刻采集的多张鱼眼图像拼接的原始全景图;
图像输出单元,被配置成将所述原始全景图输入已训练完成的目标边界点检测神经网络模型,得到已训练完成的目标边界点检测神经网络模型输出的已标记目标的边界点的全景图;
其中,所述目标为包围所述全景图的中心点的目标;所述已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出为:基于对已标记目标的多张鱼眼图像样本进行扫描所确定的已标记目标的边界点的全景图样本。
7.根据权利要求6所述的装置,其中,所述图像输出单元中所述已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出采用以下单元得到:
图像拼接单元,被配置成拼接同一时刻采集的已标记目标的多张鱼眼图像样本,得到已标记目标的标记全景图样本;
图像扫描单元,被配置成从所述标记全景图样本的中心点对外进行径向扫描直至扫描完所述标记全景图样本,得到已标记目标的边界点的全景图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0。
8.根据权利要求6所述的装置,其中,所述图像输出单元中所述已训练完成的目标边界点检测神经网络模型在训练阶段所采用的期望输出采用以下单元得到:
获取图像单元,被配置成获取同一时刻采集的已标记目标的多张鱼眼图像样本;
扫描图像单元,被配置成对于已标记目标的各张鱼眼图像样本进行横向或列向扫描直至扫描完该张已标记目标的鱼眼图像样本,得到各张鱼眼图像样本的已标记目标的边界点的特征图样本;其中,在扫描到每一个像素点时,执行以下像素值确定步骤:判断该像素点是否为障碍物接地点或路沿点,若是,则确定该像素点的像素值为255,若否,则确定该像素点的像素值为0;
拼接图像单元,被配置成将各张鱼眼图像样本的已标记目标的边界点的特征图样本,拼接为已标记目标的边界点的全景图样本。
9.根据权利要求7或8任意一项所述的装置,其中,所述图像拼接单元或所述获取图像单元两者中同一时刻采集的已标记目标的多张鱼眼图像样本包括:
针对同一时刻采集的多张鱼眼图像样本,采用语义分割模型识别其中的目标所得到的已标记目标的多张鱼眼图像样本。
10.根据权利要求6所述的装置,其中,所述目标包括可行驶区域。
11.一种电子设备/终端/服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152468.8A CN111382695A (zh) | 2020-03-06 | 2020-03-06 | 用于检测目标的边界点的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152468.8A CN111382695A (zh) | 2020-03-06 | 2020-03-06 | 用于检测目标的边界点的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382695A true CN111382695A (zh) | 2020-07-07 |
Family
ID=71219860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152468.8A Pending CN111382695A (zh) | 2020-03-06 | 2020-03-06 | 用于检测目标的边界点的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382695A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052009A (zh) * | 2021-03-02 | 2021-06-29 | 北京经纬恒润科技股份有限公司 | 一种车辆防撞方法、模型训练方法及装置 |
CN113326113A (zh) * | 2021-05-25 | 2021-08-31 | 北京市商汤科技开发有限公司 | 任务处理方法及装置、电子设备和存储介质 |
CN113344957A (zh) * | 2021-07-19 | 2021-09-03 | 北京城市网邻信息技术有限公司 | 图像处理方法、图像处理装置和非瞬时性存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839223A (zh) * | 2012-11-21 | 2014-06-04 | 华为技术有限公司 | 图像处理方法及装置 |
CN105488775A (zh) * | 2014-10-09 | 2016-04-13 | 东北大学 | 一种基于六摄像机环视的柱面全景生成装置及方法 |
CN109583483A (zh) * | 2018-11-13 | 2019-04-05 | 中国科学院计算技术研究所 | 一种基于卷积神经网络的目标检测方法和系统 |
CN109934110A (zh) * | 2019-02-02 | 2019-06-25 | 广州中科云图智能科技有限公司 | 一种河道附近违建房屋识别方法 |
CN110163153A (zh) * | 2019-05-23 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 用于识别交通标志牌边界的方法及装置 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
-
2020
- 2020-03-06 CN CN202010152468.8A patent/CN111382695A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839223A (zh) * | 2012-11-21 | 2014-06-04 | 华为技术有限公司 | 图像处理方法及装置 |
CN105488775A (zh) * | 2014-10-09 | 2016-04-13 | 东北大学 | 一种基于六摄像机环视的柱面全景生成装置及方法 |
CN109583483A (zh) * | 2018-11-13 | 2019-04-05 | 中国科学院计算技术研究所 | 一种基于卷积神经网络的目标检测方法和系统 |
CN109934110A (zh) * | 2019-02-02 | 2019-06-25 | 广州中科云图智能科技有限公司 | 一种河道附近违建房屋识别方法 |
CN110163153A (zh) * | 2019-05-23 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 用于识别交通标志牌边界的方法及装置 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
Non-Patent Citations (6)
Title |
---|
广西科学技术协会: "《大开眼界》", 31 December 2018, 广西科学技术出版社 * |
日本日经BP社: "《黑科技驱动世界的100项技术》", 31 August 2018, 东方出版社 * |
李艳菲: "《汽车文化》", 31 August 2010, 华南理工大学出版社 * |
李达辉: "《数字图像处理核心技术及应用》", 31 March 2019, 电子科技大学出版社 * |
罗四维等: "《计算机视觉检测逆问题导论》", 31 March 2017, 北京交通大学出版社 * |
陈慧岩: "《无人驾驶车辆理论与设计》", 31 March 2018, 北京理工大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052009A (zh) * | 2021-03-02 | 2021-06-29 | 北京经纬恒润科技股份有限公司 | 一种车辆防撞方法、模型训练方法及装置 |
CN113326113A (zh) * | 2021-05-25 | 2021-08-31 | 北京市商汤科技开发有限公司 | 任务处理方法及装置、电子设备和存储介质 |
CN113344957A (zh) * | 2021-07-19 | 2021-09-03 | 北京城市网邻信息技术有限公司 | 图像处理方法、图像处理装置和非瞬时性存储介质 |
CN113344957B (zh) * | 2021-07-19 | 2022-03-01 | 北京城市网邻信息技术有限公司 | 图像处理方法、图像处理装置和非瞬时性存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
CN112184738A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN111382695A (zh) | 用于检测目标的边界点的方法和装置 | |
US20190213747A1 (en) | Image processing method and apparatus | |
CN109407679B (zh) | 用于控制无人驾驶汽车的方法和装置 | |
CN111310770A (zh) | 目标检测方法和装置 | |
CN110633718B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN115690765B (zh) | 车牌识别方法、装置、电子设备、可读介质和程序产品 | |
CN115817463B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
CN111783777B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN115326099A (zh) | 局部路径规划方法、装置、电子设备和计算机可读介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN111340880B (zh) | 用于生成预测模型的方法和装置 | |
CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN115086541B (zh) | 一种拍摄位置确定方法、装置、设备及介质 | |
CN111382696A (zh) | 用于检测目标的边界点的方法和装置 | |
CN111340813B (zh) | 图像实例分割方法、装置、电子设备及存储介质 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN116704473B (zh) | 障碍物信息检测方法、装置、电子设备和计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |