CN111539973B - 用于检测车辆位姿的方法及装置 - Google Patents

用于检测车辆位姿的方法及装置 Download PDF

Info

Publication number
CN111539973B
CN111539973B CN202010347485.7A CN202010347485A CN111539973B CN 111539973 B CN111539973 B CN 111539973B CN 202010347485 A CN202010347485 A CN 202010347485A CN 111539973 B CN111539973 B CN 111539973B
Authority
CN
China
Prior art keywords
vehicle
viewpoint image
foreground pixel
coordinates
pixel points
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
Application number
CN202010347485.7A
Other languages
English (en)
Other versions
CN111539973A (zh
Inventor
张伟
叶晓青
谭啸
孙昊
文石磊
章宏武
丁二锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010347485.7A priority Critical patent/CN111539973B/zh
Publication of CN111539973A publication Critical patent/CN111539973A/zh
Priority to PCT/CN2020/130107 priority patent/WO2021218123A1/zh
Priority to JP2022540700A priority patent/JP2023510198A/ja
Priority to EP20934056.1A priority patent/EP4050562A4/en
Application granted granted Critical
Publication of CN111539973B publication Critical patent/CN111539973B/zh
Priority to US17/743,402 priority patent/US20220270289A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/128—Adjusting depth or disparity
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20228—Disparity calculation for image-based rendering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N2013/0074—Stereoscopic image analysis
    • H04N2013/0081—Depth or disparity estimation from stereoscopic image signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N2013/0074—Stereoscopic image analysis
    • H04N2013/0092—Image segmentation from stereoscopic image signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种用于检测车辆位姿的方法和装置，涉及自动驾驶领域。具体实现方案为：将车辆左视点图像和车辆右视点图像输入部位预测和掩膜分割网络模型，确定出基准图像中的前景像素点及其部位坐标；基于车辆左视点图像和车辆右视点图像的视差图、前景像素点的部位坐标和基准图像的相机内参，得到伪点云；将伪点云输入预先训练的位姿预测模型中，得到待检测的车辆的位姿信息。基于车辆部位先验数据对采集到的车辆左视点图像和右视点图像进行部位预测和掩膜分割，可以获得更准确地分割结果，因此提高了车辆位姿预测的准确度。

Description

用于检测车辆位姿的方法及装置
技术领域
本申请公开了一种用于检测车辆位姿的方法及装置，涉及计算机技术领域，尤其涉及自动驾驶领域。
背景技术
三维车辆跟踪是自动驾驶、机器人等应用场景中不可或缺的重要技术，其中固有的难点是如何获取精确的深度信息，实现对每个车辆的精确检测和定位。三维位姿检测技术依据深度信息获取的方式，可以分为3类：基于单目视觉的三维位姿检测技术、基于双目视觉的三维位姿检测技术以及基于激光雷达的三维位姿检测技术。
相关技术中，基于双目视觉预测车辆三维位姿的方法分为两种，一种是Stereo-RCNN，该方法可以实现左右图同时完成二维检测与检测框的匹配，随后基于左右检测框提取的特征，回归二维关键点与三维长宽高信息，最后利用关键点建立三维-二维投影方程，求解得到车辆的三维位姿。另一种是Pseudo-LiDAR，该方法首先对全图做像素级视差估计，然后得到较为稀疏的伪点云，并将基于激光雷达真实点云数据训练得到的点云三维检测模型应用在伪点云上，以预测出车辆的三维位姿。
发明内容
本申请实施例提供了一种用于检测车辆位姿的方法、装置、设备以及存储介质。
根据第一方面，本申请实施例提供了一种用于检测车辆位姿的方法，该方法包括：将车辆左视点图像和车辆右视点图像输入基于车辆的部位先验数据构建的部位预测和掩膜分割网络模型，确定出基准图像中的前景像素点以及每个前景像素点的部位坐标，部位坐标用于表征前景像素点在待检测的车辆的坐标系中的位置，基准图像为车辆左视点图像或车辆右视点图像，部位先验数据为车辆三维部位的先验数据；基于车辆左视点图像和车辆右视点图像的视差图以及基准图像的相机内参，将前景像素点在基准图像中的坐标转化为前景像素点在相机坐标系中的坐标，得到伪点云，将前景像素点的部位坐标与伪点云结合，得到伪点云的特征数据；将伪点云的特征数据输入预先训练的位姿预测模型中，得到待检测的车辆的位姿信息。
根据第二方面，本申请实施例提供了一种用于检测车辆位姿的装置，该装置包括：图像分割模块，被配置成将车辆左视点图像和车辆右视点图像输入基于车辆的部位先验数据构建的部位预测和掩膜分割网络模型，确定出基准图像中的前景像素点以及每个前景像素点的部位坐标，部位坐标用于表征前景像素点在待检测的车辆的部位坐标系中的位置，基准图像为车辆左视点图像或车辆右视点图像，部位先验数据为车辆三维部位的先验数据；点云生成模块，被配置成基于车辆左视点图像和车辆右视点图像的视差图以及基准图像的相机内参，将前景像素点在基准图像中的坐标转化为前景像素点在相机坐标系中的坐标，得到伪点云，将前景像素点的部位坐标与伪点云结合，得到伪点云的特征数据；位姿预测模块，被配置成将伪点云输入预先训练的位姿预测模型中，得到待检测的车辆的位姿信息。
根据本申请的上述实施例，解决了遮挡现象降低车辆的三维位姿预测准确度的问题，基于车辆部位先验数据对采集到的车辆左视点图像和右视点图像进行部位预测和掩膜分割，可以获得更准确地分割结果，因此提高了车辆位姿预测的准确度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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是本申请的实施例可以应用于其中的示例性系统架构图；
图2是根据本申请第一实施例的示意图；
图3是根据本申请的实施例提供的用于检测车辆位姿的方法的场景实施例的示意图；
图4是根据本申请第二实施例的示意图；
图5是用来实现本申请实施例的用于检测车辆位姿的方法的电子设备的框图；
图6是可以实现本申请实施例的计算机可存储介质的场景图。
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。
图1示出了可以应用本申请的实施例的用于检测车辆位姿的方法或用于检测车辆位姿的装置的示例性系统架构100。
如图1所示，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，以接收或发送数据等，例如将获取到的待检测车辆的左视点图像和右视点图像发送至服务器105，以及接收服务器105检测出的待检测车辆的位姿信息。
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，可以是具有与服务器进行数据交互功能的各种电子设备，包括但不限于智能手机、平板电脑和车载电脑等等。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可以是提供数据处理服务的服务器，例如对终端设备101、102、103上传的待检测车辆的左视点图像和右视点图像进行处理的后台数据服务器。
需要说明的是，本申请的实施例所提供的用于检测车辆位姿的方法可以由服务器105执行，相应地，用于检测车辆位姿的装置可以设置于服务器105中。此时，终端设备可以通过网络将双目相机采集到的场景图像或待检测车辆的左视点图像和右视点图像发送至服务器105，由服务器105从中预测出车辆的位姿信息。本申请的实施例所提供的用于检测车辆位姿的方法还可以由终端设备执行，例如车载电脑，相应地，用于检测车辆位姿的装置可以设置于终端设备中，车载电脑从车载双目相机采集到的场景图像中提取出待检测车辆的左视点图像和右视点图像，然后从中预测出待检测车辆的位姿信息，本申请对此不作限定。
继续参考图2，图2示出了根据本申请公开的用于检测车辆位姿的方法的第一个实施例的流程图，包括以下步骤：
步骤S201、将车辆左视点图像和车辆右视点图像输入基于车辆的部位先验数据构建的部位预测和掩膜分割网络模型，确定出基准图像中的前景像素点以及每个前景像素点的部位坐标，其中部位坐标用于表征前景像素点在待检测车辆的坐标系中的位置，基准图像为车辆左视点图像或车辆右视点图像。
在本实施例中，前景像素点用于表征基准图像中位于待检测车辆的轮廓区域内的像素点，即实际场景中位于待检测车辆表面的点。
在本实施例中，车辆左视点图像和车辆右视点图像是根据双目相机采集到的场景图像中提取出的待检测车辆的两帧图像，而执行主体所预测的位姿信息是基准图像中所呈现的待检测车辆的位姿。
作为示例，执行主体可以将双目相机采集到的同一场景的场景左视点图像和场景右视点图像输入预先构建的Stereo-RPN模型中，可以同时实现场景左视点图像和场景右视点图像的二维检测和检测框匹配，从两帧场景图像中分割出的同一个车辆实例的两帧图像，即为该车辆的车辆左视点图像和车辆右视点图像。执行主体还可以直接通过预先训练的车辆左视点图像和车辆右视点图像提取网络获取车辆左视点图像和车辆右视点图像。之后，可以根据实际需求选择车辆左视点图像或车辆右视点图像作为基准图像，例如选择待检测车辆的被遮挡区域面积较小的图像以获得更高的准确度，还可以随机选择其中一帧图像作为基准图像。
在本实施例中，在构建部位预测和掩膜分割网络模型时，引入了车辆的部位先验数据，以此提高从基准图像中分割出前景像素点的准确度。部位预测和掩膜分割网络模型包括部位预测子网络和掩膜分割子网络，其中，部位预测子网络用于确定每个前景像素点的部位坐标，掩膜分割子网络用于从基准图像中确定出前景像素点。
作为示例，执行主体可以基于车辆的轮廓构建掩膜，将输入的车辆左视点图像和车辆右视点图像中位于掩膜区域内的像素点作为前景像素点，对车辆左视点图像和车辆右视点图像进行前后景分割，分别得到车辆左视点图像和车辆右视点图像中的前景像素点的集合。可以理解的是，将前景像素点按照其在车辆左视点图像或车辆右视点图像中的像素坐标排列，即可得到待检测车辆在对应的图像中的图像轮廓。由于基准图像中存在较大的被遮挡区域，可能导致基准图像的前后景分割边界不准确，因而基准图像的前后景分割的准确度相对于另外一帧图像的准确度会有所下降，此时，可以将另外一帧图像中提取出的前景像素点与基准图像中提取出的前景像素点进行对比，以此提高从基准图像中分割前景像素点的准确度。
之后由部位预测网络基于车辆三维部位的先验数据，对基准图像中提取出的前景像素点按照其像素坐标组成的图像建立车辆的部位坐标系，得到的前景像素点在车辆的部位坐标系中的坐标，即为前景像素点的部位坐标，用于表征该前景像素点在待检测车辆的部位特征。
在本实施的一些可选的实现方式中，可以只将基准图像输入基于车辆部位先验数据构建的部位预测和掩膜分割网络模型中，以此得到基准图像中的前景像素点和每个前景像素点的部位坐标。
步骤S202、基于车辆左视点图像和车辆右视点图像的视差图、前景像素点的部位坐标和基准图像的相机内参，将前景像素点在基准图像中的坐标转化为前景像素点在相机坐标系中的坐标，得到伪点云，将前景像素点的部位坐标与伪点云结合，得到伪点云的特征数据。
在本实施例中，伪点云的特征数据中每个前景像素点的特征信息不仅包括该前景像素点在基准图像中的位置特征，还包括了该像素点在待检测车辆中的部位特征。
作为示例，执行主体可以通过如下步骤生成伪点云的特征数据：首先基于车辆左视点图像和车辆右视点图像的视差图，计算得到每个前景像素点在基准图像中的深度值，然后再结合基准图像对应的相机内参，将前景像素点在基准图像中的二维坐标转换为相机坐标系中的三维坐标，得到由前景像素点组成的伪点云，然后将前景像素点的部位坐标聚合到伪点云中，即可得到伪点云的特征数据。结合具体场景进行举例说明，假设基准图像中包括N个前景像素点，那么伪点云数据的特征维度为N*6，其中N*3个维度为前景像素点的伪点云坐标，另外N*3个维度为前景像素点的部位坐标。
可以理解的是，根据视差图确定像素点的深度值以及结合相机内参将像素点的二维坐标转换为三维坐标，属于计算机视觉领域的成熟技术，本申请对此不做限定。
在本实施例的一些可选的实现方式中，执行主体还可以通过如下步骤确定伪点云：基于基准图像的相机内参以及车辆左视点图像和车辆右视点图像的视差图，确定出前景像素点的深度值；基于前景像素点在基准图像中的坐标和深度值，得到前景像素点在相机坐标系中的初始坐标；基于前景像素点的部位坐标，更新初始坐标，得到伪点云。
在本实现方式中，执行主体并不是简单地将前景像素点的部位坐标聚合到点云数据中，而是将前景像素点的部位坐标作为约束，对前景像素点的初始坐标进行修正，再基于修正后的坐标构建伪点云，从而得到准确度更高的点云数据。
步骤S203、将伪点云的特征数据输入预先训练的位姿预测模型中，得到待检测的车辆的位姿信息。
作为示例，执行主体可以将步骤S202中得到的伪点云的特征数据输入预先训练的Dense Fusion模型中，由Dense Fusion模型中的Point net网络基于前景像素点的伪点云坐标和部位坐标，生成对应的几何特征向量和部位特征向量，然后将几何特征向量和部位特征向量输入像素级的fusion网络，由fusion网络基于几何特征向量和部位特征向量预测出基准图像的相机外参(相机的旋转矩阵和平移矩阵)，然后基于相机外参，确定出每个前景像素点在世界坐标系下的坐标，即可得到待检测车辆的位姿信息。
需要说明的是基于相机外参，将图像中像素点在相机中的三维坐标转化为世界坐标，属于计算机视觉领域中成熟的技术手段，此处不再赘述。
本申请公开的上述实施例中的用于检测车辆位姿的方法，基于车辆部位先验数据对采集到的车辆左视点图像和右视点图像进行部位预测和掩膜分割，可以获得更准确地分割结果，因此提高了车辆位姿预测的准确度。
继续参考图3，图3示出了本申请提供的用于检测车辆位姿的一个应用场景。在图3的应用场景中，执行主体301可以是无人驾驶汽车中的车载电脑，同时无人驾驶汽车上设置有双目相机。车载电脑从双目相机实时采集的场景图像中提取出场景中各个待检测车辆的车辆左视点图像和车辆右视点图像，然后从每个待检测车辆的车辆左视点图像和车辆右视点图像中确定出基准图像和视差图，并从基准图像中确定出前景像素点以及每个前景像素点的部位坐标，再基于得到的前景像素点生成伪点云，最后预测出场景中各个待检测车辆的位姿信息，从而为无人驾驶汽车的路径规划提供支持。
继续参考图4，图4示出了根据本申请公开的用于检测车辆位姿的方法第二实施例的流程图，包括以下步骤：
步骤S401、从双目相机采集到的同一场景的场景左视点图像和场景右视点图像中，分别提取出待检测的车辆的原始左视点图像和原始右视点图像。
作为示例，执行主体可以将场景左视点图像和场景右视点图像输入Stereo-RPN网络模型，从中提取出待检测车辆的原始左视点图像和原始右视点图像。
步骤S402、将原始左视点图像和原始右视点图像分别缩放至预设尺寸，得到车辆左视点图像和车辆右视点图像。
通常，双目相机距离待检测车辆的采集距离越远，则步骤S401中获得的车辆左视点图像和车辆右视点图像的尺寸就越小，而且两者的尺寸也不相同，在此基础上预测得到的待检测车辆的位姿信息准确度相对较低。因而，在本实施例中，执行主体将步骤S401中获得的原始左视点图像和原始右视点图像分别缩放至预设尺寸，以得到清晰度更高且尺寸一致的车辆左视点图像和车辆右视点图像。
步骤S403、基于场景左视点图像的初始相机内参、场景右视点图像的初始相机内参和缩放系数，分别确定出车辆左视点图像的相机内参和车辆右视点图像的相机内参。
在本实施例中，由于车辆左视点图像和车辆右视点图像是经过缩放之后得到的，因此车辆左视点图像和车辆右视点图像所对应的相机内参与场景左视点图像和场景右视点图像所对应的相机内参是不同的。
作为示例，执行主体可以通过如下公式(1)和公式(2)分别确定车辆左视点图像和车辆右视点图像的相机内参。
Figure GDA0003061740370000081
Figure GDA0003061740370000082
其中，P1和P2分别表征场景左视点图像和场景右视点图像所对应的相机内参，P3和P4分别表征车辆左视点图像和车辆右视点图像的相机内参，k表示车辆左视点图像相对于原始左视点图像在水平方向张的缩放系数，m表示车辆左视点图像相对于原始右视点图像在竖直方向上的缩放系数。fu和fv表示相机的聚焦长度，cu和cv表示主点偏移量，bx表示相对于参考相机的基线。
步骤S404、基于车辆左视点图像的相机内参和车辆右视点图像的相机内参，确定出车辆左视点图像和车辆右视点图像的视差图。
作为示例，执行主体可以将车辆左视点图像和所述车辆右视点图像输入PSMnet模型，得到对应的视差图。对于距离较远的待检测车辆，经过缩放后的车辆左视点图像和所述车辆右视点图像的分辨率更高，因此，与直接从原始左视点图像和原始右视点图像中预测出的视差图相比，步骤S404中得到的视差图的精度更高。
步骤S405、将车辆左视点图像和车辆右视点图像分别输入部位预测和掩膜分割网络模型，得到车辆左视点图像的编码特征向量和车辆右视点图像的编码特征向量。
在本实施例中，部位预测和掩膜分割网络模型为采用编码器-解码器框架的模型，将车辆左视点图像和车辆右视点图像分别输入部位预测和掩膜分割网络模型后，由模型中的编码器分别生成车辆左视点图像的编码特征向量和车辆右视点图像的编码特征向量。
步骤S406、将车辆左视点图像的编码特征向量和车辆右视点图像的编码特征向量进行融合，得到融合后的编码特征向量。
在本实施例中，通过融合(例如相加、拼接、或线性转换)车辆左视点图像的编码特征向量和车辆右视点图像的编码特征向量，实现了车辆左视点图像和车辆右视点图像的特征融合。
步骤S407、对融合后的编码特征向量进行解码，得到基准图像中的前景像素点和每个前景像素点的部位坐标，基准图像为车辆左视点图像或车辆右视点图像。
在本实施例中，由于融合后的编码特征向量包含了车辆左视点图像和车辆右视点图像的特征，因而可以避免基准图像中的遮挡区域对分割精度的不利影响。
步骤S408、基于车辆左视点图像和车辆右视点图像的视差图以及前景像素点在基准图像中的坐标转化为前景像素点在相机坐标系中的坐标，得到伪点云，将像素点的部位坐标和伪点云结合，得到伪点云的特征数据。
在本实施例中，由于车辆左视点图像和车辆右视点图像是由原始图像经过缩放得到的，因此构建伪点云的过程中需要考虑到缩放系数的影响。例如，可以根据缩放系数将车辆左视点图像和车辆右视点图像回复成原始尺寸，然后根据场景左视点图像和场景右视点图像对应的相机内参，将前景像素点在基准图像中的二维坐标转换为相机做坐标系中的三维坐标，得到伪点云，之后再将前景像素点的部位坐标结合到伪点云中，得到伪点云的特征数据。
在本实施例的一些可选实现方式中，执行主体无需将车辆左视点图像和车辆右视点图像回复成原始尺寸，可以通过如下步骤直接确定前景像素点在相机坐标系中的坐标，结合公式(1)和公式(2)进行举例说明。
假设基准图像为车辆左视点图像，则对于原始左视点图像中坐标为(x,y)的点，其在基准图像中的坐标为(kx,my),对于该点对应于车辆左视点图像和车辆右视点图像的视差补偿为
Figure GDA0003061740370000101
车辆左视点图像和车辆右视点图像的相机内参P3和P4之间的基线距离
Figure GDA0003061740370000102
可以通过如下公式(3)获得。
对于基准图像中任意一个前景像素点,其坐标为(u，v)，可以通过如下公式(4)确定计算得到该前景像素点在相机坐标系中的三维坐标(x,y,z)：
Figure GDA0003061740370000103
Figure GDA0003061740370000104
其中，du,v表示该前景像素点的视差值，可以由步骤S404中得到。
之后，执行主体可以将伪点云输入预先构建的位姿预测模型中，通过如下步骤S409至步骤S412预测出待检测车辆的位姿信息。
在本实施例中，将删除CNN(Convolutional Neural Networks，卷积神经网络)模块后的Dense Fusion模型作为位姿预测模型，并利用Dense Fusion模型中的颜色插值进行部位预测。
步骤S409、基于前景像素点的伪点云坐标和部位坐标，确定待检测的车辆的全局特征向量。
执行主体可以将步骤S408中得到的伪点云输入预先构建的位姿预测模型中，由位姿预测模型中的Point Net基于前景像素点的伪点云坐标和部位坐标分别生成几何特征向量和部位特征向量，然后由MLP(Multilayer Perceptron，人工神经网络)模块将几何特征向量和部位特征向量融合，再经过平均池化层生成全局特征向量，全局特征向量用于表征待检测车辆的总体特征。
步骤S410、从伪点云的特征数据中采样出预设数量的前景像素点。
在本实施例中，由于伪点云的特征数据中的前景像素点均分布于待检测车辆表面，因此可以从伪点云的特征数据中随机采样出预设数量的前景像素点，可以在不影响到预测位姿信息的准确度的前提下，降低运算量。
步骤S411、基于预设数量的前景像素点的伪点云坐标、部位坐标和全局特征向量，预测出基准图像的相机外参。
执行主体将采样出的前景像素点的伪点云坐标、部位坐标和全局特征向量同时输入位姿预测模型中的姿态预测与优化子网络中，使得每个前景像素点的特征向量中包括了伪点云坐标对应的几何特征向量、部位坐标对应的部位特征向量和全局特征向量，再基于各个前景像素点的特征向量预测出基准图像对应的相机外参(即旋转矩阵和平移矩阵)，由此得到的相近外参的精度更高。
步骤S412、基于基准图像的相机外参，确定待检测车辆的位姿信息。基于基准图像的相机外参和前景像素点的伪点云坐标，可以确定出前景像素点在世界坐标系下的坐标，即得到了待检测车辆的位姿信息。
在上述实施例的一些可选的实现方式中，还可以进一步包括：将融合后的编码特征向量作为立体特征向量；基于立体特征向量和全局特征向量，得到三维拟合分数，三维拟合分数用于指导位姿预测模型的训练。例如执行主体可以将立体特征向量和全局特征向量输入全连接网络，由此得到三维拟合分数。通过三维拟合分数可以更准确地评估位姿预测模型输出的位姿信息，因而可以提高位姿预测模型的预测准确度。
从图4中可以看出，第二实施例与图2示出的第一实施例相比，体现了通过缩放获得尺寸一致的车辆左视点图像和车辆右视点图像以及通过融合车辆左视点图像和车辆右视点图像的特征确定基准图像中的前景像素点，避免了距离较远导致待检测车辆的位姿预测准确度下降，进一步提高了车辆位姿预测的准确度。
图5示出了根据本申请公开的用于检测车辆位姿的方法的电子设备的框图。该电子设备包括：图像分割模块501，被配置成将车辆左视点图像和车辆右视点图像输入基于车辆的部位先验数据构建的部位预测和掩膜分割网络模型，确定出基准图像中的前景像素点以及每个前景像素点的部位坐标，部位坐标用于表征前景像素点在待检测的车辆的坐标系中的位置，基准图像为车辆左视点图像或车辆右视点图像，部位先验数据为车辆三维部位的先验数据；点云生成模块502，被配置成基于车辆左视点图像和车辆右视点图像的视差图以及基准图像的相机内参，将前景像素点在基准图像中的坐标转化为前景像素点在相机坐标系中的坐标，得到伪点云，将前景像素点的部位坐标与伪点云结合，得到伪点云的特征数据；位姿预测模块503，被配置成将伪点云的特征数据输入预先训练的位姿预测模型中，得到待检测的车辆的位姿信息。
在本实施例中，装置还包括图像缩放模块，被配置成经由如下步骤确定车辆左视点图像和车辆右视点图像：从双目相机采集到的同一场景的场景左视点图像和场景右视点图像中，分别提取出待检测的车辆的原始左视点图像和原始右视点图像；将原始左视点图像和原始右视点图像分别缩放至预设尺寸，得到车辆左视点图像和车辆右视点图像；以及，装置还包括视差图生成模块，被配置成经由如下步骤确定车辆左视点图像和车辆右视点图像的视差图：基于场景左视点图像的初始相机内参、场景右视点图像的初始相机内参和缩放系数，分别确定出车辆左视点图像的相机内参和车辆右视点图像的相机内参；基于车辆左视点图像的相机内参和车辆右视点图像的相机内参，确定出车辆左视点图像和车辆右视点图像的视差图。
在本实施例中，部位预测和掩膜分割网络模型为采用编码器-解码器的框架的模型；以及，图像分割模块501被进一步配置成：将车辆左视点图像和车辆右视点图像分别输入部位预测和掩膜分割网络模型，得到车辆左视点图像的编码特征向量和车辆右视点图像的编码特征向量；将车辆左视点图像的编码特征向量和车辆右视点图像的编码特征向量进行融合，得到融合后的编码特征向量；对融合后的编码特征向量进行解码，得到基准图像中的前景像素点和每个前景像素点的部位坐标。
在本实施例中，位姿预测模块503被进一步配置成：基于前景像素点的伪点云坐标和部位坐标，确定待检测的车辆的全局特征向量；从伪点云的特征数据中采样出预设数量的前景像素点；基于预设数量的前景像素点的伪点云坐标、部位坐标和全局特征向量，预测出基准图像的相机外参；基于相机外参，确定待检测的车辆的位姿信息。
在本实施例中，装置还包括模型训练模块，被配置成：将融合后的编码特征向量作为立体特征向量；基于立体特征向量和全局特征向量，得到三维拟合分数，三维拟合分数用于指导位姿预测模型的训练。
在本实施例中，点云生成模块502被进一步配置成：基于基准图像的相机内参以及车辆左视点图像和车辆右视点图像的视差图，确定出前景像素点的深度值；基于前景像素点在基准图像中的坐标和深度值，得到前景像素点在相机坐标系中的初始坐标；基于前景像素点的部位坐标，更新初始坐标，得到前景像素点的伪点云。
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计算机可存储介质的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计算机可存储介质的方法。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计算机可存储介质的方法。
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计算机可存储介质的方法对应的程序指令/模块(例如，附图5所示的图像分割模块501、点云生成模块52和位姿预测模块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计算机可存储介质的方法。
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计算机可存储介质的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计算机可存储介质的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
计算机可存储介质的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，以及产生与计算机可存储介质的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)和互联网。
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。
根据本申请实施例的技术方案，基于车辆部位先验数据对采集到的车辆左视点图像和右视点图像进行部位预测和掩膜分割，可以获得更准确地分割结果，因此提高了车辆位姿预测的准确度。
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 (14)

1.一种用于检测车辆位姿的方法，包括：
将车辆左视点图像和车辆右视点图像输入基于车辆的部位先验数据构建的部位预测和掩膜分割网络模型，确定出基准图像中的前景像素点以及每个前景像素点的部位坐标，所述部位坐标用于表征所述前景像素点在待检测的车辆的部位坐标系中的位置，所述基准图像为所述车辆左视点图像或所述车辆右视点图像，所述部位先验数据为车辆三维部位的先验数据，所述部位坐标系为基于所述前景像素点按照其像素坐标组成的图像建立的车辆的部位坐标系；
基于所述车辆左视点图像和所述车辆右视点图像的视差图以及所述基准图像的相机内参，将所述前景像素点在所述基准图像中的坐标转化为所述前景像素点在相机坐标系中的坐标，得到伪点云，将所述前景像素点的部位坐标与所述伪点云结合，得到融合伪点云；
将所述融合伪点云输入预先训练的位姿预测模型中，得到所述待检测的车辆的位姿信息。
2.根据权利要求1所述的方法，其中，所述车辆左视点图像和所述车辆右视点图像经由如下步骤确定：
从双目相机采集到的同一场景的场景左视点图像和场景右视点图像中，分别提取出所述待检测的车辆的原始左视点图像和原始右视点图像；
将原始左视点图像和原始右视点图像分别缩放至预设尺寸，得到车辆左视点图像和车辆右视点图像；
以及，所述车辆左视点图像和所述车辆右视点图像的视差图基于以下步骤确定：
基于所述场景左视点图像的初始相机内参、所述场景右视点图像的初始相机内参和缩放系数，分别确定出所述车辆左视点图像的相机内参和所述车辆右视点图像的相机内参；
基于所述车辆左视点图像的相机内参和所述车辆右视点图像的相机内参，确定出所述车辆左视点图像和所述车辆右视点图像的视差图。
3.根据权利要求2所述的方法，其中，所述部位预测和掩膜分割网络模型为采用编码器-解码器的框架的模型；以及，
所述将所述车辆左视点图像和所述车辆右视点图像输入基于车辆的部位先验数据构建的部位预测和掩膜分割网络模型，确定出所述基准图像中的前景像素点以及每个前景像素点的部位坐标，包括：
将所述车辆左视点图像和所述车辆右视点图像分别输入所述部位预测和掩膜分割网络模型，得到所述车辆左视点图像的编码特征向量和所述车辆右视点图像的编码特征向量；
将所述车辆左视点图像的编码特征向量和所述车辆右视点图像的编码特征向量进行融合，得到融合后的编码特征向量；
对所述融合后的编码特征向量进行解码，得到所述基准图像中的前景像素点和每个前景像素点的部位坐标。
4.根据权利要求3所述的方法，所述将所述融合伪点云输入预先训练的位姿预测模型中，得到所述待检测的车辆的位姿信息，包括：
基于所述前景像素点的伪点云坐标和部位坐标，确定所述待检测的车辆的全局特征向量；
从所述融合伪点云中采样出预设数量的前景像素点；
基于所述预设数量的前景像素点的伪点云坐标、部位坐标和所述全局特征向量，预测出所述基准图像的相机外参；
基于所述相机外参，确定所述待检测的车辆的位姿信息。
5.根据权利要求4所述的方法，所述方法还包括：
将所述融合后的编码特征向量作为立体特征向量；
基于所述立体特征向量和所述全局特征向量，得到三维拟合分数，所述三维拟合分数用于指导所述位姿预测模型的训练。
6.根据权利要求1至5之一所述的方法，其中，所述基于所述车辆左视点图像和所述车辆右视点图像的视差图以及所述基准图像的相机内参，将所述前景像素点在所述基准图像中的坐标转化为所述前景像素点在相机坐标系中的坐标，得到伪点云，将所述前景像素点的部位坐标与所述伪点云结合，得到融合伪点云，包括：
基于所述基准图像的相机内参以及所述车辆左视点图像和所述车辆右视点图像的视差图，确定出所述前景像素点的深度值；
基于所述前景像素点在所述基准图像中的坐标和所述深度值，得到所述前景像素点在所述相机坐标系中的初始坐标；
基于所述前景像素点的部位坐标，更新所述初始坐标，将更新的初始坐标及所述前景像素点的部位坐标结合，得到融合伪点云。
7.一种用于检测车辆位姿的装置，包括：
图像分割模块，被配置成将车辆左视点图像和车辆右视点图像输入基于车辆的部位先验数据构建的部位预测和掩膜分割网络模型，确定出基准图像中的前景像素点以及每个前景像素点的部位坐标，所述部位坐标用于表征所述前景像素点在待检测的车辆的部位坐标系中的位置，所述基准图像为所述车辆左视点图像或所述车辆右视点图像，所述部位先验数据为车辆三维部位的先验数据，所述部位坐标系为基于所述前景像素点按照其像素坐标组成的图像建立的车辆的部位坐标系；
点云生成模块，被配置成基于所述车辆左视点图像和所述车辆右视点图像的视差图以及所述基准图像的相机内参，将所述前景像素点在所述基准图像中的坐标转化为所述前景像素点在相机坐标系中的坐标，得到伪点云，将所述前景像素点的部位坐标与所述伪点云结合，得到融合伪点云；
位姿预测模块，被配置成将所述融合伪点云输入预先训练的位姿预测模型中，得到所述待检测的车辆的位姿信息。
8.根据权利要求7所述的装置，其中，所述装置还包括图像缩放模块，被配置成经由如下步骤确定所述车辆左视点图像和所述车辆右视点图像：
从双目相机采集到的同一场景的场景左视点图像和场景右视点图像中，分别提取出所述待检测的车辆的原始左视点图像和原始右视点图像；
将原始左视点图像和原始右视点图像分别缩放至预设尺寸，得到车辆左视点图像和车辆右视点图像；
以及，所述装置还包括视差图生成模块，被配置成经由如下步骤确定所述车辆左视点图像和所述车辆右视点图像的视差图：
基于所述场景左视点图像的初始相机内参、所述场景右视点图像的初始相机内参和缩放系数，分别确定出所述车辆左视点图像的相机内参和所述车辆右视点图像的相机内参；
基于所述车辆左视点图像的相机内参和所述车辆右视点图像的相机内参，确定出所述车辆左视点图像和所述车辆右视点图像的视差图。
9.根据权利要求8所述的装置，其中，所述部位预测和掩膜分割网络模型为采用编码器-解码器的框架的模型；以及，所述图像分割模块被进一步配置成：
将所述车辆左视点图像和所述车辆右视点图像分别输入所述部位预测和掩膜分割网络模型，得到所述车辆左视点图像的编码特征向量和所述车辆右视点图像的编码特征向量；
将所述车辆左视点图像的编码特征向量和所述车辆右视点图像的编码特征向量进行融合，得到融合后的编码特征向量；
对所述融合后的编码特征向量进行解码，得到所述基准图像中的前景像素点和每个前景像素点的部位坐标。
10.根据权利要求9所述的装置，其中，所述位姿预测模块被进一步配置成：
基于所述前景像素点的伪点云坐标和部位坐标，确定所述待检测的车辆的全局特征向量；
从所述融合伪点云中采样出预设数量的前景像素点；
基于所述预设数量的前景像素点的伪点云坐标、部位坐标和所述全局特征向量，预测出所述基准图像的相机外参；
基于所述相机外参，确定所述待检测的车辆的位姿信息。
11.根据权利要求10所述的装置，所述装置还包括模型训练模块，被配置成：
将所述融合后的编码特征向量作为立体特征向量；
基于所述立体特征向量和所述全局特征向量，得到三维拟合分数，所述三维拟合分数用于指导所述位姿预测模型的训练。
12.根据权利要求7至11之一所述的装置，其中，所述点云生成模块被进一步配置成：
基于所述基准图像的相机内参以及所述车辆左视点图像和所述车辆右视点图像的视差图，确定出所述前景像素点的深度值；
基于所述前景像素点在所述基准图像中的坐标和所述深度值，得到所述前景像素点在所述相机坐标系中的初始坐标；
基于所述前景像素点的部位坐标，更新所述初始坐标，将更新的初始坐标及所述前景像素点的部位坐标结合，得到融合伪点云。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
CN202010347485.7A 2020-04-28 2020-04-28 用于检测车辆位姿的方法及装置 Active CN111539973B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010347485.7A CN111539973B (zh) 2020-04-28 2020-04-28 用于检测车辆位姿的方法及装置
PCT/CN2020/130107 WO2021218123A1 (zh) 2020-04-28 2020-11-19 用于检测车辆位姿的方法及装置
JP2022540700A JP2023510198A (ja) 2020-04-28 2020-11-19 車両姿勢を検出するための方法及び装置
EP20934056.1A EP4050562A4 (en) 2020-04-28 2020-11-19 METHOD AND DEVICE FOR DETECTING THE POSITION OF A VEHICLE
US17/743,402 US20220270289A1 (en) 2020-04-28 2022-05-12 Method and apparatus for detecting vehicle pose

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010347485.7A CN111539973B (zh) 2020-04-28 2020-04-28 用于检测车辆位姿的方法及装置

Publications (2)

Publication Number Publication Date
CN111539973A CN111539973A (zh) 2020-08-14
CN111539973B true CN111539973B (zh) 2021-10-01

Family

ID=71977314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010347485.7A Active CN111539973B (zh) 2020-04-28 2020-04-28 用于检测车辆位姿的方法及装置

Country Status (5)

Country Link
US (1) US20220270289A1 (zh)
EP (1) EP4050562A4 (zh)
JP (1) JP2023510198A (zh)
CN (1) CN111539973B (zh)
WO (1) WO2021218123A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539973B (zh) * 2020-04-28 2021-10-01 北京百度网讯科技有限公司 用于检测车辆位姿的方法及装置
CN112200765B (zh) * 2020-09-04 2024-05-14 浙江大华技术股份有限公司 车辆中被误检的关键点的确定方法及装置
CN112766206B (zh) * 2021-01-28 2024-05-28 深圳市捷顺科技实业股份有限公司 一种高位视频车辆检测方法、装置、电子设备和存储介质
CN113379763A (zh) * 2021-06-01 2021-09-10 北京齐尔布莱特科技有限公司 图像数据处理方法、生成模型的方法及图像分割处理方法
CN114419564B (zh) * 2021-12-24 2023-09-01 北京百度网讯科技有限公司 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆
CN116013091B (zh) * 2023-03-24 2023-07-07 山东康威大数据科技有限公司 基于车流量大数据的隧道监控系统与分析方法
CN116206068B (zh) * 2023-04-28 2023-07-25 北京科技大学 基于真实数据集的三维驾驶场景生成与构建方法及装置
CN116740498A (zh) * 2023-06-13 2023-09-12 北京百度网讯科技有限公司 模型预训练方法、模型训练方法、对象处理方法及装置
CN116993817B (zh) * 2023-09-26 2023-12-08 深圳魔视智能科技有限公司 目标车辆的位姿确定方法、装置、计算机设备及存储介质
CN117496477B (zh) * 2024-01-02 2024-05-03 广汽埃安新能源汽车股份有限公司 一种点云目标检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110082779A (zh) * 2019-03-19 2019-08-02 同济大学 一种基于3d激光雷达的车辆位姿定位方法及系统
CN110738200A (zh) * 2019-12-23 2020-01-31 广州赛特智能科技有限公司 车道线3d点云地图构建方法、电子设备及存储介质

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100922429B1 (ko) * 2007-11-13 2009-10-16 포항공과대학교 산학협력단 스테레오 영상을 이용한 사람 검출 방법
GB2492779B (en) * 2011-07-11 2016-03-16 Toshiba Res Europ Ltd An image processing method and system
JP6431404B2 (ja) * 2015-02-23 2018-11-28 株式会社デンソーアイティーラボラトリ 姿勢推定モデル生成装置及び姿勢推定装置
JP6551336B2 (ja) * 2016-08-12 2019-07-31 株式会社デンソー 周辺監査装置
CN106447661A (zh) * 2016-09-28 2017-02-22 深圳市优象计算技术有限公司 一种深度图快速生成方法
CN106908775B (zh) * 2017-03-08 2019-10-18 同济大学 一种基于激光反射强度的无人车实时定位方法
CN107505644B (zh) * 2017-07-28 2020-05-05 武汉理工大学 基于车载多传感器融合的三维高精度地图生成系统及方法
CN108381549B (zh) * 2018-01-26 2021-12-14 广东三三智能科技有限公司 一种双目视觉引导机器人快速抓取方法、装置及存储介质
GB201804400D0 (en) * 2018-03-20 2018-05-02 Univ Of Essex Enterprise Limited Localisation, mapping and network training
CN108749819B (zh) * 2018-04-03 2019-09-03 吉林大学 基于双目视觉的轮胎垂向力估算系统及估算方法
CN108534782B (zh) * 2018-04-16 2021-08-17 电子科技大学 一种基于双目视觉系统的地标地图车辆即时定位方法
CN108765496A (zh) * 2018-05-24 2018-11-06 河海大学常州校区 一种多视点汽车环视辅助驾驶系统及方法
CN108961339B (zh) * 2018-07-20 2020-10-20 深圳辰视智能科技有限公司 一种基于深度学习的点云物体姿态估计方法、装置及其设备
CN109360240B (zh) * 2018-09-18 2022-04-22 华南理工大学 一种基于双目视觉的小型无人机定位方法
CN109278640A (zh) * 2018-10-12 2019-01-29 北京双髻鲨科技有限公司 一种盲区检测系统和方法
TWI700017B (zh) * 2018-10-17 2020-07-21 財團法人車輛研究測試中心 車輛偵測方法、基於光強度動態之夜間車輛偵測方法及其系統
CN110208783B (zh) * 2019-05-21 2021-05-14 同济人工智能研究院(苏州)有限公司 基于环境轮廓的智能车辆定位方法
CN111539973B (zh) * 2020-04-28 2021-10-01 北京百度网讯科技有限公司 用于检测车辆位姿的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110082779A (zh) * 2019-03-19 2019-08-02 同济大学 一种基于3d激光雷达的车辆位姿定位方法及系统
CN110738200A (zh) * 2019-12-23 2020-01-31 广州赛特智能科技有限公司 车道线3d点云地图构建方法、电子设备及存储介质

Also Published As

Publication number Publication date
WO2021218123A1 (zh) 2021-11-04
US20220270289A1 (en) 2022-08-25
JP2023510198A (ja) 2023-03-13
EP4050562A4 (en) 2023-01-25
EP4050562A1 (en) 2022-08-31
CN111539973A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111539973B (zh) 用于检测车辆位姿的方法及装置
EP3852068A1 (en) Method for training generative network, method for generating near-infrared image and apparatuses
CN112132829A (zh) 车辆信息的检测方法、装置、电子设备和存储介质
CN112652016B (zh) 点云预测模型的生成方法、位姿估计方法及其装置
CN111753961B (zh) 模型训练方法和装置、预测方法和装置
CN111294665B (zh) 视频的生成方法、装置、电子设备及可读存储介质
CN111722245B (zh) 定位方法、定位装置和电子设备
CN111739005B (zh) 图像检测方法、装置、电子设备及存储介质
CN111401251B (zh) 车道线提取方法、装置、电子设备及计算机可读存储介质
US11915439B2 (en) Method and apparatus of training depth estimation network, and method and apparatus of estimating depth of image
CN111666876B (zh) 用于检测障碍物的方法、装置、电子设备和路侧设备
CN111739167B (zh) 3d人头重建方法、装置、设备和介质
EP3989117A1 (en) Vehicle information detection method and apparatus, method and apparatus for training detection model, electronic device, storage medium and program
CN108280851B (zh) 深度图产生装置
CN111652113A (zh) 障碍物检测方法、装置、设备以及存储介质
CN110675635A (zh) 相机外参的获取方法、装置、电子设备及存储介质
CN111797745A (zh) 一种物体检测模型的训练及预测方法、装置、设备及介质
JP2022050311A (ja) 車両の車線変更を検出するための方法、装置、電子機器、記憶媒体、路側機、クラウド制御プラットフォーム、及びコンピュータプログラム
CN111753739A (zh) 物体检测方法、装置、设备以及存储介质
CN111311743B (zh) 三维重建精度测试方法、测试装置和电子设备
CN112509126A (zh) 三维物体检测的方法、装置、设备及存储介质
CN115953468A (zh) 深度和自运动轨迹的估计方法、装置、设备及存储介质
CN115880555B (zh) 目标检测方法、模型训练方法、装置、设备及介质
CN111866493B (zh) 基于头戴显示设备的图像校正方法、装置及设备
CN111784659A (zh) 图像检测的方法、装置、电子设备以及存储介质

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