CN111414804B - 识别框确定方法、装置、计算机设备、车辆和存储介质 - Google Patents
识别框确定方法、装置、计算机设备、车辆和存储介质 Download PDFInfo
- Publication number
- CN111414804B CN111414804B CN202010122282.8A CN202010122282A CN111414804B CN 111414804 B CN111414804 B CN 111414804B CN 202010122282 A CN202010122282 A CN 202010122282A CN 111414804 B CN111414804 B CN 111414804B
- Authority
- CN
- China
- Prior art keywords
- identification frame
- frame
- target
- initial identification
- adjustment value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 40
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种识别框确定方法、装置、计算机设备、车辆和存储介质,计算机设备获取待检测点云图像中包含目标对象的初始识别框,然后根据初始识别框所包含点云的疏密度计算初始识别框的调整值,根据调整值更新识别框,然后基于更新后的识别框进入下一次迭代,直至调整值为负数或零时,最终确定目标对象的目标识别框。采用上述方法可以提升目标识别框的准确度,在自动驾驶技术中,路径规划模块可以根据准确度较高的目标识别框更合理地规划车辆路径,从而提升路径规划的准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种识别框确定方法、装置、计算机设备、车辆和存储介质。
背景技术
随着人工智能技术的发展,人工智能技术在汽车领域方面得到了广泛应用,比如自动驾驶技术。自动驾驶车辆是一个复杂的工程体系,通常包括环境感知模块、行为决策模块、路径规划模块以及行为控制模块等,需要各个模块相互配合才能全方位保证驾驶的安全性。其中,环境感知模块主要用于对静态物体、动态物体以及路面进行识别,其获得的识别结果是行为决策模块、路径规划模块等处理环境的最重要输入条件。例如,路径规划模块是基于充分的环境感知模块提供的周围环境信息和车辆在该环境中的确定位置,根据一定的路径查找算法,找到一条可优的可通行路径,然后实现无人驾驶车辆自动导航到确定位置。
传统技术中,环境感知模块可以通过对环境进行感知处理,输出具有标记目标对象的识别框的图像,然后将上述图像输出至其它模块。
但是,上述环境感知模块对环境进行感知时,会出现输出的识别框过大的问题,导致路径规划模块根据过大的识别框获得错误的路径规划结果。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升识别框的准确度的识别框确定方法、装置、计算机设备、车辆和存储介质。
一种识别框确定方法,方法包括:
获取待检测点云图像中包含目标对象的初始识别框;
根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
在其中一个实施例中,上述获得目标对象的目标识别框,包括:
若调整值为正数,则将初始识别框的待调整宽度减去调整值作为新的初始识别框,返回执行根据初始识别框所包含点云的疏密度计算初始识别框的调整值的步骤,直至调整值为负数或零,将当前新的初始识别框确定为目标识别框。
在其中一个实施例中,上述方法还包括:
若调整值为负数或零,则将初始识别框确定为目标识别框。
在其中一个实施例中,上述根据初始识别框所包含点云的疏密度计算初始识别框的调整值,包括:
获取初始识别框的缩框方向;
根据初始识别框所包含点云的疏密度,计算初始识别框在缩框方向上的调整值。
在其中一个实施例中,上述根据初始识别框所包含点云的疏密度,计算初始识别框在缩框方向上的调整值,包括:
基于待检测点云图像中各点云的位置坐标,确定位于初始识别框内的各个目标点云;
根据各目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算调整值;参考线为初始识别框中与缩框方向垂直的中心线,或初始识别框在缩框方向上的其中一个边框。
在其中一个实施例中,上述基于待检测点云图像中各点云的位置坐标,确定位于初始识别框内的各个目标点云,包括:
基于待检测点云图像中各点云的位置坐标、初始识别框的中心位置以及初始识别框的尺寸,确定位于初始识别框内的所有点云;
分别统计初始识别框中位于中心线两侧的点云数量;
将初始识别框中点云数量多的一侧中的点云,确定为目标点云。
在其中一个实施例中,上述根据各目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算调整值,包括:
基于每个目标点云的位置坐标以及参考线的位置坐标,计算各目标点云与参考线之间的距离值;
将各个距离值进行排序,获得距离序列;
根据所有目标点云的数量以及预设比值,在距离序列中选择目标距离值;
根据目标距离值与预设的外扩尺寸,计算调整值。
在其中一个实施例中,根据目标点云的数量以及预设比值,在距离序列中选择目标距离值,包括:
计算目标点云的数量与预设比值的乘积,并根据乘积确定距离序列中的目标位置;
将目标位置处的距离值,确定为目标距离值。
在其中一个实施例中,上述预设比值为10%。
在其中一个实施例中,上述根据目标距离值与预设的外扩尺寸,计算调整值,包括:
将目标距离值减去外扩尺寸并乘以2,确定为调整值。
在其中一个实施例中,上述获取待检测点云图像中包含了目标对象的初始识别框,包括:
将待检测点云图像输入预设的深度学习模型,获得目标对象的初始识别框。
在其中一个实施例中,上述待检测点云图像中包括目标对象的识别结果及对应的识别置信度;获取待检测点云图像中包含了目标对象的初始识别框,包括:
对于同一目标对象,将连续多帧待检测点云图像中识别置信度最高的待检测点云图像中包含的识别结果,确定为目标对象的初始识别框。
一种识别框确定装置,上述装置包括:
获取模块,用于获取待检测点云图像中包含目标对象的初始识别框;
调整模块,用于根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,上述处理器执行计算机程序时实现以下步骤:
获取待检测点云图像中包含目标对象的初始识别框;
根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
一种车辆,车辆包括计算机设备,计算机设备包括存储器和处理器,所述存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待检测点云图像中包含目标对象的初始识别框;
根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待检测点云图像中包含目标对象的初始识别框;
根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
上述识别框确定方法、装置、计算机设备、车辆和存储介质,计算机设备获取待检测点云图像中包含目标对象的初始识别框,然后根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。由于计算机设备根据初始识别框中所包含点云的疏密度计算初始识别框的调整值,使得计算机设备可以根据上述调整值对初始识别框的尺寸进行调整;进一步地,计算机设备通过迭代计算,直至调整至为负数或零时,获得目标对象的目标识别框,从而使得调整后的识别框可以更贴合目标对象,提升了目标识别框的准确度,在自动驾驶技术中,路径规划模块可以根据准确度较高的目标识别框更合理地规划车辆路径,提升了路径规划的准确性。
附图说明
图1为一个实施例中识别框确定方法的应用环境图;
图2为一个实施例中识别框确定方法的流程示意图;
图3为一个实施例中识别框确定方法的流程示意图;
图4为另一个实施例中识别框确定方法的流程示意图;
图5为另一个实施例中识别框确定方法的流程示意图;
图6为另一个实施例中识别框确定方法的流程示意图;
图7为一个实施例中识别框确定示意图;
图8为一个实施例中识别框确定装置的结构框图;
图9为一个实施例中识别框确定装置的结构框图;
图10为一个实施例中识别框确定装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的识别框确定方法,可以应用于如图1所示的应用环境中。其中,计算机设备100用于根据初始识别框获得准确的目标识别框。上述计算机设备100可以是自动驾驶车辆中的环境感知模块,也可以需要对目标对象进行检测的其它设备,在此不做限定。其中,计算机设备100可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种识别框确定方法,以该方法应用于图1中的计算机设备100为例进行说明,包括:
S101、获取待检测点云图像中包含目标对象的初始识别框。
其中,上述待检测点云图像可以是激光雷达扫描获得的图像,可以是位于自动驾驶车辆上的激光雷达对环境道路进行扫描获得图像,也可以是位于道路监控系统中的激光雷达所采集的图像,还可以是无人机或机器人采集的点云图像,在此不做限定。
上述待检测点云图像中的目标对象可以是道路中的静态对象,也可以是道路中动态对象,在此不做限定。上述静态对象可以是道路标识,也可以是建筑物或者路灯等;上述动态对象可以是道路中行驶的车辆、自行车或者行人。
具体地,计算机设备获取待检测点云图像中,包含目标对象的初始识别框时,可以获取待检测点云图像之后,对获取的待检测点云图像中的目标对象进行识别,获得上述初始识别框;另外,计算机设备也可以直接接收其它设备发送的携带初始识别框的点云图像,在此不做限定。其中,计算机设备接收携带初始识别框的点云图像的场景下,上述初始识别框可以是人工标注的识别框,也可以是标注设备自动标注的识别框,在此不做限定。
在一种应用场景下,计算机设备可以是无人驾驶车辆上的环境感知设备,上述环境感知设备可以对车载激光雷达实时采集的点云图像进行识别处理,获得道路环境中各目标对象的初始识别框。可选地,计算机设备可以将待检测点云图像输入预设的深度学习模型,获得目标对象的初始识别框。上述深度学习模型可以是根据积累的路测数据训练而成的神经网络模型,可以识别待检测点云图像中的汽车、卡车、行人、自行车、三轮车以及静止障碍物等多种类型的的目标对象,然后输出各目标对象的中心坐标、初始识别框、上述目标对象的类型以及对应的置信度等参数。
在一种应用场景下,上述计算机设备可以获取自动标定设备输出的携带初始识别框的待检测点云图像,上述待检测点云图像中包括目标对象的识别结果及对应的识别置信度,计算机设备可以将每一帧待检测点云图像中的识别结果作为初始识别框进行进一步处理,也可以在多帧待检测点云图像中,对同一目标对象选择一个识别结果作为初始识别框,在此不做限定。可选地,计算机设备可以对于同一目标对象,将连续多帧待检测点云图像中识别置信度最高的待检测点云图像中包含的识别结果,确定为目标对象的初始识别框。具体地,计算机设备可以通过跟踪算法,确定连续多帧待检测点云图像中哪些识别结果对应同一个目标对象,例如可以确定该目标对象的跟踪标识;进一步地,计算机设备可以对同一目标对象对应的多个识别结果中,选择识别置信度最高的识别结果作为初始识别框。在该应用场景下,计算机设备可以将获得的目标识别框确定为该目标对象对应的多个待检测点云图像中的目标识别框,使得计算机设备不需要对每帧图像中的识别结果进行处理,提升了标定效率。
上述初始识别框可以是平面识别框,也可以是立体识别框,在此不做限定。
S102、根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
计算机设备获取上述初始识别框之后,可以根据初始识别框中所包含点云的疏密度,确定上述初始识别框的哪一部分区域可以被调整,然后计算上述区域对应的尺寸,获得初始识别框的调整值。
其中,上述调整值可以包括初始识别框的其中一个边框的调整值,计算机设备可以根据该调整值对对应的边框的位置进行调整;或者,上述调整值也可以包括初始识别框中多个边框对应的多个调整值,使得计算机设备可以根据多个调整值分别对多个边框进行调整,在此不做限定。
具体地,计算机设备可以根据预设面积内点云的数量来确定点云的疏密度,也可以对点云的坐标进行聚类,确定密集区域以及稀疏区域,获得点云的疏密度,对于上述疏密度的确定方式在此不做限定。
计算机设备确定调整值之后,可以根据调整值对初始识别框进行调整。计算机设备可以根据调整值增大初始识别框,也可以根据调整值减小初始识别框,对于上述调整方式在此不做限定。
计算机设备在通过调整值调整初始识别框的尺寸之后,可以对调整后的识别框进一步进行处理,获得新的调整值,直至获得的调整至为负数或零,计算机设备可以认为此时不需要对当前的识别框进一步调整,可以根据该识别框获取目标识别框。
上述识别框确定方法,计算机设备获取待检测点云图像中包含目标对象的初始识别框,然后根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。由于计算机设备根据初始识别框中所包含点云的疏密度计算初始识别框的调整值,使得计算机设备可以根据上述调整值对初始识别框的尺寸进行调整;进一步地,计算机设备通过迭代计算,直至调整至为负数或零时,获得目标对象的目标识别框,从而使得调整后的识别框可以更贴合目标对象,提升了目标识别框的准确度,在自动驾驶技术中,路径规划模块可以根据准确度较高的目标识别框更合理地规划车辆路径,提升了路径规划的准确性。
在一个实施例中,在上述实施例的基础上,计算机设备在计算初始识别框的调整值获得目标对象的目标识别框时,可以根据调整值的大小确定调整策略。若调整值为正数,则将初始识别框的待调整宽度减去调整值作为新的初始识别框,返回执行根据初始识别框所包含点云的疏密度计算初始识别框的调整值的步骤,直至调整值为负数或零,将当前新的初始识别框确定为目标识别框。若调整值为负数或零,则将初始识别框确定为目标识别框。
上述识别框确定方法,计算机设备根据初始识别框的调整值缩小初始识别框,提升了目标识别框的准确度,在自动驾驶技术中,路径规划模块可以根据准确度较高的目标识别框更合理地规划车辆路径,提升了路径规划的准确性。
图3为另一个实施例中识别框确定方法的流程示意图,本实施例涉及计算机设备计算调整值的一种方式,在上述实施例的基础上,如图3所示,上述S102包括:
S201、获取初始识别框的缩框方向。
计算机设备可以根据需求对初始识别框的其中一个方向上的边框位置进行调整。例如,在自动驾驶领域中,待检测点云图像中的目标对象为道路中的车辆时,计算机设备可以对车辆的宽度进行调整。例如,当自动驾驶车辆检测到前方的目标对象为一辆洒水车时,若该洒水车的识别框宽度太大,自动驾驶车辆上的路径规划模块会认为前方不能同行,需要为自动驾驶车辆重新规划路径;在计算机设备对洒水车的初始识别框进行缩小之后,路径规划模块可以更准确地确定当前路径是否准确,避免了由于初始识别框过大导致本可以安全通过的路线被路径规划模块认为不可通过的情形。
具体地,计算机设备可以将预设方向作为初始识别框的缩框方向,也可以根据目标对象的类型确定缩框方向,还可以根据目标对象的行驶方向确定缩框方向,对于上述缩框方向的获取方式在此不做限定。例如,当初始识别框为人工标注的识别结果时,工作人员可以标注哪一个方向上的边框需要进行二次处理,计算机设备可以根据人工标注的结果获得上述缩框方向。再例如,上述目标对象的类型为卡车或者自行车时,计算机设备可以根据目标对象的类型确定该目标对象对应的初始识别框的缩框方向。再例如,目标对象为车辆时,计算机设备可以根据矩形标注框的长边和短边,来确定哪一个方向对应车辆宽度,进而确定缩框方向。
S202、根据初始识别框所包含点云的疏密度,计算初始识别框在缩框方向上的调整值。
计算机设备在获取初始识别框的缩框方向之后,可以根据初始识别框所包含点云的疏密度,计算初始识别框在该缩框方向上的调整值。上述调整值的确定方式与上述S102中类似,在此不再赘述。
上述识别框确定方法中,计算机设备通过获取初始识别框的缩框方向,计算该缩框方向上的调整值,可以更灵活地对初始识别框进行缩小,进一步节约了计算资源并提升了目标识别框的确定效率。
图4为另一个实施例中识别框确定方法的流程示意图,本实施例涉及计算机设备计算缩框方向上的调整值的一种方式,在上述实施例的基础上,如图4所示,上述S202包括:
S301、基于待检测点云图像中各点云的位置坐标,确定位于初始识别框内的各个目标点云。
待检测点云图像中可以包含多个点云,例如一帧图像中可以包含19万个点云。首先,计算机设备可以根据点云的位置坐标,确定待检测点云图像中哪些点云是位于初始识别框内的。具体地,计算机设备可以将各点云的坐标位置与初始识别框的坐标范围进行比较,确定点云是否在初始识别框内;或者,计算机设备还可以根据各点云的坐标位置,采用搜索算法,例如k-d tree算法确定哪些点云是位于初始识别框内的。计算机设备采用搜索算法确定位于初始识别框内的点云,可以提升点云搜索效率。
进一步地,计算机设备可以根据初始识别框内的点云确定用于计算调整值的目标点云。上述目标点云可以是初始识别框中的所有点云,也可以是初始识别框中的部分点云,在此不做限定。计算机设备在初始识别框中选择部分点云作为目标点云时,可以选择初始识别框中部分区域中的点云为目标点云,也可以对所有点云进行等间距采样获得目标点云,对于上述目标点云的确定方式在此不做限定。
S302、根据各目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算调整值;参考线为初始识别框中与缩框方向垂直的中心线,或初始识别框在缩框方向上的其中一个边框。
其中,上述参考线可以是初始识别框中与缩框方向垂直的中心线,也可以是初始识别框在缩框方向上的其中一个边框,在此不做限定。对于目标对象为车辆时,在对车辆宽度方向进行缩框时,上述参考线可以是车尾至车头的中心线,也可以是是与该中心线平行的其中一个边框。
计算机设备确定了目标点云之后,可以计算所有目标点云与参考线之间的距离值。根据各距离值,计算机设备可以获得各目标点相对于参考线的位置分布,从而根据位置分布判定目标点云的疏密度。进一步地,计算机设备可以根据上述位置分布,以及预设的外扩尺寸,计算该初始识别框在缩框方向上的调整值。
上述识别框确定方法,计算机设备通过目标点云与参考线之间的距离值,以及外扩尺寸计算调整值,使得计算机设备可以获得适合的调整值,从而初始识别框进行调整。
图5为另一个实施例中识别框确定方法的流程示意图,本实施例涉及计算机设备确定目标点云的一种方式,在上述实施例的基础上,如图5所示,上述S301包括:
S401、基于待检测点云图像中各点云的位置坐标、初始识别框的中心位置以及初始识别框的尺寸,确定位于初始识别框内的所有点云。
首先,计算机设备可以基于待检测点云图像中各点云的位置坐标,位于初始识别框内的所有点云。具体地,计算机设备可以基于待检测点云图像中个点晕的位置坐标、初始识别框的中心位置以及初始识别框的尺寸,确定各个点云是否位于初始识别框内。例如,计算机设备可以根据上述初始识别框的中心位置确定初始识别框的中心线,然后根据各点云的位置坐标计算各点云与中心线之间的距离;进一步地,将点云与中心线之间的距离与初始识别框的尺寸进行对比,可以确定出上述各点云是否位于初始识别框内。
S402、分别统计初始识别框中位于中心线两侧的点云数量。
在上述步骤基础上,计算机设备可以统计位于中心线两侧的点云数量。例如,对于目标对象为车辆,上述中心线为车尾至车头的中心线,计算机设备可以分别确定车辆左侧的点云数量以及车辆右侧的点云数量。
S403、将初始识别框中点云数量多的一侧中的点云,确定为目标点云。
一般情况下,当自动驾驶车辆获取道路环境的点云图像时,目标对象点云数量较多的一侧,为距离该自动驾驶车辆较近的一侧,计算机设备可以认为距离自动驾驶车辆较近的一侧的点云可信度更高。因此,计算机设备可以将初始识别框中点云数量多的一侧中的点云,确定为目标点云。
上述识别框确定方法,计算机设备在初始识别框的点云中选择部分点云作为目标点云,通过部分点云计算初始识别框的调整值,可以节省计算资源;进一步地,计算机设备将初始识别框中点云数量多的一侧中的点云,确定为目标点云,可以使得计算的调整值更准确。
图6为另一个实施例中识别框确定方法的流程示意图,本实施例涉及计算机设备根据各目标点云与参考线之间的距离值以及预设的外扩尺寸,计算调整值的一种方式,在上述实施例的基础上,如图6所示,上述S302包括:
S501、基于每个目标点云的位置坐标以及参考线的位置坐标,计算各目标点云与参考线之间的距离值。
计算机设备在计算调整值时,首先可以根据每个目标点云的位置坐标以及参考线的位置坐标,计算各目标点云与参考线之间的距离值。
S502、将各个距离值进行排序,获得距离序列。
进一步地,计算机设备可以对各个距离值进行排序,获得距离序列。具体地,可以升序排列,也可以降序排列,在此不做限定。
S503、根据所有目标点云的数量以及预设比值,在距离序列中选择目标距离值。
在上述步骤的基础上,计算机设备可以根据所有目标点云的数量以及预设比值,在距离序列中选择目标距离值。上述目标距离值用于确定初始识别框中点云稀疏的区域以及点云密集的区域,进一步确定那一部分区域不在目标对象上。
具体地,上述参考线为初始识别框在缩框方向上,靠近目标点云一侧的边框;距离序列中各距离值按升序排列,计算机设备可以计算目标点云的数量与预设比值的乘积,并根据乘积确定距离序列中的目标位置;然后,将目标位置处的距离值,确定为目标距离值。其中,上述预设比值表征点云稀疏区域的点云数量比例,可以是1%,也可以是5%,可以根据不同的目标对象来确定。可选地,上述预设比值为10%。
以目标对象为车辆为例,如图7所示,途中lineB为车辆的中心先,lineC为缩框方向,也就是车辆宽度对应的一侧边框。初始识别框中区域1中的点云数量大于区域2中的点云数量,因此将lineB与lineC之间的点云确定为目标点云,上述lineC为参考线,各目标点云与lineC的距离值按照升序排列,得到距离序列:distances=[dis1,dis2,dis3,…,disn],其中disn表示所述距离序列中的第n个距离值。上述目标点云的数量乘以预设比值10%,获得距离序列中的目标位置m,然后将dism确定为目标距离值,表示为图7中lineC至lineA之间的距离。也就是说图中区域1A中包含10%的目标点云,区域1B中包含90%的目标点云。
S504、根据目标距离值与预设的外扩尺寸,计算调整值。
计算机设备获得目标距离值之后,可以根据目标距离与预设的外扩尺寸,计算调整值。可选地,计算机设备可以将目标距离值减去外扩尺寸并乘以2,确定为调整值。上述外扩尺寸可以根据目标对象的尺寸确定,可选地,对于目标对象为车辆,上述外扩尺寸可以是10厘米。
计算机设备根据目标距离值以及外扩尺寸,获得调整值之后,上述调整值可以是正数、负数或者零,使得计算机设备可以通过多次迭代获得准确的目标识别框。若上述调整值为正数,计算机设备可以根据该调整值对初始识别框进行调整,然后将调整后的识别框作为新的初始识别框,继续计算新的调整值。若上述调整值为负数,那么计算机设备认为该识别框与目标对象贴合较好,不需要对初始识别框进行调整。
继续以图7为例,上述调整值为正数时,目标距离值减去外扩尺寸之后的值可以表示图中lineC和lineD之间的距离。计算机设备根据调整值对初始识别框进行调整后,可以将lineD以及对应的lineD′确定为车辆调整后的识别框的边框,进一步的获取lineD与中心线之间的目标点云,根据目标点云与lineD的距离值确定新的调整值,直至上述调整值小于或等于零。
上述识别框确定方法,计算机设备根据距离序列以及预设比例确定目标距离值,进一步根据目标距离值以及外扩尺寸获得初始识别框的调整值,上述调整值可以是正数、负数或者零,计算机设备可以通过多次迭代获得准确的目标识别框,提升了目标识别框的准确性,使得目标识别框更贴合目标对象。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种识别框确定装置,包括:获取模块10和调整模块20,其中:
获取模块10,用于获取待检测点云图像中包含目标对象的初始识别框;
调整模块20,用于根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
上述实施例提供的识别框确定装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,在上述实施例的基础上,上述调整模块20具体用于:若调整值为正数,则将初始识别框的待调整宽度减去调整值作为新的初始识别框,返回执行根据初始识别框所包含点云的疏密度计算初始识别框的调整值的步骤,直至调整值为负数或零,将当前新的初始识别框确定为目标识别框。
在一个实施例中,在上述实施例的基础上,上述调整模块20还用于:若调整值为负数或零,则将初始识别框确定为目标识别框。
在一个实施例中,在上述实施例的基础上,如图9所示,上述调整模块20包括:
获取单元201,用于获取初始识别框的缩框方向;
计算单元202,用于根据初始识别框所包含点云的疏密度,计算初始识别框在缩框方向上的调整值。
在一个实施例中,在上述实施例的基础上,如图10所示,上述计算单元202包括:
确定子单元2021,用于基于待检测点云图像中各点云的位置坐标,确定位于初始识别框内的各个目标点云;
计算子单元2022,用于根据各目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算调整值;参考线为初始识别框中与缩框方向垂直的中心线,或初始识别框在缩框方向上的其中一个边框。
在一个实施例中,在上述实施例的基础上,上述确定子单元2021具体用于:基于待检测点云图像中各点云的位置坐标、初始识别框的中心位置以及初始识别框的尺寸,确定位于初始识别框内的所有点云;分别统计初始识别框中位于中心线两侧的点云数量;将初始识别框中点云数量多的一侧中的点云,确定为目标点云。
在一个实施例中,在上述实施例的基础上,上述计算子单元2022具体用于:基于每个目标点云的位置坐标以及参考线的位置坐标,计算各目标点云与参考线之间的距离值;将各个距离值进行排序,获得距离序列;根据所有目标点云的数量以及预设比值,在距离序列中选择目标距离值;根据目标距离值与预设的外扩尺寸,计算调整值。
在一个实施例中,在上述实施例的基础上,上述计算子单元2022具体用于:计算目标点云的数量与预设比值的乘积,并根据乘积确定距离序列中的目标位置;将目标位置处的距离值,确定为目标距离值。
在一个实施例中,在上述实施例的基础上,预设比值为10%。
在一个实施例中,在上述实施例的基础上,上述计算子单元2022具体用于:将目标距离值减去外扩尺寸并乘以2,确定为调整值。
在一个实施例中,在上述实施例的基础上,获取模块10具体用于:将待检测点云图像输入预设的深度学习模型,获得目标对象的初始识别框。
在一个实施例中,待检测点云图像中包括目标对象的识别结果及对应的识别置信度;在上述实施例的基础上,获取模块10具体用于:对于同一目标对象,将连续多帧待检测点云图像中识别置信度最高的待检测点云图像中包含的识别结果,确定为目标对象的初始识别框。
上述实施例提供的识别框确定装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
关于识别框确定装置的具体限定可以参见上文中对于识别框确定方法的限定,在此不再赘述。上述识别框确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储识别框确定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种识别框确定方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测点云图像中包含目标对象的初始识别框;
根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若调整值为正数,则将初始识别框的待调整宽度减去调整值作为新的初始识别框,返回执行根据初始识别框所包含点云的疏密度计算初始识别框的调整值的步骤,直至调整值为负数或零,将当前新的初始识别框确定为目标识别框。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若调整值为负数或零,则将初始识别框确定为目标识别框。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取初始识别框的缩框方向;根据初始识别框所包含点云的疏密度,计算初始识别框在缩框方向上的调整值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于待检测点云图像中各点云的位置坐标,确定位于初始识别框内的各个目标点云;根据各目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算调整值;参考线为初始识别框中与缩框方向垂直的中心线,或初始识别框在缩框方向上的其中一个边框。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于待检测点云图像中各点云的位置坐标、初始识别框的中心位置以及初始识别框的尺寸,确定位于初始识别框内的所有点云;分别统计初始识别框中位于中心线两侧的点云数量;将初始识别框中点云数量多的一侧中的点云,确定为目标点云。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于每个目标点云的位置坐标以及参考线的位置坐标,计算各目标点云与参考线之间的距离值;将各个距离值进行排序,获得距离序列;根据所有目标点云的数量以及预设比值,在距离序列中选择目标距离值;根据目标距离值与预设的外扩尺寸,计算调整值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算目标点云的数量与预设比值的乘积,并根据乘积确定距离序列中的目标位置;将目标位置处的距离值,确定为目标距离值。
在一个实施例中,预设比值为10%。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将目标距离值减去外扩尺寸并乘以2,确定为调整值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将待检测点云图像输入预设的深度学习模型,获得目标对象的初始识别框。
在一个实施例中,待检测点云图像中包括目标对象的识别结果及对应的识别置信度,处理器执行计算机程序时还实现以下步骤:对于同一目标对象,将连续多帧待检测点云图像中识别置信度最高的待检测点云图像中包含的识别结果,确定为目标对象的初始识别框。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种车辆,车辆包括计算机设备,上述计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测点云图像中包含目标对象的初始识别框;
根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
上述实施例提供的车辆,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测点云图像中包含目标对象的初始识别框;
根据初始识别框所包含点云的疏密度计算初始识别框的调整值,直至调整值为负数或零时,获得目标对象的目标识别框。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:若调整值为正数,则将初始识别框的待调整宽度减去调整值作为新的初始识别框,返回执行根据初始识别框所包含点云的疏密度计算初始识别框的调整值的步骤,直至调整值为负数或零,将当前新的初始识别框确定为目标识别框。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:若调整值为负数或零,则将初始识别框确定为目标识别框。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:获取初始识别框的缩框方向;根据初始识别框所包含点云的疏密度,计算初始识别框在缩框方向上的调整值。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:基于待检测点云图像中各点云的位置坐标,确定位于初始识别框内的各个目标点云;根据各目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算调整值;参考线为初始识别框中与缩框方向垂直的中心线,或初始识别框在缩框方向上的其中一个边框。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:基于待检测点云图像中各点云的位置坐标、初始识别框的中心位置以及初始识别框的尺寸,确定位于初始识别框内的所有点云;分别统计初始识别框中位于中心线两侧的点云数量;将初始识别框中点云数量多的一侧中的点云,确定为目标点云。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:基于每个目标点云的位置坐标以及参考线的位置坐标,计算各目标点云与参考线之间的距离值;将各个距离值进行排序,获得距离序列;根据所有目标点云的数量以及预设比值,在距离序列中选择目标距离值;根据目标距离值与预设的外扩尺寸,计算调整值。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:计算目标点云的数量与预设比值的乘积,并根据乘积确定距离序列中的目标位置;将目标位置处的距离值,确定为目标距离值。
在一个实施例中,预设比值为10%。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:将目标距离值减去外扩尺寸并乘以2,确定为调整值。
在一个实施例中,计算机程序被处理其执行时还实现以下步骤:将待检测点云图像输入预设的深度学习模型,获得目标对象的初始识别框。
在一个实施例中,待检测点云图像中包括目标对象的识别结果及对应的识别置信度,计算机程序被处理其执行时还实现以下步骤:对于同一目标对象,将连续多帧待检测点云图像中识别置信度最高的待检测点云图像中包含的识别结果,确定为目标对象的初始识别框。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种识别框确定方法,其特征在于,所述方法包括:
获取待检测点云图像中包含目标对象的初始识别框;
根据所述初始识别框所包含点云的疏密度计算所述初始识别框的调整值,直至所述调整值为负数或零时,获得所述目标对象的目标识别框;其中,所述调整值用于对所述初始识别框的边框的位置进行调整;所述获得所述目标对象的目标识别框,包括:若所述调整值为正数,则将所述初始识别框的待调整宽度减去所述调整值作为新的初始识别框,返回执行根据所述初始识别框所包含点云的疏密度计算所述初始识别框的调整值的步骤,直至所述调整值为负数或零,将当前新的初始识别框确定为所述目标识别框;
其中,所述调整值根据所述初始识别框内的各个目标点云与参考线之间的距离值以及预设的外扩尺寸计算得到;所述参考线为所述初始识别框中与缩框方向垂直的中心线,或所述初始识别框在所述缩框方向上的其中一个边框。
2.根据权利要求1所述的识别框确定方法,其特征在于,所述方法还包括:
若所述调整值为负数或零,则将所述初始识别框确定为所述目标识别框。
3.根据权利要求1-2任一项所述的识别框确定方法,其特征在于,所述根据所述初始识别框所包含点云的疏密度计算所述初始识别框的调整值,包括:
获取所述初始识别框的缩框方向;
根据所述初始识别框所包含点云的疏密度,计算所述初始识别框在所述缩框方向上的调整值。
4.根据权利要求3所述的识别框确定方法,其特征在于,所述根据所述初始识别框所包含点云的疏密度,计算所述初始识别框在所述缩框方向上的调整值,包括:
基于所述待检测点云图像中各点云的位置坐标,确定位于所述初始识别框内的各个目标点云;
根据各所述目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算所述调整值。
5.根据权利要求4所述的识别框确定方法,其特征在于,所述基于所述待检测点云图像中各点云的位置坐标,确定位于所述初始识别框内的各个目标点云,包括:
基于所述待检测点云图像中各点云的位置坐标、所述初始识别框的中心位置以及所述初始识别框的尺寸,确定位于所述初始识别框内的所有点云;
分别统计所述初始识别框中位于所述中心线两侧的点云数量;
将所述初始识别框中点云数量多的一侧中的点云,确定为所述目标点云。
6.根据权利要求5所述的识别框确定方法,其特征在于,所述根据各所述目标点云与参考线之间的距离值,以及预设的外扩尺寸,计算所述调整值,包括:
基于每个目标点云的位置坐标以及所述参考线的位置坐标,计算各所述目标点云与参考线之间的距离值;
将各个距离值进行排序,获得距离序列;
根据所有目标点云的数量以及预设比值,在所述距离序列中选择目标距离值;
根据所述目标距离值与预设的外扩尺寸,计算所述调整值。
7.根据权利要求6所述的识别框确定方法,其特征在于,所述根据所有目标点云的数量以及预设比值,在所述距离序列中选择目标距离值,包括:
计算所述目标点云的数量与所述预设比值的乘积,并根据所述乘积确定所述距离序列中的目标位置;
将所述目标位置处的距离值,确定为所述目标距离值。
8.根据权利要求7所述的识别框确定方法,其特征在于,所述预设比值为10%。
9.根据权利要求6-8任一项所述的识别框确定方法,其特征在于,所述根据所述目标距离值与预设的外扩尺寸,计算所述调整值,包括:
将所述目标距离值减去所述外扩尺寸并乘以2,确定为所述调整值。
10.根据权利要求1-2任一项所述的识别框确定方法,其特征在于,所述获取待检测点云图像中包含了目标对象的初始识别框,包括:
将所述待检测点云图像输入预设的深度学习模型,获得所述目标对象的初始识别框。
11.根据权利要求1-2任一项所述的识别框确定方法,其特征在于,所述待检测点云图像中包括目标对象的识别结果及对应的识别置信度;所述获取待检测点云图像中包含了目标对象的初始识别框,包括:
对于同一目标对象,将连续多帧待检测点云图像中识别置信度最高的待检测点云图像中包含的识别结果,确定为所述目标对象的初始识别框。
12.一种识别框确定装置,其特征在于,所述装置包括:
获取模块,用于获取待检测点云图像中包含目标对象的初始识别框;
调整模块,用于根据所述初始识别框所包含点云的疏密度计算所述初始识别框的调整值,直至所述调整值为负数或零时,获得所述目标对象的目标识别框;其中,所述调整值用于对所述初始识别框的边框的位置进行调整;所述获得所述目标对象的目标识别框,包括:若所述调整值为正数,则将所述初始识别框的待调整宽度减去所述调整值作为新的初始识别框,返回执行根据所述初始识别框所包含点云的疏密度计算所述初始识别框的调整值的步骤,直至所述调整值为负数或零,将当前新的初始识别框确定为所述目标识别框;
其中,所述调整值根据所述初始识别框内的各个目标点云与参考线之间的距离值以及预设的外扩尺寸计算得到;所述参考线为所述初始识别框中与缩框方向垂直的中心线,或所述初始识别框在所述缩框方向上的其中一个边框。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
14.一种车辆,所述车辆包括计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122282.8A CN111414804B (zh) | 2020-02-27 | 2020-02-27 | 识别框确定方法、装置、计算机设备、车辆和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122282.8A CN111414804B (zh) | 2020-02-27 | 2020-02-27 | 识别框确定方法、装置、计算机设备、车辆和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414804A CN111414804A (zh) | 2020-07-14 |
CN111414804B true CN111414804B (zh) | 2024-05-14 |
Family
ID=71492786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010122282.8A Active CN111414804B (zh) | 2020-02-27 | 2020-02-27 | 识别框确定方法、装置、计算机设备、车辆和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414804B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801200B (zh) * | 2021-02-07 | 2024-02-20 | 文远鄂行(湖北)出行科技有限公司 | 一种数据包筛选方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845324A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 路牌信息的处理方法和装置 |
CN109270543A (zh) * | 2018-09-20 | 2019-01-25 | 同济大学 | 一种对目标车辆周围车辆位置信息检测的系统和方法 |
CN110263675A (zh) * | 2019-06-03 | 2019-09-20 | 武汉联一合立技术有限公司 | 一种社区安保机器人的垃圾目标识别系统及其识别方法 |
CN110717983A (zh) * | 2019-09-07 | 2020-01-21 | 苏州工业园区测绘地理信息有限公司 | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108342B (zh) * | 2016-12-30 | 2023-08-15 | 辉达公司 | 用于高清地图创建的视觉测程法和成对对准 |
EP3435330B1 (en) * | 2017-07-24 | 2021-09-29 | Aptiv Technologies Limited | Vehicule based method of object tracking |
-
2020
- 2020-02-27 CN CN202010122282.8A patent/CN111414804B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845324A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 路牌信息的处理方法和装置 |
CN109270543A (zh) * | 2018-09-20 | 2019-01-25 | 同济大学 | 一种对目标车辆周围车辆位置信息检测的系统和方法 |
CN110263675A (zh) * | 2019-06-03 | 2019-09-20 | 武汉联一合立技术有限公司 | 一种社区安保机器人的垃圾目标识别系统及其识别方法 |
CN110717983A (zh) * | 2019-09-07 | 2020-01-21 | 苏州工业园区测绘地理信息有限公司 | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 |
Non-Patent Citations (2)
Title |
---|
张永博 ; 李必军 ; 陈诚 ; .激光点云在无人驾驶路径检测中的应用.测绘通报.2016,(第11期), * |
激光点云在无人驾驶路径检测中的应用;张永博;李必军;陈诚;;测绘通报;20161125(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111414804A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022083402A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN109324337B (zh) | 无人飞行器的航线生成及定位方法、装置及无人飞行器 | |
US10983217B2 (en) | Method and system for semantic label generation using sparse 3D data | |
CN108921925B (zh) | 基于激光雷达和视觉融合的语义点云生成方法和装置 | |
EP3875905B1 (en) | Method, device and medium for detecting environmental change | |
Jang et al. | Road lane semantic segmentation for high definition map | |
CN111354022A (zh) | 基于核相关滤波的目标跟踪方法及系统 | |
CN110751040B (zh) | 一种三维物体的检测方法和装置、电子设备、存储介质 | |
CN115917357A (zh) | 未定义类别障碍物的检测方法、装置和计算机设备 | |
CN111414804B (zh) | 识别框确定方法、装置、计算机设备、车辆和存储介质 | |
CN115900682A (zh) | 通过序列估计和锚点检测改进道路拓扑的方法 | |
CN113012215A (zh) | 一种空间定位的方法、系统及设备 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN111104861B (zh) | 用于确定电线位置的方法和设备以及存储介质 | |
CN112287842A (zh) | 一种车道线的识别方法、装置及电子设备 | |
CN116662315A (zh) | 基于大数据的时空轨迹补全的方法、装置、设备及介质 | |
CN116543271A (zh) | 目标检测评价指标的确定方法、装置、电子设备及介质 | |
CN114046787A (zh) | 基于传感器的位姿优化方法、装置、设备及存储介质 | |
CN116134488A (zh) | 点云标注方法、装置、计算机设备和存储介质 | |
CN115668333A (zh) | 电子地图生成方法、装置、计算机设备和存储介质 | |
WO2022226837A1 (zh) | 基于时间与空间学习的轨迹预测方法、装置和计算机设备 | |
US20240119723A1 (en) | Information processing device, and selection output method | |
Subash | Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering | |
CN114067594B (zh) | 行驶路径的规划方法、装置、计算机设备和存储介质 | |
CN115035425B (zh) | 一种基于深度学习的目标识别方法、系统、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |