CN112464921A - 障碍物检测信息生成方法、装置、设备和计算机可读介质 - Google Patents

障碍物检测信息生成方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN112464921A
CN112464921A CN202110139593.XA CN202110139593A CN112464921A CN 112464921 A CN112464921 A CN 112464921A CN 202110139593 A CN202110139593 A CN 202110139593A CN 112464921 A CN112464921 A CN 112464921A
Authority
CN
China
Prior art keywords
detection information
image
target image
prediction result
result set
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
CN202110139593.XA
Other languages
English (en)
Other versions
CN112464921B (zh
Inventor
唐汇
张雷
倪凯
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202110139593.XA priority Critical patent/CN112464921B/zh
Publication of CN112464921A publication Critical patent/CN112464921A/zh
Application granted granted Critical
Publication of CN112464921B publication Critical patent/CN112464921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例公开了障碍物检测信息生成方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：获取待检测的图像；基于待检测的图像，生成第一目标图像和第二目标图像；生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合；分别对第一回归预测结果集合和第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合；生成第一检测信息集合；生成第二检测信息集合；将第一检测信息集合和第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。该实施方式实现了对障碍物检测信息的生成，提高了障碍物检测信息的生成质量，为车辆的自动驾驶提供了便利。

Description

障碍物检测信息生成方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及障碍物检测信息生成方法、装置、设备和计算机可读介质。
背景技术
障碍物检测信息生成，是自动驾驶领域中的一项基本技术。目前，常用的障碍物检测信息生成方法是：将待检测的图像直接输入至训练好的模型，得到障碍物检测信息。
然而，当采用上述方法进行障碍物检测信息生成时，往往会存在如下技术问题：
第一，对存在遮挡现象的障碍物的检测精度较低，从而，影响障碍物检测信息的生成质量，进而，影响车辆的自动驾驶效果。
第二，对小型障碍物存在漏检的现象，从而，导致障碍物检测信息的生成不准确，进而，造成在自动驾驶中存在一定的危险性。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了障碍物检测信息生成方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种障碍物检测信息生成方法，该方法包括：获取待检测的图像；基于上述待检测的图像，生成第一目标图像和第二目标图像；基于上述第一目标图像、上述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合；分别对上述第一回归预测结果集合和上述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合；基于上述第一分类预测结果集合和上述第一解码结果集合，生成第一检测信息集合；基于上述第二分类预测结果集合和上述第二解码结果集合，生成第二检测信息集合；将上述第一检测信息集合和上述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。
第二方面，本公开的一些实施例提供了一种障碍物检测信息生成装置，该装置包括：获取单元，被配置成获取待检测的图像；第一生成单元，被配置成基于上述待检测的图像，生成第一目标图像和第二目标图像；第二生成单元，被配置成基于上述第一目标图像、上述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合；解码处理单元，被配置成分别对上述第一回归预测结果集合和上述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合；第三生成单元，被配置成基于上述第一分类预测结果集合和上述第一解码结果集合，生成第一检测信息集合；第四生成单元，被配置成基于上述第二分类预测结果集合和上述第二解码结果集合，生成第二检测信息集合；数据融合处理单元，被配置成将上述第一检测信息集合和上述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的障碍物检测信息生成方法生成的障碍物检测信息，能够提高障碍物检测信息的生成质量。具体来说，影响障碍物检测信息的生成质量，影响车辆的自动驾驶的原因在于：将待检测的图像直接输入至训练好的模型，模型对存在遮挡的障碍物的检测效率较低。基于此，本公开的一些实施例提出了障碍物检测信息生成方法，首先，获取待检测的图像。然后，基于上述待检测的图像，生成第一目标图像和第二目标图像。由此，可以通过第一目标图像检测遮挡率高的障碍物。可以通过第二目标图像对第一目标图像没有检测到的障碍物进行补充。之后，基于上述第一目标图像、上述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合。由此，可以通过第一回归预测结果集合和第一分类预测结果集合得到第一检测信息集合。可以通过第二回归预测结果集合和第二分类预测结果集合得到第二检测信息集合。接着，分别对上述第一回归预测结果集合和上述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合。由此，可以通过第一解码结果集合得到第一目标图像中的障碍物位置信息集合。可以通过第二解码结果集合得到第二目标图像中的障碍物位置信息集合。其次，基于上述第一分类预测结果集合和上述第一解码结果集合，生成第一检测信息集合。第一检测信息集合中保存的是第一目标图像的障碍物检测信息集合。然后，基于上述第二分类预测结果集合和上述第二解码结果集合，生成第二检测信息集合。第二检测信息集合中保存的是第二目标图像的障碍物检测信息集合。最后，将上述第一检测信息集合和上述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。由此，可以通过将第一检测信息集合和第二检测信息集合进行融合，得到待检测的图像的障碍物检测信息集合。由于将待检测的图像分为第一目标图像和第二目标图像，以及分别对第一目标图像和第二目标图像进行处理，得到第一检测信息集合和第二检测信息集合。从而，可以依靠第二检测信息集合对第一检测信息集合进行补充。将待检测的图像中存在遮挡现象的障碍物检测出来。提高了对存在遮挡现象的障碍物的检测精度。提升了障碍物检测信息的生成质量。进而，提高了车辆的自动驾驶效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的障碍物检测信息生成方法的一个应用场景示意图；
图2是根据本公开的障碍物检测信息生成方法的一些实施例的流程图；
图3是根据本公开的障碍物检测信息生成装置的一些实施例的结构示意图；
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的障碍物检测信息生成方法的一个应用场景的示意图。
如图1所示，首先，计算设备101可以获取待检测的图像102。然后，基于上述待检测的图像102，生成第一目标图像103和第二目标图像104。之后，计算设备101可以基于上述第一目标图像103、上述第二目标图像104和预先训练的神经网络模型105，生成第一回归预测结果集合106、第一分类预测结果集合107、第二回归预测结果集合108和第二分类预测结果集合109。接着，计算设备101可以分别对上述第一回归预测结果集合106和上述第二回归预测结果集合108进行解码处理，得到第一解码结果集合110和第二解码结果集合111。其次，计算设备101可以基于上述第一分类预测结果集合107和上述第一解码结果集合110，生成第一检测信息集合112。然后，计算设备101可以基于上述第二分类预测结果集合109和上述第二解码结果集合111，生成第二检测信息集合113。最后，计算设备101可以将上述第一检测信息集合112和上述第二检测信息集合113进行数据融合处理，以生成障碍物检测信息集合114。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的障碍物检测信息生成方法的一些实施例的流程200。该障碍物检测信息生成方法，包括以下步骤：
步骤201，获取待检测的图像。
在一些实施例中，障碍物检测信息生成方法的执行主体（如图1所示的计算设备101）可以通过有线连接方式或者无线连接方式从目标车辆的车载相机中获取待检测的图像。其中，上述待检测的图像可以是车载相机采集的目标车辆周围的环境图像。
步骤202，基于待检测的图像，生成第一目标图像和第二目标图像。
在一些实施例中，上述执行主体可以通过对待检测的图像进行一系列的处理（例如，归一化处理、图像去均值处理和图像矫正处理等），分别生成第一目标图像和第二目标图像。
在一些实施例的一些可选的实现方式中，上述执行主体可以基于待检测的图像，生成第一目标图像和第二目标图像，可以包括以下步骤：
第一步，将上述待检测的图像进行图像矫正处理，得到矫正后的图像。
具体的，上述执行主体可以通过霍夫线变换对上述待检测的图像进行矫正，将待检测的图像转化为标准正方形的图像。
第二步，对上述矫正后的图像进行第一图像转换处理，得到第一转换后的图像。
具体的，上述执行主体可以通过引入编程语言将矫正后的图像转换为32位浮点型的图像。
第三步，对上述第一转换后的图像进行归一化处理，得到归一化后的图像。
具体的，上述执行主体可以通过平均值法将上述第一转换后的图像进行归一化处理，得到归一化后的图像。
第四步，对上述归一化后的图像进行第二图像转换处理，得到第二转换后的图像。
具体的，上述执行主体可以通过引入图像处理函数（例如，Convert函数）将归一化后的图像转换为可以进行训练的图像（例如，Torch格式的图像）。
第五步，将上述第二转换后的图像进行第一图像缩放处理，以生成上述第一目标图像。
具体的，上述执行主体可以通过图像去均值法去除上述第二转换后的图像中的噪声，完成对上述第二转换后的图像进行第一图像缩放处理，得到上述第一目标图像。
第六步，将上述第二转换后的图像进行第二图像缩放处理，以生成上述第二目标图像。
具体的，上述执行主体可以根据相机的位置将上述第二转换后的图像裁剪成预设大小的图像，之后，可以通过图像去均值法去除裁剪后的图像中的噪声，完成对上述第二转换后的图像进行第二图像缩放处理，得到上述第二目标图像。上述预设大小可以是1024×256的大小。
步骤203，基于第一目标图像、第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合。
在一些实施例中，上述执行主体可以将上述第一目标图像输入至预先训练的神经网络模型，得到上述第一回归预测结果集合、第一分类预测结果集合。上述执行主体可以将上述第二目标图像输入至预先训练的神经网络模型，得到上述第二回归预测结果集合和第二分类预测结果集合。
在一些实施例的一些可选的实现方式中，上述预先训练的神经网络模型可以包括第一特征提取子网络、第二特征提取子网络、回归预测子网络和分类预测子网络；以及上述执行主体可以基于上述第一目标图像、上述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合，可以包括以下步骤：
第一步，上述执行主体可以分别将上述第一目标图像和上述第二目标图像输入至上述第一特征提取子网络，得到上述第一目标图像的第一特征信息集合和上述第二目标图像的第一特征信息集合。
具体的，上述第一特征提取子网络可以是主干特征提取网络，可以用于提取第一目标图像和第二目标图像在第一预设下采样次数时的特征信息。上述第一目标图像的第一特征信息集合可以用于表征上述第一特征提取子网络提取到的上述第一目标图像在第一预设下采样次数下的特征信息。上述第二目标图像的第一特征信息集合可以用于表征上述第一特征提取子网络提取到的上述第二目标图像在第一预设下采样次数下的特征信息。上述第一预设下采样次数可以是1次或者2次。
第二步，上述执行主体可以分别将上述第一目标图像的第一特征信息集合和上述第二目标图像的第一特征信息集合输入至上述第二特征提取子网络，得到上述第一目标图像的第二特征信息集合和上述第二目标图像的第二特征信息集合。
具体的，上述第二特征提取子网络可以是加强特征提取网络，可以用于提取上述第一目标图像的第一特征信息集合和上述第二目标图像的第一特征信息集合在第二预设下采样次数时的特征信息。上述第一目标图像的第二特征信息集合可以用于表征上述第二特征提取子网络提取到的上述第一目标图像的第一特征信息集合在第二预设下采样次数下的特征信息。上述第二目标图像的第二特征信息集合可以用于表征上述第二特征提取子网络提取到的上述第二目标图像的第一特征信息集合在第二预设下采样次数下的特征信息。上述第二预设下采样次数可以是3次、4次、5次、6次或者7次。
第三步，上述执行主体可以分别将上述第一目标图像的第二特征信息集合和上述第二目标图像的第二特征信息集合输入至上述回归预测子网络，得到上述第一回归预测结果集合和上述第二回归预测结果集合。
具体的，上述回归预测子网络可以用于根据输入的特征信息，输出与输入的特征信息相关的图像中的障碍物位置信息。上述障碍物位置信息可以包括最小横坐标值、最小纵坐标值、最大横坐标值和最大纵坐标值。上述第一回归预测结果集合可以是包含上述第一目标图像中的障碍物位置信息的集合。上述第二回归预测结果集合可以是包含上述第二目标图像中的障碍物位置信息的集合。
作为示例，上述第一回归预测结果集合可以是{[最小横坐标值：72，最小纵坐标值：163，最大横坐标值：302，最大纵坐标值：228]，[最小横坐标值：185，最小纵坐标值：194，最大横坐标值：500，最大纵坐标值：316]，[最小横坐标值：314，最小纵坐标值：8，最大横坐标值：344，最大纵坐标值：65]}。上述第二回归预测结果集合可以是{[最小横坐标值：184，最小纵坐标值：190，最大横坐标值：483，最大纵坐标值：315]，[最小横坐标值：416，最小纵坐标值：180，最大横坐标值：500，最大纵坐标值：222]}。
第四步，上述执行主体可以分别将上述第一目标图像的第二特征信息集合和上述第二目标图像的第二特征信息集合输入至上述分类预测子网络，得到上述第一分类预测结果集合和上述第二分类预测结果集合。
具体的，上述分类预测子网络可以用于根据输入的特征信息，输出与输入的特征信息相关的图像中的障碍物种类信息。上述障碍物种类信息可以是描述图像中的障碍物类别的信息。上述障碍物种类信息可以包括障碍物类别的编号和障碍物类别。上述第一分类预测结果集合可以是包含上述第一目标图像中的障碍物种类信息的集合。上述第二分类预测结果集合可以是包含上述第二目标图像中的障碍物种类信息的集合。
作为示例，上述第一分类预测结果集合可以是{[1，卡车]，[2，轿车]}。上述第二分类预测结果集合可以是{[1，卡车]，[2，轿车]}。
可选的，上述神经网络模型可以是通过以下步骤进行训练的：
第一步，获取训练数据信息集合。其中，上述执行主体可以通过有线连接方式或者无线连接方式获取训练数据信息集合。上述训练数据信息集合中的训练数据信息包括训练数据的标签信息和与上述标签信息对应的图像。
第二步，基于上述训练数据信息集合包括的标签信息集合，生成索引数据集合。
具体的，上述执行主体可以通过引入编程语言（例如，Python编程语言）生成索引数据集合。上述索引数据集合可以是用于表征图像信息集合中的图像信息包括的图像名称的集合。上述图像信息可以包括图像名称和图像格式。
作为示例，图像信息集合可以是{[图像名称：0001，图像格式：JPEG（JointPhotographic Experts Group）]，[图像名称：0002，图像格式：JPEG]，[图像名称：0003，图像格式：JPEG]}。索引数据集合可以是[0001，0002，0003]。
第三步，基于上述索引数据集合和预设的训练类别集合，对上述训练数据信息集合进行数据预处理，得到处理后的训练数据信息集合。
具体的，上述预设的训练类别集合可以是保存图像中障碍物种类信息的集合。上述执行主体可以通过引入编程语言（例如，Python编程语言），通过上述索引数据集合和预设的训练类别集合从上述训练数据信息集合中读取图像的绝对路径、图像中障碍物位置信息和障碍物种类信息。
作为示例，上述预设的训练类别集合可以是{[1，卡车]，[2，轿车]}。上述处理后的训练数据信息集合可以是{[图像的绝对路径：D:\tupian\0001.jpg，障碍物位置信息：72，163，302，228，障碍物种类信息：1，卡车]，[图像的绝对路径：D:\tupian\0002.jpg，障碍物位置信息：185，194，500，316，障碍物种类信息：2，轿车]}。
第四步，将上述处理后的训练数据信息集合输入至搭建好的神经网络模型，得到训练后的神经网络模型。
具体的，上述执行主体可以根据预设的迭代次数，将上述处理后的训练数据信息集合输入至搭建好的神经网络模型进行迭代训练，得到训练后的神经网络模型。上述搭建好的神经网络模型可以是能够进行回归预测和分类预测的神经网络（例如，EfficientDet神经网络）模型。上述搭建好的神经网络模型可以包括卷积层、池化层、激活函数和全连接层。上述预设的迭代次数可以是1000次。
作为示例，上述训练后的神经网络模型可以是上述搭建好的神经网络模型以初始学习率为0.0001，迭代次数为1000次，权重为0.00001进行训练，得到的神经网络模型。
步骤204，分别对第一回归预测结果集合和第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合。
在一些实施例中，上述执行主体可以通过卷积神经网络（例如，残差神经网络）分别对第一回归预测结果集合和第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合。
具体的，上述第一解码结果集合可以是用于在上述第一目标图像中表征上述第一回归预测结果集合中的第一回归预测结果和第一回归预测结果置信度的集合。上述第二解码结果集合可以是用于在上述第二目标图像中表征上述第二回归预测结果集合中的第二回归预测结果和第二回归预测结果置信度的集合。上述第一解码结果集合中的第一解码结果可以包括与第一解码结果对应的第一回归预测结果和第一回归预测结果的置信度。上述第二解码结果集合中的第二解码结果可以包括与第二解码结果对应的第二回归预测结果和第二回归预测结果的置信度。
作为示例，上述第一解码结果集合可以是{[第一回归预测结果：72，163，302，228，置信度：0.95]，[第一回归预测结果：75，160，305，220，置信度：0.85]}。上述第二解码结果集合可以是{[第二回归预测结果：184，190，483，315，置信度：0.87]，[第二回归预测结果：190，195，490，317，置信度：0.73]}。
步骤205，基于第一分类预测结果集合和第一解码结果集合，生成第一检测信息集合。
在一些实施例中，上述执行主体可以将上述第一解码结果集合进行非极大抑制处理。之后，将上述第一分类预测结果集合中的第一分类预测结果和经过非极大抑制处理后的第一解码结果集合中的第一解码结果一一对应。得到上述第一检测信息集合。上述第一检测信息集合用于表征上述第一目标图像中的障碍物位置信息、障碍物种类和障碍物位置信息的置信度。上述非极大抑制处理可以是通过遍历集合中的各个元素，抑制不是极大值的元素的处理。上述第一检测信息集合中的第一检测信息可以包括与第一检测信息对应的第一解码结果和第一分类预测结果。
作为示例，上述第一检测信息集合可以是{[第一解码结果：72，163，302，228，0.95，第一分类预测结果：1，卡车]，[第一解码结果：185，194，500，316，0.83，第一分类预测结果：2，轿车]，[第一解码结果：314，8，344，65，0.89，第一分类预测结果：4，公交车]}。
步骤206，基于第二分类预测结果集合和第二解码结果集合，生成第二检测信息集合。
在一些实施例中，上述执行主体可以将上述第二解码结果集合进行非极大抑制处理。之后，将上述第二分类预测结果集合中的第二分类预测结果和经过非极大抑制处理后的第二解码结果集合中的第二解码结果一一对应。得到上述第二检测信息集合。上述第二检测信息集合用于表征上述第二目标图像中的障碍物位置信息、障碍物种类和障碍物位置信息的置信度。上述第二检测信息集合中的第二检测信息可以包括与第二检测信息对应的第二解码结果和第二分类预测结果。
作为示例，上述第二检测信息集合可以是{[第二解码结果：184，190，483，315，0.87，第二分类预测结果：2，轿车]，[第二解码结果：416，180，500，222，0.86，第二分类预测结果：3，电动车]}。
步骤207，将第一检测信息集合和第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。
在一些实施例中，上述执行主体可以通过遍历上述第一检测信息集合和上述第二检测信息集合，通过计算上述第一检测信息集合中的第一检测信息包括的障碍物的位置信息和上述第二检测信息集合中与第一检测信息对应的第二检测信息包括的障碍物的位置信息的重叠度。根据重叠度判断是否为重复检测的障碍物，对于有重复检测的障碍物，通过对比重复检测的障碍物位置信息的置信度，保留置信度高的位置信息，对于没有重复检测的障碍物位置信息直接保留。以生成障碍物检测信息集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以将上述第一检测信息集合和上述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合，可以包括以下步骤：
第一步，将上述第一检测信息集合和上述第二检测信息集合进行堆叠，得到第三检测信息组集合。
具体的，将上述第一检测信息集合和上述第二检测信息集合进行堆叠可以是上述执行主体通过障碍物种类信息将上述第一检测信息集合和上述第二检测信息集合依次添加至空集合中并进行分组。
第二步，基于上述第三检测信息组集合，生成障碍物重叠度集合。
具体的，上述执行主体可以将上述第三检测信息组集合输入至预先设定的数学公式，得到障碍物重叠度集合。上述预先设定的数学公式可以是指数函数公式。
可选的，上述第三检测信息组集合中的第三检测信息组中的第三检测信息可以包括最小横坐标值、最小纵坐标值、最大横坐标值和最大纵坐标值；以及上述执行主体可以基于上述第三检测信息组集合，生成障碍物重叠度集合，可以包括以下步骤：
通过以下公式，生成上述障碍物置信度集合：
Figure 334576DEST_PATH_IMAGE001
。
其中，
Figure 845192DEST_PATH_IMAGE002
表示上述障碍物置信度集合中的障碍物置信度。
Figure 359350DEST_PATH_IMAGE003
和
Figure 846569DEST_PATH_IMAGE004
表示序号。
Figure 129783DEST_PATH_IMAGE005
表示上述障碍物置信度集合中第
Figure 545721DEST_PATH_IMAGE003
个障碍物置信度。
Figure 16017DEST_PATH_IMAGE006
表示最大纵坐标值。
Figure 808392DEST_PATH_IMAGE007
表示上述第三检测信息组集合中第
Figure 946112DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 205055DEST_PATH_IMAGE004
个第三检测信息包括的最大纵坐标值。
Figure 287281DEST_PATH_IMAGE008
表示上述第三检测信息组集合中第
Figure 493134DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 282099DEST_PATH_IMAGE009
个第三检测信息包括的最大纵坐标值。
Figure 806883DEST_PATH_IMAGE010
表示最小纵坐标值。
Figure 517350DEST_PATH_IMAGE011
表示上述第三检测信息组集合中第
Figure 385949DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 498262DEST_PATH_IMAGE004
个第三检测信息包括的最小纵坐标值。
Figure 161324DEST_PATH_IMAGE012
表示上述第三检测信息组集合中第
Figure 359087DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 703481DEST_PATH_IMAGE013
个第三检测信息包括的最小纵坐标值。
Figure 794934DEST_PATH_IMAGE014
表示最大横坐标值。
Figure 769843DEST_PATH_IMAGE015
表示上述第三检测信息组集合中第
Figure 812492DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 960577DEST_PATH_IMAGE004
个第三检测信息包括的最大横坐标值。
Figure 516323DEST_PATH_IMAGE016
表示上述第三检测信息组集合中第
Figure 52346DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 755860DEST_PATH_IMAGE013
个第三检测信息包括的的最大横坐标值。
Figure 379740DEST_PATH_IMAGE017
表示最小横坐标值。
Figure 117888DEST_PATH_IMAGE018
表示上述第三检测信息组集合中第
Figure 559234DEST_PATH_IMAGE019
个第三检测信息组中的第
Figure 750044DEST_PATH_IMAGE004
个第三检测信息包括的最小横坐标值。
Figure 443193DEST_PATH_IMAGE020
表示上述第三检测信息组集合中第
Figure 832586DEST_PATH_IMAGE019
个第三检测信息组中的第
Figure 382517DEST_PATH_IMAGE009
个第三检测信息包括的最小横坐标值。
第三步，基于上述障碍物重叠度集合，对上述第三检测信息组集合进行更新，以生成障碍物检测信息集合。
具体的，上述执行主体可以响应于上述障碍物重叠度集合中的障碍物重叠度大于预设阈值，将上述第三检测信息组集合中的第三检测信息组中的与大于预设阈值的障碍物重叠度对应的第三检测信息作为重复检测的障碍物信息。对于有重复检测的障碍物信息，通过对比重复检测的障碍物的矩形框位置信息的置信度，在第三检测信息组集合中保留置信度高的矩形框位置信息，对于没有重复检测的障碍物的矩形框位置信息直接保留在第三检测信息组集合中。完成第三检测信息组集合的更新，得到障碍物检测信息集合。上述预设阈值可以是0.8。
上述公式及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“对小型障碍物存在漏检的现象，从而，导致障碍物检测信息的生成不准确，进而，造成在自动驾驶中存在一定的危险性”。造成自动驾驶中存在一定的危险性的因素往往如下：由于只依靠单张待检测的图像对障碍物进行检测，对小型障碍物可能难以检测到，容易出现小型障碍物漏检的现象，造成在自动驾驶中存在一定的危险性。如果解决了上述因素，考虑到将待检测的图像调整为两张图像。分别对这两张图像进行障碍物检测信息的生成。通过将生成的两种障碍物检测信息进行融合。从而，减少对小型障碍物漏检的概率。进而，降低自动驾驶中的危险性。为了达到这一效果，本公开引入了与障碍物检测信息生成相关的公式，首先，通过计算第一检测信息集合中的第一检测信息和与第一检测信息对应的第二检测信息的重叠度。然后，通过重叠度判断是否为重复检测的障碍物。之后，对于有重复检测的障碍物，通过对比重复检测的障碍物的矩形框位置信息的置信度，在第三检测信息组集合中保留置信度高的矩形框位置信息。其次，对于没有重复检测的障碍物的矩形框位置信息直接保留在第三检测信息组集合中。最后，完成第三检测信息组集合的更新，得到障碍物检测信息集合。由于将待检测的图像调整为两张图像进行障碍物检测信息的生成。通过将第一检测信息集合和第二检测信息集合进行融合，减少了对小型障碍物存在漏检的现象。进而，解决了在自动驾驶中存在一定的危险性的问题。
可选地，上述执行主体可以将上述障碍物检测信息集合输入至目标车辆的移动控制终端，以控制上述目标车辆进行障碍物避让。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的障碍物检测信息生成方法生成的障碍物检测信息，能够提高障碍物检测信息的生成质量。具体来说，影响障碍物检测信息的生成质量，影响车辆的自动驾驶的原因在于：将待检测的图像直接输入至训练好的模型，模型对存在遮挡的障碍物的检测效率较低。基于此，本公开的一些实施例提出了障碍物检测信息生成方法，首先，获取待检测的图像。然后，基于上述待检测的图像，生成第一目标图像和第二目标图像。由此，可以通过第一目标图像检测遮挡率高的障碍物。可以通过第二目标图像对第一目标图像没有检测到的障碍物进行补充。之后，基于上述第一目标图像、上述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合。由此，可以通过第一回归预测结果集合和第一分类预测结果集合得到第一检测信息集合。可以通过第二回归预测结果集合和第二分类预测结果集合得到第二检测信息集合。接着，分别对上述第一回归预测结果集合和上述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合。由此，可以通过第一解码结果集合得到第一目标图像中的障碍物位置信息集合。可以通过第二解码结果集合得到第二目标图像中的障碍物位置信息集合。其次，基于上述第一分类预测结果集合和上述第一解码结果集合，生成第一检测信息集合。第一检测信息集合中保存的是第一目标图像的障碍物检测信息集合。然后，基于上述第二分类预测结果集合和上述第二解码结果集合，生成第二检测信息集合。第二检测信息集合中保存的是第二目标图像的障碍物检测信息集合。最后，将上述第一检测信息集合和上述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。由此，可以通过将第一检测信息集合和第二检测信息集合进行融合，得到待检测的图像的障碍物检测信息集合。由于将待检测的图像分为第一目标图像和第二目标图像，以及分别对第一目标图像和第二目标图像进行处理，得到第一检测信息集合和第二检测信息集合。从而，可以依靠第二检测信息集合对第一检测信息集合进行补充。将待检测的图像中存在遮挡现象的障碍物检测出来。提高了对存在遮挡现象的障碍物的检测精度。提升了障碍物检测信息的生成质量。进而，提高了车辆的自动驾驶效果。
进一步参考图3，作为对上述各图上述方法的实现，本公开提供了一种障碍物检测信息生成装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，一些实施例的障碍物检测信息生成装置300包括：获取单元301、第一生成单元302、第二生成单元303、解码处理单元304、第三生成单元305、第四生成单元306和数据融合处理单元307。其中，获取单元301，被配置成获取待检测的图像；第一生成单元302，被配置成基于上述待检测的图像，生成第一目标图像和第二目标图像；第二生成单元303，被配置成基于上述第一目标图像、上述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合；解码处理单元304，被配置成分别对上述第一回归预测结果集合和上述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合；第三生成单元305，被配置成基于上述第一分类预测结果集合和上述第一解码结果集合，生成第一检测信息集合；第四生成单元306，被配置成基于上述第二分类预测结果集合和上述第二解码结果集合，生成第二检测信息集合；数据融合处理单元307，被配置成将上述第一检测信息集合和上述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）400的结构示意图。图4示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置（例如中央处理器、图形处理器等）401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储装置408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测的图像；基于上述待检测的图像，生成第一目标图像和第二目标图像；基于上述第一目标图像、上述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合；分别对上述第一回归预测结果集合和上述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合；基于上述第一分类预测结果集合和上述第一解码结果集合，生成第一检测信息集合；基于上述第二分类预测结果集合和上述第二解码结果集合，生成第二检测信息集合；将上述第一检测信息集合和上述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、第二生成单元、解码处理单元、第三生成单元、第四生成单元和数据融合处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测的图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方法。

Claims (10)

1.一种障碍物检测信息生成方法，包括：
获取待检测的图像；
基于所述待检测的图像，生成第一目标图像和第二目标图像；
基于所述第一目标图像、所述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合；
分别对所述第一回归预测结果集合和所述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合；
基于所述第一分类预测结果集合和所述第一解码结果集合，生成第一检测信息集合；
基于所述第二分类预测结果集合和所述第二解码结果集合，生成第二检测信息集合；
将所述第一检测信息集合和所述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述障碍物检测信息集合输入至目标车辆的移动控制终端，以控制所述目标车辆进行障碍物避让。
3.根据权利要求2所述的方法，其中，所述基于所述待检测的图像，生成第一目标图像和第二目标图像，包括：
将所述待检测的图像进行图像矫正处理，得到矫正后的图像；
对所述矫正后的图像进行第一图像转换处理，得到第一转换后的图像；
对所述第一转换后的图像进行归一化处理，得到归一化后的图像；
对所述归一化后的图像进行第二图像转换处理，得到第二转换后的图像；
将所述第二转换后的图像进行第一图像缩放处理，以生成所述第一目标图像；
将所述第二转换后的图像进行第二图像缩放处理，以生成所述第二目标图像。
4.根据权利要求3所述的方法，其中，所述神经网络模型是通过以下步骤进行训练的：
获取训练数据信息集合，其中，所述训练数据信息集合中的训练数据信息包括训练数据的标签信息和与所述标签信息对应的图像；
基于所述训练数据信息集合包括的标签信息集合，生成索引数据集合；
基于所述索引数据集合和预设的训练类别集合，对所述训练数据信息集合进行数据预处理，得到处理后的训练数据信息集合；
将所述处理后的训练数据信息集合输入至搭建好的神经网络模型，得到训练后的神经网络模型。
5.根据权利要求4所述的方法，其中，所述预先训练的神经网络模型包括第一特征提取子网络、第二特征提取子网络、回归预测子网络和分类预测子网络；以及
所述基于所述第一目标图像、所述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合，包括：
分别将所述第一目标图像和所述第二目标图像输入至所述第一特征提取子网络，得到所述第一目标图像的第一特征信息集合和所述第二目标图像的第一特征信息集合；
分别将所述第一目标图像的第一特征信息集合和所述第二目标图像的第一特征信息集合输入至所述第二特征提取子网络，得到所述第一目标图像的第二特征信息集合和所述第二目标图像的第二特征信息集合；
分别将所述第一目标图像的第二特征信息集合和所述第二目标图像的第二特征信息集合输入至所述回归预测子网络，得到所述第一回归预测结果集合和所述第二回归预测结果集合；
分别将所述第一目标图像的第二特征信息集合和所述第二目标图像的第二特征信息集合输入至所述分类预测子网络，得到所述第一分类预测结果集合和所述第二分类预测结果集合。
6.根据权利要求5所述的方法，其中，所述将所述第一检测信息集合和所述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合，包括：
将所述第一检测信息集合和所述第二检测信息集合进行堆叠，得到第三检测信息组集合；
基于所述第三检测信息组集合，生成障碍物重叠度集合；
基于所述障碍物重叠度集合，对所述第三检测信息组集合进行更新，以生成障碍物检测信息集合。
7.根据权利要求6所述的方法，其中，所述第三检测信息组集合中的第三检测信息组中的第三检测信息包括最小横坐标值、最小纵坐标值、最大横坐标值和最大纵坐标值；以及
所述基于所述第三检测信息组集合，生成障碍物重叠度集合，包括：
通过以下公式，生成所述障碍物置信度集合：
Figure 494705DEST_PATH_IMAGE001
，
其中，
Figure 116179DEST_PATH_IMAGE002
表示所述障碍物置信度集合中的障碍物置信度，
Figure 766603DEST_PATH_IMAGE003
和
Figure 549751DEST_PATH_IMAGE004
表示序号，
Figure 918416DEST_PATH_IMAGE005
表示所述障碍物置信度集合中第
Figure 78001DEST_PATH_IMAGE003
个障碍物置信度，
Figure 645249DEST_PATH_IMAGE006
表示最大纵坐标值，
Figure 474665DEST_PATH_IMAGE007
表示所述第三检测信息组集合中第
Figure 953794DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 526858DEST_PATH_IMAGE008
个第三检测信息包括的最大纵坐标值，
Figure 10929DEST_PATH_IMAGE009
表示所述第三检测信息组集合中第
Figure 276825DEST_PATH_IMAGE010
个第三检测信息组中的第
Figure 479137DEST_PATH_IMAGE011
个第三检测信息包括的最大纵坐标值，
Figure 121470DEST_PATH_IMAGE012
表示最小纵坐标值，
Figure 725627DEST_PATH_IMAGE013
表示所述第三检测信息组集合中第
Figure 162425DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 524136DEST_PATH_IMAGE008
个第三检测信息包括的最小纵坐标值，
Figure 330680DEST_PATH_IMAGE014
表示所述第三检测信息组集合中第
Figure 399130DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 131463DEST_PATH_IMAGE015
个第三检测信息包括的最小纵坐标值，
Figure 183733DEST_PATH_IMAGE016
表示最大横坐标值，
Figure 26924DEST_PATH_IMAGE017
表示所述第三检测信息组集合中第
Figure 481039DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 56377DEST_PATH_IMAGE008
个第三检测信息包括的最大横坐标值，
Figure 454997DEST_PATH_IMAGE018
表示所述第三检测信息组集合中第
Figure 773983DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 82604DEST_PATH_IMAGE015
个第三检测信息包括的的最大横坐标值，
Figure 389696DEST_PATH_IMAGE019
表示最小横坐标值，
Figure 150978DEST_PATH_IMAGE020
表示所述第三检测信息组集合中第
Figure 601551DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 561417DEST_PATH_IMAGE008
个第三检测信息包括的最小横坐标值，
Figure 681820DEST_PATH_IMAGE021
表示所述第三检测信息组集合中第
Figure 55032DEST_PATH_IMAGE003
个第三检测信息组中的第
Figure 715821DEST_PATH_IMAGE011
个第三检测信息包括的最小横坐标值。
8.一种局部地图调整装置，包括：
获取单元，被配置成获取待检测的图像；
第一生成单元，被配置成基于所述待检测的图像，生成第一目标图像和第二目标图像；
第二生成单元，被配置成基于所述第一目标图像、所述第二目标图像和预先训练的神经网络模型，生成第一回归预测结果集合、第一分类预测结果集合、第二回归预测结果集合和第二分类预测结果集合；
解码处理单元，被配置成分别对所述第一回归预测结果集合和所述第二回归预测结果集合进行解码处理，得到第一解码结果集合和第二解码结果集合；
第三生成单元，被配置成基于所述第一分类预测结果集合和所述第一解码结果集合，生成第一检测信息集合；
第四生成单元，被配置成基于所述第二分类预测结果集合和所述第二解码结果集合，生成第二检测信息集合；
数据融合处理单元，被配置成将所述第一检测信息集合和所述第二检测信息集合进行数据融合处理，以生成障碍物检测信息集合。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202110139593.XA 2021-02-02 2021-02-02 障碍物检测信息生成方法、装置、设备和计算机可读介质 Active CN112464921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110139593.XA CN112464921B (zh) 2021-02-02 2021-02-02 障碍物检测信息生成方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110139593.XA CN112464921B (zh) 2021-02-02 2021-02-02 障碍物检测信息生成方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN112464921A true CN112464921A (zh) 2021-03-09
CN112464921B CN112464921B (zh) 2021-07-27

Family

ID=74802407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110139593.XA Active CN112464921B (zh) 2021-02-02 2021-02-02 障碍物检测信息生成方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN112464921B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733820A (zh) * 2021-03-31 2021-04-30 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN115345931A (zh) * 2021-12-15 2022-11-15 禾多科技（北京）有限公司 物体姿态关键点信息生成方法、装置、电子设备和介质
CN118097625A (zh) * 2024-04-24 2024-05-28 广汽埃安新能源汽车股份有限公司 一种障碍物识别方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9041798B1 (en) * 2008-07-07 2015-05-26 Lockheed Martin Corporation Automated pointing and control of high resolution cameras using video analytics
US20160275375A1 (en) * 2015-03-20 2016-09-22 Netra, Inc. Object detection and classification
CN109886359A (zh) * 2019-03-25 2019-06-14 西安电子科技大学 基于卷积神经网络的小目标检测方法及检测模型
CN109977978A (zh) * 2017-12-28 2019-07-05 中兴通讯股份有限公司 一种多目标检测方法、装置及存储介质
CN110097109A (zh) * 2019-04-25 2019-08-06 湖北工业大学 一种基于深度学习的道路环境障碍物检测系统及方法
CN110490238A (zh) * 2019-08-06 2019-11-22 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质
CN111507327A (zh) * 2020-04-07 2020-08-07 浙江大华技术股份有限公司 一种目标检测方法及装置
US10867190B1 (en) * 2019-11-27 2020-12-15 Aimotive Kft. Method and system for lane detection
CN112150490A (zh) * 2020-09-30 2020-12-29 小狗电器互联网科技（北京）股份有限公司 图像检测方法、装置、电子设备和计算机可读介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9041798B1 (en) * 2008-07-07 2015-05-26 Lockheed Martin Corporation Automated pointing and control of high resolution cameras using video analytics
US20160275375A1 (en) * 2015-03-20 2016-09-22 Netra, Inc. Object detection and classification
CN109977978A (zh) * 2017-12-28 2019-07-05 中兴通讯股份有限公司 一种多目标检测方法、装置及存储介质
CN109886359A (zh) * 2019-03-25 2019-06-14 西安电子科技大学 基于卷积神经网络的小目标检测方法及检测模型
CN110097109A (zh) * 2019-04-25 2019-08-06 湖北工业大学 一种基于深度学习的道路环境障碍物检测系统及方法
CN110490238A (zh) * 2019-08-06 2019-11-22 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质
US10867190B1 (en) * 2019-11-27 2020-12-15 Aimotive Kft. Method and system for lane detection
CN111507327A (zh) * 2020-04-07 2020-08-07 浙江大华技术股份有限公司 一种目标检测方法及装置
CN112150490A (zh) * 2020-09-30 2020-12-29 小狗电器互联网科技（北京）股份有限公司 图像检测方法、装置、电子设备和计算机可读介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733820A (zh) * 2021-03-31 2021-04-30 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN112733820B (zh) * 2021-03-31 2021-07-27 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN115345931A (zh) * 2021-12-15 2022-11-15 禾多科技（北京）有限公司 物体姿态关键点信息生成方法、装置、电子设备和介质
CN118097625A (zh) * 2024-04-24 2024-05-28 广汽埃安新能源汽车股份有限公司 一种障碍物识别方法及装置
CN118097625B (zh) * 2024-04-24 2024-08-09 广汽埃安新能源汽车股份有限公司 一种障碍物识别方法及装置

Also Published As

Publication number Publication date
CN112464921B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN112464921B (zh) 障碍物检测信息生成方法、装置、设备和计算机可读介质
CN111523640B (zh) 神经网络模型的训练方法和装置
CN115257727B (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN112668588B (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN112465049A (zh) 异常检测模型生成方法和装置、异常事件检测方法和装置
CN112348029B (zh) 局部地图调整方法、装置、设备和计算机可读介质
CN114399589B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN113674357B (zh) 相机外参标定方法、装置、电子设备和计算机可读介质
CN115546293B (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN115326099B (zh) 局部路径规划方法、装置、电子设备和计算机可读介质
CN111310770A (zh) 目标检测方法和装置
CN112883966B (zh) 图像字符识别方法、装置、介质及电子设备
CN112712036A (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN116310582A (zh) 分类模型训练方法、图像分类方法、装置、介质及设备
CN110287817B (zh) 目标识别及目标识别模型的训练方法、装置和电子设备
CN117454935A (zh) 模型训练方法、信息生成方法、装置、设备和介质
CN112528970A (zh) 路牌检测方法、装置、设备和计算机可读介质
CN115984868A (zh) 文本处理方法、装置、介质及设备
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN115375657A (zh) 息肉检测模型的训练方法、检测方法、装置、介质及设备
CN115270981A (zh) 对象处理方法、装置、可读介质及电子设备
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN113542800B (zh) 视频画面定标方法、装置、终端设备
CN117726480B (zh) 基于数字化虚拟评标室的电力设备获取方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Obstacle detection information generation method, device, equipment and computer-readable medium

Effective date of registration: 20230228

Granted publication date: 20210727

Pledgee: Bank of Shanghai Co.,Ltd. Beijing Branch

Pledgor: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.

Registration number: Y2023980033668

PE01 Entry into force of the registration of the contract for pledge of patent right
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100095 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.

CP03 Change of name, title or address