CN111383337A - 用于识别对象的方法和装置 - Google Patents
用于识别对象的方法和装置 Download PDFInfo
- Publication number
- CN111383337A CN111383337A CN202010202287.1A CN202010202287A CN111383337A CN 111383337 A CN111383337 A CN 111383337A CN 202010202287 A CN202010202287 A CN 202010202287A CN 111383337 A CN111383337 A CN 111383337A
- Authority
- CN
- China
- Prior art keywords
- target
- dimensional
- dimensional points
- dimensional point
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于识别对象的方法和装置。上述方法的一具体实施方式包括:获取包括目标对象的图像序列;基于上述图像序列进行三维重建,得到三维点以及上述图像序列中的二维点与上述三维点的映射关系;对上述图像序列中目标对象的二维点进行检测,确定目标二维点;根据上述目标二维点以及上述映射关系,从上述三维点中确定出目标三维点;根据上述目标二维点以及上述目标三维点,确定上述目标对象的信息。该实施方式可以根据采集的图像序列,确定目标对象的信息,满足高精地图生成的需求。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于识别对象的方法和装置。
背景技术
相对于传统地图而言,高精地图能够提供高精度的三维信息,准确的道路形状:如坡度、曲率和高程等,以及车道线、交通标牌等详细的道路元素,能够为辅助驾驶系统或者自动驾驶系统提供坚实的基础。现阶段,大多数高精地图是通过专业采集设备进行采集生成的。受限于采集设备的价格,高精地图的实时性受到制约。而自动驾驶感知系统需要完成对环境的实时感知,高精地图存在的目的之一就是弥补感知系统的不足,提供先验。如果这个先验不够准确的话,那么会影响到自动驾驶感知系统的感知结果,进而影响到后续的决策和规划,影响整个自动驾驶系统的状态。而通过众包设备进行数据采集并回传到云端进行处理,能够极大的缩小地图更新周期。
目前的众包更新方案都是通过摄像头拍摄路面元素,在设备终端进行简单处理或者视频直接回传到云端进行后处理来完成。处理过程一般通过实时定位与制图(SLAM,Simultaneous Localization And Mapping)或者三维重建(SFM,Structure From Motion)等技术完成。而通过建模获得视觉点云后,需要进一步提取为矢量化元素。由于视觉点云均匀度和稠密程度远不及激光雷达等设备,因此,在元素矢量化过程中需要进行一些特殊处理来减小矢量化误差。
发明内容
本申请实施例提出了用于识别对象的方法和装置,以解决现有的对象识别方法识别信息精度不高的问题。
第一方面,本申请实施例提供了一种用于识别对象的方法,包括:获取包括目标对象的图像序列;基于上述图像序列进行三维重建,得到三维点以及上述图像序列中的二维点与上述三维点的映射关系;对上述图像序列中目标对象的二维点进行检测,确定目标二维点;根据上述目标二维点以及上述映射关系,从上述三维点中确定出目标三维点;根据上述目标二维点以及上述目标三维点,确定上述目标对象的信息。
在一些实施例中,上述对上述图像序列中目标对象的二维点进行检测,确定目标二维点,包括:确定上述图像序列各图像中目标对象的边框;将各图像中边框内的二维点作为目标二维点。
在一些实施例中,上述确定上述图像序列各图像中目标对象的边框,包括:对上述图像序列中各图像进行角点检测或边框检测,根据检测结果确定上述目标对象的边框。
在一些实施例中,上述根据上述目标二维点以及上述目标三维点,识别上述目标对象的信息,包括:对上述目标三维点进行平面拟合;将上述目标二维点投射到拟合得到的平面上,得到上述目标对象的信息。
在一些实施例中,在对上述目标三维点进行平面拟合之前,上述方法还包括:对上述目标三维点进行去噪处理。
第二方面,本申请实施例提供了一种用于识别对象的装置,包括:获取单元,被配置成获取包括目标对象的图像序列;重建单元,被配置成基于上述图像序列进行三维重建,得到三维点以及上述图像序列中的二维点与上述三维点的映射关系;检测单元,被配置成对上述图像序列中目标对象的二维点进行检测,确定目标二维点;确定单元,被配置成根据上述目标二维点以及上述映射关系,从上述三维点中确定出目标三维点;识别单元,被配置成根据上述目标二维点以及上述目标三维点,识别上述目标对象的信息。
在一些实施例中,上述检测单元进一步被配置成:确定上述图像序列各图像中目标对象的边框;将各图像中边框内的二维点作为目标二维点。
在一些实施例中,上述检测单元进一步被配置成:对上述图像序列中各图像进行角点检测或边框检测,根据检测结果确定上述目标对象的边框。
在一些实施例中,上述识别单元进一步被配置成:对上述目标三维点进行平面拟合;将上述目标二维点投射到拟合得到的平面上,得到上述目标对象的信息。
在一些实施例中,上述装置还包括处理单元,被配置成:在上述识别单元对上述目标三维点进行平面拟合之前,对上述目标三维点进行去噪处理。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面任一实施例所描述的方法。
第四方面,本申请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第一方面任一实施例所描述的方法。
本申请的上述实施例提供的用于识别对象的方法和装置,可以首先获取包括目标对象的图像序列。并基于图像序列进行三维重建,得到三维点以及图像序列中的二维点与所述三维点的映射关系。然后,对图像序列中目标对象的二维点进行检测,确定目标二维点。并根据目标二维点以及映射关系,从三维点中确定出目标三维点。最后,根据目标二维点以及目标三维点,确定目标对象的信息。本实施例的方法,可以结合目标对象的三维点和二维点来确定目标对象的信息,从而使得目标对象的信息更准确、细致,能够满足高精地图生成的需求。
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所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于识别对象的方法的一个实施例的流程图;
图3a是根据本申请的用于识别对象的方法的一个应用场景中采集得到的图像的示意图;
图3b是根据本申请的用于识别对象的方法的一个应用场景中得到的处理图像的示意图;
图4是根据本申请的用于识别对象的方法的另一个实施例的流程图;
图5是图4所示实施例中目标二维点与目标三维点的映射关系示意图;
图6是图4所示实施例中目标三维点拟合到平面的示意图;
图7是图4所示实施例中目标二维点投射到拟合平面的示意图;
图8是根据本申请的用于识别对象的装置的一个实施例的结构示意图;
图9是适于用来实现本申请实施例的电子设备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申请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,本申请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申请。
图1示出了可以应用本申请的用于识别对象的方法或用于识别对象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可以包括车辆101、网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种无线连接类型。
车辆101在行驶过程中可以与服务器105交互,以接收或发送消息等。车辆101可以为采集车辆,其上可以安装有各种采集图像的装置,例如单目相机、双目相机等等。
车辆101可以是硬件,也可以是软件。当车辆101为硬件时,可以是能够行驶的各种车辆,包括自动驾驶车辆、半自动驾驶车辆、人工驾驶车辆等等。当车辆101为软件时,可以安装在上述所列举的车辆中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),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103可以是提供各种服务的服务器,例如对车辆101行驶过程中采集的图像序列进行处理的后台服务器。后台服务器可以对接收到数据进行分析等处理,得到处理结果(例如标识牌的信息)。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103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103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于识别对象的方法可以由车辆101执行,也可以由服务器103执行。相应地,用于识别对象的装置可以设置于车辆101中,也可以设置于服务器103中。
应该理解,图1中的车辆、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车辆、网络和服务器。
继续参考图2,示出了根据本申请的用于识别对象的方法的一个实施例的流程200。本实施例的用于识别对象的方法,包括以下步骤:
步骤201,获取包括目标对象的图像序列。
在本实施例中,用于识别对象的方法的执行主体(例如图1所示的车辆101或服务器103)可以通过有线连接方式或者无线连接方式获取包括目标对象的图像序列。上述目标图像可以是各种标识牌、交通指示牌等。上述图像序列可以是车辆在行驶过程中采集的包括上述标识牌的一系列图像,也可以是视频中包括标识牌的一系列图像。
步骤202,基于图像序列进行三维重建,得到三维点以及图像序列中的二维点与三维点的映射关系。
在获取到图像序列后,执行主体可以基于上述图像序列进行三维重建。此处的三维重建,执行主体可以采用现有技术(例如SFM)来实现。可以理解的是,在三维重建过程中需要的其它数据(例如相机的参数)也可以在执行本步骤时获取。在三维重建后,可以得到三维点。这些三维点可以以坐标来表示。还可以得到图像中的各二维点与上述三维点之间的映射关系。
步骤203,对图像序列中目标对象的二维点进行检测,确定目标二维点。
本实施例中,执行主体还可以对图像序列中目标对象的二维点进行检测,确定目标二维点。可以理解的是,图像序列中除了包括目标对象外,还可能包括其它的对象,例如车辆、车道线等等。在处理过程中,为了减少处理时的计算量,也为了提高对目标对象识别的准确性,执行主体可以对图像序列中各图像的目标对象的二维点进行检测,以确定目标二维点。此处,目标二维点即目标对象的二维点。
步骤204,根据目标二维点以及映射关系,从三维点中确定出目标三维点。
执行主体在确定目标二维点后,可以结合二维点与三维点的映射关系,从三维重建得到的多个三维点中确定出于上述目标二维点对应的目标三维点。上述目标三维点也包括了目标对象的信息。
步骤205,根据目标二维点以及目标三维点,识别目标对象的信息。
本实施例中,目标二维点包括目标对象的信息,目标三维点也包括目标对象的信息。执行主体可以将二者结合,以更全面的识别目标对象的信息。此处的结合,可以是将目标三维点投影到一个平面,然后与目标二维点进行叠加。此处,目标对象的信息可以包括颜色、大小、位置等信息。
现有技术中,通过提取图像点云便捷的包围盒获得目标对象(如交通指示牌)的尺寸信息。但受限于视觉点云重建结果,很难直接通过寻找目标对象的边界来确定目标对象的边缘。原因是视觉点云存在明显的毛刺、发散现象,另一方面是视觉点云较稀疏,目标对象的边界不一定有点云体现。这样,难以准确地确定目标对象的边框。本实施例中,通过将目标对象的二维点和三维点结合,能够弥补上述缺陷,使得目标对象的信息更丰富。
继续参见图3a和图3b,是根据本实施例的用于识别对象的方法的一个应用场景的示意图。在该应用场景中,车辆在行驶过程中采集了包括交通指示牌的图像序列(如图3a所示)。经过步骤201~205的处理后,得到如图3b所示的图像。由图3b所示的图像可以得到该交通指示牌的大小、颜色、包括的文字等信息。
本申请的上述实施例提供的用于识别对象的方法,可以首先获取包括目标对象的图像序列。并基于图像序列进行三维重建,得到三维点以及图像序列中的二维点与所述三维点的映射关系。然后,对图像序列中目标对象的二维点进行检测,确定目标二维点。并根据目标二维点以及映射关系,从三维点中确定出目标三维点。最后,根据目标二维点以及目标三维点,确定目标对象的信息。本实施例的方法,可以根据采集的图像序列,确定目标对象的信息,满足高精地图生成的需求。
继续参见图4,其示出了根据本申请的用于识别对象的方法的另一个实施例的流程400。如图4所示,本实施例的用于识别对象的方法,可以包括以下步骤:
步骤401,获取包括目标对象的图像序列。
步骤402,基于图像序列进行三维重建,得到三维点以及图像序列中的二维点与三维点的映射关系。步骤403,确定图像序列各图像中目标对象的边框。
本实施例中,执行主体可以对图像序列中的每帧图像进行处理,以识别目标对象的边框。具体的,执行主体可以对每帧图像进行角点检测或边框检测,然后根据检测结果确定目标对象的边框。以交通指示牌的角点检测为例来说,检测得到的角点即为交通指示牌的角点。根据角点可以确定交通指示牌的边框。
步骤404,将各图像中边框内的二维点作为目标二维点。
在确定各图像中目标对象的边框后,执行主体可以将各图像中边框内的二维点作为目标二维点。
步骤405,根据目标二维点以及映射关系,从三维点中确定出目标三维点。
在实际应用中,三维重建可能存在一些误差,导致重建得到的三维点并不位于一个平面内。图像中二维点与三维点的映射关系如图5所示。在图5中,前面的平面为图像序列中的图像,图像中的框为目标对象所在位置,框中的点为目标二维点,目标二维点与目标三维点一一对应。目标二维点映射在空间中的点即为目标三维点。
步骤406,对目标三维点进行去噪处理。
执行主体在确定目标三维点后,可以对目标三维点进行去噪处理,以提高目标对象的准确度。具体的,执行主体可以采用聚类算法或其它算法对目标三维点进行去噪处理。本实施例中,去噪处理是为了去除那些明显远离其他三维点的三维点。
步骤407,对目标三维点进行平面拟合。
本实施例中,在对目标三维点进行去噪处理后,执行主体可以对处理后的目标三维点进行平面拟合。具体的,执行主体可以将上述目标三维点投射到某一平面上。上述拟合可以采用现有的方法(例如最小二乘法)进行平面拟合。三维点拟合得到的平面如图6所示。
步骤408,将目标二维点投射到拟合得到的平面上,得到目标对象的信息。
执行主体还可以将目标二维点投射到拟合得到的平面上,这样可以保留目标对象的颜色等信息。具体的,执行主体可以根据三维重建得到相机的标定数据和光心位置,上述标定数据可以包括相机的内参数、外参数。执行主体可以根据标定数据和光心位置,将目标二维点投射到拟合平面上。其过程可以由图7所示。
执行主体可以根据最终得到的平面图像,确定目标对象的信息,如大小、颜色等等。
本申请的上述实施例提供的用于识别对象的方法,通过三维重建得到三维点。并将三维点进行平面拟合,并将二维点进行投影,从而能够得到精度较高的轮廓信息。
进一步参考图8,作为对上述各图所示方法的实现,本申请提供了一种用于识别对象的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的用于识别对象的装置800包括:获取单元801、重建单元802、检测单元803、确定单元804以及识别单元805。
获取单元801,被配置成获取包括目标对象的图像序列。
重建单元802,被配置成基于图像序列进行三维重建,得到三维点以及图像序列中的二维点与三维点的映射关系。
检测单元803,被配置成对所述图像序列中目标对象的二维点进行检测,确定目标二维点。
确定单元804,被配置成根据目标二维点以及映射关系,从三维点中确定出目标三维点;
识别单元805,被配置成根据目标二维点以及目标三维点,识别目标对象的信息。
在本实施例的一些可选的实现方式中,检测单元803可以进一步被配置成:确定图像序列各图像中目标对象的边框;将各图像中边框内的二维点作为目标二维点。
在本实施例的一些可选的实现方式中,检测单元803可以进一步被配置成:对图像序列中各图像进行角点检测或边框检测,根据检测结果确定目标对象的边框。
在本实施例的一些可选的实现方式中,识别单元805可以进一步被配置成:对目标三维点进行平面拟合;将目标二维点投射到拟合得到的平面上,得到目标对象的信息。
在本实施例的一些可选的实现方式中,装置800还可以包括图8中未示出的处理单元,被配置成:在识别单元805对目标三维点进行平面拟合之前,对目标三维点进行去噪处理。
应当理解,用于识别对象的装置800中记载的单元801至单元805分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于识别对象的方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。
下面参考图9,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中的服务器或车辆中的终端设备)900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移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例,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9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905: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906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900,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9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909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901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:获取包括目标对象的图像序列;基于图像序列进行三维重建,得到三维点以及图像序列中的二维点与三维点的映射关系;对图像序列中目标对象的二维点进行检测,确定目标二维点;根据目标二维点以及所述映射关系,从三维点中确定出目标三维点;根据目标二维点以及目标三维点,识别目标对象的信息。
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。
描述于本公开的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:一种处理器包括获取单元、重建单元、检测单元、确定单元和识别单元。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,获取单元还可以被描述为“获取包括目标对象的图像序列的单元”。
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,本公开的实施例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的实施例中公开的(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)
1.一种用于识别对象的方法,包括:
获取包括目标对象的图像序列;
基于所述图像序列进行三维重建,得到三维点以及所述图像序列中的二维点与所述三维点的映射关系;
对所述图像序列中目标对象的二维点进行检测,确定目标二维点;
根据所述目标二维点以及所述映射关系,从所述三维点中确定出目标三维点;
根据所述目标二维点以及所述目标三维点,确定所述目标对象的信息。
2.根据权利要求1所述的方法,其中,所述对所述图像序列中目标对象的二维点进行检测,确定目标二维点,包括:
确定所述图像序列各图像中目标对象的边框;
将各图像中边框内的二维点作为目标二维点。
3.根据权利要求2所述的方法,其中,所述确定所述图像序列各图像中目标对象的边框,包括:
对所述图像序列中各图像进行角点检测或边框检测,根据检测结果确定所述目标对象的边框。
4.根据权利要求1所述的方法,其中,所述根据所述目标二维点以及所述目标三维点,识别所述目标对象的信息,包括:
对所述目标三维点进行平面拟合;
将所述目标二维点投射到拟合得到的平面上,得到所述目标对象的信息。
5.根据权利要求4所述的方法,其中,在对所述目标三维点进行平面拟合之前,所述方法还包括:
对所述目标三维点进行去噪处理。
6.一种用于识别对象的装置,包括:
获取单元,被配置成获取包括目标对象的图像序列;
重建单元,被配置成基于所述图像序列进行三维重建,得到三维点以及所述图像序列中的二维点与所述三维点的映射关系;
检测单元,被配置成对所述图像序列中目标对象的二维点进行检测,确定目标二维点;
确定单元,被配置成根据所述目标二维点以及所述映射关系,从所述三维点中确定出目标三维点;
识别单元,被配置成根据所述目标二维点以及所述目标三维点,识别所述目标对象的信息。
7.根据权利要求6所述的装置,其中,所述检测单元进一步被配置成:
确定所述图像序列各图像中目标对象的边框;
将各图像中边框内的二维点作为目标二维点。
8.根据权利要求7所述的装置,其中,所述检测单元进一步被配置成:
对所述图像序列中各图像进行角点检测或边框检测,根据检测结果确定所述目标对象的边框。
9.根据权利要求7所述的装置,其中,所述识别单元进一步被配置成:
对所述目标三维点进行平面拟合;
将所述目标二维点投射到拟合得到的平面上,得到所述目标对象的信息。
10.根据权利要求9所述的装置,其中,所述装置还包括处理单元,被配置成:
在所述识别单元对所述目标三维点进行平面拟合之前,对所述目标三维点进行去噪处理。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202287.1A CN111383337B (zh) | 2020-03-20 | 2020-03-20 | 用于识别对象的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202287.1A CN111383337B (zh) | 2020-03-20 | 2020-03-20 | 用于识别对象的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383337A true CN111383337A (zh) | 2020-07-07 |
CN111383337B CN111383337B (zh) | 2023-06-27 |
Family
ID=71217336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010202287.1A Active CN111383337B (zh) | 2020-03-20 | 2020-03-20 | 用于识别对象的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383337B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6628278B1 (en) * | 1999-05-21 | 2003-09-30 | Siemens Aktiengesellschaft | Method for obtaining a three-dimensional map representation, and a navigation system |
AU2003277561A1 (en) * | 2002-11-05 | 2004-06-07 | Asia Air Survey Co., Ltd. | Visualizing system, visualizing method, and visualizing program |
WO2009130729A2 (en) * | 2008-04-22 | 2009-10-29 | Geomondo S.R.L. | Application for identifying, geo-locating and managing points of interest (poi) |
CN105139445A (zh) * | 2015-08-03 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 场景重建方法及装置 |
CN105303615A (zh) * | 2015-11-06 | 2016-02-03 | 中国民航大学 | 一种图像二维拼接与三维表面重建的组合方法 |
US20170103258A1 (en) * | 2015-10-10 | 2017-04-13 | Beijing Kuangshi Technology Co., Ltd. | Object detection method and object detection apparatus |
WO2018126228A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Sign and lane creation for high definition maps used for autonomous vehicles |
CN108564647A (zh) * | 2018-03-30 | 2018-09-21 | 王乐陶 | 一种建立虚拟三维地图的方法 |
US20180307924A1 (en) * | 2016-09-13 | 2018-10-25 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for acquiring traffic sign information |
CN109285181A (zh) * | 2018-09-06 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 用于识别图像的方法和装置 |
CN110264416A (zh) * | 2019-05-28 | 2019-09-20 | 深圳大学 | 稀疏点云分割方法及装置 |
CN110428499A (zh) * | 2019-07-15 | 2019-11-08 | 高新兴科技集团股份有限公司 | 在二维平面地图上叠加三维实景地图的方法 |
WO2019228144A1 (zh) * | 2018-05-31 | 2019-12-05 | 北京京东尚科信息技术有限公司 | 图像处理方法和装置 |
CN110634159A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种目标检测方法和装置 |
CN110866449A (zh) * | 2019-10-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 识别道路中目标对象的方法和装置 |
-
2020
- 2020-03-20 CN CN202010202287.1A patent/CN111383337B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6628278B1 (en) * | 1999-05-21 | 2003-09-30 | Siemens Aktiengesellschaft | Method for obtaining a three-dimensional map representation, and a navigation system |
AU2003277561A1 (en) * | 2002-11-05 | 2004-06-07 | Asia Air Survey Co., Ltd. | Visualizing system, visualizing method, and visualizing program |
WO2009130729A2 (en) * | 2008-04-22 | 2009-10-29 | Geomondo S.R.L. | Application for identifying, geo-locating and managing points of interest (poi) |
CN105139445A (zh) * | 2015-08-03 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 场景重建方法及装置 |
US20170103258A1 (en) * | 2015-10-10 | 2017-04-13 | Beijing Kuangshi Technology Co., Ltd. | Object detection method and object detection apparatus |
CN105303615A (zh) * | 2015-11-06 | 2016-02-03 | 中国民航大学 | 一种图像二维拼接与三维表面重建的组合方法 |
US20180307924A1 (en) * | 2016-09-13 | 2018-10-25 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for acquiring traffic sign information |
WO2018126228A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Sign and lane creation for high definition maps used for autonomous vehicles |
CN108564647A (zh) * | 2018-03-30 | 2018-09-21 | 王乐陶 | 一种建立虚拟三维地图的方法 |
WO2019228144A1 (zh) * | 2018-05-31 | 2019-12-05 | 北京京东尚科信息技术有限公司 | 图像处理方法和装置 |
CN110634159A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种目标检测方法和装置 |
CN109285181A (zh) * | 2018-09-06 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 用于识别图像的方法和装置 |
CN110264416A (zh) * | 2019-05-28 | 2019-09-20 | 深圳大学 | 稀疏点云分割方法及装置 |
CN110428499A (zh) * | 2019-07-15 | 2019-11-08 | 高新兴科技集团股份有限公司 | 在二维平面地图上叠加三维实景地图的方法 |
CN110866449A (zh) * | 2019-10-21 | 2020-03-06 | 北京京东尚科信息技术有限公司 | 识别道路中目标对象的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111383337B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11105638B2 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN111127563A (zh) | 联合标定方法、装置、电子设备及存储介质 | |
CN109582880B (zh) | 兴趣点信息处理方法、装置、终端及存储介质 | |
CN111461981B (zh) | 点云拼接算法的误差估计方法和装置 | |
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN111353453A (zh) | 用于车辆的障碍物检测方法和装置 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN110110696B (zh) | 用于处理信息的方法和装置 | |
CN109034214B (zh) | 用于生成标记的方法和装置 | |
CN112598731B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
US11699234B2 (en) | Semantic segmentation ground truth correction with spatial transformer networks | |
CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
CN112558036B (zh) | 用于输出信息的方法和装置 | |
CN116844129A (zh) | 多模态特征对齐融合的路侧目标检测方法、系统及装置 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN111369624B (zh) | 定位方法和装置 | |
CN114119973A (zh) | 一种基于图像语义分割网络的空间距离预测方法及系统 | |
CN110120075B (zh) | 用于处理信息的方法和装置 | |
CN110119721B (zh) | 用于处理信息的方法和装置 | |
CN114492573A (zh) | 一种基于松弛迭代的语义特征的地图匹配方法及装置 |
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 |