CN111860074A - 目标对象检测方法及装置、驾驶控制方法及装置 - Google Patents
目标对象检测方法及装置、驾驶控制方法及装置 Download PDFInfo
- Publication number
- CN111860074A CN111860074A CN201910363309.XA CN201910363309A CN111860074A CN 111860074 A CN111860074 A CN 111860074A CN 201910363309 A CN201910363309 A CN 201910363309A CN 111860074 A CN111860074 A CN 111860074A
- Authority
- CN
- China
- Prior art keywords
- image
- detection result
- target object
- detection
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 497
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000000007 visual effect Effects 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 63
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 75
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 21
- 238000007499 fusion processing Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种目标对象检测方法及装置、驾驶控制方法及装置，根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像；对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果；根据所述映射关系将所述第一检测结果转换成第二视角下的第三检测结果；对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果。本公开具有检测精度高的特点。
Description
技术领域
本公开涉及计算机视觉领域，特别涉及一种目标对象检测方法及装置、驾驶控制方法及装置。
背景技术
随着计算机视觉的发展，其在无人驾驶领域起到了越来越重要的角色。在无人驾驶中，如何准确的检测到路面上的交通指示线、路标以及路口的边界成为一项最核心的技术之一。例如检测到的停止线可以用于控制车辆减速停止，而检测到的交叉路口边界线用于规划自动驾驶车辆的行驶路线和方向。
目前大多数无人驾驶的路径规划均是在世界坐标下(俯视视角)完成的。常见做法是直接用行驶记录仪上第一视角的图像检测得到的结果，转化成俯视视角下的检测结果，最终根据这些俯视视角下的信息完成路径规划任务。
发明内容
本公开实施例提供了一种目标对象的检测的技术方案。
根据本公开的一方面，提供了一种目标对象检测方法，其包括：
根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像；
对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果；
根据所述映射关系将所述第一检测结果转换成第二视角下的第三检测结果；
对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果。
在一些可能的实施方式中，所述第一视角为相机坐标系视角，所述第二视角为世界坐标系的俯视视角。
在一些可能的实施方式中，所述对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果，包括：
对目标图像执行特征提取处理，得到与所述目标图像对应的特征图，所述目标图像包括第一图像和第二图像中的至少一种；
基于所述目标图像的特征图，得到所述目标图像中的针对目标对象的检测结果；
其中，响应于所述目标图像为第一图像，得到的所述检测结果为所述第一检测结果；以及，响应于所述目标图像为第二图像，得到的所述检测结果为所述第二检测结果；或者，
响应于所述目标图像包括第一图像和第二图像，得到的所述检测结果为所述第一检测结果和第二检测结果。
在一些可能的实施方式中，所述基于所述目标图像的特征图，得到所述目标图像中的针对目标对象的检测结果，包括：
对所述目标图像的特征图执行残差处理得到所述目标对象在所述目标图像中的概率图，所述概率图表示所述目标对象在所述目标图像中的分布概率；
基于所述概率图确定所述目标对象的第一检测结果和/或第二检测结果。
在一些可能的实施方式中，所述对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果，包括：
通过VGG神经网络提取所述目标图像的特征，得到与所述目标图像对应的特征图；
通过残差神经网络基于所述目标图像的特征图确定所述目标图像中的针对目标对象的检测结果。
在一些可能的实施方式中，所述对所述第一图像和第二图像执行目标对象的检测，针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果，包括：
对所述第一图像和第二图像执行多类目标对象的检测，得到所述第一图像中针对各类目标对象的第一检测结果，以及所述第二图像中针对各类目标对象的第二检测结果。
在一些可能的实施方式中，在所述对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果之前，所述方法还包括：
对所述第二检测结果和第三检测结果中的至少一个检测结果执行线性拟合处理，
所述对所述第二检测结果和第三检测结果执行特征融合，包括：
响应于仅对所述第二检测结果执行所述线性拟合处理，对第三检测结果和线性拟合处理后的第二检测结果执行特征融合；或者，响应于仅对所述第三检测结果执行所述线性拟合处理，对所述第二检测结果和线性拟合处理后的第三检测结果执行特征融合；或者，
响应于对所述第二检测结果和第三检测结果均执行所述线性拟合处理，对线性处理后的第二检测结果和线性处理后的第三检测结果执行特征融合。
在一些可能的实施方式中，所述对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果，包括：
响应于所述第二检测结果和第三检测结果均表示为检测出所述第一类型的目标对象，将所述第二检测结果对应的线段和第三检测结果对应的线段之间的角平分线确定为所述第一类型的目标对象的最终检测结果；或者，
响应于所述第二检测结果或第三检测结果中的一个检测结果表示为检测出所述第一类型的目标对象，确定不存在所述第一类型的目标对象。
在一些可能的实施方式中，所述对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果，包括：
响应于所述第二检测结果和第三检测结果均表示为检测出所述第二类型的目标对象，将所述第二检测结果和第三检测结果对应的所述第二类型的目标对象所在区域的角平分线确定为所述第二类型的目标对象的最终检测结果；或者，
响应于仅所述第二检测结果表示为检测出所述第二类型的目标对象，将所述第二检测结果确定为所述第二类型的目标对象的最终检测结果；或者，
响应于仅所述第三检测结果表示为检测出所述第二类型的目标对象，将所述第三检测结果确定为所述第二类型的目标对象的最终检测结果。
在一些可能的实施方式中，在所述对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果之前，包括：
调整所述第一图像和第二图像中至少一个图像的尺寸，使得调整后的第一图像和第二图像的尺寸相同。
在一些可能的实施方式中，所述目标对象包括路面标志线。
根据本公开的第二方面，提供了一种驾驶控制方法，其包括：
获取设置在车辆中的图像采集设备采集的第一视角下的第一图像，以及与所述第一图像对应的第二视角下的第二图像；
利用如第一方面中任意一项所述目标对象检测方法对所述第一图像和第二图像执行目标对象检测，得到目标对象在第二视角下的最终检测结果；
基于所述最终检测结果控制所述车辆的行驶参数。
根据本公开的第三方面，提供了一种目标对象检测装置，其包括：
获取模块，其用于根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像；
检测模块，其用于对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果；
转换模块，其用于根据所述映射关系将所述第一检测结果转换成第二视角下的第三检测结果；
融合模块，其用于对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果。
在一些可能的实施方式中，所述第一视角为相机坐标系视角，所述第二视角为世界坐标系的俯视视角。
在一些可能的实施方式中，所述检测模块还用于对目标图像执行特征提取处理，得到与所述目标图像对应的特征图，所述目标图像包括第一图像和第二图像中的至少一种；
基于所述目标图像的特征图，得到所述目标图像中的针对目标对象的检测结果；
其中，响应于所述目标图像为第一图像，得到的所述检测结果为所述第一检测结果；以及，响应于所述目标图像为第二图像，得到的所述检测结果为所述第二检测结果；或者，
响应于所述目标图像包括第一图像和第二图像，得到的所述检测结果为所述第一检测结果和第二检测结果。
在一些可能的实施方式中，所述检测模块还用于对所述目标图像的特征图执行残差处理得到所述目标对象在所述目标图像中的概率图，所述概率图表示所述目标对象在所述目标图像中的分布概率；
基于所述概率图确定所述目标对象的第一检测结果和/或第二检测结果。
在一些可能的实施方式中，所述检测模块还用于通过VGG神经网络提取所述目标图像的特征，得到与所述目标图像对应的特征图；
通过残差神经网络基于所述目标图像的特征图确定所述目标图像中的针对目标对象的检测结果。
在一些可能的实施方式中，所述检测模块还用于对所述第一图像和第二图像执行多类目标对象的检测，得到所述第一图像中针对各类目标对象的第一检测结果，以及所述第二图像中针对各类目标对象的第二检测结果。
在一些可能的实施方式中，还包括优化模块，其用于在所述检测模块对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果之前，对所述第二检测结果和第三检测结果中的至少一个检测结果执行线性拟合处理，
所述对所述第二检测结果和第三检测结果执行特征融合，包括：
响应于仅对所述第二检测结果执行所述线性拟合处理，对第三检测结果和线性拟合处理后的第二检测结果执行特征融合；或者，响应于仅对所述第三检测结果执行所述线性拟合处理，对所述第二检测结果和线性拟合处理后的第三检测结果执行特征融合；或者，
响应于对所述第二检测结果和第三检测结果均执行所述线性拟合处理，对线性处理后的第二检测结果和线性处理后的第三检测结果执行特征融合。
在一些可能的实施方式中，所述融合模块还用于响应于所述第二检测结果和第三检测结果均表示为检测出所述第一类型的目标对象，将所述第二检测结果对应的线段和第三检测结果对应的线段之间的角平分线确定为所述第一类型的目标对象的最终检测结果；或者，
响应于所述第二检测结果或第三检测结果中的一个检测结果表示为检测出所述第一类型的目标对象，确定不存在所述第一类型的目标对象。
在一些可能的实施方式中，所述融合模块还用于响应于所述第二检测结果和第三检测结果均表示为检测出所述第二类型的目标对象，将所述第二检测结果和第三检测结果对应的所述第二类型的目标对象所在区域的角平分线确定为所述第二类型的目标对象的最终检测结果；或者，
响应于仅所述第二检测结果表示为检测出所述第二类型的目标对象，将所述第二检测结果确定为所述第二类型的目标对象的最终检测结果；或者，
响应于仅所述第三检测结果表示为检测出所述第二类型的目标对象，将所述第三检测结果确定为所述第二类型的目标对象的最终检测结果。
在一些可能的实施方式中，所述装置还包括调整模块，其用于在所述检测模块对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果之前，
调整所述第一图像和第二图像中至少一个图像的尺寸，使得调整后的第一图像和第二图像的尺寸相同。
在一些可能的实施方式中，所述标对象包括路面标志线。
根据本公开的第四方面，提供了一种驾驶控制装置，其包括：
获得模块，其用于获取设置在车辆中的图像采集设备采集的第一视角下的第一图像，以及与所述第一图像对应的第二视角下的第二图像；
目标对象检测模块，其用于利用如第一方面中任意一项所述目标对象检测方法对所述第一图像和第二图像执行目标对象检测，得到目标对象在第二视角下的最终检测结果；
控制模块，其用于基于所述最终检测结果控制所述车辆的行驶参数。
根据本公开的第五方面，提供了一种电子设备，其包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行一方面中任意一项所述的目标对象检测方法，或者第二方面所述的驾驶控制方法。
根据本公开的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的目标对象检测方法，或者实现如第二方面所述的驾驶控制方法。
本公开实施例可以通过第一视角下的第一图像的处理，分别得到两个视角下的目标对象所在区域的检测，并能够两个视角下的特征，进一步提高目标对象所在区域的检测精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种目标对象检测方法的流程图；
图2示出根据本公开实施例一种目标对象检测方法中步骤S100的流程图；
图3示出根据本公开实施例的一种目标对象检测方法中步骤S200的流程图；
图4示出根据本公开实施例的一种目标对象检测方法中步骤S200的另一流程图；
图5示出根据本公开实施例的第一图像和第二图像经神经网络处理的示意图；
图6示出根据本公开实施例的一种目标对象检测方法中步骤S201的流程图；
图7示出应用本公开实施例的一种目标对象检测方法中步骤S400的流程图；
图8示出根据本公开实施例的一种自动驾驶方法的流程图；
图9示出根据本公开实施例的一种目标对象检测装置的框图；
图10示出根据本公开实施例的一种驾驶控制装置的框图；
图11示出根据本公开实施例的一种电子设备的框图；
图12示出根据本公开实施例的一种电子设备的另一框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例提供了一种目标对象检测方法，该方法可以应用在任意的电子设备和服务器中，如电子设备可以包括计算机设备、手机、PAD等能终端设备，智能手环、智能手表等佩戴设备，服务器可以包括远程服务器、本地服务器或者云服务器，或者本公开实施例提供的目标对象检测方法也可以应用在车辆、飞行器、带有电源的控制设备、玩具车、飞行玩具等中，通过目标对象的检测实现上述设备的自动驾驶或者辅助控制，对于本公开的目标对象检测方法的指向主体在此不进行一一举例说明，只要能够执行图像处理操作，即可以应用本公开实施例的目标对象检测方法。同时，本公开实施例提供的方法由于可以根据两个视角下的检测结果的特征融合，得到对目标对象的精确检测，例如可以实现路面标志线的精确检测，进而可以用于自动驾驶等方面的控制，或者可以用于路面信息的提取和规划等方面。下面对本公开实施例进行详细说明。
图1示出根据本公开实施例的一种目标对象检测方法的流程图。本公开实施例的所述目标对象检测方法可以包括：
S100：根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像；
S200：对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果；
S300：根据所述映射关系，将所述第一检测结果转换成第二视角下的第三检测结果；
S400：对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果。
通过本公开实施例的上述配置，可以融合第一视角下和第二视角下的目标对象的检测结果，进而得到目标对象的组中检测结果，提高了目标对象的检测的精度。
下面结合附图对本公开实施例的目标对象的检测过程进行说明。
本公开实施例，在执行步骤S100时可以首先获取在第一视角下的第一图像。其中，第一图像可以通过图像采集设备采集的图像，例如可以为通过行车记录仪采集的图像，例如自动驾驶领域，可以通过位于驾驶车辆中设置的行车记录仪(或者其他图像采集设备)实时采集路面图像信息，该被采集的图像信息即可以作为本公开实施例的第一图像。或者，在其他实施例中，第一图像也可以为行人通过摄像设备采集的路面图像，本公开对此不做具体限定。只要是包括路面信息的图像，即可以作为本公开实施例的第一图像。另外，在一些可能的实施方式中，第一视角可以表示图像采集设备采集图像时的视角，称为相机坐标系视角，本公开实施例的第一视角可以表示成通过图像采集设备采集路面图像时的视角，如通过行车记录仪等图像采集设备拍摄路面图像时的视角。
进一步地，在获取第一视角下的第一图像之后，可以根据该第一图像得到对应的第二视角下的第二图像。即，第一图像和第二图像可以为对应于相同对象的图像，但是二者的视角不同。如上所述，本公开实施例的第一视角可以是与路面之间的角度小于预设角度的视角，对应的，第二视角则可以为世界坐标系的俯视视角。
下面举例说明将第一视角的第一图像转换得到第二视角的第二图像的过程，图2示出根据本公开实施例一种目标对象检测方法中步骤S100的流程图。其中，根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像(步骤S100)，可以包括：
S101：获取所述第一图像；
在一些可能的实施方式中，获得第一视角下的第一图像的方式可以包括：直接通过图像采集设备获取该第一视角下的第一图像，或者也可以通过其他设备采用通信传输的方式传输第一视角下的第一图像，或者也可以为从预设的存储地址中读取的第一视角下的第一图像，预设的存储地址可以为本地的存储地址，也可以为远程数据库或者云端的存储地址。上述仅为获取第一图像方式的示例性举例，在其他实施例中也可以通过其他方式获取第一图像。
S102：利用所述第一视角和第二视角的映射关系，将所述第一图像转换为第二视角下的所述第二图像。
在得到第一图像之后，即可以对第一图像进行图像转换，从而将第一图像从第一视角转换成第二视角，对应的得到第二视角的第二图像。其中，本公开实施例中，可以通过第一视角和第二视角之间的映射关系实现图像的转换，例如可以利用第一视角和第二视角之间的第一转换矩阵执行图像的转换。该第一转换矩阵可以为投影变换矩阵，通过投影变换矩阵可以将第一视角的第一图像中的各像素点位置转换到第二视角下，并形成第二图像。例如，执行上述图像转换的第一转换矩阵的表达式可以为：
其中，(x1,y1)和(x0,y0)分别标识像素点在第一视角下的位置坐标，以及对应的在第二视角下的位置坐标，
为第一转换矩阵。由于第一转换矩阵中的各参数与车载摄像设备或者其他图像采集设备在执行摄像操作时的位置和角度有关，因此，在不同的实施方式中或者针对不同的图像采集设备，第一转换矩阵可以为不同参数构成的矩阵。其中，本公开实施例可以根据已知的第一视角下的像素点坐标和对应的第二视角下的像素点坐标进行测试，反向变换得到该第一转换矩阵。进而可以利用得到的第一转换矩阵执行获取的第一图像的图像转换操作。
在本公开的其他实施例中，也可以通过其他方式实现第一视角和第二视角的转换，例如可以通过现有的转换模型实现该转换过程，本公开对此不作具体限定。
通过上述实施例，可以实现第一视角下的第一图像转换到第二视角下的第二图像的过程，其中可以通过第一视角和第二视角的映射关系实现该图像和视角的转换，具有简单方便且转换精度高的特点。
在获得第一图像和对应的第二图像之后，即可以对第一图像和第二图像执行目标对象的检测处理，得到针对第一图像和第二图像中目标对象的检测结果。其中，可以在得到第一图像之后即对第一图像执行目标对象的检测，也可以在得到第二图像之后，分别执行第一图像和第二图像的目标对象的检测，执行第一图像和第二图像的目标对象检测的时间，可以分别执行也可以同时执行，本公开对此不做具体限定。
如上述实施例所述，第一图像可以为包括路面信息的路面图像，本公开实施例中的目标对象可以包括路面上的标志线，可以包括但不限于停止线、交叉路口边界线、转向指示线、道路间隔标识线以及各类实线、虚线、双实线，或者其他道路上的各类交通指示线中的一种或多种，本公开实施例对此不作具体限定，下面以交叉路口边界线以及停止线为目标对象作为实施例进行说明。
在一些可能的实施方式中，本公开实施例可以通过神经网络分别对所述第一图像和第二图像执行目标对象的检测操作，从而分别确定第一视角下的所述目标对象的第一检测结果以及第二视角下的所述目标对象的第二检测结果。该神经网络可以为经过训练后能够实现图像中的目标对象的检测的网络，如本公开实施例的神经网络包括VGG(VisualGeometry Group视觉几何组)网络和ResNet(残差)网络，其中通过VGG网络可以实现图像的特征提取，通过ResNet网络可以得到目标对象的检测结果。在其他实施例中，也可以通过相应的算法实现，本公开实施例对此不作具体限定。
图3示出根据本公开实施例的一种对象检测方法中步骤S200的流程图，其中所述对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果(S200)，可以包括：
S201：对目标图像执行特征提取处理，得到与所述目标图像对应的特征图，所述目标图像包括第一图像和第二图像中的至少一种；
S202：基于所述目标图像的特征图，得到所述目标图像中的针对目标对象的检测结果；其中，响应于所述目标图像为第一图像，得到的所述检测结果为所述第一检测结果；以及响应于所述目标图像为第二图像，得到的所述检测结果为所述第二检测结果；或者响应于所述目标图像包括第一图像和第二图像，得到的所述检测结果为所述第一检测结果和第二检测结果。
在一些可能的实施方式中，本公开实施例可以同时对第一图像和第二图像执行目标对象的检测，也可以分别对第一图像和第二图像执行目标对象的检测，例如可以同时将第一图像和第二图像输入至神经网络，以图像对的方式通过神经网络执行该图像对的目标对象检测处理，或者，也可以分别将第一图像和第二图像输入至神经网络，分别执行第一图像的目标对象的检测处理以及第二图像的目标对象检测处理。
本公开实施例可以将执行目标对象检测处理的图像称为目标图像，其中可以首先执行目标图像的特征提取，即得到目标图像的特征图，其中特征图中表示目标图像各像素点的像素值等图像信息。其中，可以利用神经网络执行该特征提取处理，也可以通过特征提取算法执行该特征提取处理。例如可以通过VGG神经网络得到目标图像的特征图。
在得到目标图像的特征图之后，即可以根据该特征图得到目标对象的检测结果。例如，可以将该特征图输入至神经网络中得到该特征图中包括目标对象的概率，其中神经网络可以为经过训练能够实现目标对象检测的网络，从而通过神经网络可以实现目标对象的检测，得到第一检测结果和第二检测结果。
在一些可能的实施方式中，得到检测结果的过程中，可以对目标图像的特征图执行残差处理得到优化后的特征，而后经分类器的分类得到所述目标对象在所述目标图像中的概率图，并基于概率图确定所述目标对象的第一检测结果和/或第二检测结果。其中，概率图表示所述目标对象在所述目标图像中的分布概率。
例如，在对第一图像执行特征提取得到第一特征图，以及对第一特征图执行残差处理得到相应的目标对象的概率图时，可以将概率图中的概率值大于概率阈值的区域确定为目标对象所在的位置区域，即得到第一检测结果。相应的，在对第二图像执行特征提取得到第二特征图，以及对第二特征图执行残差处理得到相应的目标对象的概率图时，可以将概率图中的概率值大于概率阈值的区域确定为目标对象所在的位置区域，即得到第二检测结果。
通过提取图像的特征，而后执行残差处理可以提高图像特征的精度，从而提高目标对象的检测结果的精度。
下面以神经网络实现目标对象的检测为例进行说明。
图4示出根据本公开实施例的一种目标对象检测方法中步骤S200的另一流程图。其中，所述对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果(步骤S200)，可以包括：
S2001：将目标图像输入至神经网络，所述目标图像包括第一图像和第二图像中的至少一种；
S2002：利用所述神经网络执行所述目标图像的目标对象的检测，获得所述第一检测结果和/或第二检测结果；其中，响应于所述目标图像为第一图像，通过所述神经网络输出得到所述第一检测结果；以及响应于所述目标图像为第二图像，通过所述神经网络输出得到所述第二检测结果；或者响应于所述目标图像包括第一图像和第二图像，通过所述神经网络输出所述第一检测结果和第二检测结果。
如上述所述，本公开实施例可以利用神经网络实现目标对象的检测，其中可以将第一图像和第二图像分别输入至神经网络执行目标对象的检测，得到第一图像中目标对象的第一检测结果，以及第二图像中目标对象的第二检测结果，也可以同时将第一图像和第二图像输入至神经网络，同时执行第一图像和第二图像的目标对象检测，得到第一图像中目标对象的第一检测结果，以及第二图像中目标对象的第二检测结果。
本公开实施例，可以将第一图像和第二图像中的至少一个输入至神经网络，得到相应的目标对象的检测结果。其中，可以将输入至神经网络的图像信息称为目标图像，该目标图像可以为第一图像和第二图像中的一个，或者同时包括第一图像和第二图像。继而可以利用神经网络得到输入图像的特征图。
在一些可能的实施方式中，可以利用VGG网络或者其他卷积神经网络得到输入至网络中的输入图像的特征图，其中可以采用至少一次卷积处理的方式得到输入图像对应的特征图，例如可以分别对第一图像和第二图像执行至少一层的卷积处理，从而分别得到两个图像对应的特征图，或者在另一些可能的实施例中，也可以将第一图像和第二图像连接后再执行卷积处理，通过得到的特征图的划分进一步得到两个图像对应的子特征图。
另外，本公开实施例执行卷积处理的方式可以为通过卷积神经网络实现，例如可以通过VGG网络实现，如本公开实施例可以采用VGG1-11网络(现有VGG的一种网络结构，包括8层卷积层以及3层全连接层)实现第一图像和第二图像的卷积处理以得到相应的特征图。
在另一些可能的实施方式中，也可以通过特征提取算法提取第一图像的图像特征，得到第一特征图，以及提取第二图像中的图像特征，得到第二特征图，本公开实施例对获取图像的特征图的方式不作具体限定，以及对于采用的特征提取算法，本领域技术人员可以根据需求进行选择和设定。下面以卷积的方式为例进行说明。
进一步地，本公开实施例可以通过残差网络(ResNet)得到检测结果，例如可以采用10层Resnet，图5示出根据本公开实施例的第一图像和第二图像经神经网络处理的示意图，其中神经网络可以为VGG1-11层(第一部分)加10层Resnet(第二部分)的结构。通过神经网络执行该目标对象检测，可以提高目标对象检测精度，另外将两个图像同时输入至神经网络，可以提高目标对象检测的速度。
如上述实施例所述，可以将第一图像和第二图像进行连接，通过对连接图像执行特征提取处理得到连接图像的特征图，进而得到第一图像的第一特征图和第二图像的第二特征图。图6示出根据本公开实施例的一种目标对象检测方法中步骤S201的流程图。其中，所述对目标图像执行特征提取处理，得到与所述目标图像对应的特征图(步骤S201)，可以包括：
S2011：连接所述第一图像和第二图像，得到连接图像；
S2012：对所述连接图像执行至少一层卷积处理，得到所述连接图像的特征图；
S2013：将所述连接特征图划分成与所述第一图像对应的第一特征图，以及与所述第二图像对应的第二特征图。
如上述实施例所述，本公开实施例可以分别执行第一图像和第二图像的卷积处理，从而得到对应的特征图，也可以对第一图像和第二图像进行连接，再对连接后的图像进行卷积处理，得到连接图像的特征图，并进一步得到第一特征图和第二特征图。
其中，在连接第一图像和第二图像时可以按照层级级联的方式连接，形成连接图像。本公开实施例下述以第一方向(batch size维度方向，图像数量的维度方向)用来描述第一图像和第二图像的连接方向。
在得到连接图像之后，即可以对该连接图像执行至少一层的卷积处理，卷积核的层数以及各层的卷积处理采用的卷积核可以根据不同的需求进行设定。在利用神经网络实现特征提取的过程时，该神经网络为优化后的网络，对应的，各卷积核的参数为经过优化的参数。
通过至少一层的卷积处理后，可以得到连接图像对应的特征图，该特征图中包括第一图像的特征数据以及第二图像的特征数据。其中连接图像的特征图中各元素表示第一图像和第二图像中各像素点的像素值，对应的在得到特征图之后，即可以按照级联的方向将该特征图分成两个子特征图，即为第一图像对应的第一特征图，以及第二图像对应的第二特征图。
通过对第一图像和第二图像的卷积处理，可以进一步提高图像特征的提取精度，另外，在通过对第一图像和第二图像级联之后，通过一次处理即可以得到相应的第一特征图和第二特征图，进一步提高提取的第一特征图和第二特征图提取速度和精度。
通过上述实施例即可以确定第一图像对应的第一特征图，以及第二图像对应的第二特征图。进而可以检测利用第一特征图检测第一图像中的目标对象的位置区域，以及利用第二特征图检测第二图像中的目标对象的位置区域。本公开实施例通过卷积处理实现图像的特征提取以及目标检测，可以提高特征图的精度，同时也可以提高目标对象的检测精度
本公开实施例步骤S202中，可以通过对第一特征图和第二特征图执行残差处理从而对应于第一图像和第二图像中目标对象的检测结果。其中，残差处理可以通过残差网络(ResNet)实现，本公开实施例可以采用10层的ResNet分别执行第一特征图和第二特征图的残差处理。
其中，本公开实施例通过对第一特征图和第二特征图的残差处理，可以得到第一特征图对应的第一图像中目标对象所在位置区域的概率分布图，即第一概率图，以及还可以得到第二特征图中目标对象所在位置区域的概率分分布图，即第二概率图。其中，第一概率图的大小与第一图像的尺度相同，第二概率图的大小与第二图像的尺度相同，从而可以分别对应到各像素点。其中，得到的概率图中表示对应像素点为目标对象所在区域的概率值，因此可以对应的通过得到的概率图中大于概率阈值的像素点的位置确定目标对象所在的区域位置。本公开实施例中，可以将基于第一特征图的残差处理得到的第一概率图确定的目标对象所在的区域称为第一区域，即第一检测结果，以及将基于第二特征图的残差处理得到的第二概率图确定的目标对象所在的区域称为第二区域，即第二检测结果。
另外，在一些实施例中，在对第一图像和第二图像执行目标对象检测之前，还可以对第一图像和/或第二图像进行尺寸变化，使得二者具有相同的尺寸，从而方便后续的像素点对应。例如，可以将第一图像的尺寸调整为第二图像的尺寸，例如可以通过采样的方式实现，或者也可以将第二图像的尺寸调成第一图像的尺寸，或者将第一图像和第二图像同时调整成预设尺寸，本公开对此不作具体限定。作为优选的实施方式，调整尺寸后的图像应当保持原图像的信息的完整度。
在一些可能的实施方式中，本公开实施例检测的目标对象可以为多类，目标对象可以为路面标志线中的至少一种，例如包括停止线以及交叉路口边界线，或者在其他实施例中也可以包括其他标志线，如转向线、实线、虚线等等，通过对各特征图的残差处理，可以得到每个目标对象在不同视角下的概率图。例如，通过对第一特征图进行残差处理，可以得到停止线对应的第一概率图，以及交叉路口边界线对应的第一概率图，从而确定第一视角下的第一图像中停止线和交叉路口边界线所在的第一区域。同时还可以对第二特征图执行残差处理，得到停止线对应的第二概率图，以及交叉路口边界线对应的第二概率图，从而确定第二视角下的第二图像中停止线和交叉路口边界线所在的第二区域。
在一些可能的实施方式中，可以通过一个残差网络实现对于各目标对象的检测，即可以分别将第一特征图和第二特征图输入至残差网络中，通过残差网络的残差处理，可以得到第一特征图对应的各目标对象的检测结果，以及得到第二特征图对应的多个目标对象的检测结果(概率特征图)。其中，例如，在目标对象包括交叉路口边界线以及停止线时，可以分别得到第一特征图对应的第一视角下的交叉路口的边界线的概率特征图，以及停止线的概率特征图，同时还可以得到第二特征图对应的第二视角下的交叉路口边界线的概率特征图，以及停止线的概率特征图。通过该种方式可以方便的对各视角下的各目标对象的同时检测，具有简单方便的特点。
或者，在本公开的另一些实施例中，也可以分别通过不同的残差网络实现在不同视角下的不同目标对象的检测，例如，在目标对象为停止线以及交叉路口边界线时，可以通过四个残差网络分别执行不同的检测功能。例如该四个残差网络可以分别为A、B、C和D，通过残差网络A可以检测第一视角下的第一特征图中的停止线的位置区域，通过残差网络B可以检测第一视角下的第一特征图中的交叉路口边界线的位置区域，通过残差网络C可以检测第二视角下的第二特征图中停止线的位置区域，以及通过残差网络D可以检测第二视角的第二特征图中的交叉路口边界线的位置区域，从而可以分别通过不同的网络实现不同视角下各目标对象的分别检测和识别。通过该种方式可以针对性的训练各残差网络，从而可以得到每种情形下的各目标对象的精确检测。
基于上述方式，本公开实施例可以得到第一特征图对应的第一图像中目标对象所在的第一区域，确定第一检测结果，以及得到第二特征图对应的第二图像中目标对象所在的第二区域，确定第二检测结果。
基于上述配置可以实现第一图像和第二图像中目标对象的检测，其中具有检测精度高且方便的特点。
通过步骤S200可以实现第一视角下的第一图像的目标对象检测以及第二视角下的第二图像中的目标对象检测，在得到第一视角下和第二视角下目标对象的检测结果之后，可以执行第一检测结果的转换处理，将两个视角下的检测结果转到一个视角下，而后将同一视角下的检测结果执行特征融合处理，得到目标对象的最终检测结果。
在一些可能的实施方式中，本公开实施例可以根据第一视角和第二视角的映射关系，将所述第一检测结果转换成第二视角下的第三检测结果(步骤S300)。也就是说，本公开实施例通过步骤S200可以得到第一视角下目标对象所在的第一区域的位置信息转换到第二视角下，得到相应的第三检测结果。
其中，可以通过第一转换矩阵将第一视角下的第一区域的位置信息，转换到第二视角下，并确定第二视角下与第一区域对应的第三区域，即可以确定与第一视角的第一检测结果对应的第二视角的第三检测结果。在本公开实施例中，可以对第一特征图对应的第一图像中的第一区域进行视角转换，得到第二视角下的图像，并可以确定其中第一区域对应的第三区域，从而可以得到第二视角下的第三区域的位置信息。或者，也可以单独对第一区域对应的像素点的位置执行视角转换，得到第二视角下对应的第三区域对应的像素位置。
本公开实施例中，可以通过第一视角下第一区域的各像素点的位置信息与第二转换矩阵相乘，得到第二视角下的第三区域中对应的像素点位置，从而可以确定第一区域中各像素点对应到变换后的位置，并基于此形成第三区域。
在得到第二视角下的第三区域(第三检测结果)之后，即可以通过步骤S400对应的将该第三区域的位置信息与第二区域的位置信息进行融合，得到优化的融合后的目标对象的最终优化区域，即执行步骤S400。
在一些可能的实施方式中，在执行步骤S400之前，可以对第三检测结果执行优化处理，即对第一检测结果转换到第二视角下得到的第三检测结果执行进行优化处理，从而提高第三检测结果中目标对象所在的第三区域的检测精度。例如可以通过线性拟合的方式，对形成第三区域的各像素点进行线性拟合，如利用最小二乘法执行该线性拟合处理操作，对第三区域进行优化。或者，在本公开的一些实施例中，也可以对第一检测结果执行优化处理之后在执行第一检测结果的视角转换，即通过对第一检测结果中目标对象所在的第一区域执行线性拟合处理，得到优化的第一检测结果，从而可以利用优化后的第一区域进行视角转换，提高得到的第三检测结果中第三区域的转换精度，从而可以进一步提高最终目标对象所在位置区域的检测精度。
同样的，在一些可能的实施方式中，在执行步骤S400之前，也可以对第二检测结果中目标对象所在的第二区域的进行优化处理，如也可以为通过线性拟合的方式，对形成第二区域的各像素点进行线性拟合，如利用最小二乘法执行该线性拟合处理操作，对第二区域进行优化。从而可以利用优化后的第二区域进行特征融合，可以提高目标对象所在位置区域的检测精度。在对第二区域优化后尽可以利用优化后的第二区域执行特征融合，下面为了方便描述，统一按照第二区域的方式进行描述。
相应的，步骤S400中对所述第二检测结果和第三检测结果执行特征融合，则可以包括：响应于仅对所述第二检测结果执行所述线性拟合处理，对第三检测结果和线性拟合处理后的第二检测结果执行特征融合；响应于仅对所述第三检测结果执行所述线性拟合处理，对所述第二检测结果和线性拟合处理后的第三检测结果执行特征融合；响应于对所述第二检测结果和第三检测结果均执行所述线性拟合处理，对线性处理后的第二检测结果和线性处理后的第三检测结果执行特征融合。
即本公开实施例可以利用优化处理后的第二检测结果和第三检测结果执行特征融合，进一步提高目标对象的检测精度。下面以第二检测结果和第三检测结果的融合过程进行举例说明，对于优化后的检测结果的特征融合不作重复说明。
图7示出根据本公开实施例的一种目标对象检测方法中步骤S400的流程图，其中，所述对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果，可以包括：
S401：获取特征融合策略；
本公开实施例，可以配置有至少一种特征融合策略，可以基于接收的选择信息确定特征通融合策略，其中选择信息用于确定选定的特征融合策略。例如，可以接收输入组件传输的选择信息，输入组件可以包括触控屏、音频输入接口、键盘等输入器件。通过接收的选择信息对应的特征融合策略执行后续的特征融合策略。
在另一些实施例中，也可以基于目标对象的类型确定相应的特征融合策略，对于不同的目标对象，可以对应的设有不同的特征融合策略，在执行特征融合处理时，可以根据目标对象确定相应的特征融合策略而后进行特征融合处理。
在一些可能的实施方式中，可以预先存储有目标对象的类型与特征融合策略的对应关系，执行不同类型的目标对象所在区域的检测时，根据目标对象的类型确定与之对应的特征融合策略，从而执行特征融合处理。其中，上述对应关系可以存储在本地存储地址中，也可以存储在网络云端中，或者其他设备中，本公开对此不作具体限定。
S402：基于确定的特征融合策略，对所述第二检测结果和第三检测结果执行特征融合处理，确定所述最终检测结果。
如上述实施例所述，在确定与目标对象对应的特征融合策略之后，即可以执行第二检测结果和第三检测结果的特征融合处理，得到最终的检测结果。
其中，基于上述配置可以方便选取适配的特征融合策略执行第二检测结果和第三检测结果的特征融合，适用性好且具有灵活性。
下面以目标对象为交叉路口边界线和交通指示线(如停止线)为例进行说明。在所述目标对象为所述交通指示线(第一类型的对象)的情况下，确定特征融合策略为第一策略，或者基于选择信息确定执行特征融合处理的策略为第一策略，而后，可以根据第一策略执行第二检测结果和第三检测结果的特征融合处理。或者，在一些实施方式中，也可以直接按照第一策略执行特征融合处理。
a1：在第二检测结果和第三检测结果均表示为检测出所述第一类型的目标对象的情况下，将所述第二检测结果对应的线段和第三检测结果对应的线段之间的角平分线确定为所述第一类型的目标对象的最终检测结果，例如在同时检测到所述交通指示线的所述第二区域和第三区域的情况下，将所述第二区域对应的线段和第三区域对应的线段之间的角平分线确定为所述交通指示线的最终优化区域；
即在第一图像和第二图像中均检测到交通指示线时，通过将第一视角下的第一区域转换到第二视角下的第三区域后，可以结合第二视角下的第二区域与第三区域执行特征融合，由于本公开实施例目标对象均为线条形式，因此，可以将在同时存在第二区域和第三区域时，将二者对应的线段之间的角平分线作为最终的目标对象所在的最终优化区域，该方式可以同时结合第一视角下的检测结果和第二视角下的检测结果，得到精度较高的目标对象检测结果。
a2：在第二检测结果或第三检测结果中的一个检测结果表示为检测出所述第一类型的目标对象的情况下，确定不存在所述第一类型的目标对象。例如在仅检测到所述交通指示线的所述第二区域或者第三区域的情况下，确定不存在所述交通指示线。
在一些可能的实施方式中，由于摄像角度或者识别精度的影响，可能无法准确的识别出第一图像对应的第一区域，对应的也就无法得到第三区域，而只检测到第二视角下的第二区域；或者也可能只检测到第一图像对应的第一区域，而无法检测到第二图像的第二区域，此时均可以确定不存在交通指示线。即本公开实施例中，对于目标对象为交通指示线的情况，只要在任意一个视角下无法检测到目标对象，则可以确定不存在该目标对象。
另外，在所述目标对象为所述交叉路口边界线(第二类型的目标对象)的情况下，确定特征融合策略为第二策略，或者基于选择信息确定执行特征融合处理的策略为第二策略，而后，可以根据第二策略执行第二区域和第三区域的特征融合处理。或者也可以直接按照第二策略执行特征融合处理。
b1：响应于所述第二检测结果和第三检测结果均表示为检测出所述第二类型的目标对象，将所述第二检测结果和第三检测结果对应的所述第二类型的目标对象所在区域的角平分线确定为所述第二类型的目标对象的最终检测结果；例如在同时检测到所述边界线的所述第二区域和第三区域的情况下，将所述第二区域和第三区域的角平分线确定为所述交通指示线的最终优化区域；
同样的，即在第一图像和第二图像中均检测到交叉路口边界线时，通过将第一视角下的第一区域转换到第二视角下的第三区域后，可以结合第二视角下的第二区域与第三区域执行特征融合，由于本公开实施例目标对象均为线条形式，因此，可以将在同时存在第二区域和第三区域时，将二者对应的线段之间的角平分线作为最终的目标对象所在的最终优化区域，该方式可以同时结合第一视角下的检测结果和第二视角下的检测结果，得到精度较高的目标对象检测结果。
b2：响应于仅所述第二检测结果表示为检测出所述第二类型的目标对象，将所述第二检测结果确定为所述第二类型的目标对象的最终检测结果，响应于仅所述第三检测结果表示为检测出所述第二类型的目标对象，将所述第三检测结果确定为所述第二类型的目标对象的最终检测结果。例如在仅检测到所述边界线的所述第二区域的情况下，将所述第二区域确定为所述交通指示线的最终优化区域；以及在仅检测到所述边界线的所述第三区域的情况下，将所述第三区域确定为所述交通指示线的最终优化区域。
在目标对象为交叉路口边界线时，在仅存在基于第一视角确定的第三区域或者仅存在基于第二视角的第二图像确定的第二区域的情况下，可以将确定出目标对象的区域确定为最终优化区域。
即，在本公开实施例中，由于目标对象的位置以及不同视角的角度，对于不同的目标对象，确定特征融合的策略可以不同，从而实现对于不同目标对象的个性化识别，针对性的提高检测精度。
为了更加详细的说明本公开实施例，下面基于图5对本公开实施例举例说明。
其中，首先可以获取第一视角下的图像A，通过对图像A进行视角转换(投影变换)可以对应的得到第二视角下的图像B，具体的转换原理可以根据上述实施例确定，在此不再赘述。在得到第一图像A和第二图像B之后，可以对图像A和B执行尺寸调整，使二者转换为相同尺寸的图像，其中为了方便说明，下述仍以第一图像和第二图像表示调整尺寸后的两个图像。在得到第一图像和第二图像后可以连接两个图像，得到连接图像。而后通过第一部分的神经网络(如VGG)提取两个图像的图像特征，得到第一特征图和第二特征图，而后分别通过第二部分的神经网络(如ResNet)检测第一图像中目标对象所在的第一区域，如停止线所在的第一区域C0和交叉路口边界线所在第二区域D0，以及第二图像中目标对象所在的第二区域，如停止线所在的第二区域E0和交叉路口边界线所在的第二区域F0。
在得到各目标对象的第一视角下的第一区域以及第二视角下的第二区域之后，即可以执行特征融合的过程。如可以对第一区域执行优化处理，如线性拟合，并对拟合后的第一区域执行投影变化，得到第二视角下的第三区域。如对C0和D0分别执行线性拟合和投影变化得到对应的第三区域C1和D1。同时还可以对第二视角下的第二区域进行有优化处理，如线性拟合处理，对应的得到E0和F0的优化处理结果为E1和F1。从而可以分别得到基于第一视角的第一图像确定的目标对象的第三区域C1和D1，以及基于第二视角的第二图像确定的第二区域E1和F1。而后可以根据目标对象的类型，对C1和E1执行特征融合，以及对D1和F1执行特征融合，得到不同目标对象的最终优化结果。
在此需要说明的是，上述实施例仅为示例性说明，不作为本公开实施例的具体限定。
综上所述，目前大多数无人驾驶的路径规划均是在世界坐标下(俯视视角)完成的。常见做法是直接用行驶记录仪上第一视角的图像检测得到的结果，转化成俯视视角下的检测结果，最终根据这些俯视视角下的信息完成路径规划任务。但是由于在第一视角下的检测结果不一定成规则图形，因此视角转换后会被再次放大，导致检测结果不准确，对应规划的路线也就不准确，这很有可能造成极大的人身和财产安全。而本公开实施例可以通过第一视角下的第一图像的处理，分别得到两个视角下的目标对象所在区域的检测，并能够两个视角下的特征，进一步提高目标对象所在区域的检测精度。
另外，如上述实施例所述，本公开实施例可以应用在自动驾驶或者辅助见识领域，例如可以用于实现车辆、飞行器等的驾驶控制。图8示出根据本公开实施例的一种驾驶控制方法的流程图，其中所述驾驶控制方法可以包括：
S1000：获取设置在车辆中的图像采集设备采集的第一视角下的第一图像，以及与所述第一图像对应的第二视角下的第二图像；
S2000：利用第一方面中任意一项所述目标对象检测方法对所述第一图像和第二图像执行目标对象检测，得到目标对象在第二视角下的最终检测结果；
S3000：基于所述最终检测结果控制所述车辆的行驶参数。
其中，在需要被执行驾驶控制的主体中可以设置有图像采集设备，采集第一视角下的第一图像，通过第一视角和第二视角的映射关系，可以得到第二视角下的第二图像。通过本公开实施例的目标对象检测方法可以实现目标对象的检测，其中如上述实施例所述，目标对象可以为路面标示线中的至少一种。
通过上述实施例中的目标对象检测方法可以得到第二视角下的目标对象的最终检测结果，基于该结果可以执行车辆等设备的驾驶控制，如控制驾驶方向、速度等驾驶参数，本公开实施例对如何根据目标对象的检测结果执行驾驶参数的控制不做具体限定，可以根据现有技术手段实现。
由于通过本公开实施例提供的目标对象检测方法可以提高目标对象的检测精度，基于此，可以提高对车辆等设备的精确控制。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了目标对象检测装置、驾驶控制装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种目标对象检测方法或者驾驶控制方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图9示出根据本公开实施例的一种目标对象检测装置的框图，如图9所示，所述目标对象检测装置包括：
获取模块10，其用于根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像；
检测模块20，其用于对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果；
转换模块30，其用于根据所述映射关系将所述第一检测结果转换成第二视角下的第三检测结果；
融合模块40，其用于对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果。
在一些可能的实施方式中，所述第一视角为相机坐标系视角，所述第二视角为世界坐标系的俯视视角。
在一些可能的实施方式中，所述检测模块还用于对目标图像执行特征提取处理，得到与所述目标图像对应的特征图，所述目标图像包括第一图像和第二图像中的至少一种；
基于所述目标图像的特征图，得到所述目标图像中的针对目标对象的检测结果；
其中，响应于所述目标图像为第一图像，得到的所述检测结果为所述第一检测结果；以及，响应于所述目标图像为第二图像，得到的所述检测结果为所述第二检测结果；或者，
响应于所述目标图像包括第一图像和第二图像，得到的所述检测结果为所述第一检测结果和第二检测结果。
在一些可能的实施方式中，所述检测模块还用于对所述目标图像的特征图执行残差处理得到所述目标对象在所述目标图像中的概率图，所述概率图表示所述目标对象在所述目标图像中的分布概率；
基于所述概率图确定所述目标对象的第一检测结果和/或第二检测结果。
在一些可能的实施方式中，所述检测模块还用于通过VGG神经网络提取所述目标图像的特征，得到与所述目标图像对应的特征图；
通过残差神经网络基于所述目标图像的特征图确定所述目标图像中的针对目标对象的检测结果。
在一些可能的实施方式中，所述检测模块还用于对所述第一图像和第二图像执行多类目标对象的检测，得到所述第一图像中针对各类目标对象的第一检测结果，以及所述第二图像中针对各类目标对象的第二检测结果。
在一些可能的实施方式中，还包括优化模块，其用于在所述检测模块对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果之前，对所述第二检测结果和第三检测结果中的至少一个检测结果执行线性拟合处理，
所述对所述第二检测结果和第三检测结果执行特征融合，包括：
响应于仅对所述第二检测结果执行所述线性拟合处理，对第三检测结果和线性拟合处理后的第二检测结果执行特征融合；或者，响应于仅对所述第三检测结果执行所述线性拟合处理，对所述第二检测结果和线性拟合处理后的第三检测结果执行特征融合；或者，
响应于对所述第二检测结果和第三检测结果均执行所述线性拟合处理，对线性处理后的第二检测结果和线性处理后的第三检测结果执行特征融合。
在一些可能的实施方式中，所述融合模块还用于响应于所述第二检测结果和第三检测结果均表示为检测出所述第一类型的目标对象，将所述第二检测结果对应的线段和第三检测结果对应的线段之间的角平分线确定为所述第一类型的目标对象的最终检测结果；或者，
响应于所述第二检测结果或第三检测结果中的一个检测结果表示为检测出所述第一类型的目标对象，确定不存在所述第一类型的目标对象。
在一些可能的实施方式中，所述融合模块还用于响应于所述第二检测结果和第三检测结果均表示为检测出所述第二类型的目标对象，将所述第二检测结果和第三检测结果对应的所述第二类型的目标对象所在区域的角平分线确定为所述第二类型的目标对象的最终检测结果；或者，
响应于仅所述第二检测结果表示为检测出所述第二类型的目标对象，将所述第二检测结果确定为所述第二类型的目标对象的最终检测结果；或者，
响应于仅所述第三检测结果表示为检测出所述第二类型的目标对象，将所述第三检测结果确定为所述第二类型的目标对象的最终检测结果。
在一些可能的实施方式中，所述装置还包括调整模块，其用于在所述检测模块对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果之前，
调整所述第一图像和第二图像中至少一个图像的尺寸，使得调整后的第一图像和第二图像的尺寸相同。
在一些可能的实施方式中，所述标对象包括路面标志线。
根据本公开的第四方面，提供了一种驾驶控制装置，图10示出根据本公开实施例的一种驾驶控制装置的框图，所述驾驶控制装置可以包括：
获得模块100，其用于获取设置在车辆中的图像采集设备采集的第一视角下的第一图像，以及与所述第一图像对应的第二视角下的第二图像；
目标对象检测模块200，其用于利用如第一方面中任意一项所述目标对象检测方法对所述第一图像和第二图像执行目标对象检测，得到目标对象在第二视角下的最终检测结果；
控制模块300，其用于基于所述最终检测结果控制所述车辆的行驶参数。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图11，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12示出根据本公开实施例的一种电子设备的另一框图。例如，电子设备1900可以被提供为一服务器。参照图12，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种目标对象检测方法，其特征在于，包括：
根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像；
对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果；
根据所述映射关系将所述第一检测结果转换成第二视角下的第三检测结果；
对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果。
2.根据权利要求2所述的方法，其特征在于，所述第一视角为相机坐标系视角，所述第二视角为世界坐标系的俯视视角。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果，包括：
对目标图像执行特征提取处理，得到与所述目标图像对应的特征图，所述目标图像包括第一图像和第二图像中的至少一种；
基于所述目标图像的特征图，得到所述目标图像中的针对目标对象的检测结果；
其中，响应于所述目标图像为第一图像，得到的所述检测结果为所述第一检测结果；以及，响应于所述目标图像为第二图像，得到的所述检测结果为所述第二检测结果；或者，
响应于所述目标图像包括第一图像和第二图像，得到的所述检测结果为所述第一检测结果和第二检测结果。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标图像的特征图，得到所述目标图像中的针对目标对象的检测结果，包括：
对所述目标图像的特征图执行残差处理得到所述目标对象在所述目标图像中的概率图，所述概率图表示所述目标对象在所述目标图像中的分布概率；
基于所述概率图确定所述目标对象的第一检测结果和/或第二检测结果。
5.根据权利要求3或4所述的方法，其特征在于，所述对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果，包括：
通过VGG神经网络提取所述目标图像的特征，得到与所述目标图像对应的特征图；
通过残差神经网络基于所述目标图像的特征图确定所述目标图像中的针对目标对象的检测结果。
6.一种驾驶控制方法，其特征在于，包括：
获取设置在车辆中的图像采集设备采集的第一视角下的第一图像，以及与所述第一图像对应的第二视角下的第二图像；
利用如权利要求1-5中任意一项所述目标对象检测方法对所述第一图像和第二图像执行目标对象检测，得到目标对象在第二视角下的最终检测结果；
基于所述最终检测结果控制所述车辆的行驶参数。
7.一种目标对象检测装置，其特征在于，包括：
获取模块，其用于根据第一视角和第二视角的映射关系，获取与第一视角下的第一图像对应的第二视角下的第二图像；
检测模块，其用于对所述第一图像和第二图像执行目标对象的检测，得到针对所述第一图像中的所述目标对象的第一检测结果，以及针对所述第二图像中的所述目标对象的第二检测结果；
转换模块，其用于根据所述映射关系将所述第一检测结果转换成第二视角下的第三检测结果；
融合模块，其用于对所述第二检测结果和第三检测结果执行特征融合，得到所述目标对象在第二视角下的最终检测结果。
8.一种驾驶控制装置，其特征在于，包括：
获得模块，其用于获取设置在车辆中的图像采集设备采集的第一视角下的第一图像，以及与所述第一图像对应的第二视角下的第二图像；
目标对象检测模块，其用于利用如权利要求1-12中任意一项所述目标对象检测方法对所述第一图像和第二图像执行目标对象检测，得到目标对象在第二视角下的最终检测结果；
控制模块，其用于基于所述最终检测结果控制所述车辆的行驶参数。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至5中任意一项所述的目标对象检测方法，或者执行权利要求6所述的驾驶控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的目标对象检测方法，或者实现如权利要求6所述的驾驶控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910363309.XA CN111860074B (zh) | 2019-04-30 | 2019-04-30 | 目标对象检测方法及装置、驾驶控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910363309.XA CN111860074B (zh) | 2019-04-30 | 2019-04-30 | 目标对象检测方法及装置、驾驶控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860074A true CN111860074A (zh) | 2020-10-30 |
| CN111860074B CN111860074B (zh) | 2024-04-12 |
Family
ID=72965939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910363309.XA Active CN111860074B (zh) | 2019-04-30 | 2019-04-30 | 目标对象检测方法及装置、驾驶控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860074B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11473927B2 (en) * | 2020-02-05 | 2022-10-18 | Electronic Arts Inc. | Generating positions of map items for placement on a virtual map |
| CN115797455A (zh) * | 2023-01-18 | 2023-03-14 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备和存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008036219A1 (de) * | 2008-08-02 | 2010-02-04 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Erkennung von Objekten im Umfeld eines Fahrzeugs |
| CN102156537A (zh) * | 2010-02-11 | 2011-08-17 | 三星电子株式会社 | 一种头部姿态检测设备及方法 |
| CN103177247A (zh) * | 2013-04-09 | 2013-06-26 | 天津大学 | 一种融合多视角信息的目标检测方法 |
| CN103729620A (zh) * | 2013-12-12 | 2014-04-16 | 北京大学 | 一种基于多视角贝叶斯网络的多视角行人检测方法 |
| CN105793892A (zh) * | 2014-12-09 | 2016-07-20 | 深圳市大疆创新科技有限公司 | 一种图像处理方法、装置及摄像设备 |
| CN107707899A (zh) * | 2017-10-19 | 2018-02-16 | 中科创达软件股份有限公司 | 包含运动目标的多视角图像处理方法、装置及电子设备 |
| CN107885787A (zh) * | 2017-10-18 | 2018-04-06 | 大连理工大学 | 基于谱嵌入的多视角特征融合的图像检索方法 |
| US20180114100A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Edge-based adaptive machine learning for object recognition |
| CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
| CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
| CN108647638A (zh) * | 2018-05-09 | 2018-10-12 | 东软集团股份有限公司 | 一种车辆位置检测方法及装置 |
| CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
| CN109165660A (zh) * | 2018-06-20 | 2019-01-08 | 扬州大学 | 一种基于卷积神经网络的显著物体检测方法 |
-
2019
- 2019-04-30 CN CN201910363309.XA patent/CN111860074B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008036219A1 (de) * | 2008-08-02 | 2010-02-04 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Erkennung von Objekten im Umfeld eines Fahrzeugs |
| CN102156537A (zh) * | 2010-02-11 | 2011-08-17 | 三星电子株式会社 | 一种头部姿态检测设备及方法 |
| CN103177247A (zh) * | 2013-04-09 | 2013-06-26 | 天津大学 | 一种融合多视角信息的目标检测方法 |
| CN103729620A (zh) * | 2013-12-12 | 2014-04-16 | 北京大学 | 一种基于多视角贝叶斯网络的多视角行人检测方法 |
| CN105793892A (zh) * | 2014-12-09 | 2016-07-20 | 深圳市大疆创新科技有限公司 | 一种图像处理方法、装置及摄像设备 |
| US20180114100A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Edge-based adaptive machine learning for object recognition |
| CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
| CN107885787A (zh) * | 2017-10-18 | 2018-04-06 | 大连理工大学 | 基于谱嵌入的多视角特征融合的图像检索方法 |
| CN107707899A (zh) * | 2017-10-19 | 2018-02-16 | 中科创达软件股份有限公司 | 包含运动目标的多视角图像处理方法、装置及电子设备 |
| CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
| CN108647638A (zh) * | 2018-05-09 | 2018-10-12 | 东软集团股份有限公司 | 一种车辆位置检测方法及装置 |
| CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
| CN109165660A (zh) * | 2018-06-20 | 2019-01-08 | 扬州大学 | 一种基于卷积神经网络的显著物体检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| BEI HE; RUI AI; YANG YAN; XIANPENG LANG: "Accurate and robust lane detection based on Dual-View Convolutional Neutral Network", 2016 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV), pages 1041 - 1046 * |
| LIU, J等: "Lane segmentation in traffic monitoring systems based on probability map", 2010 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION, pages 6245 - 6249 * |
| 王越,范先星,刘金城等: "结构化道路上应用区域划分的车道线识别", 计算机应用, vol. 35, no. 9, pages 2687 - 2691 * |
| 邱艺铭;杜华军;马杰;郭砚辉;吕武;: "基于残差回归网络的复杂背景下海界线检测", 舰船电子工程, no. 08, pages 185 - 191 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11473927B2 (en) * | 2020-02-05 | 2022-10-18 | Electronic Arts Inc. | Generating positions of map items for placement on a virtual map |
| US20220412765A1 (en) * | 2020-02-05 | 2022-12-29 | Electronic Arts Inc. | Generating Positions of Map Items for Placement on a Virtual Map |
| US11668581B2 (en) * | 2020-02-05 | 2023-06-06 | Electronic Arts Inc. | Generating positions of map items for placement on a virtual map |
| CN115797455A (zh) * | 2023-01-18 | 2023-03-14 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860074B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
| CN110688951B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
| CN109658352B (zh) | 图像信息的优化方法及装置、电子设备和存储介质 | |
| CN110503689B (zh) | 位姿预测方法、模型训练方法及装置 | |
| US20190347823A1 (en) | Method and apparatus for detecting living body, system, electronic device, and storage medium | |
| CN109829863B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110543850B (zh) | 目标检测方法及装置、神经网络训练方法及装置 | |
| CN109819229B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| US11443438B2 (en) | Network module and distribution method and apparatus, electronic device, and storage medium | |
| CN107392933B (zh) | 一种图像分割的方法及移动终端 | |
| CN108596093B (zh) | 人脸特征点的定位方法及装置 | |
| US11455836B2 (en) | Dynamic motion detection method and apparatus, and storage medium | |
| CN111476057B (zh) | 车道线获取方法及装置、车辆驾驶方法及装置 | |
| CN111062981A (zh) | 图像处理方法、装置及存储介质 | |
| CN104918107A (zh) | 视频文件的标识处理方法及装置 | |
| CN108717542B (zh) | 识别文字区域的方法、装置及计算机可读存储介质 | |
| CN113205515B (zh) | 目标检测方法、装置、及计算机存储介质 | |
| CN111435422B (zh) | 动作识别方法、控制方法及装置、电子设备和存储介质 | |
| CN111860074B (zh) | 目标对象检测方法及装置、驾驶控制方法及装置 | |
| CN113784046A (zh) | 一种随动拍摄方法、装置、介质和电子设备 | |
| CN113313115A (zh) | 车牌属性识别方法及装置、电子设备和存储介质 | |
| CN111832338A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
| CN116740158B (zh) | 图像深度确定方法、装置和存储介质 | |
| CN116152491B (zh) | 一种语义分割方法、装置及存储介质 |
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 |