CN111597993B - 数据处理的方法及装置 - Google Patents
数据处理的方法及装置 Download PDFInfo
- Publication number
- CN111597993B CN111597993B CN202010414060.3A CN202010414060A CN111597993B CN 111597993 B CN111597993 B CN 111597993B CN 202010414060 A CN202010414060 A CN 202010414060A CN 111597993 B CN111597993 B CN 111597993B
- Authority
- CN
- China
- Prior art keywords
- type
- coordinate
- coordinates
- matching
- determining
- 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
- 238000003672 processing method Methods 0.000 title abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 116
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 19
- 238000007689 inspection Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了数据处理的方法及装置，涉及自动驾驶领域。具体实现方案为：获取第一标注信息，第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的。通过预设算法对各对象进行标注，得到第二标注信息。根据第一标注信息和第二标注信息，确定预设算法的评测结果。通过根据用户标注的第一标注信息和算法输出的第二标注信息，确定预设算法的测评结果，从而可以实现对预设算法输出结果的自动化测评，以提升对输出结果的检验效率。
Description
技术领域
本申请实施例涉及图像处理中的自动驾驶技术，尤其涉及一种数据处理的方法及装置。
背景技术
随着自动驾驶领域的不断发展，在自动驾驶过程中，可以采用预设算法对道路上的箭头的类型和位置的识别。
其中，为了保证自动驾驶的安全性，在将预设算法载入至自动驾驶系统之前，需要检验预设算法的输出结果是否正确，目前，在对预设算法的输出结果进行检验时，通常都是将预设算法输出的箭头的类型和位置可视化在图片上，由人工进行检测。
然而，人工检验的方式需要人工判断输出的每一张图片，这样会导致对输出结果检验的效率低下。
发明内容
提供了一种用于数据处理的的方法及装置、设备以及存储介质。
根据第一方面，提供了一种数据处理的方法，包括：
获取第一标注信息，所述第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的；
通过预设算法对各所述对象进行标注，得到第二标注信息；
根据所述第一标注信息和所述第二标注信息，确定所述预设算法的评测结果；
其中，所述第一标注信息包括各所述对象的第一类型和各所述对象在所述第一图像中的第一坐标；
所述第二标注信息包括各所述对象的第二类型和各所述对象在所述第一图像中的第二坐标。
根据第二方面，提供了一种数据处理的装置，包括：
获取模块，用于获取第一标注信息，所述第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的；
处理模块，用于通过预设算法对各所述对象进行标注，得到第二标注信息；
所述处理模块，还用于根据所述第一标注信息和所述第二标注信息，确定所述预设算法的评测结果；
其中，所述第一标注信息包括各所述对象的第一类型和各所述对象在所述第一图像中的第一坐标；
所述第二标注信息包括各所述对象的第二类型和各所述对象在所述第一图像中的第二坐标。
根据第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面所述的方法。
根据第三方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，包括：
所述计算机指令用于使所述计算机执行如上第一方面所述的方法。
根据本申请的技术提升了对预设算法的输出结果的检验效率。
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为本申请实施例提供的自动驾驶场景示意图；
图2为本申请其中一实施例提供的数据处理的方法的流程图；
图3为本申请实施例提供的箭头类型示意图；
图4为本申请实施例提供的箭头角点示意图；
图5为本申请实施例提供的第一坐标的一种可能的实现示意图；
图6为本申请实施例提供的第一坐标的另一种可能的实现示意图；
图7为本申请另一实施提供的数据处理方法的流程图；
图8为本申请实施例提供的坐标均值对应的几何中心示意图；
图9为本申请实施例提供的代价矩阵示意图；
图10为本申请实施例提供的横纵向像素偏差的示意图；
图11为本申请其中一实施例提供的数据处理的装置的结构示意图；
图12是用来实现本申请实施例的数据处理的的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在介绍本申请提供的数据处理的方法之前，首先对本申请所涉及的背景技术进行进一步的详细介绍：
在自动驾驶系统中，自动驾驶的车辆在道路上行进时，可以确定当前车辆所在的车道，从而进行相应的自动驾驶决策；同时自动驾驶系统还可以确定当前车道的箭头信息。
例如可以参照图1进行理解，图1为本申请实施例提供的自动驾驶场景示意图，参见图1，当自动驾驶的车辆在道路上行进时，其所处的车道可以存在箭头信息，其中，箭头信息例如可以为图1中所示的直行箭头、直行或右转箭头，或者还可以为当前存在的任意一种箭头，本实施例对此不做特别限制。
在车辆行驶过程中，自动驾驶系统可以通过感知道路上的箭头，从而修正当前定位的横向偏差和纵向偏差，以得到更精确的定位信息。
因此，自动驾驶系统对道路上的箭头的类型识别、位置识别的精度有一定的要求。
目前，在对道路上的箭头的类型和位置进行识别时，通常都是通过自动驾驶系统中的预设算法对获取到的图像进行处理，从而得到图像中箭头的类型和位置。
为了保证自动驾驶的安全性，在将预设算法载入至自动驾驶系统之前，需要对预设算法输出结果的正确性进行检验。
目前，在对预设算法的输出结果进行检验时，通常都是将预设算法输出的箭头的类型和位置可视化在图片上，由人工进行检查。
然而，人工对输出结果进行检查时，仅仅能对输出结果进行定性或者粗略定量的统计，无法实现精确量化和快速定位，也就无法保证检验结果的准确性；同时，自动驾驶需要采集大量(千万级别甚至上亿级别)的图片进行验证，由人工进行检查需要人工判断输出的每一张图片，这样会导致对输出结果检验的效率低下，甚至难以实现。
针对现有技术中的问题，本申请提出了如下技术构思：通过对图片中的箭头进行一次标注，根据标注得到的结果对算法输出的结果进行迭代验证，从而可以实现在有限次的标注的情况下，实现对预设算法输出结果的多次自动化验证，从而提升对输出结果的检验效率。
在上述介绍的技术构思的基础上，下面对本申请提供的数据处理的方法进行详细介绍，首先结合图2进行说明，图2为本申请其中一实施例提供的数据处理的方法的流程图。
如图2所示，该方法包括：
S201、获取第一标注信息，第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的。
在本实施中，第一图像为需要进行处理的图像，其中，第一图像中包括至少一个预设形状的对象，其中，预设形状例如可以是包括箭头的形状，比如说左转箭头的形状、右转箭头的形状、直行箭头的形状等，或者预设形状还可以为道路限速标志的形状等。
以及本实施例中的预设形状的对象例如可以为道路中的箭头，或者还可为道路中的其余信息，如路标、建筑等，本实施例对此不做限定。
以其中的预设形状的对象是箭头为例，例如第一图像中可以进包括一个直行箭头，或者第一图像中还可以同时包括多个直行箭头和多个直行或右转箭头等，其具体取决于采集的第一图像的道路信息，本实施例对第一图像中包括的对象不做限定。
在本实施例中，用户对第一图像中的至少一个预设形状的对象进行标注，得到第一标注信息，在一种可能的实现方式中，第一标注信息包括各个对象的第一类型和各个对象在第一图像中的第一坐标。
以其中的预设形状的对象是箭头为例，即预设形状为包括箭头的各种形状，则对象的第一类型例如可以为直行箭头、左转箭头、右转箭头等，本实施例对此不做特别限制；以及对象在第一图像中的第一坐标可以为箭头的各个角点在第一图像中的坐标，或者还可以为当前对象的中心点在第一图像中的坐标。
在另一种可能的实现方式中，第一标注信息还可以包括额外的指示信息，比如说标注时间、道路位置、箭头数量等，凡是用于对第一图像进行标注的信息均可以作为本实施例中的第一标注信息。
S202、通过预设算法对各对象进行标注，得到第二标注信息。
其中，预设算法为用于确定对象的位置和类型的算法，本实施例对此具体的实现不做限定，例如任一种可以用于对箭头的类型和位置进行识别的算法，均可以认为是本实施例中的预设算法。
在本实施例中，通过预设算法对第一图像中的各个对象进行标注，可以得到第二标注信息，在一种可能的实现方式中，第二标注信息可以包括各个对象的第二类型以及各个对象在第一图像中的第二坐标。
可以理解的是，本此次的第二类型和第二坐标的实现方式，与上述介绍的第一类型和第一坐标的实现方式类似，不同之处在于第一类型和第一坐标的实现方式是用户手动标注的，而此次的第二类型和第二坐标是算法的输出结果。
在另一种可能的实现方式中，第二标注信息同样可以包括额外的指示信息，比如说标注时间、道路位置、箭头数量等，凡是预设算法输出的、用于对第一图像中的各个对象进行标注的信息，均可以作为本实施例中的第二标注信息。
S203、根据第一标注信息和第二标注信息，确定预设算法的评测结果。
在得到第一标注信息和第二标注信息之后，可以对第一标注信息和第二标注信息进行比较，以确定预设算法的评测结果，其中，评测结果用于指示预设算法输出的第二标注信息是否正确。
在一种可能的实现方式中，例如可以根据第一标注信息中的第一类型和第二标注信息中的第二类型，获取同类型的箭头，接着对同类型的箭头在第一标注信息中标注的第一坐标，和在第二标注信息中指示的第二坐标进行比较，因为第一标注信息是人工标注的，因此可以保证其正确性，通过第一坐标和第二坐标进行比较，可以有效保证评测结果的正确性。
可以理解的是，在根据第一标注信息和第二标注信息，得到预设算法的评测结果之后，若预设算法的输出结果准确性较差，则可以对预设算法进行相应的调整，接着再次采用预设算法对第一图像中的各个对象进行标注，得到新的第二标注信息，再重复上述步骤，从而可以实现针对第一图像，在一次标注的情况下，实现对算法的多次迭代输出，从而能够有效提升对输出结果的检验效率。
本申请实施例提供的数据处理方法，包括：获取第一标注信息，第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的。通过预设算法对各对象进行标注，得到第二标注信息。根据第一标注信息和第二标注信息，确定预设算法的评测结果。通过根据用户标注的第一标注信息和算法输出的第二标注信息，确定预设算法的测评结果，从而可以实现对预设算法输出结果的自动化测评，以提升对输出结果的检验效率，并且通过用户的一次标注，可以实现对预设算法的多次迭代输出的结果的检测，从而能够进一步的提升对输出结果的检验效率。
在上述实施例的基础上，以第一图像中的预设形状的对象是箭头为例，下面结合图3至图6对本申请中的第一标注信息的实现方式进行介绍，可以理解的是，当第一图像中的对象是其他的实现方式时，其实现方式类似。
图3为本申请实施例提供的箭头类型示意图，图4为本申请实施例提供的箭头角点示意图，图5为本申请实施例提供的第一坐标的一种可能的实现示意图，图6为本申请实施例提供的第一坐标的另一种可能的实现示意图。
在本实施例中，第一标注信息可以包括第一图像中的各个箭头的类型，其中，箭头的类型例如可以如图3所示，包括如下中的11种：直行、直行或左转、左转、右转、直行或右转、掉头、直行或掉头、左转或掉头、左右转弯、左弯或向左合流，右弯或向右合流。
在另一种可能的实现方式中，如果当前存在某些箭头的类型不属于上述介绍的11种，则可以将这些箭头的类型确定为“其他”，可以理解的是，箭头的类型并不局限于上述介绍的几种，其可以根据实际的道路需求进行划分和相应的扩展，本实施例对此不做特别限制。
下面结合图4和图5对第一标注信息的一种可能的实现方式进行介绍，在一种可能的实现方式中，针对第一图像中的每一个箭头，第一标注信息中的第一坐标都可以包括该箭头的至少一个角点的坐标。
其中箭头的角点可以理解为箭头的各个拐点，参见图4，对掉头箭头来说，存在图4所示的7个角点；对直行箭头来说，存在图4所示的7个角点；以及对左转箭头来说，存在图4所示的8个角点，其余类型的箭头的角点的实现方式类似，此处不再赘述。
下面结合图5对第一坐标为各角点的坐标的实现方式下，第一标注信息中第一坐标的实现方式进行说明，参见图5，为了便于说明，假设当前第一图像中包括一个完整的直行箭头，以及假设当前针对第一图像建立有坐标系，则可以获取该直行箭头的各个角点(角点1-角点7)在第一图像的坐标系中的坐标，从而得到第一标注信息中的第一坐标。
在一种可能的实现方式下，可以选取箭头根部左下角的角点作为起始点，逆时针方向依次标注各个角点在第一图像中的坐标，也就是说按照图5所示的角点1至角点7的顺序进行标注，从而得到第一坐标。
在本实施例中，第一坐标中各个角点的坐标位置可以为该角点在第一图像中的比例位置，也就是说用该角点的x坐标除以第一图像的横向长度，用该角点的y坐标除以第一图像的纵向长度，从而得到该角点的比例位置，通过将比例位置作为第一坐标，可以在第一图像进行缩放时，保证第一坐标的可用性。
或者，第一坐标也可以为在图像坐标系下的x坐标和y坐标，本实施例对此不做限制。
在上述介绍的内容的基础上，本实施例中在进行第一坐标的标注时，第一图像中可能存在不完整的箭头，例如被截断、被遮挡或者被涂抹的箭头等，针对不完整的箭头，本实施例的处理方式如图6所示，仅会对显示在第一图片中的箭头的角点进行坐标的标注，对于没有显示在第一图像中的箭头的角点，为了保证数据的完整性，可以采用默认值对未显示出来的角点的坐标进行填充，其中，默认值例如可以为-1、0、1等任意可以填充的数值，本实施例对此不做限制。
在上述实施例的基础上，下面结合具体的实施例对本申请中根据第一标注信息和第二标注信息，确定预设算法的评测结果的实现方式进行介绍，在本实施例中，仍然以对象为箭头为例进行说明，其余的实现方式类似，此处不再赘述。
根据图7至图10进行说明，图7为本申请另一实施提供的数据处理方法的流程图，图8为本申请实施例提供的坐标均值对应的几何中心示意图，图9为本申请实施例提供的代价矩阵示意图，图10为本申请实施例提供的横纵向像素偏差的示意图。
值得说明的是，图7实施例介绍的内容为上述S203的一种可能的实现方式。
如图7所示，该方法包括：
S701、获取第一标注信息所指示的各对象的第一类型。
其中，第一图像中可能包括多个不同类型的箭头，并且同一类型的箭头可能有多个，因此第一标注信息可以包括各个对象的第一类型，第一类型的实现在上述实施例中进行了介绍，此处不再赘述。
S702、针对每一个第一类型，在第一标注信息中获取M个对象的第一坐标，M个对象的第一类型与每一个第一类型相同，其中，M为大于等于1的整数。
在本实施例中，为了实现对各个箭头均进行检验，可以对第一标注信息中的第一类型进行遍历，针对其中的每一个第一类型，可以在第一标注信息中获取该与第一类型相同的箭头的第一坐标。
假设当前遍历到的第一类型为“直行”，则可以在第一标注信息中获取所有的直行箭头的第一坐标，在本实施例中，第一图像中存在M个直行箭头，则可以获取M个直行箭头的第一坐标，其中M为大于等于1的整数，M的具体取值取决于第一图像中第一类型的箭头的数量，本实施例对此不做限制。
S703、针对每一个第一类型，在第二标注信息中获取N个对象的第二坐标，N个对象的第二类型与每一个第一类型相同，其中，N为大于等于0的整数。
可以理解的是，为了根据第一标注信息对第二标注信息进行检验，应该对同类型的箭头进行检验，从而才能够保证检验的正确性和有效性。
因此针对当前遍历到的第一类型，在第二标注信息中获取N个对象的第二坐标，其中，N个对象的第二类型与每一个第一类型相同。
假设当前遍历到的第一类型为“直行”，则可以在第二标注信息中获取所有的直行箭头的第二坐标，在本实施例中，预设算法输出的第二标注信息中存在N个直行箭头，则可以获取N个直行箭头的第二坐标，其中N为大于等于0的整数，N的具体取值取决于第二标注信息中存在的与第一类型相同的第二类型的箭头的数量，本实施例对此不做限制。
以第一类型为“直行”为例，其中，当N为0时，则表明在第二标注信息中不存在与直行箭头，则可以遍历下一个第一类型。
可以理解的是，本实施例中的M和N的数量可能相同，也可能不相同，因为预设算法输出的第二标注信息中，第二类型的指示可能是错误的。
S704、针对每一个第一类型，根据第一类型的M个第一坐标和第一类型的N个第二坐标进行第一匹配处理，得到第一类型对应的第一匹配结果。
在本实施例中，针对每一个第一类型均获取了M个第一坐标和N个第二坐标，则本实施例可以针对每一个第一类型，均根据第一坐标和第二坐标进行匹配，以得到每一个第一类型对应的预设算法的评测结果。
其中，M个第一坐标包括M个第一类型的箭头的各个角点的坐标，N个第二坐标包括N个第二类型的箭头的各个角点的坐标。
下面以第一类型中的任意一个为例，对第一匹配处理进行介绍，可以理解的是，针对每一个第一类型均执行相同的操作。
在第一匹配处理的一种可能的实现方式中，可以根据第一类型的M个第一坐标中各个角点的坐标，确定M个第一坐标均值，以及根据第一类型的N个第二坐标中各角点的坐标，确定N个第二坐标均值。
下面结合图8对第一坐标均值和第二坐标均值进行介绍，参见图8，图8中实线所示意的箭头为用户标注第一标注信息的箭头，虚线所示意的箭头为预设算法输出的第二标注信息的箭头。
基于上述介绍的内容可以理解的是，第一坐标和第二坐标包括箭头的各个角点的坐标，例如以图8中的实线直行箭头为例，假设该箭头的第一标注信息中第一坐标包括7个角点的坐标，分别是(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)、(x5,y5)、(x6,y6)、(x7,y7)，则可以按照如下公式一确定当前箭头的x坐标均值：
以及可以按照如下公式二确定当前箭头的y坐标均值：
从而可以得到当前箭头的第一坐标的坐标均值(x`1,y`1)。
可以理解的是，上述得到的坐标均值(x`1,y`1)就是图8中的实线直行箭头的几何中心11的坐标。
以及针对图8中的虚线直行箭头执行上述类似的操作，可以得到其几何中心12的坐标，其实现方式类似，此处不再赘述。
在本实施例中，针对上述的第一类型的M个第一坐标中的每一个均执行上述操作，从而可以得到M个第一坐标均值；以及针对上述的第一类型的N个第二坐标中的每一个均执行上述操作，从而可以得到N个第二坐标均值。
接着，可以计算M个第一坐标均值和N个第二坐标均值的欧氏距离，得到第一类型对应的M×N的代价矩阵，其中，计算欧式距离的实现方式可以参照现有技术中的介绍，此处不再赘述。
以M为3，N为2为例，得到的M×N的代价矩阵例如可以如图9所示，其中，3个第一坐标分别用M1、M2、M3指代，2个第二坐标分别用N1、N2指代，以及在图8中用字母指代了具体的欧式距离，其中，欧式距离的数值可以根据实际需求确定，本实施例对此不做限定。
以及，本实施例可以根据上述代价矩阵，确定全局最小值，得到一一对应的坐标对，坐标对包括一个第一坐标和一个第二坐标。
在一种可能的实现方式中，例如可以利用匈牙利匹配计算欧氏距离的全局最小值，从而得到一一对应的坐标对之间的匹配关系，其中匈牙利匹配的实现方式可以参照现有技术中的说明，本实施例对此不进行赘述。
例如当前可以得到两个坐标对为<M1,N2>、<M3,N1>，也就是说，当前通过计算全局最小值可以得到第一类型的各个第一坐标和第一类型的各个第二坐标之间的匹配关系。
进一步的，可以将各坐标对中，第一坐标的坐标均值和第二坐标的坐标均值的欧式距离小于预设距离的坐标对，确定为第一类型的第一匹配结果。
以预设距离为10个像素为例，例如，上述确定的两个坐标对中，M1和N2的坐标均值的欧式距离小于10个像素，则可以确定坐标对<M1,N2>为第一匹配结果；以及假设坐标对<M3,N1>的欧式距离不小于10个像素，则可以确定坐标对<M3,N1>匹配失败。
可以理解的是，本实施例中通过欧式距离确定代价矩阵，并通过代价矩阵进行相同类型的箭头的第一坐标和第二坐标的匹配，从而可以初步的实现位置的匹配，并且通过设置欧式距离小于预设距离的限定条件，可以将位置偏差大于预设条件的坐标对筛除，从而能够更有效的提升对输出结果进行检验的效率。
S705、根据第一类型的第一匹配结果进行第二匹配处理，得到第一类型的第二匹配结果。
在本实施例中，上述第一类型的第一匹配结果可以理解为粗匹配成功，也就是说初步的确定位置匹配成功，在位置匹配成功的基础上，本实施例还可以进行进一步的精匹配，即对各个角点的坐标进行匹配，从而从不同的维度对第二标注信息进行验证，保证评测结果的准确性。
在一种可能的实现方式中，可以针对第一类型的第一匹配结果中的每一个坐标对，获取坐标对中的第一坐标和第二坐标。
下面以第一匹配结果中的任意一个坐标对为例进行介绍，可以理解的是，针对每一个坐标对均执行相同的操作。
假设继续沿用上述介绍的示例，第一类型的第一匹配结果中包括一个坐标对：<M1,N2>，其中的第一坐标为M1，第二坐标为N2。
其中，可以判断第一坐标和第二坐标中，各个对应的角点坐标之间的横向像素偏差和纵向像素偏差是否均小于预设像素。
可以理解的是，第一坐标对应的箭头和第二坐标对应的箭头的类型是相同的，因此第一坐标中各个角点的坐标和第二坐标中各个角点的坐标之间可以存在一一对应关系。
以当前箭头的类型是直行，并且以第一坐标和第二坐标中角点5的坐标为例，对横向像素偏差和纵向像素偏差进行说明，参见图10，第一坐标中包括角点5的坐标，第二坐标中包括角点5`的坐标，则角点5的坐标和角点5`的坐标之间的横向像素偏差如图10中的10所示，以及和角点5的坐标和角点5`的坐标之间的纵向像素偏差如图10中的20所示。
接着可以判断角点5的坐标和角点5`的坐标之间的横向像素偏差和纵向像素偏差是否均小于预设像素，其中预设像素例如可以为5个像素。
上述介绍的是针对其中一个角点的第一坐标和第二坐标的横向像素偏差和纵向像素偏差进行判断，可以理解的是，针对箭头中的任一个角点均执行上述的判断操作，其实现方式不再赘述。
在一种可能的实现方式中，第一标注信息在对角点坐标进行标注时，可能存在箭头不完整的情况，基于上述介绍的内容可以确定的是，本实施例对不完整的角点的坐标，采用默认值进行填充。
基于此，因为第一标注信息中采用的是默认值填充，也就表示无法确定该角点的真实坐标，因此对于默认值填充的角点，其对应于第二坐标中相同位置的角点的坐标，无论第二坐标中该角点的坐标是多少，均确定该角点的第一坐标和第二坐标之间的横向像素偏差和纵向像素偏差均小于预设像素。
然而，在预设算法输出的第二标注信息中，可能也存在默认值填充的角点的坐标，针对第二坐标中某角点的默认值填充，本实施例则会正常的获取该角点的第一坐标和第二坐标之间的横向像素偏差和纵向像素偏差，并判断均小于预设像素。
若上述确定各个对应的角点坐标之间的横向像素偏差和纵向像素偏差均小于预设像素，则可以得到第一类型的第二匹配结果，其中，第二匹配结果用于指示当前坐标对中的第一类型的第一坐标和第一类型的第二坐标匹配成功。
比如说坐标对<M1,N2>中，第一类型的第一坐标M1和第一类型的第二坐标N2之间的各个角点的坐标的横向像素偏差和纵向像素偏差均小于预设像素，则可以确定第一坐标M1和第二坐标N2匹配成功。
在本实施例中，通过对位置匹配成功的坐标对中，各个第一坐标和第二坐标间对应的角点的坐标的横向像素偏差和纵向像素偏差和预设像素进行比较，从而可以实现对位置匹配成功的坐标对进行角点坐标匹配，从而能够进一步保证匹配结果的准确性。
S706、根据第一类型的第二匹配结果，确定预设算法对第一类型的对象的评测结果。
其中，可以根据第一类型的第二匹配结果，确定预设算法对第一类型中的目标对象评测成功，其中，目标对象为当前坐标对中的第二坐标对应的对象。
假设沿用上述示例，评测结果就用于指示预设算法对第一类型中的第二坐标N2对应的箭头评测成功。
根据第一类型的第二匹配结果，确定预设算法对第一类型中的目标对象评测成功，其中，目标对象为当前坐标对中的第二坐标对应的对象。
本申请实施例提供的数据处理的方法，包括：获取第一标注信息所指示的各对象的第一类型。针对每一个第一类型，在第一标注信息中获取M个对象的第一坐标，M个对象的第一类型与每一个第一类型相同，其中，M为大于等于1的整数。针对每一个第一类型，在第二标注信息中获取N个对象的第二坐标，N个对象的第二类型与每一个第一类型相同，其中，N为大于等于0的整数。针对每一个第一类型，根据第一类型的M个第一坐标和第一类型的N个第二坐标进行第一匹配处理，得到第一类型对应的第一匹配结果。根据第一类型的第一匹配结果进行第二匹配处理，得到第一类型的第二匹配结果。根据第一类型的第二匹配结果，确定预设算法对第一类型的对象的评测结果。通过获取相同类型的箭头的第一坐标，从而可以保证后续进行位置匹配和坐标匹配的有效性和正确性，并且，通过第一匹配处理进行位置匹配，以及根据第二匹配结果进行角点坐标匹配，从而可以实现从不同的维度对第二评测结果进行验证，以保证评测结果的准确性，并且还可以根据不同维度的验证结果，在算法迭代过程中，对算法进行修正，从而可以针对性的提升算法的性能。
在上述实施例的基础上，本申请实施例提供的数据处理的方法，还可以包括：
根据每个第一类型的第一坐标和每个第一类型的第二坐标，确定预设算法输出的第二标注信息的计算指标，其中，计算指标用于指示第二标注信息的准确率。
下面对计算指标的几种可能的实现方式进行介绍：
(1)第一匹配处理的召回率：
其中，Recallpos为第一匹配处理的召回率，Ntp(pos)为位置匹配正确的箭头个数，其也可以理解为上述实施例介绍的第一匹配结果中坐标对的个数，Nfn(pos)为未标记为位置匹配的第一坐标的个数，其也可以理解为上述实施例介绍的第一匹配处理未成功的第一坐标的个数。
(2)第一匹配处理的精确率：
其中，Precisionpos为第一匹配处理的召回率，Nfp(pos)为未标记为位置匹配的第二坐标的个数，其也可以理解为上述实施例介绍的第一匹配处理未成功的第二坐标的个数。
(3)第二匹配处理的召回率：
其中，Recalldet为第二匹配处理的召回率，Ntp(det)为满足位置匹配的基础上，满足所有角点匹配的箭头个数，其也可以理解为上述实施例介绍的第二匹配结果中坐标对的个数，Ntp(det)为所有角点均匹配的箭头的个数，Nfn(det)为并非所有角点均匹配的第一坐标的个数，其中，角点匹配是指角点的第一坐标和第二坐标之间的横向像素偏差和纵向像素偏差均小于预设像素。
(4)第二匹配处理的精确率：
其中，Precisiondet为第二匹配处理的精确率，Nfp(det)是指并非所有角点均匹配的第二坐标的个数
(5)单帧图像角点平均横纵向像素误差：
其中，avg_errx为单帧图像的横向平均误差，err_xi为该帧图像中第i角点的横向像素误差之和，N为该帧图像第一匹配结果中，输出位置信息的所有角点的个数，其也可以理解为上述实施例介绍的第一坐标和第二坐标所包括的角点的个数。
以及：
其中，avg_erry为单帧图像的纵向平均误差，err_yi为该帧图像中第i角点的纵向像素误差之和。
(6)总体角点误差平均，最大值和分布
本实施例同样可以对多帧图像进行处理，因此本实施例中还可以计算所有帧所有第一匹配结果中的位置信息的角点的横纵向误差之和，除以第一匹配结果中的位置信息的角点的个数，得到总体平均误差。
同时可以得到误差最大值和每一帧的每一个箭头的横纵向误差分布情况。
通过本实施例中得到的计算指标，可以增强对算法输出结果的分析的数据可视性，以实现对算法的针对性调整，从而能够有效提升算法的准确性。
在上述实施例的基础上，本申请实施例提供的数据的处理方法，还可以输出可视化的badcase(不好的情况)，从而可以误差分布和可视化的badcase中，快速定位出是哪个场景的哪一帧图像，依据具体到某个箭头的某个角点检测不准，从而可以高效的发现和定位问题，以针对性的解决，从而提升算法的迭代效率。
图11为本申请其中一实施例提供的数据处理的装置的结构示意图。如图11所示，本实施例的数据处理的装置110可以包括：获取模块1101处理模块1102。
获取模块1101，用于获取第一标注信息，所述第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的；
处理模块1102，用于通过预设算法对各所述对象进行标注，得到第二标注信息；
所述处理模块1102，还用于根据所述第一标注信息和所述第二标注信息，确定所述预设算法的评测结果；
其中，所述第一标注信息包括各所述对象的第一类型和各所述对象在所述第一图像中的第一坐标；
所述第二标注信息包括各所述对象的第二类型和各所述对象在所述第一图像中的第二坐标。
一种可能的实现方式中，所述处理模块1102具体用于：
获取所述第一标注信息所指示的各所述对象的第一类型；
针对每一个所述第一类型，在所述第一标注信息中获取M个对象的第一坐标，所述M个对象的第一类型与所述每一个所述第一类型相同，M为大于等于1的整数；
针对每一个所述第一类型，在所述第二标注信息中获取N个对象的第二坐标，所述N个对象的第二类型与所述每一个所述第一类型相同，N为大于等于0的整数；
针对每一个所述第一类型，根据所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标，确定所述第一类型对应的所述预设算法的评测结果。
一种可能的实现方式中，所述处理模块1102具体用于：
根据所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标进行第一匹配处理，得到所述第一类型的第一匹配结果；
根据所述第一类型的所述第一匹配结果进行第二匹配处理，得到所述第一类型的第二匹配结果；
根据所述第一类型的第二匹配结果，确定所述预设算法对所述第一类型的对象的评测结果。
一种可能的实现方式中，每一个所述第一坐标和每一个所述第二坐标包括对象的至少一个角点的坐标。
一种可能的实现方式中，所述处理模块1102具体用于：
根据所述第一类型的M个所述第一坐标中各所述角点的坐标，确定M个第一坐标均值，以及，根据所述第一类型的N个所述第二坐标中各所述角点的坐标，确定N个第二坐标均值；
计算所述M个第一坐标均值和所述N个第二坐标均值的欧氏距离，得到所述第一类型对应的M×N的代价矩阵；
根据所述代价矩阵，确定全局最小值，得到一一对应的坐标对，所述坐标对包括一个所述第一坐标和一个所述第二坐标；
将各所述坐标对中，所述第一坐标的坐标均值和所述第二坐标的坐标均值的欧式距离小于预设距离的坐标对，确定为所述第一类型的第一匹配结果。
一种可能的实现方式中，所述处理模块1102具体用于：
针对所述第一类型的第一匹配结果中的每一个所述坐标对，获取所述坐标对中的第一坐标和所述第二坐标；
判断所述第一坐标和所述第二坐标中，各个对应的角点坐标之间的横向像素偏差和纵向像素偏差是否均小于预设像素；
若是，则得到所述第一类型的第二匹配结果，其中，所述第二匹配结果用于指示当前所述坐标对中的所述第一类型的第一坐标和所述第一类型的第二坐标匹配成功。
一种可能的实现方式中，所述处理模块1102具体用于：
根据所述第一类型的第二匹配结果，确定所述预设算法对第一类型中的目标对象评测成功，其中，所述目标对象为当前坐标对中的所述第二坐标对应的对象。
一种可能的实现方式中，所述处理模块1102还用于：
根据每个所述第一类型的第一坐标和每个所述第一类型的第二坐标，确定所述预设算法输出的第二标注信息的计算指标，其中，所述计算指标用于指示所述第二标注信息的准确率。
本实施例提供的数据处理的装置，可用于执行上述任一方法实施例中的地图数据处理方法，其实现原理和技术效果类似，此处不作赘述。
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。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
如图12所示，是根据本申请实施例的数据处理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12所示，该电子设备包括：一个或多个处理器1201、存储器1202，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12中以一个处理器1201为例。
存储器1202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数据处理的方法。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数据处理的方法。
存储器1202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数据处理的方法对应的程序指令/模块(例如，附图11所示的获取模块1101、和处理模块1102)。处理器1201通过运行存储在存储器1202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数据处理的方法。
存储器1202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数据处理的电子设备的使用所创建的数据等。此外，存储器1202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1202可选包括相对于处理器1201远程设置的存储器，这些远程存储器可以通过网络连接至数据处理的电子设备。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。
数据处理的方法的电子设备还可以包括：输入装置1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接，图12中以通过总线连接为例。
输入装置1203可接收输入的数字或字符信息，以及产生与数据处理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1204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，通过根据用户标注的第一标注信息和算法输出的第二标注信息，确定预设算法的测评结果，从而可以实现对预设算法输出结果的自动化测评，以提升对输出结果的检验效率，并且通过用户的一次标注，可以实现对预设算法的多次迭代输出的结果的检测，从而能够进一步的提升对输出结果的检验效率。
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 (16)
1.一种数据处理的方法，其特征在于，包括：
获取第一标注信息，所述第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的；
通过预设算法对各所述对象进行标注，得到第二标注信息；
将所述第一标注信息和所述第二标注信息逐步进行第一匹配处理和第二匹配处理，确定所述预设算法的评测结果；
其中，所述第一标注信息包括各所述对象的第一类型和各所述对象在所述第一图像中的第一坐标；
所述第二标注信息包括各所述对象的第二类型和各所述对象在所述第一图像中的第二坐标；
每一个所述第一坐标和每一个所述第二坐标包括对象的至少一个角点的坐标，所述对象的至少一个角点的坐标用于确定所述对象的第一坐标均值或第二坐标均值，以根据所述第一坐标均值和第二坐标均值进行第一匹配处理。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一标注信息和所述第二标注信息逐步进行第一匹配处理和第二匹配处理，确定所述预设算法的评测结果，包括：
获取所述第一标注信息所指示的各所述对象的第一类型；
针对每一个所述第一类型，在所述第一标注信息中获取M个对象的第一坐标，所述M个对象的第一类型与所述每一个所述第一类型相同，M为大于等于1的整数；
针对每一个所述第一类型，在所述第二标注信息中获取N个对象的第二坐标，所述N个对象的第二类型与所述每一个所述第一类型相同，N为大于等于0的整数；
针对每一个所述第一类型，将所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标逐步进行第一匹配处理和第二匹配处理，确定所述第一类型对应的所述预设算法的评测结果。
3.根据权利要求2所述的方法，其特征在于，所述将所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标逐步进行第一匹配处理和第二匹配处理，确定所述第一类型对应的所述预设算法的评测结果，包括：
根据所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标进行第一匹配处理，得到所述第一类型的第一匹配结果；
根据所述第一类型的所述第一匹配结果进行第二匹配处理，得到所述第一类型的第二匹配结果；
根据所述第一类型的第二匹配结果，确定所述预设算法对所述第一类型的对象的评测结果。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标进行第一匹配处理，得到所述第一类型的第一匹配结果，包括：
根据所述第一类型的M个所述第一坐标中各所述角点的坐标，确定M个第一坐标均值，以及，根据所述第一类型的N个所述第二坐标中各所述角点的坐标，确定N个第二坐标均值；
计算所述M个第一坐标均值和所述N个第二坐标均值的欧氏距离，得到所述第一类型对应的M×N的代价矩阵；
根据所述代价矩阵，确定全局最小值，得到一一对应的坐标对，所述坐标对包括一个所述第一坐标和一个所述第二坐标；
将各所述坐标对中，所述第一坐标的坐标均值和所述第二坐标的坐标均值的欧式距离小于预设距离的坐标对，确定为所述第一类型的第一匹配结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一类型的所述第一匹配结果进行第二匹配处理，得到所述第一类型的第二匹配结果，包括：
针对所述第一类型的第一匹配结果中的每一个所述坐标对，获取所述坐标对中的第一坐标和所述第二坐标；
判断所述第一坐标和所述第二坐标中，各个对应的角点坐标之间的横向像素偏差和纵向像素偏差是否均小于预设像素；
若是，则得到所述第一类型的第二匹配结果，其中，所述第二匹配结果用于指示当前所述坐标对中的所述第一类型的第一坐标和所述第一类型的第二坐标匹配成功。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一类型的第二匹配结果，确定所述预设算法对所述第一类型的对象的评测结果，包括：
根据所述第一类型的第二匹配结果，确定所述预设算法对第一类型中的目标对象评测成功，其中，所述目标对象为当前坐标对中的所述第二坐标对应的对象。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据每个所述第一类型的第一坐标和每个所述第一类型的第二坐标，确定所述预设算法输出的第二标注信息的计算指标，其中，所述计算指标用于指示所述第二标注信息的准确率。
8.一种数据处理的装置，其特征在于，包括：
获取模块，用于获取第一标注信息，所述第一标注信息为用户对第一图像中至少一个预设形状的对象进行标注得到的；
处理模块，用于通过预设算法对各所述对象进行标注，得到第二标注信息；
所述处理模块，还用于将所述第一标注信息和所述第二标注信息逐步进行第一匹配处理和第二匹配处理，确定所述预设算法的评测结果；
其中，所述第一标注信息包括各所述对象的第一类型和各所述对象在所述第一图像中的第一坐标；
所述第二标注信息包括各所述对象的第二类型和各所述对象在所述第一图像中的第二坐标；
每一个所述第一坐标和每一个所述第二坐标包括对象的至少一个角点的坐标，所述对象的至少一个角点的坐标用于确定所述对象的第一坐标均值或第二坐标均值，以根据所述第一坐标均值和第二坐标均值进行第一匹配处理。
9.根据权利要求8所述的装置，其特征在于，所述处理模块具体用于：
获取所述第一标注信息所指示的各所述对象的第一类型；
针对每一个所述第一类型，在所述第一标注信息中获取M个对象的第一坐标，所述M个对象的第一类型与所述每一个所述第一类型相同，M为大于等于1的整数；
针对每一个所述第一类型，在所述第二标注信息中获取N个对象的第二坐标，所述N个对象的第二类型与所述每一个所述第一类型相同，N为大于等于0的整数；
针对每一个所述第一类型，将所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标逐步进行第一匹配处理和第二匹配处理，确定所述第一类型对应的所述预设算法的评测结果。
10.根据权利要求9所述的装置，其特征在于，所述处理模块具体用于：
根据所述第一类型的M个所述第一坐标和所述第一类型的N个所述第二坐标进行第一匹配处理，得到所述第一类型的第一匹配结果；
根据所述第一类型的所述第一匹配结果进行第二匹配处理，得到所述第一类型的第二匹配结果；
根据所述第一类型的第二匹配结果，确定所述预设算法对所述第一类型的对象的评测结果。
11.根据权利要求8所述的装置，其特征在于，所述处理模块具体用于：
根据所述第一类型的M个所述第一坐标中各所述角点的坐标，确定M个第一坐标均值，以及，根据所述第一类型的N个所述第二坐标中各所述角点的坐标，确定N个第二坐标均值；
计算所述M个第一坐标均值和所述N个第二坐标均值的欧氏距离，得到所述第一类型对应的M×N的代价矩阵；
根据所述代价矩阵，确定全局最小值，得到一一对应的坐标对，所述坐标对包括一个所述第一坐标和一个所述第二坐标；
将各所述坐标对中，所述第一坐标的坐标均值和所述第二坐标的坐标均值的欧式距离小于预设距离的坐标对，确定为所述第一类型的第一匹配结果。
12.根据权利要求11所述的装置，其特征在于，所述处理模块具体用于：
针对所述第一类型的第一匹配结果中的每一个所述坐标对，获取所述坐标对中的第一坐标和所述第二坐标；
判断所述第一坐标和所述第二坐标中，各个对应的角点坐标之间的横向像素偏差和纵向像素偏差是否均小于预设像素；
若是，则得到所述第一类型的第二匹配结果，其中，所述第二匹配结果用于指示当前所述坐标对中的所述第一类型的第一坐标和所述第一类型的第二坐标匹配成功。
13.根据权利要求12所述的装置，其特征在于，所述处理模块具体用于：
根据所述第一类型的第二匹配结果，确定所述预设算法对第一类型中的目标对象评测成功，其中，所述目标对象为当前坐标对中的所述第二坐标对应的对象。
14.根据权利要求8所述的装置，其特征在于，所述处理模块还用于：
根据每个所述第一类型的第一坐标和每个所述第一类型的第二坐标，确定所述预设算法输出的第二标注信息的计算指标，其中，所述计算指标用于指示所述第二标注信息的准确率。
15.一种电子设备，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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414060.3A CN111597993B (zh) | 2020-05-15 | 2020-05-15 | 数据处理的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414060.3A CN111597993B (zh) | 2020-05-15 | 2020-05-15 | 数据处理的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111597993A CN111597993A (zh) | 2020-08-28 |
| CN111597993B true CN111597993B (zh) | 2023-09-05 |
Family
ID=72189751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010414060.3A Active CN111597993B (zh) | 2020-05-15 | 2020-05-15 | 数据处理的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597993B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112698421A (zh) * | 2020-12-11 | 2021-04-23 | 北京百度网讯科技有限公司 | 障碍物检测的测评方法、装置、设备以及存储介质 |
| CN112528848B (zh) * | 2020-12-11 | 2024-05-24 | 北京百度网讯科技有限公司 | 障碍物检测的测评方法、装置、设备以及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898186A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
| CN109522825A (zh) * | 2018-10-31 | 2019-03-26 | 蔚来汽车有限公司 | 视觉感知系统的性能测试系统及其性能测试方法 |
| CN110148196A (zh) * | 2018-09-12 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 一种图像处理方法、装置以及相关设备 |
| CN110287832A (zh) * | 2019-06-13 | 2019-09-27 | 北京百度网讯科技有限公司 | 高速自动驾驶场景障碍物感知评测方法及装置 |
| CN110440815A (zh) * | 2019-08-16 | 2019-11-12 | 南京邮电大学 | 一种基于增强现实的导航方法 |
| CN110956100A (zh) * | 2019-11-15 | 2020-04-03 | 北京三快在线科技有限公司 | 一种高精度地图生成方法、装置、电子设备和存储介质 |
| CN110969655A (zh) * | 2019-10-24 | 2020-04-07 | 百度在线网络技术（北京）有限公司 | 用于检测车位的方法、装置、设备、存储介质以及车辆 |
| CN111105435A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 标志物匹配方法、装置及终端设备 |
| CN111126323A (zh) * | 2019-12-26 | 2020-05-08 | 广东星舆科技有限公司 | 服务于交通违规检测的卡口元素识别与分析方法、系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9384213B2 (en) * | 2013-08-14 | 2016-07-05 | Google Inc. | Searching and annotating within images |
-
2020
- 2020-05-15 CN CN202010414060.3A patent/CN111597993B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898186A (zh) * | 2018-07-03 | 2018-11-27 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
| CN110148196A (zh) * | 2018-09-12 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 一种图像处理方法、装置以及相关设备 |
| CN111105435A (zh) * | 2018-10-25 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 标志物匹配方法、装置及终端设备 |
| CN109522825A (zh) * | 2018-10-31 | 2019-03-26 | 蔚来汽车有限公司 | 视觉感知系统的性能测试系统及其性能测试方法 |
| CN110287832A (zh) * | 2019-06-13 | 2019-09-27 | 北京百度网讯科技有限公司 | 高速自动驾驶场景障碍物感知评测方法及装置 |
| CN110440815A (zh) * | 2019-08-16 | 2019-11-12 | 南京邮电大学 | 一种基于增强现实的导航方法 |
| CN110969655A (zh) * | 2019-10-24 | 2020-04-07 | 百度在线网络技术（北京）有限公司 | 用于检测车位的方法、装置、设备、存储介质以及车辆 |
| CN110956100A (zh) * | 2019-11-15 | 2020-04-03 | 北京三快在线科技有限公司 | 一种高精度地图生成方法、装置、电子设备和存储介质 |
| CN111126323A (zh) * | 2019-12-26 | 2020-05-08 | 广东星舆科技有限公司 | 服务于交通违规检测的卡口元素识别与分析方法、系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于视觉的道路信息识别技术研究;刘萌雅;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115;C035-490 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597993A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11468689B2 (en) | Method and apparatus for detecting obstacle, electronic device and storage medium | |
| CN111753765B (zh) | 感知设备的检测方法、装置、设备及存储介质 | |
| CN111854771B (zh) | 地图质量的检测处理方法、装置、电子设备和存储介质 | |
| CN113418543B (zh) | 自动驾驶传感器的检测方法、装置、电子设备及存储介质 | |
| CN112270399B (zh) | 基于深度学习的算子注册处理方法、装置及电子设备 | |
| CN111597993B (zh) | 数据处理的方法及装置 | |
| CN111310840B (zh) | 数据融合处理方法、装置、设备和存储介质 | |
| JP7263308B2 (ja) | 車両が位置する車線を決定する方法、装置、機器、および記憶媒体 | |
| EP3872696A1 (en) | Method and apparatus for detecting mobile traffic light, and electronic device | |
| CN111324115A (zh) | 障碍物位置检测融合方法、装置、电子设备和存储介质 | |
| CN111612852A (zh) | 用于验证相机参数的方法和装置 | |
| EP3910533A1 (en) | Method, apparatus, electronic device, and storage medium for monitoring an image acquisition device | |
| EP3886045A1 (en) | Three-dimensional reconstruction method, three-dimensional reconstruction apparatus and storage medium | |
| US11380035B2 (en) | Method and apparatus for generating map | |
| CN113326766B (zh) | 文本检测模型的训练方法及装置、文本检测方法及装置 | |
| CN111932611B (zh) | 物体位置获取方法和装置 | |
| CN112150380B (zh) | 校正图像的方法、装置、电子设备和可读存储介质 | |
| CN111612851B (zh) | 用于标定相机的方法、装置、设备以及存储介质 | |
| CN112528846A (zh) | 障碍物检测的测评方法、装置、设备以及存储介质 | |
| CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
| CN117152270A (zh) | 激光雷达与相机的联合标定方法、装置、设备及介质 | |
| CN112581526B (zh) | 障碍物检测的测评方法、装置、设备以及存储介质 | |
| CN114299192B (zh) | 定位建图的方法、装置、设备和介质 | |
| CN115620254A (zh) | 车道线检测的评估方法、装置、设备和存储介质 | |
| CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 |
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 |