CN111814769A - 一种信息采集方法、装置、终端设备及存储介质 - Google Patents
一种信息采集方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111814769A CN111814769A CN202010909889.0A CN202010909889A CN111814769A CN 111814769 A CN111814769 A CN 111814769A CN 202010909889 A CN202010909889 A CN 202010909889A CN 111814769 A CN111814769 A CN 111814769A
- Authority
- CN
- China
- Prior art keywords
- information
- image information
- initial
- data
- initial image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种信息采集方法、装置、终端设备及存储介质,该方法包括:获取目标区域的初始数据和初始图像信息,其中,初始数据由激光雷达按照第一采样频率采集,初始图像信息由视频采集器按照第二采样频率采集;计算初始数据和初始图像信息的临近度;基于临近度,得到相互匹配的初始数据和初始图像信息;基于相互匹配的初始数据和初始图像信息,确定目标区域中目标物体的参数信息;本申请使用初始数据和初始图像信息两个数据确定目标物体的参数信息,并对两个数据进行时间配准,利用时间配准后的初始数据和初始图形信息确定目标物体的参数信息,使确定的目标物体的信息更全面准确。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种信息采集方法、装置、终端设备及存储介质。
背景技术
目前对物体的信息采集多通过视频装置采集物体的图像,经过对图像的识别和分析,获得物体的信息,例如,交通检测中采集道路上物体的信息。
由于图像中存储的物体的信息比较单一,通过图像得到的物体的信息种类较少,不能全面的反应物体的状态,例如,物体的运动状态等。因此,如何获得物体的更全面的信息是目前需要解决的问题。
发明内容
本申请实施例提供了一种信息采集方法、装置、终端设备及存储介质,可以解决目前采集物体的信息不全面的问题。
第一方面,本申请实施例提供了一种信息采集方法,包括:
获取目标区域的初始数据和初始图像信息,其中,所述初始数据由激光雷达按照第一采样频率采集,所述初始图像信息由视频采集器按照第二采样频率采集,所述第一采样频率与第二采样频率不同;
计算所述初始数据和所述初始图像信息的临近度,其中,所述临近度用于表征所述初始数据的采集时间与所述初始图像信息的采集时间之间的差异;
基于所述临近度,得到相互匹配的初始数据和初始图像信息;
基于相互匹配的初始数据和初始图像信息,确定所述目标区域中目标物体的参数信息。
第二方面,本申请实施例提供了一种信息采集装置,包括:
数据获取模块,用于获取目标区域的初始数据和初始图像信息,其中,所述初始数据由激光雷达按照第一采样频率采集,所述初始图像信息由视频采集器按照第二采样频率采集,所述第一采样频率与第二采样频率不同;
计算模块,用于计算所述初始数据和所述初始图像信息的临近度,其中,所述临近度用于表征所述初始数据的采集时间与所述初始图像信息的采集时间之间的差异;
数据选取模块,用于基于所述临近度,得到相互匹配的初始数据和初始图像信息;
数据生成模块,用于基于相互匹配的初始数据和初始图像信息,确定所述目标区域中目标物体的参数信息。
第三方面,本申请实施例提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的信息采集方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的信息采集方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的信息采集方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:本申请首先获取激光雷达采集的初始数据和视频采集器采集的初始图像信息,然后计算初始数据和初始图像信息的临近度,基于临近度,得到相互匹配的初始数据和初始图像信息,最后基于相互匹配的初始数据和初始图像信息,确定目标区域中目标物体的参数信息;激光雷达和视频采集器采集的目标物体的信息不同,本申请使用初始数据和初始图像信息两个数据确定目标物体的参数信息,使确定的目标物体的信息更全面。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的信息采集方法的应用场景示意图;
图2是本申请一实施例提供的信息采集方法的流程示意图;
图3是本申请一实施例提供的临近度的计算方法的流程示意图;
图4是本申请一实施例提供的参数信息的确定方法的流程示意图;
图5是本申请一实施例提供的图4中步骤S1043参数信息的确定具体方法的流程示意图;
图6是本申请一实施例提供的信息采集装置的结构示意图;
图7是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
自动驾驶网联技术是未来智能交通发展的方向,随着自动驾驶技术的不断进步,对自动驾驶的测试准确度的要求也越来越高。
在自动驾驶测试过程中,单一的传感器采集的数据比较少,例如,视频装置只能采集物体的图像,对于能反应物体运动状态的速度等无法采集。且视频装置对光线要求较高,容易受雨雾天气影响,获取三维信息比较困难。
本申请采用激光雷达和视频装置共同采集物体的信息,激光雷达可以采集视频装置采集不到的信息,使得到的物体的信息更全面。
图1为本申请实施例提供的信息采集方法的应用场景示意图,上述信息采集方法可以用于采集目标物体的信息。其中,激光雷达10用于采集目标区域的初始数据,视频采集器20用于采集目标区域的初始图像信息。处理器20用于分别获取激光雷达10中的初始数据和视频采集器20中的初始图像信息,并对初始数据和初始图像数据进行分析处理,得到目标区域中目标物体的参数信息。
以下结合图1对本申请实施例的信息采集方法进行详细说明。
图2示出了本申请提供的信息采集方法的示意性流程图,参照图2,对该方法的详述如下:
S101,获取目标区域的初始数据和初始图像信息,其中,所述初始数据由激光雷达按照第一采样频率采集,所述初始图像信息由视频采集器按照第二采样频率采集,所述第一采样频率与第二采样频率不同。
在本实施例中,目标区域为需要获取信息的目标物体可能在的区域。目标区域的大小可以根据需要设置,还可以根据激光雷达和视频采集器的采集范围确定。
激光雷达可以是毫米波雷达。视频采集器可以是安装有视频传感器的设备,例如,摄像头。
初始数据可以是二维点云数据或三维点云数据,初始数据中包括激光雷达采集的目标物体的数据,例如,目标物体的速度、坐标、长度等。
初始图像信息可以是图片,初始图像信息中可以包括目标物体的颜色、目标类型和坐标等。
作为举例,在自动驾驶的检测中,目标物体为小汽车,小汽车所在的目标区域为A区域。使用激光雷达采集A区域的初始数据,初始数据中包括小汽车的速度、所在位置的坐标和小汽车的长度。使用视频采集器采集A区域的初始图像信息,初始图像信息中包括小汽车的颜色、小汽车的类型和小汽车的坐标。
在本实施例中,由于激光雷达和视频采集器的采样频率不同,因此,在进行数据融合时,需要对初始数据和初始图像信息进行时间配准,得到相近或相同时间采集的初始数据和初始图像信息,具体的时间配准方法参见下述说明。
S102,计算所述初始数据和所述初始图像信息的临近度,其中,所述临近度用于表征所述初始数据的采集时间与所述初始图像信息的采集时间之间的差异。
在本实施例中,由于激光雷达和视频采集器的采样频率不同。因此,激光雷达采集的第i帧初始数据和视频采集器采集的第i帧初始图像信息在时间上可能是不同。不同时间采集的目标区域的信息是不同的,因此,相同帧数的初始数据和初始图像信息不能做信息融合,i≥1。
作为举例,如果激光雷达的第一采样频率为40次/分,视频采集器的第二采样频率为60次/分。则激光雷达采集的第5帧初始数据的采集时间为7.5秒,视频采集器采集的第5帧初始图像信息的采集时间为5秒。第5帧初始数据和第5帧初始图像信息的采集时间不同,采集时间不同采集的目标区域的信息不同,因此,根据第5帧初始数据和第5帧初始图像信息不能得目标物体的信息。
在本实施例中,为了得到相同或相近时间下,激光雷达和视频采集器分别采集的初始数据和初始图像信息,需要计算初始数据和初始图像信息在采集时间上的差异。
S103,基于所述临近度,得到相互匹配的初始数据和初始图像信息。
在本实施例中,得到了初始数据与初始图像信息之间的临近度,可以根据临近度判断初始数据与初始图像信息是否为匹配的两个数据,最终得到相互匹配的两个初始数据和初始图像信息。
具体的,判断初始数据和初始图像信息是否匹配,需要确定临近度是否满足预设条件,查找满足预设条件的临近度,将满足条件的临近度对应的初始数据和初始图像信息作为相互匹配的初始数据和初始图像信息。
满足预设条件可以是临近度小于预设阈值,或临近度中最小的等,可以根据需要设置。预设阈值也可以根据需要选取,在此不做限制。
S104,基于相互匹配的初始数据和初始图像信息,确定所述目标区域中目标物体的参数信息。
在本实施例中,由于相互匹配的初始数据和初始图像信息是经过时间配准的信息,在时间上是相互匹配的,因此,可以根据相互匹配的初始数据和初始图像信息进行图像识别、数据融合等得到目标物体的参数信息。
本申请实施例中,首先获取激光雷达采集的初始数据和视频采集器采集的初始图像信息,然后计算初始数据和初始图像信息的临近度,基于临近度,得到相互匹配的初始数据和初始图像信息,最后基于相互匹配的初始数据和初始图像信息,确定目标区域中目标物体的参数信息;激光雷达和视频采集器采集的目标物体的信息不同,本申请使用初始数据和初始图像信息两个数据确定目标物体的参数信息,使确定的目标物体的信息更全面,通过初始数据和初始图像信息的时间配准得到相互匹配的初始数据和初始图像信息,使得到的目标物体的参数信息更准确。
如图3所示,在一种可能的实现方式中,步骤S102的实现过程可以包括:
S1021,将所述初始数据和所述初始图像信息中采样频率小的作为基准信息,将所述初始数据和所述初始图像信息中采样频率大的作为比较信息。
在本实施例中,对初始数据和初始图像信息进行匹配,可以先确定一个基准信息,然后查找与基准信息匹配的信息。
在本实施例中,选择初始数据和初始图像信息中采样频率小的作为基准信息,也就是选择激光雷达和视频采集器中采样频率小的设备采集的数据作为基准数据。选择初始数据和初始图像信息中采样频率小的作为基准信息可以保证每个基准信息均可以找到与之匹配的比较信息。
需要说明的是,激光雷达和视频采集器开始采集数据的时间相同,例如,激光雷达和视频采集器均可以从8点开始采集数据,得到激光雷达和视频采集器采集的各个初始数据和各个初始图像信息。在进行初始数据和初始图像信息的比较时,比较的是从采集时间开始至预设时间内采集的数据。
可选的,还可以将初始数据和初始图像信息中采样频率大的作为基准信息,将初始数据和初始图像信息中采样频率小的作为比较信息。
作为举例,如果初始数据的采样频率为40次/分,初始图像信息的采样频率为60次/分,则初始数据的采样频率小于初始图像信息的采样频率,将各个初始数据作为基准信息,将各个初始图像信息作为比较信息。
S1022,计算所述基准信息的采集时间与各个比较信息的采集时间的时间差值,将所述时间差值作为所述临近度。
在本实施例中,确定了基准信息和比较信息后,计算基准信息与各个比较信息的时间差值。
具体的,步骤S1022的实现过程可以包括:
S10221,在计算所述基准信息的采集时间与第一比较信息采集时间的时间差值时,其中,所述第一比较信息为所述各个比较信息中的任一个。
在本实施例中,如果将初始数据作为基准信息,选择初始数据中的一个数据,查找该数据的比较信息。一个初始图像信息可以作为一个比较信息,当前选择出来的初始图像信息作为比较信息。
作为举例,基准信息为第3帧初始数据,共有5帧初始图像信息。第3帧初始数据与第1帧初始图像信息比较时,第1帧初始图像信息为第一比较信息。第3帧初始数据与第3帧初始图像信息比较时,第3帧初始图像信息为第一比较信息。
S10222,基于所述基准信息的采样频率,计算采集所述基准信息时的第一时间。
在本实施例中,基准信息的采集时间可以根据基准信息的采样频率和基准信息帧编号,基准信息帧编号基于采集到该基准信息时,激光雷达共采集了多少次数据确定。
S10223,基于所述第一比较信息的采样频率,计算采集所述第一比较信息时的第二时间。
在本实施例中,第二时间的计算方法与第一时间的计算方法相同,请参照第一时间的计算方法,在此不再赘述。
S10224,将所述第一时间与所述第二时间的差值作为所述基准时间的采集时间与所述第一比较信息的采集时间的时间差值。
具体的,根据公式,得到基准时间的采集时间与第一比较
信息的采集时间的时间差值,其中,S为时间差值,f1为激光雷达的第一采样频率,n1为基准
信息的帧编号,f2为视频采集器的第二采样频率,n2为第一比较信息的帧编号。
在一种可能的实现方式中,步骤S103的实现过程可以包括:
将所述临近度中的最小值对应的比较信息作为与所述基准信息在时间上相互匹配的信息,得到相互匹配的所述初始数据和所述初始图像信息。
在本实施例中,由于临近度的最小值可以表示基准信息与比较信息的采集时间的差异,在得到基准信息与各个比较信息的临近度后,选取临近度中的最小值,也就是采集时间最接近的两个数据,将最小值对应的比较信息作为基准信息在时间上相互匹配的信息。
本申请实施例中,通过计算初始数据和初始图像信息之间的临近度,并选择临近度最小的初始数据和初始图像信息,可以完成初始数据和初始图像信息的时间配准,得到相互匹配的初始数据和初始图像信息,最终得到的目标物体的参数信息更准确。
如图4所示,在一种可能的实现方式中,步骤S104的实现过程可以包括:
S1041,将与所述初始图像信息匹配的所述初始数据进行坐标转换,得到目标数据,其中,所述目标数据的坐标系与所述初始图像信息的坐标系相同。
在本实施例中,由于初始数据和初始图像信息是在不同坐标系下的数据,为了实现两个数据的融合,需要将两个不同坐标系下的数据转换成相同坐标系下的数据。可以将初始数据转换成初始图像信息所在的坐标系。由于初始图像信息多为图像坐标系下的数据,因此,可以将初始数据转换成图像坐标系下的数据。
具体的,初始数据的初始坐标系为求坐标系,将球坐标系转换成图像坐标系可以先将球坐标系转换成世界坐标系,在将世界坐标系转换成相机坐标系,最后将相机坐标系转换成图像坐标系。
具体的,将球坐标系转换成图像坐标系可以包括:
球坐标系向世界坐标系转换:
世界坐标系向相机坐标系转换:
相机坐标系向图像坐标系转换:
其中:X,Y分别为激光雷达的图像坐标系坐标,f为相机焦距。
S1042,在所述目标数据上标记所述目标物体所在的第一区域。
在本实施例中,在将初始数据转换成目标数据后,可以根据目标物体的坐标在目标数据上标记处目标物体的位置,也就是找出目标物体所在的位置。第一区域为目标物体做在的区域,第一区域中还包括激光雷达采集的目标物体的出坐标之外的其他信息,例如,速度、长度等。
S1043,基于所述第一区域和与所述初始数据匹配的所述初始图像信息,确定所述目标物体的参数信息。
在本实施例中,在初始数据中确定了目标物体的信息,可以在初始图像信息中查找该目标物体的信息,如果在初始图像信息中的相同或相近的坐标位置存在该目标物体,则可以得到初始图像信息中该目标物体的信息,最终通过初始数据和初始图像数据得到目标物体的参数信息。
本申请实施例中,通过对相互匹配的初始数据和初始图像信息进行空间配准,并确定目标物体在初始数据中的位置,根据目标物体在初始数据中的位置,结合初始图像信息,最终确定目标物体的参数信息,可以得到准确的,且全面的参数信息。
如图5所示,在一种可能的实现方式中,步骤S1043的实现过程可以包括:
S10431,将所述第一区域中的目标数据辐射到所述与所述初始数据匹配的所述初始图像信息上,得到标记有第二区域的目标图像信息,其中,所述第二区域基于所述第一区域确定。
在本实施例中,由于初始数据与匹配的初始图像信息在同一坐标系下,将第一区域中的目标数据辐射到与初始数据匹配的初始图像信息上,实际是在初始图像信息上找出与第一区域坐标相同的坐标区域,设为第二区域,并将第一区域中目标物体的信息存储在第二区域上。具体的,第一区域中目标物体的信息可以以标签的形式与第二区域关联,也就是在第二区域上打标签,标签中存储第一区域中目标物体的信息。
作为举例,标签中可以包括目标物体的速度、长度、类型等。
第一区域的范围大于或等于第一区域的范围。第一区域和第二区域可以是矩形推介框。
S10432,基于所述目标图像信息,确定所述目标物体的参数信息。
在本实施例中,确定了目标图像信息中的第二区域后,只需查找并确定第二区域中是否存在与第一区域中目标物体的信息相同的目标物体即可。如果第二区域中存在与第一区域中目标物体的信息相同的目标物体,则将第一区域中目标物体的信息与第二区域中目标物体的信息进行融合,得到目标物体的参数信息。如果第二区域中不存在与第一区域中目标物体的信息相同的目标物体,则说明该目标图像信息中不存在目标物体,则需要进行下一组相互匹配的初始数据与初始图像信息的判断,查找下一组相互匹配的初始数据与初始图像信息是否存在目标物体。
本申请实施例中,通过确定了目标物体在初始数据中的第一区域,然后通过第一区域确定目标图像信息上的第二区域,查找第二区域中是否存在目标物体,得到目标物体的参数信息。本申请只需确定第二区域中是否存在目标物体,不用对目标图像信息的整张图像进行数据检索,确定整张图像中是否存在目标物体,本申请相对于现有技术需要处理的数据更少,数据处理的速度更快,得到的目标物体的信息也更准确。
在一种可能的实现方式中,步骤S10432的实现过程可以包括:
S104321,识别所述目标图像信息中的第二区域,并基于所述目标数据中所述目标物体的第一信息,确定所述第二区域中是否存在所述目标物体。
在本实施例中,可以将目标图像信息和第一区域中目标物体的信息同时输入卷积神经网络,通过卷积神经网络识别第二区域中是否存在目标物体。
具体的,卷积神经网络先识别第二区域中是否存在物体,如果存在,然后将识别的第二区域中物体的信息与第一区域中目标物体的信息进行对比,如果信息相同,则确定第二区域中的是目标物体。
作为举例,如果卷积神经网络识别第二区域中存在一小汽车,第一区域中目标物体的信息中包括目标物体为小汽车,则确定第二区域中的小汽车为目标物体。
S104322,在所述第二区域中存在所述目标物体时,将所述目标图像信息中所述目标物体的第二信息与所述第一信息进行融合,得到所述目标物体的参数信息。
在本实施例中,如果第二区域中存在目标物体,将第一信息与第二信息进行融合,得到目标物体的参数信息。在对第一信息和第二信息进行融合,还可以得到结构化的参数信息。
作为举例,如果第一信息包括小汽车的速度、长度,第二信息包括小汽车的颜色、车牌号。最终得到的小汽车的参数信息包括速度、长度、颜色和车牌号。
本申请实施例中,通过图像识别和数据融合技术可以得到目标物体的参数信息,且通过第二区域确定初始图像信息中是否存在目标物体,由于第二区域是基于第一区域确定的,也就是确定在相同的左边位置是否存在同一目标物体,确定的目物体更准确。
在一种可能的实现方式中,在步骤S104之后,还可以包括:
基于目标物体的参数信息和场景库中的数据信息,确定目标物体的从参数信息是都正确。
在本实施例中,通过激光雷达和视频传感器确定了目标物体的参数信息后,可以将确定的参数信息与场景库中的该时刻的数据信息进行对比,确定得到的参数信息是否准确。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的信息采集方法,图6示出了本申请实施例提供的信息采集装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图6,该装置200可以包括:数据获取模块210、计算模块220、数据选取模块230和数据生成模块240。
其中,数据获取模块210,用于获取目标区域的初始数据和初始图像信息,其中,所述初始数据由激光雷达按照第一采样频率采集,所述初始图像信息由视频采集器按照第二采样频率采集,所述第一采样频率与第二采样频率不同;
计算模块220,用于计算所述初始数据和所述初始图像信息的临近度,其中,所述临近度用于表征所述初始数据的采集时间与所述初始图像信息的采集时间之间的差异;
数据选取模块230,用于基于所述临近度,得到相互匹配的初始数据和初始图像信息;
数据生成模块240,用于基于相互匹配的初始数据和初始图像信息,确定所述目标区域中目标物体的参数信息。
在一种可能的实现方式中,计算模块220具体可以包括:
信息确定单元,用于将所述初始数据和所述初始图像信息中采样频率小的作为基准信息,将所述初始数据和所述初始图像信息中采样频率大的作为比较信息;
计算单元,用于计算所述基准信息的采集时间与各个比较信息的采集时间的时间差值,将所述时间差值作为所述临近度。
在一种可能的实现方式中,计算单元具体可以用于:
在计算所述基准信息的采集时间与第一比较信息采集时间的时间差值时,其中,所述第一比较信息为所述各个比较信息中的任一个;
基于所述基准信息的采样频率,计算采集所述基准信息时的第一时间;
基于所述第一比较信息的采样频率,计算采集所述第一比较信息时的第二时间;
将所述第一时间与所述第二时间的差值作为所述基准时间的采集时间与所述第一比较信息的采集时间的时间差值。
在一种可能的实现方式中,数据选取模块230具体可以用于:
将所述临近度中的最小值对应的比较信息作为与所述基准信息在时间上相互匹配的信息,得到相互匹配的所述初始数据和所述初始图像信息。
在一种可能的实现方式中,数据生成模块240具体可以包括:
坐标转换单元,用于将与所述初始图像信息匹配的所述初始数据进行坐标转换,得到目标数据,其中,所述目标数据的坐标系与所述初始图像信息的坐标系相同;
区域确定单元,用于在所述目标数据上标记所述目标物体所在的第一区域;
信息获得单元,用于基于所述第一区域和与所述初始数据匹配的所述初始图像信息,确定所述目标物体的参数信息。
在一种可能的实现方式中,信息获得单元具体可以包括:
信息确定子单元,用于将所述第一区域中的目标数据辐射到所述与所述初始数据匹配的所述初始图像信息上,得到标记有第二区域的目标图像信息,其中,所述第二区域基于所述第一区域确定;
参数确定子单元,用于基于所述目标图像信息,确定所述目标物体的参数信息。
在一种可能的实现方式中,参数确定子单元具体可以用于:
识别所述目标图像信息中的第二区域,并基于所述目标数据中所述目标物体的第一信息,确定所述第二区域中是否存在所述目标物体;
在所述第二区域中存在所述目标物体时,将所述目标图像信息中所述目标物体的第二信息与所述第一信息进行融合,得到所述目标物体的参数信息。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图7,该终端设备400可以包括:至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序,所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤S101至步骤S104。或者,处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块210至240的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器420中,并由处理器410执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解,图7仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的信息采集方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述信息采集方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述信息采集方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种信息采集方法,其特征在于,包括:
获取目标区域的初始数据和初始图像信息,其中,所述初始数据由激光雷达按照第一采样频率采集,所述初始图像信息由视频采集器按照第二采样频率采集,所述第一采样频率与第二采样频率不同;
计算所述初始数据和所述初始图像信息的临近度,其中,所述临近度用于表征所述初始数据的采集时间与所述初始图像信息的采集时间之间的差异;
基于所述临近度,得到相互匹配的初始数据和初始图像信息;
基于相互匹配的初始数据和初始图像信息,确定所述目标区域中目标物体的参数信息。
2.如权利要求1所述的信息采集方法,其特征在于,所述计算所述初始数据和所述初始图像信息的临近度,包括:
将所述初始数据和所述初始图像信息中采样频率小的作为基准信息,将所述初始数据和所述初始图像信息中采样频率大的作为比较信息;
计算所述基准信息的采集时间与各个比较信息的采集时间的时间差值,将所述时间差值作为所述临近度。
3.如权利要求2所述的信息采集方法,其特征在于,所述计算所述基准信息的采集时间与各个比较信息的采集时间的时间差值,包括:
在计算所述基准信息的采集时间与第一比较信息采集时间的时间差值时,其中,所述第一比较信息为所述各个比较信息中的任一个;
基于所述基准信息的采样频率,计算采集所述基准信息时的第一时间;
基于所述第一比较信息的采样频率,计算采集所述第一比较信息时的第二时间;
将所述第一时间与所述第二时间的差值作为所述基准时间的采集时间与所述第一比较信息的采集时间的时间差值。
4.如权利要求2所述的信息采集方法,其特征在于,所述基于所述临近度,得到相互匹配的初始数据和初始图像信息,包括:
将所述临近度中的最小值对应的比较信息作为与所述基准信息在时间上相互匹配的信息,得到相互匹配的所述初始数据和所述初始图像信息。
5.如权利要求1所述的信息采集方法,其特征在于,所述基于相互匹配的初始数据和初始图像信息,确定所述目标区域中目标物体的参数信息,包括:
将与所述初始图像信息匹配的所述初始数据进行坐标转换,得到目标数据,其中,所述目标数据的坐标系与所述初始图像信息的坐标系相同;
在所述目标数据上标记所述目标物体所在的第一区域;
基于所述第一区域和与所述初始数据匹配的所述初始图像信息,确定所述目标物体的参数信息。
6.如权利要求5所述的信息采集方法,其特征在于,所述基于所述第一区域和与所述初始数据匹配的所述初始图像信息,确定所述目标物体的参数信息,包括:
将所述第一区域中的目标数据辐射到与所述初始数据匹配的所述初始图像信息上,得到标记有第二区域的目标图像信息,其中,所述第二区域基于所述第一区域确定;
基于所述目标图像信息,确定所述目标物体的参数信息。
7.如权利要求6所述的信息采集方法,其特征在于,所述基于所述目标图像信息,确定所述目标物体的参数信息,包括:
识别所述目标图像信息中的第二区域,并基于所述目标数据中所述目标物体的第一信息,确定所述第二区域中是否存在所述目标物体;
在所述第二区域中存在所述目标物体时,将所述目标图像信息中所述目标物体的第二信息与所述第一信息进行融合,得到所述目标物体的参数信息。
8.一种信息采集装置,其特征在于,包括:
数据获取模块,用于获取目标区域的初始数据和初始图像信息,其中,所述初始数据由激光雷达按照第一采样频率采集,所述初始图像信息由视频采集器按照第二采样频率采集,所述第一采样频率与第二采样频率不同;
计算模块,用于计算所述初始数据和所述初始图像信息的临近度,其中,所述临近度用于表征所述初始数据的采集时间与所述初始图像信息的采集时间之间的差异;
数据选取模块,用于基于所述临近度,得到相互匹配的初始数据和初始图像信息;
数据生成模块,用于基于相互匹配的初始数据和初始图像信息,确定所述目标区域中目标物体的参数信息。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的信息采集方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的信息采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909889.0A CN111814769A (zh) | 2020-09-02 | 2020-09-02 | 一种信息采集方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010909889.0A CN111814769A (zh) | 2020-09-02 | 2020-09-02 | 一种信息采集方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814769A true CN111814769A (zh) | 2020-10-23 |
Family
ID=72860114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010909889.0A Pending CN111814769A (zh) | 2020-09-02 | 2020-09-02 | 一种信息采集方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814769A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193834A3 (zh) * | 2022-12-05 | 2023-11-30 | 加特兰微电子科技(上海)有限公司 | 视频压缩方法及装置、计算机可读存储介质 |
WO2023240542A1 (zh) * | 2022-06-16 | 2023-12-21 | 北京小米移动软件有限公司 | 信息采集方法、装置和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017126226A1 (ja) * | 2016-01-22 | 2017-07-27 | 日産自動車株式会社 | 車両の運転支援制御方法及び制御装置 |
CN109459750A (zh) * | 2018-10-19 | 2019-03-12 | 吉林大学 | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 |
CN109920185A (zh) * | 2019-04-16 | 2019-06-21 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于毫米波雷达与视频数据融合检测移动目标的方法 |
CN110135485A (zh) * | 2019-05-05 | 2019-08-16 | 浙江大学 | 单目相机与毫米波雷达融合的物体识别与定位方法和系统 |
CN110568445A (zh) * | 2019-08-30 | 2019-12-13 | 浙江大学 | 一种轻量化卷积神经网络的激光雷达与视觉融合感知方法 |
CN110879401A (zh) * | 2019-12-06 | 2020-03-13 | 南京理工大学 | 基于相机和激光雷达的无人驾驶平台实时目标3d检测方法 |
CN111127563A (zh) * | 2019-12-18 | 2020-05-08 | 北京万集科技股份有限公司 | 联合标定方法、装置、电子设备及存储介质 |
CN111192331A (zh) * | 2020-04-09 | 2020-05-22 | 浙江欣奕华智能科技有限公司 | 一种激光雷达和相机的外参标定方法及装置 |
-
2020
- 2020-09-02 CN CN202010909889.0A patent/CN111814769A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017126226A1 (ja) * | 2016-01-22 | 2017-07-27 | 日産自動車株式会社 | 車両の運転支援制御方法及び制御装置 |
CN109459750A (zh) * | 2018-10-19 | 2019-03-12 | 吉林大学 | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 |
CN109920185A (zh) * | 2019-04-16 | 2019-06-21 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于毫米波雷达与视频数据融合检测移动目标的方法 |
CN110135485A (zh) * | 2019-05-05 | 2019-08-16 | 浙江大学 | 单目相机与毫米波雷达融合的物体识别与定位方法和系统 |
CN110568445A (zh) * | 2019-08-30 | 2019-12-13 | 浙江大学 | 一种轻量化卷积神经网络的激光雷达与视觉融合感知方法 |
CN110879401A (zh) * | 2019-12-06 | 2020-03-13 | 南京理工大学 | 基于相机和激光雷达的无人驾驶平台实时目标3d检测方法 |
CN111127563A (zh) * | 2019-12-18 | 2020-05-08 | 北京万集科技股份有限公司 | 联合标定方法、装置、电子设备及存储介质 |
CN111192331A (zh) * | 2020-04-09 | 2020-05-22 | 浙江欣奕华智能科技有限公司 | 一种激光雷达和相机的外参标定方法及装置 |
Non-Patent Citations (1)
Title |
---|
王亚丽: "基于毫米波雷达与机器视觉融合的前方车辆检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023240542A1 (zh) * | 2022-06-16 | 2023-12-21 | 北京小米移动软件有限公司 | 信息采集方法、装置和存储介质 |
WO2023193834A3 (zh) * | 2022-12-05 | 2023-11-30 | 加特兰微电子科技(上海)有限公司 | 视频压缩方法及装置、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222395B (zh) | 目标检测方法、装置与电子设备 | |
CN112560774B (zh) | 一种障碍物位置检测方法、装置、设备和存储介质 | |
CN111753757B (zh) | 一种图像识别处理方法及装置 | |
CN113447923A (zh) | 目标检测方法、装置、系统、电子设备及存储介质 | |
CN112364843A (zh) | 插拔式航拍图像目标定位检测方法、系统、设备 | |
CN112927306B (zh) | 拍摄装置的标定方法、装置及终端设备 | |
CN111814769A (zh) | 一种信息采集方法、装置、终端设备及存储介质 | |
CN111476099A (zh) | 一种目标检测方法、目标检测装置及终端设备 | |
CN105608209A (zh) | 一种视频标注方法和视频标注装置 | |
CN112036359B (zh) | 一种车道线的拓扑信息获得方法、电子设备及存储介质 | |
CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
CN108040244B (zh) | 基于光场视频流的抓拍方法及装置、存储介质 | |
CN113450459B (zh) | 目标物的三维模型构建方法及装置 | |
CN115331151A (zh) | 一种视频测速方法、装置、电子设备和存储介质 | |
CN115063454A (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
Radiuk et al. | Convolutional neural network for parking slots detection | |
CN113281780B (zh) | 对图像数据进行标注的方法、装置及电子设备 | |
CN111862208B (zh) | 一种基于屏幕光通信的车辆定位方法、装置及服务器 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN114187328B (zh) | 一种物体检测方法、装置和电子设备 | |
CN115953764A (zh) | 基于鸟瞰图的车辆哨兵方法、装置、设备及存储介质 | |
CN115953655A (zh) | 一种目标分析方法及装置 | |
CN116263504A (zh) | 车辆识别方法、装置、电子设备及计算机可读存储介质 | |
CN111383337A (zh) | 用于识别对象的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |