CN112325780A - 一种基于社区监控的距离测算方法及装置 - Google Patents

一种基于社区监控的距离测算方法及装置 Download PDF

Info

Publication number
CN112325780A
CN112325780A CN202011182653.8A CN202011182653A CN112325780A CN 112325780 A CN112325780 A CN 112325780A CN 202011182653 A CN202011182653 A CN 202011182653A CN 112325780 A CN112325780 A CN 112325780A
Authority
CN
China
Prior art keywords
pixel
actual distance
objects
coordinates
distance
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
Application number
CN202011182653.8A
Other languages
English (en)
Other versions
CN112325780B (zh
Inventor
张士林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Juhaolian Technology Co ltd
Original Assignee
Qingdao Juhaolian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao Juhaolian Technology Co ltd filed Critical Qingdao Juhaolian Technology Co ltd
Priority to CN202011182653.8A priority Critical patent/CN112325780B/zh
Publication of CN112325780A publication Critical patent/CN112325780A/zh
Application granted granted Critical
Publication of CN112325780B publication Critical patent/CN112325780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于社区监控的距离测算方法及装置，该方法包括获取社区监控的监控图像上的两个物体的像素坐标，确定出两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出两个物体之间在y方向上的实际距离，根据两个物体的像素坐标和位于道路两侧的两条直线，确定出在y方向的交点的横坐标，并确定出在x方向上的实际距离，根据两个物体之间在y方向上的实际距离和在x方向上的实际距离，确定出两个物体之间的实际距离。通过距离预测模型和距离方程系数分别计算监控图像上两个物体之间在y方向上的实际距离和所述两个物体之间在x方向上的实际距离，可以提高距离测算的效率，减少双目摄像头的应用，降低社区运营成本。

Description

一种基于社区监控的距离测算方法及装置
技术领域
本发明涉及智慧社区技术领域，尤其涉及一种基于社区监控的距离测算方法及装置。
背景技术
社区项目中，在进行危险识别时，两个物体之间距离是不可忽略的因素之一。目前智慧社区中识别两个物体之间距离的方式是传统的双目视觉摄像头来实现的，这会增大社区运营的成本。而且需要通过大量的标定，假设可以获取成千上万的标注点，就相当于获取了每个像素的映射关系，但是需要耗费太多的时间成本。
发明内容
本发明实施例提供一种基于社区监控的距离测算方法及装置，用以提高距离测算的效率，降低社区运营的成本。
第一方面，本发明实施例提供一种基于社区监控的距离测算方法，包括：
获取社区监控的监控图像上的两个物体的像素坐标；
将所述两个物体的像素坐标中纵坐标分别输入到道路的左侧的距离预测模型和右侧的距离预测模型中，确定出所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，并根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离；所述距离预测模型是对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到的；
根据所述两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标；并根据所述交点的横坐标和所述第一物体的像素坐标的横坐标以及x方向上每个像素点的实际距离，确定出所述两个物体之间在x方向上的实际距离；所述x方向上每个像素点的实际距离是根据所述标注有像素点的像素坐标与实际距离的对应关系的训练集确定的；所述道路两侧的两条直线是由道路两侧的像素点的像素坐标线性拟合得到的；
根据所述两个物体之间在y方向上的实际距离和所述两个物体之间在x方向上的实际距离，确定出所述两个物体之间的实际距离。
上述技术方案中，通过距离预测模型和距离方程系数分别计算监控图像上两个物体之间在y方向上的实际距离和所述两个物体之间在x方向上的实际距离，可以提高距离测算的效率，减少双目摄像头的应用，降低社区运营成本。
可选的，所述对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到所述距离预测模型，包括：
获取标注有像素点的像素坐标与实际距离的对应关系的训练集；
从所述标注有像素点的像素坐标与实际距离的对应关系的训练集中确定出各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合；
将所述各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合输入到预设的深度学习模型中进行训练学习，直到所述预设的深度学习模型收敛后，得到所述距离预测模型。
可选的，所述根据所述标注有像素点的像素坐标与实际距离的对应关系的训练集确定所述x方向上每个像素点的实际距离，包括：
根据标注有像素点的像素坐标与实际距离的对应关系的训练集中道路两侧标号相同的像素点之间的实际距离，得到所述道路的实际宽度和像素宽度；
将所述道路的实际宽度和像素宽度的比值确定为所述标号相同的像素点在x方向上每个像素点的实际距离。
可选的，所述根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离，包括：
根据所述两个物体分别距离所述道路两侧的两条直线的距离以及所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体的像素坐标中纵坐标对应的实际距离；
将所述两个物体的像素坐标中纵坐标对应的实际距离的差值的绝对值确定为所述两个物体之间在y方向上的实际距离。
可选的，所述根据所述两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标，包括：
将所述两个物体中纵坐标小的物体确定为第一物体将所述两个物体中纵坐标大的物体确定为第二物体；
根据所述第二物体的像素坐标和道路两侧的两条直线，确定出距离所述第二物体最近的直线；
根据所述第二物体的像素坐标、所述距离所述第二物体最近的直线以及第一物体的像素坐标在x方向上的直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标。
第二方面，本发明实施例提供一种基于社区监控的距离测算装置，包括：
获取单元，用于获取社区监控的监控图像上的两个物体的像素坐标；
处理单元，用于将所述两个物体的像素坐标中纵坐标分别输入到道路的左侧的距离预测模型和右侧的距离预测模型中，确定出所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，并根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离；所述距离预测模型是对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到的；根据所述两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标；并根据所述交点的横坐标和所述第一物体的像素坐标的横坐标以及x方向上每个像素点的实际距离，确定出所述两个物体之间在x方向上的实际距离；所述x方向上每个像素点的实际距离是根据所述标注有像素点的像素坐标与实际距离的对应关系的训练集确定的；所述道路两侧的两条直线是由道路两侧的像素点的像素坐标线性拟合得到的；根据所述两个物体之间在y方向上的实际距离和所述两个物体之间在x方向上的实际距离，确定出所述两个物体之间的实际距离。
可选的，所述处理单元具体用于：
获取标注有像素点的像素坐标与实际距离的对应关系的训练集；
从所述标注有像素点的像素坐标与实际距离的对应关系的训练集中确定出各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合；
将所述各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合输入到预设的深度学习模型中进行训练学习，直到所述预设的深度学习模型收敛后，得到所述距离预测模型。
可选的，所述处理单元具体用于：
根据标注有像素点的像素坐标与实际距离的对应关系的训练集中道路两侧标号相同的像素点之间的实际距离，得到所述道路的实际宽度和像素宽度；
将所述道路的实际宽度和像素宽度的比值确定为所述标号相同的像素点在x方向上每个像素点的实际距离。
可选的，所述处理单元具体用于：
根据所述两个物体分别距离所述道路两侧的两条直线的距离以及所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体的像素坐标中纵坐标对应的实际距离；
将所述两个物体的像素坐标中纵坐标对应的实际距离的差值的绝对值确定为所述两个物体之间在y方向上的实际距离。
可选的，所述处理单元具体用于：
将所述两个物体中纵坐标小的物体确定为第一物体将所述两个物体中纵坐标大的物体确定为第二物体；
根据所述第二物体的像素坐标和道路两侧的两条直线，确定出距离所述第二物体最近的直线；
根据所述第二物体的像素坐标、所述距离所述第二物体最近的直线以及第一物体的像素坐标在x方向上的直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述基于社区监控的距离测算方法。
第四方面，本发明实施例还提供一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述基于社区监控的距离测算方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种系统架构的示意图；
图2为本发明实施例提供的一种基于社区监控的距离测算方法的流程示意图；
图3为本发明实施例提供的一种图像标注的示意图；
图4为本发明实施例提供的一种像素坐标的示意图；
图5为本发明实施例提供的一种实际结果与预测结果的示意图；
图6为本发明实施例提供的一种拟合图像的示意图；
图7为本发明实施例提供的一种像素点的示意图；
图8为本发明实施例提供的一种距离与像素点的拟合示意图；
图9为本发明实施例提供的一种基于社区监控的距离测算装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种系统架构。如图1所示，该系统架构可以为服务器100，该服务器100可以包括处理器110、通信接口120和存储器130。
其中，通信接口120用于与终端设备进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2详细的示出了本发明实施例提供的一种基于社区监控的距离测算方法的流程，该流程可以由基于社区监控的距离测算方法的装置执行，该装置可以为上述服务器或位于上述服务器内。
如图2所示，该流程具体包括：
步骤201，获取社区监控的监控图像上的两个物体的像素坐标。
在本发明实施例中，社区监控能够接入主流的摄像头，或者摄像头可以支持RTSP(Real Time Streaming Protocol，实时流传输协议)/RTMP(Real Time MessageProtocol，实时信息传输协议)，从应用角度，可以符合大众的主流社区摄像头需求，同时可以对利旧改造具有一定的兼容性。
从监控摄像头中的监控视频中，进行抽帧设置，可以根据实际社区的规模大小进行设置，从而可以减少带宽，降低服务器的负载，进而节约了成本消耗，抽帧后就得到了监控视频中的监控图像。当需要测量两个物体时，可以得到两个物体在监控图像上的像素坐标。
步骤202，将所述两个物体的像素坐标中纵坐标分别输入到道路的左侧的距离预测模型和右侧的距离预测模型中，确定出所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，并根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离。
在本发明实施例中，该距离预测模型是对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到的，具体可以包括：获取标注有像素点的像素坐标与实际距离的对应关系的训练集。从标注有像素点的像素坐标与实际距离的对应关系的训练集中确定出各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合。将各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合输入到预设的深度学习模型中进行训练学习，直到预设的深度学习模型收敛后，得到距离预测模型。
在具体应用过程中，针对获取的一张图片进行数据标定，因为应用场景，主要是针对人和狗，所以选择标定的区域范围限定在路的最大范围内，针对路的最大范围，沿着路的两侧进行标定，如图3所示，以左侧为例说明，这里沿着路的左侧边缘进行点标注，第一个点显示0米，第二点显示2米，第三点显示4米，第四个点显示7米，第五个点显示10米......第n个点k米(k是相对于第一个点的距离)，同时在标注的时候也可以获取点的像素坐标信息，如图4所示，0米对应像素坐标x为154，坐标y为592，由此就可以得到一系列的距离点集合，L_i(x,y,disk)，其中x代表像素坐标x,y代表像素坐标y，disk是当前i点相对第一个点的实际距离，i是第i个点，同理可以得到道路右侧点集合R_i(x,y,disk)。
拟合图像y方向像素点和实际距离的关系，以左侧为例，L_i(x,y,disk)，可以知道像素点[y_i,y_j]对应的实际距离[disk_i,disk_j],例如像素点集合X＝[0,100,200,300....1000]对应实际距离点集合Y＝[0,1,2,3…10],针对两组数据，可以进行拟合出方程，因为这里的方程方式未知，为了减少损失函数的不确定性，这里采用深度学习模型进行拟合预测，通过输入采集的X,Y向量，设定迭代次数10000，损失函数loss小于0.001，优化器adam,最后可以得到左侧的距离预测模型pre_L＝model_L(y),这里y是像素点y坐标，pre是距离预测模型输出的实际距离，将实际结果和预测结果画图显示，如图5，横坐标代表像素点的y(纵坐标)，纵坐标代表实际距离(厘米)。同理，可以得到右侧的距离预测模型pre_R＝model_R(y)。
当得到两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离之后，就可以确定出两个物体之间在y方向上的实际距离，具体的，根据两个物体分别距离道路两侧的两条直线的距离以及两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出两个物体的像素坐标中纵坐标对应的实际距离；将两个物体的像素坐标中纵坐标对应的实际距离的差值的绝对值确定为两个物体之间在y方向上的实际距离。
例如，利用上述模型来解点p1(x1,y1)和p2(x2,y2)两点之间y方向的距离，具体为：
pre_p1_L＝model_L(y1),pre_p1_R＝model_R(y1)；
pre_p2_L＝model_L(y2),pre_p2_R＝model_R(y2)；
pre_p1＝(r1/(r1+q1)*pre_p1_L+q1/(r1+q1)*pre_p1_R)；其中，r1、q1分別是P1点距左右直线的直线距离；
pre_p2＝(r2/(r2+q2)*pre_p2_L+q2/(r2+q2)*pre_p2_R)；其中，r 2、q2分別是P2点距左右直线的直线距离。
此时，p1和p2点在y方向的实际距离就是abs(pre_p1-pre_p2),记为Dist_Y。
步骤203，根据两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标；并根据交点的横坐标和第一物体的像素坐标的横坐标以及x方向上每个像素点的实际距离，确定出两个物体之间在x方向上的实际距离。
在本发明实施例中，该x方向上每个像素点的实际距离是根据标注有像素点的像素坐标与实际距离的对应关系的训练集确定的，具体的，根据标注有像素点的像素坐标与实际距离的对应关系的训练集中道路两侧标号相同的像素点之间的实际距离，得到道路的实际宽度和像素宽度。将道路的实际宽度和像素宽度的比值确定为标号相同的像素点在x方向上每个像素点的实际距离。
也就是说，在社区道路中，主要指道路宽度不变的情况下，通过在标记图像中计算第L_i个点与第R_i个点的距离，可以得到道路实际距离dist_i(图3)，像素距离x_dist_i，因此可以得到第i个对应的每个像素对应的实际距离为per_disk_i＝dist_i/x_dist_i,这里的第i个对应的L_i(x,y,disk)中像素坐标y是对应的，所以可以得到在像素坐标下y下，对应的x方向每个像素点的实际距离为dist_i/x_dist_i，记为
Figure BDA0002750606100000091
不同像素坐标下，有一系列的
Figure BDA0002750606100000092
这里采用多项式拟合的方式，得到
Figure BDA0002750606100000093
的关系，拟合图像如图6所示。
上述道路两侧的两条直线是由道路两侧的像素点的像素坐标线性拟合得到的，具体的，根据道路两侧的像素点坐标，可以线性拟合出直线方程，以左侧为例，将像素点坐标进行线性拟合，可以得到道路左侧直线上各像素点的线性方程y_l＝k_l*x+b_l，同理可得到道路右侧直线上各像素点的线性方程y_r＝k_r*x+b_r。
在确定根第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标时，主要是将两个物体中纵坐标小的物体确定为第一物体将两个物体中纵坐标大的物体确定为第二物体。根据第二物体的像素坐标和道路两侧的两条直线，确定出距离第二物体最近的直线。根据第二物体的像素坐标、距离第二物体最近的直线以及第一物体的像素坐标在x方向上的直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标。进而可以得到两个物体之间在x方向上的实际距离。
例如，如图7所示，求解物体点p1(x1,y1)和物体点p2(x2,y2)两点之间x方向的距离，首先通过比较y1和y2大小，将y值最大的，重名为p1,另一个点命名为p2；然后计算p2点与y_l和y_r两个直线的距离，选择最近的直线，记为y_inear；通过y_inear方程，可以得到p3的横坐标x3(因为路倾斜等原因，这里并不是要计算p4点，而是要计算映射后的p3点)，如图8所示，根据上述道路两侧的直线的线性方程公式
Figure BDA0002750606100000101
可以得到在纵坐标y1对应的每个像素点代表的实际距离，所以p1和p2的x方向距离为
Figure BDA0002750606100000102
记为Dist_X。
步骤204，根据两个物体之间在y方向上的实际距离和两个物体之间在x方向上的实际距离，确定出两个物体之间的实际距离。
根据三角定理，就可以得到两个物体之间的实际距离，例如，p1点和p2的距离就是
Figure BDA0002750606100000103
在本发明实施例中，获取社区监控的监控图像上的两个物体的像素坐标；将两个物体的像素坐标中纵坐标分别输入到道路的左侧距离预测模型和右侧距离预测模型中，确定出两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，并根据两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出两个物体之间在y方向上的实际距离；根据两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标；并根据交点的横坐标和第一物体的像素坐标的横坐标以及x方向上每个像素点的实际距离，确定出两个物体之间在x方向上的实际距离；根据两个物体之间在y方向上的实际距离和两个物体之间在x方向上的实际距离，确定出两个物体之间的实际距离。通过距离预测模型和距离方程系数分别计算监控图像上两个物体之间在y方向上的实际距离和两个物体之间在x方向上的实际距离，可以提高距离测算的效率，减少双目摄像头的应用，降低社区运营成本。
基于相同的技术构思，图9示例性的示出了本发明实施例提供的一种基于社区监控的距离测算装置的结构，该装置可以执行基于社区监控的距离测算流程。
如图9所示，该装置具体包括：
获取单元901，用于获取社区监控的监控图像上的两个物体的像素坐标；
处理单元902，用于将所述两个物体的像素坐标中纵坐标分别输入到道路的左侧距离预测模型和右侧距离预测模型中，确定出所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，并根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离；所述距离预测模型是对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到的；根据所述两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标；并根据所述交点的横坐标和所述第一物体的像素坐标的横坐标以及x方向上每个像素点的实际距离，确定出所述两个物体之间在x方向上的实际距离；所述x方向上每个像素点的实际距离是根据所述标注有像素点的像素坐标与实际距离的对应关系的训练集确定的；所述道路两侧的两条直线是由道路两侧的像素点的像素坐标线性拟合得到的；根据所述两个物体之间在y方向上的实际距离和所述两个物体之间在x方向上的实际距离，确定出所述两个物体之间的实际距离。
可选的，所述处理单元902具体用于：
获取标注有像素点的像素坐标与实际距离的对应关系的训练集；
从所述标注有像素点的像素坐标与实际距离的对应关系的训练集中确定出各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合；
将所述各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合输入到预设的深度学习模型中进行训练学习，直到所述预设的深度学习模型收敛后，得到所述距离预测模型。
可选的，所述处理单元902具体用于：
根据标注有像素点的像素坐标与实际距离的对应关系的训练集中道路两侧标号相同的像素点之间的实际距离，得到所述道路的实际宽度和像素宽度；
将所述道路的实际宽度和像素宽度的比值确定为所述标号相同的像素点在x方向上每个像素点的实际距离。
可选的，所述处理单元902具体用于：
根据所述两个物体分别距离所述道路两侧的两条直线的距离以及所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体的像素坐标中纵坐标对应的实际距离；
将所述两个物体的像素坐标中纵坐标对应的实际距离的差值的绝对值确定为所述两个物体之间在y方向上的实际距离。
可选的，所述处理单元902具体用于：
将所述两个物体中纵坐标小的物体确定为第一物体将所述两个物体中纵坐标大的物体确定为第二物体；
根据所述第二物体的像素坐标和道路两侧的两条直线，确定出距离所述第二物体最近的直线；
根据所述第二物体的像素坐标、所述距离所述第二物体最近的直线以及第一物体的像素坐标在x方向上的直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标。
基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用存储器中存储的程序指令，按照获得的程序执行上述基于社区监控的距离测算方法。
基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行计算机可读指令时，使得计算机执行上述基于社区监控的距离测算方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于社区监控的距离测算方法，其特征在于，包括：
获取社区监控的监控图像上的两个物体的像素坐标；
将所述两个物体的像素坐标中纵坐标分别输入到道路的左侧的距离预测模型和右侧的距离预测模型中，确定出所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，并根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离；所述距离预测模型是对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到的；
根据所述两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标；并根据所述交点的横坐标和所述第一物体的像素坐标的横坐标以及x方向上每个像素点的实际距离，确定出所述两个物体之间在x方向上的实际距离；所述x方向上每个像素点的实际距离是根据所述标注有像素点的像素坐标与实际距离的对应关系的训练集确定的；所述道路两侧的两条直线是由道路两侧的像素点的像素坐标线性拟合得到的；
根据所述两个物体之间在y方向上的实际距离和所述两个物体之间在x方向上的实际距离，确定出所述两个物体之间的实际距离。
2.如权利要求1所述的方法，其特征在于，所述对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到所述距离预测模型，包括：
获取标注有像素点的像素坐标与实际距离的对应关系的训练集；
从所述标注有像素点的像素坐标与实际距离的对应关系的训练集中确定出各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合；
将所述各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合输入到预设的深度学习模型中进行训练学习，直到所述预设的深度学习模型收敛后，得到所述距离预测模型。
3.如权利要求1所述的方法，其特征在于，所述根据所述标注有像素点的像素坐标与实际距离的对应关系的训练集确定所述x方向上每个像素点的实际距离，包括：
根据标注有像素点的像素坐标与实际距离的对应关系的训练集中道路两侧标号相同的像素点之间的实际距离，得到所述道路的实际宽度和像素宽度；
将所述道路的实际宽度和像素宽度的比值确定为所述标号相同的像素点在x方向上每个像素点的实际距离。
4.如权利要求3所述的方法，其特征在于，所述根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离，包括：
根据所述两个物体分别距离所述道路两侧的两条直线的距离以及所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体的像素坐标中纵坐标对应的实际距离；
将所述两个物体的像素坐标中纵坐标对应的实际距离的差值的绝对值确定为所述两个物体之间在y方向上的实际距离。
5.如权利要求1至4任一项所述的方法，其特征在于，所述根据所述两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标，包括：
将所述两个物体中纵坐标小的物体确定为第一物体将所述两个物体中纵坐标大的物体确定为第二物体；
根据所述第二物体的像素坐标和道路两侧的两条直线，确定出距离所述第二物体最近的直线；
根据所述第二物体的像素坐标、所述距离所述第二物体最近的直线以及第一物体的像素坐标在x方向上的直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标。
6.一种基于社区监控的距离测算装置，其特征在于，包括：
获取单元，用于获取社区监控的监控图像上的两个物体的像素坐标；
处理单元，用于将所述两个物体的像素坐标中纵坐标分别输入到道路的左侧的距离预测模型和右侧的距离预测模型中，确定出所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，并根据所述两个物体的像素坐标中纵坐标对应的左侧实际距离和右侧实际距离，确定出所述两个物体之间在y方向上的实际距离；所述距离预测模型是对标注有像素点的像素坐标与实际距离的对应关系的训练集进行训练学习得到的；根据所述两个物体的像素坐标和位于道路两侧的两条直线，确定出第一物体的像素坐标在x方向与第二物体在y方向的交点的横坐标；并根据所述交点的横坐标和所述第一物体的像素坐标的横坐标以及x方向上每个像素点的实际距离，确定出所述两个物体之间在x方向上的实际距离；所述x方向上每个像素点的实际距离是根据所述标注有像素点的像素坐标与实际距离的对应关系的训练集确定的；所述道路两侧的两条直线是由道路两侧的像素点的像素坐标线性拟合得到的；根据所述两个物体之间在y方向上的实际距离和所述两个物体之间在x方向上的实际距离，确定出所述两个物体之间的实际距离。
7.如权利要求6所述的装置，其特征在于，所述处理单元具体用于：
获取标注有像素点的像素坐标与实际距离的对应关系的训练集；
从所述标注有像素点的像素坐标与实际距离的对应关系的训练集中确定出各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合；
将所述各像素点的像素坐标中的纵坐标集合以及各像素点的像素坐标中的纵坐标对应的实际距离集合输入到预设的深度学习模型中进行训练学习，直到所述预设的深度学习模型收敛后，得到所述距离预测模型。
8.如权利要求6所述的装置，其特征在于，所述处理单元具体用于：
根据标注有像素点的像素坐标与实际距离的对应关系的训练集中道路两侧标号相同的像素点之间的实际距离，得到所述道路的实际宽度和像素宽度；
将所述道路的实际宽度和像素宽度的比值确定为所述标号相同的像素点在x方向上每个像素点的实际距离。
9.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至5任一项所述的方法。
10.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至5任一项所述的方法。
CN202011182653.8A 2020-10-29 2020-10-29 一种基于社区监控的距离测算方法及装置 Active CN112325780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011182653.8A CN112325780B (zh) 2020-10-29 2020-10-29 一种基于社区监控的距离测算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011182653.8A CN112325780B (zh) 2020-10-29 2020-10-29 一种基于社区监控的距离测算方法及装置

Publications (2)

Publication Number Publication Date
CN112325780A true CN112325780A (zh) 2021-02-05
CN112325780B CN112325780B (zh) 2022-01-25

Family

ID=74297420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011182653.8A Active CN112325780B (zh) 2020-10-29 2020-10-29 一种基于社区监控的距离测算方法及装置

Country Status (1)

Country Link
CN (1) CN112325780B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101776438A (zh) * 2010-01-26 2010-07-14 武汉理工大学 道路标线测量装置及其测量方法
CN102592282A (zh) * 2012-01-18 2012-07-18 衡彦儒 交通视频中道路实际距离与相应像素距离关系的标定方法
CN103942959A (zh) * 2014-04-22 2014-07-23 深圳市宏电技术股份有限公司 一种车道检测方法及装置
CN103983239A (zh) * 2014-05-21 2014-08-13 南京航空航天大学 基于车道等宽线的测距方法
US20160110701A1 (en) * 2014-10-15 2016-04-21 Toshiba Global Commerce Solutions Holdings Corporation Method, product, and system for unmanned vehicles in retail environments
CN105973140A (zh) * 2016-04-29 2016-09-28 维沃移动通信有限公司 一种测量物体空间参数的方法及移动终端
CN106123864A (zh) * 2016-06-21 2016-11-16 徐贵力 基于成像原理及数据回归模型的图像测距方法
US20180047177A1 (en) * 2016-08-15 2018-02-15 Raptor Maps, Inc. Systems, devices, and methods for monitoring and assessing characteristics of harvested specialty crops
US20180165822A1 (en) * 2016-12-08 2018-06-14 Lighmetrics Technologies Pvt. Ltd. Methods and systems for estimating distance of an object from a moving vehicle
US20180293450A1 (en) * 2017-04-07 2018-10-11 Toyota Jidosha Kabushiki Kaisha Object detection apparatus
CN109583280A (zh) * 2017-09-29 2019-04-05 比亚迪股份有限公司 车道线识别方法、装置、设备及存储介质
US20200082182A1 (en) * 2018-09-12 2020-03-12 Samsung Electronics Co., Ltd. Training data generating method for image processing, image processing method, and devices thereof
CN111121643A (zh) * 2019-12-25 2020-05-08 中公高科养护科技股份有限公司 一种道路宽度的测量方法及系统
CN111192235A (zh) * 2019-12-05 2020-05-22 中国地质大学（武汉） 一种基于单目视觉模型和透视变换的图像测量方法
CN111288890A (zh) * 2020-02-13 2020-06-16 福建农林大学 基于双目摄影测量技术的道路标志尺寸及高度自动测量方法
CN111553274A (zh) * 2020-04-28 2020-08-18 青岛聚好联科技有限公司 一种基于轨迹分析的高空抛物检测方法及装置
CN111811399A (zh) * 2020-06-28 2020-10-23 青岛聚好联科技有限公司 一种检测方法及装置

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101776438A (zh) * 2010-01-26 2010-07-14 武汉理工大学 道路标线测量装置及其测量方法
CN102592282A (zh) * 2012-01-18 2012-07-18 衡彦儒 交通视频中道路实际距离与相应像素距离关系的标定方法
CN103942959A (zh) * 2014-04-22 2014-07-23 深圳市宏电技术股份有限公司 一种车道检测方法及装置
CN103983239A (zh) * 2014-05-21 2014-08-13 南京航空航天大学 基于车道等宽线的测距方法
US20160110701A1 (en) * 2014-10-15 2016-04-21 Toshiba Global Commerce Solutions Holdings Corporation Method, product, and system for unmanned vehicles in retail environments
CN105973140A (zh) * 2016-04-29 2016-09-28 维沃移动通信有限公司 一种测量物体空间参数的方法及移动终端
CN106123864A (zh) * 2016-06-21 2016-11-16 徐贵力 基于成像原理及数据回归模型的图像测距方法
US20180047177A1 (en) * 2016-08-15 2018-02-15 Raptor Maps, Inc. Systems, devices, and methods for monitoring and assessing characteristics of harvested specialty crops
US20180165822A1 (en) * 2016-12-08 2018-06-14 Lighmetrics Technologies Pvt. Ltd. Methods and systems for estimating distance of an object from a moving vehicle
US20180293450A1 (en) * 2017-04-07 2018-10-11 Toyota Jidosha Kabushiki Kaisha Object detection apparatus
CN109583280A (zh) * 2017-09-29 2019-04-05 比亚迪股份有限公司 车道线识别方法、装置、设备及存储介质
US20200082182A1 (en) * 2018-09-12 2020-03-12 Samsung Electronics Co., Ltd. Training data generating method for image processing, image processing method, and devices thereof
CN111192235A (zh) * 2019-12-05 2020-05-22 中国地质大学（武汉） 一种基于单目视觉模型和透视变换的图像测量方法
CN111121643A (zh) * 2019-12-25 2020-05-08 中公高科养护科技股份有限公司 一种道路宽度的测量方法及系统
CN111288890A (zh) * 2020-02-13 2020-06-16 福建农林大学 基于双目摄影测量技术的道路标志尺寸及高度自动测量方法
CN111553274A (zh) * 2020-04-28 2020-08-18 青岛聚好联科技有限公司 一种基于轨迹分析的高空抛物检测方法及装置
CN111811399A (zh) * 2020-06-28 2020-10-23 青岛聚好联科技有限公司 一种检测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KLEINER D M等: "Medical considerations and planning for short distance road races", 《JOURNAL OF ATHLETIC TRAINING》 *
ZHUO-XI HUO等: "An accelerated direct demodulation method for image reconstruction using spherical data from the hard X-ray modulation telescope", 《RESEARCH IN ASTRONOMY AND ASTROPHYSICS》 *
蒋玉亭 等: "一种基于机器视觉的前方车辆距离检测方法", 《合肥工业大学学报(自然科学版)》 *
邹斌 等: "面向智能交通的单目视觉测距方法研究", 《交通运输系统工程与信息》 *

Also Published As

Publication number Publication date
CN112325780B (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN108764048B (zh) 人脸关键点检测方法及装置
EP3620981A1 (en) Object detection method, device, apparatus and computer-readable storage medium
CN108734120A (zh) 标注图像的方法、装置、设备和计算机可读存储介质
CN105719248B (zh) 一种实时的人脸变形方法及其系统
CN113029128B (zh) 视觉导航方法及相关装置、移动终端、存储介质
US9396553B2 (en) Vehicle dimension estimation from vehicle images
CN112927279A (zh) 一种图像深度信息生成方法、设备及存储介质
CN110059637B (zh) 一种人脸对齐的检测方法及装置
CN109325996B (zh) 用于生成信息的方法和装置
CN103544492A (zh) 基于深度图像三维曲面几何特征的目标识别方法和装置
CN110111341B (zh) 图像前景获取方法、装置及设备
CN116519106A (zh) 一种用于测定生猪体重的方法、装置、存储介质和设备
Kocur et al. Traffic camera calibration via vehicle vanishing point detection
CN114266879A (zh) 三维数据增强、模型训练检测方法、设备及自动驾驶车辆
CN112489240B (zh) 一种商品陈列巡检方法、巡检机器人以及存储介质
CN107491786B (zh) 一种烟草收购重复过磅行为自动视觉检测与识别方法
CN112325780B (zh) 一种基于社区监控的距离测算方法及装置
CN109816726B (zh) 一种基于深度滤波器的视觉里程计地图更新方法和系统
CN111985471A (zh) 一种车牌定位方法、装置及存储介质
CN112902911A (zh) 基于单目相机的测距方法、装置、设备及存储介质
CN117218171A (zh) 深度估计模型优化与物体距离检测方法及相关设备
CN115359119A (zh) 一种面向无序分拣场景的工件位姿估计方法及装置
CN108650465B (zh) 摄像机画面增强现实标签的计算方法、装置及电子设备
CN109214398B (zh) 一种从连续图像中量测杆体位置的方法和系统
CN106991643B (zh) 一种低资源消耗的实时核线方法和实时核线系统

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