CN112150558B - 用于路侧计算设备的障碍物三维位置获取方法及装置 - Google Patents
用于路侧计算设备的障碍物三维位置获取方法及装置 Download PDFInfo
- Publication number
- CN112150558B CN112150558B CN202010965923.6A CN202010965923A CN112150558B CN 112150558 B CN112150558 B CN 112150558B CN 202010965923 A CN202010965923 A CN 202010965923A CN 112150558 B CN112150558 B CN 112150558B
- Authority
- CN
- China
- Prior art keywords
- offset
- interest
- processed
- region
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 230000002265 prevention Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了用于路侧计算设备的障碍物三维位置获取方法及装置,涉及智能交通、车路协同及自动驾驶领域,其中的方法可包括:获取待处理图片中的障碍物的像素坐标;根据像素坐标确定出障碍物的底面中心点坐标;获取待处理图片对应的地面与模板图片对应的地面之间的单应变换关系;根据单应变换关系将障碍物的底面中心点坐标转换为模板图片上的坐标;根据转换得到的坐标以及模板图片对应的地面方程,确定出障碍物的底面中心点的三维坐标。应用本申请所述方案,可节省实现成本,并具有较好的准确性等。
Description
技术领域
本申请涉及计算机应用技术,特别涉及智能交通、车路协同及自动驾驶领域的用于路侧计算设备的障碍物三维位置获取方法及装置。
背景技术
在车与外界(V2X,Vehicle-to-Everything)路侧感知场景下,为了通过路侧相机获取超视距的道路交通信息,通常会将路侧相机安装在路灯杆或红绿灯杆上,安装位置越高,获取的视野范围越大,信息量就会越多,更有利于发挥车路协同方案的作用。
然而,由于安装位置较高,当风吹或重型车经过时会引起相机抖动,当路侧相机的位置发生变化时,后续确定障碍物的三维(3D)位置时就会引入抖动的误差,即导致结果不准确。
解决相机抖动的方法有光学防抖、机械防抖和电子防抖等方法,但由于路侧感知的成本限制,需要额外成本的光学防抖和机械防抖都不能大规模使用,而电子防抖又会有较大的误差。
发明内容
本申请提供了用于路侧计算设备的障碍物3D位置获取方法及装置。
一种用于路侧计算设备的障碍物3D位置获取方法,包括:
获取待处理图片中的障碍物的像素坐标;
根据所述像素坐标确定出所述障碍物的底面中心点坐标;
获取所述待处理图片对应的地面与模板图片对应的地面之间的单应变换关系;
根据所述单应变换关系将所述障碍物的底面中心点坐标转换为所述模板图片上的坐标;
根据转换得到的坐标以及所述模板图片对应的地面方程,确定出所述障碍物的底面中心点的3D坐标。
一种用于路侧计算设备的障碍物3D位置获取装置,包括:二维坐标获取模块、坐标转换模块以及三维坐标获取模块;
所述二维坐标获取模块,用于获取待处理图片中的障碍物的像素坐标,根据所述像素坐标确定出所述障碍物的底面中心点坐标;
所述坐标转换模块,用于获取所述待处理图片对应的地面与模板图片对应的地面之间的单应变换关系,根据所述单应变换关系将所述障碍物的底面中心点坐标转换为所述模板图片上的坐标;
所述三维坐标获取模块,用于根据转换得到的坐标以及所述模板图片对应的地面方程,确定出所述障碍物的底面中心点的3D坐标。
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以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:可借助于获取到的待处理图片对应的地面与模板图片对应的地面之间的单应变换关系等,确定出待处理图片中的障碍物的3D坐标,从图片角度解决了相机抖动的问题,无需采用光学防抖、机械防抖或电子防抖等方法,从而不但节省了实现成本,而且具有较好的准确性等。
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为本申请所述用于路侧计算设备的障碍物3D位置获取方法实施例的流程图;
图2为本申请所述待处理图片与模板图片中的感兴趣区域的示意图;
图3为本申请所述获取待处理感兴趣区域对应的第一偏移量的方法实施例的流程图;
图4为采用本申请所述方式与现有方式分别回3D的效果示意图;
图5为本申请所述用于路侧计算设备的障碍物3D位置获取装置50实施例的组成结构示意图;
图6为根据本申请实施例所述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。
另外,应理解,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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
现有技术中,对于利用路侧相机采集到的包含障碍物的二维(2D)图片,可通过一定方式确定出障碍物的3D位置,即确定出障碍物在3D空间中的真实位置,这一过程也可称为回3D过程。所述路侧相机通常为单目相机。
由于单目相机的回3D过程本身是个欠约束问题,如果没有其它输入信息,2D图片中的任一像素坐标(像素点坐标)回到3D都会是一条射线,即3D空间中处于这条射线上的点在2D图片上的像素坐标都是相同的,因此,考虑到V2X的具体应用场景,引入了地平面信息作为参考,即已知在相机坐标系下的地面方程Ax+By+Cz+D=0,通过计算上述射线与地面方程的交点,即可获取像素点的3D坐标。
相应地,回3D过程的具体实现流程可包括:获取2D图片中的障碍物的像素坐标->根据所述像素坐标确定出障碍物的底面中心点坐标->根据障碍物的底面中心点坐标,利用地面方程,确定出障碍物的底面中心点的3D坐标。
相机抖动,相当于相机坐标系也在抖动,相机坐标系下的地面方程也在抖动,因此直接利用原来的地面方程是不可行的。由于地面是一个平面,因此本申请中可利用图像配准算法,获取抖动前和抖动后的两个地面之间的单应变换(Homography)关系,并将抖动后的障碍物的底面中心点坐标通过单应变换关系转换到抖动前的像素坐标上去,进而利用原来的地面方程回3D,即相当于消除了抖动的影响,对相机抖动下的障碍物的3D位置进行了修正/优化。
相应地,图1为本申请所述用于路侧计算设备的障碍物3D位置获取方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,获取待处理图片中的障碍物的像素坐标。
如可从路侧相机获取待处理图片。
待处理图片为2D图片,可通过对待处理图片进行障碍物检测等得到障碍物的像素坐标。
待处理图片中可能包括一个障碍物,也可能包括多个障碍物,对于每个障碍物,均可按照本实施例所述方式进行处理。
在102中,根据获取到的像素坐标确定出障碍物的底面中心点坐标。
障碍物是一个长方体,底面中心点坐标即指这个长方体的底面的中心点的像素坐标。
比如:1)利用图像识别算法,根据图片中识别出的车辆类型、估计车辆长宽高、以及根据识别出的朝向角以及几何关系推算出车辆长方体的坐标,进而推算出车辆底面中心点即车辆长方体底面的中心点坐标;2)直接将图片输入训练好的深度学习神经网络模型,得出底面的中心点坐标等。
当然,以上所述仅为举例说明,并不用于限制本申请的技术方案,如何获取待处理图片中的障碍物的像素坐标以及根据获取到的像素坐标确定出障碍物的底面中心点坐标等均可根据实际需要而定。
在103中,获取待处理图片对应的地面与模板图片对应的地面之间的单应变换关系。
即获取抖动前和抖动后的两个地面之间的单应变换关系。
模板图片与待处理图片可以利用车道线等元素,发现相机抖动、相机位移。
在104中,根据单应变换关系将障碍物的底面中心点坐标转换为模板图片上的坐标。
根据获取到的单应变换关系,可将障碍物的底面中心点坐标转换为模板图片上的坐标,即将抖动后的障碍物的底面中心点坐标通过单应变换关系转换到抖动前的像素坐标上去。
在105中,根据转换得到的坐标以及模板图片对应的地面方程,确定出障碍物的底面中心点的3D坐标。
在获取到转换后的坐标后,即可根据模板图片对应的地面方程,确定出障碍物的底面中心点的3D坐标。得到了障碍物的底面中心点的3D坐标,即可获知障碍物的3D位置。
可以看出,上述实施例中,可借助于获取到的待处理图片对应的地面与模板图片对应的地面之间的单应变换关系等,确定出待处理图片中的障碍物的3D坐标,从图片角度解决了相机抖动的问题,无需采用光学防抖、机械防抖或电子防抖等方法,从而不但节省了实现成本,而且具有较好的准确性等。
本申请方法执行主体可以是各种路侧设备,如与路侧相机相连获取路侧相机拍摄图片的路侧计算设备、云控平台或服务器等。
以下对103中获取待处理图片对应的地面与模板图片对应的地面之间的单应变换关系的方式进行具体说明。
所述单应变换关系可用一个8自由度的3*3大小单应矩阵来体现,即获取8自由度的3*3大小单应矩阵,用来描述待处理图片对应的地面与模板图片对应的地面之间的单应变换关系。
为获取上述单应矩阵,至少需要四个匹配对,所述匹配对为2D-2D匹配对。相应地,针对模板图片中选定的四个感兴趣区域(ROI,Region of Interest),比如四个包括车道线标志的区域等,可分别从待处理图片中获取对应的感兴趣区域,并可针对待处理图片中的任一感兴趣区域,分别获取该感兴趣区域的像素中心点与模板图片中的对应感兴趣区域的像素中心点之间的对应关系,作为一个匹配对,进而可根据获取到的四个匹配对确定出单应矩阵。
模板图片的整个图片区域可划分为四个图片子区域,包括左上图片子区域、右上图片子区域、左下图片子区域以及右下图片子区域,选定的四个感兴趣区域可分别位于四个图片子区域中。
四个图片子区域可为对模板图片的整个图片区域进行平均划分得到的,并且,可采用人工选取等方式分别从各图片子区域中选定一个感兴趣区域,各感兴趣区域的大小相同,如均为101*101大小等。选定的感兴趣区域通常具有以下特征:1)处于道路地面上,不包含车辆、行人等非地面元素;2)特征明显,如包含清晰的车道线特征等;3)局部特征唯一性,如附近不存在特别相似的场景等。
针对模板图片中的四个感兴趣区域,可分别从待处理图片中获取对应的感兴趣区域,比如,将模板图片中位于左上图片子区域的感兴趣区域称为第一感兴趣区域,将位于右上图片子区域中的感兴趣区域称为第二感兴趣区域,将位于左下图片子区域中的感兴趣区域称为第三感兴趣区域,将位于右下图片子区域中的感兴趣区域称为第四感兴趣区域,那么,可分别获取待处理图片中与第一感兴趣区域对应的感兴趣区域、与第二感兴趣区域对应的感兴趣区域、与第三感兴趣区域对应的感兴趣区域以及与第四感兴趣区域对应的感兴趣区域。
图2为本申请所述待处理图片与模板图片中的感兴趣区域的示意图。如图2所示,其中左侧的图片为待处理图片,右侧的图片为模板图片,待处理图片和模板图片均可为处于某一位置的相机所拍摄的视野范围内的道路交通画面,图片中的方框表示感兴趣区域,模板图片可为相机处于初始的标准位置时所拍摄的。
针对待处理图片中的每个感兴趣区域,可分别获取该感兴趣区域的像素中心点与模板图片中的对应感兴趣区域的像素中心点之间的对应关系,作为一个匹配对。比如,针对待处理图片中的任一感兴趣区域,可分别进行以下处理:为便于表述,将该感兴趣区域称为待处理感兴趣区域,获取待处理感兴趣区域对应的用于计算单应矩阵的第一偏移量,并利用第一偏移量对待处理感兴趣区域的像素中心点坐标进行修正,记录修正后的待处理感兴趣区域的像素中心点坐标与模板图片中的对应感兴趣区域的像素中心点坐标之间的对应关系,作为一个匹配对。其中,如何利用第一偏移量对待处理感兴趣区域的像素中心点坐标进行修正为现有技术。
获取待处理感兴趣区域对应的第一偏移量的方式可为:若确定待处理感兴趣区域未被障碍物遮挡,则获取待处理感兴趣区域相比于模板图片中的对应感兴趣区域的第二偏移量,若第二偏移量符合预定要求,则可将第二偏移量作为待处理感兴趣区域对应的第一偏移量。
第二偏移量符合预定要求可包括:利用第二偏移量对待处理感兴趣区域进行修正;对修正后的待处理感兴趣区域与模板图片中的对应感兴趣区域进行相似性校验;若相似性校验通过,则将第二偏移量加入历史偏移量队列中,并根据历史偏移量队列对第二偏移量进行合理性校验,若相似性校验不通过,则丢弃第二偏移量,并确定第二偏移量不符合预定要求;若合理性校验也通过,则确定第二偏移量符合预定要求,若合理性校验不通过,则确定第二偏移量不符合预定要求。
其中,根据历史偏移量队列对第二偏移量进行合理性校验可包括:获取第二偏移量与历史偏移量队列中的众数偏移量之间的差值,若所述差值小于预定阈值,则可确定合理性校验通过,否则,可确定合理性校验不通过。众数偏移量为历史偏移量队列中出现次数最多的偏移量。
另外,若确定待处理感兴趣区域被障碍物遮挡,可将历史偏移量队列中的众数偏移量作为待处理感兴趣区域对应的第一偏移量。若确定第二偏移量不符合预定要求,也可将历史偏移量队列中的众数偏移量作为待处理感兴趣区域对应的第一偏移量。
上述方式中,通过相似性校验和合理性校验,可确保第二偏移量为正确获取的偏移量,进而确保了后续生成的匹配对的准确性等。对于未能正确获取第二偏移量的情况,如上述的待处理感兴趣区域被障碍物遮挡或第二偏移量不符合预定要求等,后续可根据众数偏移量来生成匹配对,而众数偏移量为历史偏移量队列中出现次数最多的偏移量,为最具代表性的偏移量,也是最可能正确的偏移量,从而尽可能地确保了生成的匹配对的准确性等。
基于上述介绍,图3为本申请所述获取待处理感兴趣区域对应的第一偏移量的方法实施例的流程图。如图3所示,包括以下具体实现方式。
在301中,确定待处理感兴趣区域是否被障碍物遮挡,若是,则执行302,否则,执行303。
被障碍物遮挡可以是指全部被障碍物遮挡,也可以是指部分被障碍物遮挡等。
在302中,将历史偏移量队列中的众数偏移量作为待处理感兴趣区域对应的第一偏移量,结束流程。
众数偏移量即指历史偏移量队列中出现次数最多的偏移量。初始建立的历史偏移量队列可为空,后续随着不断有偏移量加入,其中会积累起很多的偏移量,出现次数最多的偏移量即为众数偏移量。
在303中,获取待处理感兴趣区域相比于模板图片中的对应感兴趣区域的第二偏移量。
即获取待处理感兴趣区域相比于模板图片中的对应感兴趣区域的偏移程度信息,如何获取为现有技术。
为便于表述,将待处理感兴趣区域相比于模板图片中的对应感兴趣区域的偏移量称为第二偏移量。
在304中,利用第二偏移量对待处理感兴趣区域进行修正,并对修正后的待处理感兴趣区域与模板图片中的对应感兴趣区域进行相似性校验。
比如,可比较修正后的待处理感兴趣区域与模板图片中的对应感兴趣区域的峰值信噪比和/或结构相似性等,若峰值信噪比相近,或结构相似性相近,或两者均相近,则可认为相似性校验通过,否则,可认为相似性校验不通过。相近可以是指差值小于预定阈值等。
在305中,确定相似性校验是否通过,若是,则执行306,否则,执行302。
若相似性校验不通过,可丢弃第二偏移量,并执行302。
在306中,将第二偏移量加入历史偏移量队列中,并根据历史偏移量队列对第二偏移量进行合理性校验。
比如,可获取第二偏移量与历史偏移量队列中的众数偏移量之间的差值,若所述差值小于预定阈值,则可确定合理性校验通过,否则,可确定合理性校验不通过。
所述阈值的具体取值可根据实际需要而定,如10像素。
在307中,确定合理性校验是否通过,若是,则执行308,否则,执行302。
在308中,将第二偏移量作为待处理感兴趣区域对应的第一偏移量,结束流程。
如前所述,在获取到待处理感兴趣区域对应的第一偏移量后,可利用第一偏移量对待处理感兴趣区域的像素中心点坐标进行修正,并记录修正后的待处理感兴趣区域的像素中心点坐标与模板图片中的对应感兴趣区域的像素中心点坐标之间的对应关系,作为一个匹配对。
按照上述方式,可获取到四个匹配对,进而可按照现有方式,根据获取到的四个匹配对确定出单应矩阵,即确定出待处理图片对应的地面与模板图片对应的地面之间的单应变换关系。
如104和105中所述,进一步地,还可根据单应变换关系将障碍物的底面中心点坐标转换为模板图片上的坐标,并根据转换得到的坐标以及模板图片对应的地面方程,确定出障碍物的底面中心点的3D坐标等。
上述方式中,从图片角度解决了相机抖动的问题,无需采用光学防抖、机械防抖或电子防抖等方法,不但节省了实现成本,而且具有较好的准确性,另外,实现方式简单便捷,具有普遍适用性等。
图4为采用本申请所述方式与现有方式分别回3D的效果示意图。如图4所示,其中,右侧上面的图片为按照本申请所述方式回3D的效果示意图,下面的图片为按照现有方式回3D的效果示意图,图中的矩阵即表示单应矩阵。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图5为本申请所述用于路侧计算设备的障碍物3D位置获取装置50实施例的组成结构示意图。如图5所示,包括:包括:二维坐标获取模块501、坐标转换模块502以及三维坐标获取模块503。
二维坐标获取模块501,用于获取待处理图片中的障碍物的像素坐标,根据所述像素坐标确定出障碍物的底面中心点坐标。
坐标转换模块502,用于获取待处理图片对应的地面与模板图片对应的地面之间的单应变换关系,根据所述单应变换关系将障碍物的底面中心点坐标转换为模板图片上的坐标。
三维坐标获取模块503,用于根据转换得到的坐标以及模板图片对应的地面方程,确定出障碍物的底面中心点的3D坐标。
优选地,坐标转换模块502可获取8自由度的3*3大小单应矩阵。
坐标转换模块502可针对模板图片中选定的四个感兴趣区域,分别从待处理图片中获取对应的感兴趣区域,针对待处理图片中的任一感兴趣区域,分别获取该感兴趣区域的像素中心点与模板图片中的对应感兴趣区域的像素中心点之间的对应关系,作为一个匹配对,根据获取到的四个匹配对确定出单应矩阵。
模板图片的整个图片区域可划分为四个图片子区域,包括左上图片子区域、右上图片子区域、左下图片子区域以及右下图片子区域;选定的四个感兴趣区域可分别位于四个图片子区域中。
坐标转换模块502可针对待处理图片中的任一感兴趣区域,分别进行以下处理:将该感兴趣区域作为待处理感兴趣区域;获取待处理感兴趣区域对应的用于计算单应矩阵的第一偏移量,并利用第一偏移量对待处理感兴趣区域的像素中心点坐标进行修正;记录修正后的待处理感兴趣区域的像素中心点坐标与模板图片中的对应感兴趣区域的像素中心点坐标之间的对应关系,作为一个匹配对。
其中,坐标转换模块502若确定待处理感兴趣区域未被障碍物遮挡,则可获取待处理感兴趣区域相比于模板图片中的对应感兴趣区域的第二偏移量,若第二偏移量符合预定要求,则可将第二偏移量作为待处理感兴趣区域对应的第一偏移量。
比如,坐标转换模块502可利用第二偏移量对待处理感兴趣区域进行修正,对修正后的待处理感兴趣区域与模板图片中的对应感兴趣区域进行相似性校验,若相似性校验通过,则可将第二偏移量加入历史偏移量队列中,并可根据历史偏移量队列对第二偏移量进行合理性校验,若相似性校验不通过,则可丢弃第二偏移量,并可确定第二偏移量不符合预定要求,若合理性校验通过,则可确定第二偏移量符合预定要求,若合理性校验不通过,则可确定第二偏移量不符合预定要求。
在进行合理性校验时,坐标转换模块502可获取第二偏移量与历史偏移量队列中的众数偏移量之间的差值,若所述差值小于预定阈值,则可确定合理性校验通过,否则,可确定合理性校验不通过;其中,众数偏移量为历史偏移量队列中出现次数最多的偏移量。
另外,坐标转换模块502若确定待处理感兴趣区域被障碍物遮挡,可将历史偏移量队列中的众数偏移量作为待处理感兴趣区域对应的第一偏移量,众数偏移量为历史偏移量队列中出现次数最多的偏移量,若确定第二偏移量不符合预定要求,也可将历史偏移量队列中的众数偏移量作为待处理感兴趣区域对应的第一偏移量。
图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本申请装置实施例所述方案,可借助于获取到的待处理图片对应的地面与模板图片对应的地面之间的单应变换关系等,确定出待处理图片中的障碍物的3D坐标,从图片角度解决了相机抖动的问题,无需采用光学防抖、机械防抖或电子防抖等方法,从而不但节省了实现成本,而且具有较好的准确性等。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器Y01、存储器Y02,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)上显示图形用户界面的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器Y01为例。
存储器Y02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方法。
存储器Y02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方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02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方法。
存储器Y02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电子设备的使用所创建的数据等。此外,存储器Y02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Y02可选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息,以及产生与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Y04可以包括显示设备、辅助照明装置和触觉反馈装置(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、发光二极管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),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,阴极射线管或者液晶显示器监视器);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、广域网、区块链网络和互联网。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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 (17)
1.一种用于路侧计算设备的障碍物三维3D位置获取方法,包括:
获取待处理图片中的障碍物的像素坐标;
根据所述像素坐标确定出所述障碍物的底面中心点坐标;
获取所述待处理图片对应的地面与模板图片对应的地面之间的单应变换关系,包括:针对所述模板图片中选定的四个感兴趣区域,分别从所述待处理图片中获取对应的感兴趣区域;针对所述待处理图片中的任一感兴趣区域,分别进行以下处理:将所述感兴趣区域作为待处理感兴趣区域,获取所述待处理感兴趣区域对应的用于计算单应矩阵的第一偏移量,并利用所述第一偏移量对所述待处理感兴趣区域的像素中心点坐标进行修正,记录修正后的所述待处理感兴趣区域的像素中心点坐标与所述模板图片中的对应感兴趣区域的像素中心点坐标之间的对应关系,作为一个匹配对;根据获取到的四个匹配对确定出所述单应矩阵;
根据所述单应变换关系将所述障碍物的底面中心点坐标转换为所述模板图片上的坐标;
根据转换得到的坐标以及所述模板图片对应的地面方程,确定出所述障碍物的底面中心点的3D坐标。
2.根据权利要求1所述的方法,其中,所述单应矩阵包括:8自由度的3*3大小单应矩阵。
3.根据权利要求1所述的方法,其中,
所述模板图片的整个图片区域划分为四个图片子区域,包括左上图片子区域、右上图片子区域、左下图片子区域以及右下图片子区域;所述选定的四个感兴趣区域分别位于所述四个图片子区域中。
4.根据权利要求1所述的方法,其中,所述获取所述待处理感兴趣区域对应的用于计算单应矩阵的第一偏移量包括:
若确定所述待处理感兴趣区域未被障碍物遮挡,则获取所述待处理感兴趣区域相比于所述模板图片中的对应感兴趣区域的第二偏移量,若所述第二偏移量符合预定要求,则将所述第二偏移量作为所述待处理感兴趣区域对应的所述第一偏移量。
5.根据权利要求4所述的方法,其中,所述第二偏移量符合预定要求包括:
利用所述第二偏移量对所述待处理感兴趣区域进行修正;
对修正后的待处理感兴趣区域与所述模板图片中的对应感兴趣区域进行相似性校验;
若所述相似性校验通过,则将所述第二偏移量加入历史偏移量队列中,并根据所述历史偏移量队列对所述第二偏移量进行合理性校验,否则,丢弃所述第二偏移量,并确定所述第二偏移量不符合预定要求;
若所述合理性校验通过,则确定所述第二偏移量符合预定要求,否则,确定所述第二偏移量不符合预定要求。
6.根据权利要求5所述的方法,其中,所述根据所述历史偏移量队列对所述第二偏移量进行合理性校验包括:
获取所述第二偏移量与所述历史偏移量队列中的众数偏移量之间的差值,若所述差值小于预定阈值,则确定所述合理性校验通过,否则,确定所述合理性校验不通过;
其中,所述众数偏移量为所述历史偏移量队列中出现次数最多的偏移量。
7.根据权利要求5所述的方法,还包括:
若确定所述待处理感兴趣区域被障碍物遮挡,则将所述历史偏移量队列中的众数偏移量作为所述待处理感兴趣区域对应的所述第一偏移量;其中,所述众数偏移量为所述历史偏移量队列中出现次数最多的偏移量;
若确定所述第二偏移量不符合预定要求,则将所述历史偏移量队列中的众数偏移量作为所述待处理感兴趣区域对应的所述第一偏移量。
8.一种用于路侧计算设备的障碍物三维3D位置获取方法,包括:
从路侧相机获取待处理图片;
获取所述待处理图片中的障碍物的像素坐标;
根据所述像素坐标确定出所述障碍物的底面中心点坐标;
获取所述待处理图片对应的地面与模板图片对应的地面之间的单应变换关系,包括:针对所述模板图片中选定的四个感兴趣区域,分别从所述待处理图片中获取对应的感兴趣区域;针对所述待处理图片中的任一感兴趣区域,分别进行以下处理:将所述感兴趣区域作为待处理感兴趣区域,获取所述待处理感兴趣区域对应的用于计算单应矩阵的第一偏移量,并利用所述第一偏移量对所述待处理感兴趣区域的像素中心点坐标进行修正,记录修正后的所述待处理感兴趣区域的像素中心点坐标与所述模板图片中的对应感兴趣区域的像素中心点坐标之间的对应关系,作为一个匹配对;根据获取到的四个匹配对确定出所述单应矩阵;
根据所述单应变换关系将所述障碍物的底面中心点坐标转换为所述模板图片上的坐标;
根据转换得到的坐标以及所述模板图片对应的地面方程,确定出所述障碍物的底面中心点的3D坐标。
9.一种用于路侧计算设备的障碍物三维3D位置获取装置,包括:二维坐标获取模块、坐标转换模块以及三维坐标获取模块;
所述二维坐标获取模块,用于获取待处理图片中的障碍物的像素坐标,根据所述像素坐标确定出所述障碍物的底面中心点坐标;
所述坐标转换模块,用于获取所述待处理图片对应的地面与模板图片对应的地面之间的单应变换关系,包括:针对所述模板图片中选定的四个感兴趣区域,分别从所述待处理图片中获取对应的感兴趣区域;针对所述待处理图片中的任一感兴趣区域,分别进行以下处理:将所述感兴趣区域作为待处理感兴趣区域,获取所述待处理感兴趣区域对应的用于计算单应矩阵的第一偏移量,并利用所述第一偏移量对所述待处理感兴趣区域的像素中心点坐标进行修正,记录修正后的所述待处理感兴趣区域的像素中心点坐标与所述模板图片中的对应感兴趣区域的像素中心点坐标之间的对应关系,作为一个匹配对;根据获取到的四个匹配对确定出所述单应矩阵;根据所述单应变换关系将所述障碍物的底面中心点坐标转换为所述模板图片上的坐标;
所述三维坐标获取模块,用于根据转换得到的坐标以及所述模板图片对应的地面方程,确定出所述障碍物的底面中心点的3D坐标。
10.根据权利要求9所述的装置,其中,所述坐标转换模块获取8自由度的3*3大小单应矩阵。
11.根据权利要求9所述的装置,其中,
所述模板图片的整个图片区域划分为四个图片子区域,包括左上图片子区域、右上图片子区域、左下图片子区域以及右下图片子区域;所述选定的四个感兴趣区域分别位于所述四个图片子区域中。
12.根据权利要求9所述的装置,其中,
所述坐标转换模块若确定所述待处理感兴趣区域未被障碍物遮挡,则获取所述待处理感兴趣区域相比于所述模板图片中的对应感兴趣区域的第二偏移量,若所述第二偏移量符合预定要求,则将所述第二偏移量作为所述待处理感兴趣区域对应的所述第一偏移量。
13.根据权利要求12所述的装置,其中,
所述坐标转换模块利用所述第二偏移量对所述待处理感兴趣区域进行修正,对修正后的待处理感兴趣区域与所述模板图片中的对应感兴趣区域进行相似性校验,若所述相似性校验通过,则将所述第二偏移量加入历史偏移量队列中,并根据所述历史偏移量队列对所述第二偏移量进行合理性校验,若所述相似性校验不通过,则丢弃所述第二偏移量,并确定所述第二偏移量不符合预定要求,若所述合理性校验通过,则确定所述第二偏移量符合预定要求,若所述合理性校验不通过,则确定所述第二偏移量不符合预定要求。
14.根据权利要求13所述的装置,其中,
所述坐标转换模块获取所述第二偏移量与所述历史偏移量队列中的众数偏移量之间的差值,若所述差值小于预定阈值,则确定所述合理性校验通过,否则,确定所述合理性校验不通过;其中,所述众数偏移量为所述历史偏移量队列中出现次数最多的偏移量。
15.根据权利要求13所述的装置,其中,
所述坐标转换模块进一步用于,若确定所述待处理感兴趣区域被障碍物遮挡,则将所述历史偏移量队列中的众数偏移量作为所述待处理感兴趣区域对应的所述第一偏移量,所述众数偏移量为所述历史偏移量队列中出现次数最多的偏移量,若确定所述第二偏移量不符合预定要求,则将所述历史偏移量队列中的众数偏移量作为所述待处理感兴趣区域对应的所述第一偏移量。
16.一种电子设备,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权利要求1-8中任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965923.6A CN112150558B (zh) | 2020-09-15 | 2020-09-15 | 用于路侧计算设备的障碍物三维位置获取方法及装置 |
US17/210,220 US11694445B2 (en) | 2020-09-15 | 2021-03-23 | Obstacle three-dimensional position acquisition method and apparatus for roadside computing device |
EP21164468.7A EP3968266B1 (en) | 2020-09-15 | 2021-03-24 | Obstacle three-dimensional position acquisition method and apparatus for roadside computing device |
JP2021049635A JP7422105B2 (ja) | 2020-09-15 | 2021-03-24 | 路側計算装置に用いる障害物3次元位置の取得方法、装置、電子デバイス、コンピュータ可読記憶媒体、及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965923.6A CN112150558B (zh) | 2020-09-15 | 2020-09-15 | 用于路侧计算设备的障碍物三维位置获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150558A CN112150558A (zh) | 2020-12-29 |
CN112150558B true CN112150558B (zh) | 2024-04-12 |
Family
ID=73893820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010965923.6A Active CN112150558B (zh) | 2020-09-15 | 2020-09-15 | 用于路侧计算设备的障碍物三维位置获取方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11694445B2 (zh) |
EP (1) | EP3968266B1 (zh) |
JP (1) | JP7422105B2 (zh) |
CN (1) | CN112150558B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541475B (zh) * | 2020-12-24 | 2024-01-19 | 北京百度网讯科技有限公司 | 感知数据检测方法及装置 |
CN112991446A (zh) | 2021-03-10 | 2021-06-18 | 北京百度网讯科技有限公司 | 图像稳像方法、装置、路侧设备以及云控平台 |
CN115187529A (zh) * | 2022-06-24 | 2022-10-14 | 长春理工大学 | 一种使用连续全景图像测量车辆转向角度的方法及系统 |
CN115147809B (zh) * | 2022-06-30 | 2023-09-22 | 阿波罗智能技术(北京)有限公司 | 一种障碍物检测方法、装置、设备以及存储介质 |
CN115171144B (zh) * | 2022-09-05 | 2022-12-23 | 亲子猫(北京)国际教育科技有限公司 | 一种基于区块链的智慧教育试卷大数据评阅方法及系统 |
CN115661366B (zh) * | 2022-12-05 | 2023-06-02 | 蔚来汽车科技(安徽)有限公司 | 用于构建三维场景模型的方法和图像处理装置 |
CN116012306A (zh) * | 2022-12-14 | 2023-04-25 | 广州市斯睿特智能科技有限公司 | 基于偏移校正的焊缝检测方法、系统、装置和存储介质 |
CN117611555A (zh) * | 2023-11-28 | 2024-02-27 | 深圳技术大学 | 线路板与Gerber图的对位方法、线路板检测方法及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2648157A1 (en) * | 2012-04-04 | 2013-10-09 | Telefonaktiebolaget LM Ericsson (PUBL) | Method and device for transforming an image |
CN105678748A (zh) * | 2015-12-30 | 2016-06-15 | 清华大学 | 三维监控系统中基于三维重构的交互式标定方法和装置 |
CN110956661A (zh) * | 2019-11-22 | 2020-04-03 | 大连理工大学 | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 |
AU2018282254A1 (en) * | 2018-12-17 | 2020-07-02 | Canon Kabushiki Kaisha | System and method for determining a three-dimensional position of a person |
CN111414848A (zh) * | 2020-03-19 | 2020-07-14 | 深动科技(北京)有限公司 | 一种全类别3d障碍物检测方法、系统和介质 |
CN111612760A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于检测障碍物的方法和装置 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005322128A (ja) | 2004-05-11 | 2005-11-17 | Rikogaku Shinkokai | ステレオ3次元計測用キャリブレーション方法及び3次元位置算出方法 |
ATE477547T1 (de) * | 2005-04-18 | 2010-08-15 | Intel Corp | Dreidimensionale strassenlayoutschätzung aus videosequenzen durch verfolgung von fussgängern |
JP2006318350A (ja) | 2005-05-16 | 2006-11-24 | Sony Corp | 物体追跡方法、物体追跡方法のプログラム、物体追跡方法のプログラムを記録した記録媒体及び物体追跡装置 |
JP2006323437A (ja) | 2005-05-17 | 2006-11-30 | Sony Corp | 物体追跡方法、物体追跡方法のプログラム、物体追跡方法のプログラムを記録した記録媒体及び物体追跡装置 |
US8073196B2 (en) * | 2006-10-16 | 2011-12-06 | University Of Southern California | Detection and tracking of moving objects from a moving platform in presence of strong parallax |
WO2009076182A1 (en) * | 2007-12-13 | 2009-06-18 | Clemson University | Vision based real time traffic monitoring |
EP2093698A1 (en) * | 2008-02-19 | 2009-08-26 | British Telecommunications Public Limited Company | Crowd congestion analysis |
US8487993B2 (en) * | 2009-07-29 | 2013-07-16 | Ut-Battelle, Llc | Estimating vehicle height using homographic projections |
US8417062B2 (en) * | 2009-10-19 | 2013-04-09 | Ut-Battelle, Llc | System and method for stabilization of fisheye video imagery |
US9020187B2 (en) | 2011-05-27 | 2015-04-28 | Qualcomm Incorporated | Planar mapping and tracking for mobile devices |
US9256791B2 (en) * | 2012-12-04 | 2016-02-09 | Mobileye Vision Technologies Ltd. | Road vertical contour detection |
US9025825B2 (en) * | 2013-05-10 | 2015-05-05 | Palo Alto Research Center Incorporated | System and method for visual motion based object segmentation and tracking |
US9277129B2 (en) | 2013-06-07 | 2016-03-01 | Apple Inc. | Robust image feature based video stabilization and smoothing |
JP6217225B2 (ja) | 2013-08-08 | 2017-10-25 | カシオ計算機株式会社 | 画像照合装置、画像照合方法及びプログラム |
JP6515039B2 (ja) | 2016-01-08 | 2019-05-15 | Kddi株式会社 | 連続的な撮影画像に映り込む平面物体の法線ベクトルを算出するプログラム、装置及び方法 |
US20170236284A1 (en) * | 2016-02-13 | 2017-08-17 | University Of Rochester | Registration of aerial imagery to vector road maps with on-road vehicular detection and tracking |
JP6555755B2 (ja) | 2016-02-29 | 2019-08-07 | Kddi株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
KR102371592B1 (ko) | 2016-11-02 | 2022-03-07 | 현대자동차주식회사 | 차간 거리 추정 장치 및 방법 |
JP6712330B2 (ja) | 2017-02-06 | 2020-06-17 | 富士フイルム株式会社 | 撮影制御装置、撮影制御方法及びプログラム |
US10438362B2 (en) * | 2017-05-31 | 2019-10-08 | Here Global B.V. | Method and apparatus for homography estimation |
CN109215077B (zh) | 2017-07-07 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 一种相机姿态信息确定的方法及相关装置 |
DE102017221839A1 (de) * | 2017-12-04 | 2019-06-06 | Robert Bosch Gmbh | Verfahren zur Positionsbestimmung für ein Fahrzeug, Steuergerät und Fahrzeug |
US10635844B1 (en) * | 2018-02-27 | 2020-04-28 | The Mathworks, Inc. | Methods and systems for simulating vision sensor detection at medium fidelity |
JP6935786B2 (ja) | 2018-05-28 | 2021-09-15 | 日本電信電話株式会社 | 幾何変換行列推定装置、幾何変換行列推定方法、及びプログラム |
CN110567469B (zh) * | 2018-06-05 | 2021-07-20 | 北京市商汤科技开发有限公司 | 视觉定位方法、装置、电子设备及系统 |
GB2579843A (en) * | 2018-12-18 | 2020-07-08 | Continental Automotive Gmbh | Method and apparatus for calibrating the extrinsic parameter of an image sensor |
US10944900B1 (en) * | 2019-02-13 | 2021-03-09 | Intelligent Security Systems Corporation | Systems, devices, and methods for enabling camera adjustments |
US11170524B1 (en) * | 2019-06-21 | 2021-11-09 | Amazon Technologies, Inc. | Inpainting image feeds of operating vehicles |
US11830160B2 (en) * | 2020-05-05 | 2023-11-28 | Nvidia Corporation | Object detection using planar homography and self-supervised scene structure understanding |
-
2020
- 2020-09-15 CN CN202010965923.6A patent/CN112150558B/zh active Active
-
2021
- 2021-03-23 US US17/210,220 patent/US11694445B2/en active Active
- 2021-03-24 JP JP2021049635A patent/JP7422105B2/ja active Active
- 2021-03-24 EP EP21164468.7A patent/EP3968266B1/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2648157A1 (en) * | 2012-04-04 | 2013-10-09 | Telefonaktiebolaget LM Ericsson (PUBL) | Method and device for transforming an image |
CN105678748A (zh) * | 2015-12-30 | 2016-06-15 | 清华大学 | 三维监控系统中基于三维重构的交互式标定方法和装置 |
AU2018282254A1 (en) * | 2018-12-17 | 2020-07-02 | Canon Kabushiki Kaisha | System and method for determining a three-dimensional position of a person |
CN110956661A (zh) * | 2019-11-22 | 2020-04-03 | 大连理工大学 | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 |
CN111414848A (zh) * | 2020-03-19 | 2020-07-14 | 深动科技(北京)有限公司 | 一种全类别3d障碍物检测方法、系统和介质 |
CN111612760A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于检测障碍物的方法和装置 |
Non-Patent Citations (1)
Title |
---|
应用激光雷达与相机信息融合的障碍物识别;黄兴;应群伟;;计算机测量与控制(第01期);189-193 * |
Also Published As
Publication number | Publication date |
---|---|
JP2022048963A (ja) | 2022-03-28 |
EP3968266B1 (en) | 2023-11-15 |
EP3968266A1 (en) | 2022-03-16 |
US20220083787A1 (en) | 2022-03-17 |
US11694445B2 (en) | 2023-07-04 |
CN112150558A (zh) | 2020-12-29 |
JP7422105B2 (ja) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150558B (zh) | 用于路侧计算设备的障碍物三维位置获取方法及装置 | |
CN111612760B (zh) | 用于检测障碍物的方法和装置 | |
CN111401208B (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
CN112652016B (zh) | 点云预测模型的生成方法、位姿估计方法及其装置 | |
CN111860319B (zh) | 车道线的确定方法、定位精度的评测方法、装置、设备 | |
CN111612753B (zh) | 三维物体检测方法、装置、电子设备和可读存储介质 | |
CN111578839B (zh) | 障碍物坐标处理方法、装置、电子设备及可读存储介质 | |
CN111402161B (zh) | 点云障碍物的去噪方法、装置、设备和存储介质 | |
CN111666876B (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
CN112700486B (zh) | 对图像中路面车道线的深度进行估计的方法及装置 | |
CN116645649B (zh) | 车辆位姿及尺寸估计方法、设备及存储介质 | |
EP3842995A1 (en) | Method and apparatus for generating map | |
CN111222579A (zh) | 跨相机的障碍物关联方法、装置、设备、电子系统及介质 | |
CN112184914A (zh) | 目标对象三维位置的确定方法、装置和路侧设备 | |
CN112509126A (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
CN111767843B (zh) | 三维位置预测方法、装置、设备以及存储介质 | |
CN111814634B (zh) | 一种实时距离确定方法、装置、设备及介质 | |
CN113011212B (zh) | 图像识别方法、装置及车辆 | |
CN110689575B (zh) | 图像采集器标定方法、装置、设备和介质 | |
CN111784659A (zh) | 图像检测的方法、装置、电子设备以及存储介质 | |
CN111968071A (zh) | 车辆的空间位置生成方法、装置、设备及存储介质 | |
CN113255404A (zh) | 车道线识别方法、装置、电子设备和计算机可读存储介质 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN111368794B (zh) | 障碍物检测方法、装置、设备和介质 | |
CN111402333B (zh) | 参数估计方法、装置、设备和介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211014 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |