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信息生成方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取车辆中的单目相机拍摄的图像102。接着,计算设备101可以将上述图像102输入至预设的障碍物检测模型103中,得到障碍物图像组104和与上述障碍物图像组104对应的障碍物图像信息组105。然后,计算设备101可以基于上述障碍物图像信息组105,从上述障碍物图像组104中选出满足预定条件的障碍物图像作为目标障碍物图像,得到目标障碍物图像组106。最后,计算设备101可以基于上述目标障碍物图像组106和与上述目标障碍物图像组106中各个目标障碍物图像对应的障碍物图像信息,生成障碍物信息组107。
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信息生成方法的一些实施例的流程200。该障碍物信息生成方法,包括以下步骤:
步骤201,获取车辆中的单目相机拍摄的图像。
在一些实施例中,障碍物信息生成方法的执行主体(如图1所示的计算设备101)可以通过有线的方式或者无线的方式获取车辆中的单目相机拍摄的图像。其中,上述单目相机拍摄的图像可以是上述车辆在行驶过程中车辆正前方的环境图像。
步骤202,将图像输入至预设的障碍物检测模型中,得到障碍物图像组和与障碍物图像组对应的障碍物图像信息组。
在一些实施例中,上述执行主体可以将上述图像输入至预设的障碍物检测模型中,得到障碍物图像组和与上述障碍物图像组对应的障碍物图像信息组。其中,上述障碍物图像组中的障碍物图像可以是从上述图像中提取出来的子图像。每个障碍物图像可以表征上述图像中显示的单个物体。上述障碍物图像信息组中的每个障碍物图像信息可以与上述障碍物图像组中的每个障碍物图像相对应,用于表征上述障碍物检测模型对障碍物图像的检测结果。上述预设的障碍物检测模型可以用于从上述图像中提取出障碍物图像,以及生成每个障碍物图像对应的障碍物图像信息。
在一些实施例的一些可选的实现方式中,上述障碍物检测模型可以包括图像检测模块和属性回归模块。以及上述执行主体将图像输入至预设的障碍物检测模型中,得到障碍物图像组和与上述障碍物图像组对应的障碍物图像信息组,可以包括以下步骤:
第一步,将上述图像输入至上述障碍物检测模型包括的图像检测模块中,得到障碍物图像组。其中,上述图像检测模块可以通过目标检测算法(例如,CenterNet,核心检测算法)对上述图像进行目标检测。上述图像检测模块可以用于从上述图像中提取障碍物图像。
第二步,将上述障碍物图像组输入至上述障碍物检测模型包括的属性回归模块中以生成与上述障碍物图像组中每个障碍物图像对应的障碍物图像信息,得到障碍物图像信息组。其中,上述属性回归模块可以通过以下方式进行构建:利用训练样本对深度学习网络(例如,卷积神经网络等)进行训练,得到训练好的深度学习模型作为属性回归模块。该深度学习网络可以包括至少一层卷积层,至少一层池化层和作为最终输出的全连接层。上述训练样本可以包括样本障碍物图像和与样本障碍物图像对应的障碍物信息标签(例如,障碍物名称,障碍物尺寸,预标记障碍物距离值和障碍物遮挡度等)。上述属性回归模块可以用于生成与障碍物图像对应的障碍物信息。上述训练样本可以用于训练上述属性回归模块,使其具有识别障碍物图像对应的障碍物图像特征(例如,可以识别出障碍物名称,障碍物尺寸,预标记障碍物距离值和障碍物遮挡度等特征)的特性。
步骤203,基于障碍物图像信息组,从障碍物图像组中选出满足预定条件的障碍物图像作为目标障碍物图像,得到目标障碍物图像组。
在一些实施例中,上述执行主体可以基于上述障碍物图像信息组,从上述障碍物图像组中选出满足预定条件的障碍物图像作为目标障碍物图像,得到目标障碍物图像组。其中,上述障碍物图像信息组中的障碍物图像可以包括障碍物的名称和预估障碍物距离值。上述预定条件可以用于从上述障碍物图像组中选出障碍物图像对应的障碍物图像信息包括的障碍物距离值小于预定距离阈值,以及包括目标障碍物名称的障碍物图像作为目标障碍物图像。上述预估障碍物距离值(例如,5米)可以用于表征上述障碍物与上述车辆之间的距离。
作为示例,上述目标障碍物名称可以是:“车辆”。上述障碍物距离阈值可以是:6米。上述预定条件可以是:障碍物图像对应的障碍物图像信息包括的预估障碍物距离值小于障碍物距离阈值,以及包括的障碍物名称为目标障碍物名称“车辆”的障碍物图像。
在一些实施例的一些可选的实现方式中,上述障碍物图像信息组中的障碍物图像信息包括但不限于以下至少一项:障碍物属性和障碍物遮挡度;以及上述执行主体基于障碍物图像信息组,从障碍物图像组中选出满足预定条件的障碍物图像作为目标障碍物图像,还可以包括以下步骤:
将上述障碍物图像信息组中障碍物图像信息包括的障碍物属性和障碍物遮挡度满足上述预定条件的障碍物图像信息对应的障碍物图像确定为目标障碍物图像。其中,上述障碍物属性可以是障碍物的尺寸(例如,长、宽、高)。可以用于表征障碍物的远近程度(例如,障碍物为车辆。那么在实际中,图像中的车辆,与上述车辆距离较远时,在图像中的占据面积较小。与上述车辆距离较近时,在图像中的占据面积较大)。上述障碍物遮挡程度可以是障碍物被其他障碍物所遮挡的面积与该遮挡障碍物总面积的比值。上述障碍物遮挡程度也可以用于表征障碍物的远近程度(实际的,当一个物体a对另一个物体b遮挡的程度较高时,可以反映被遮挡物体b与上述车辆的距离相比于物体a与上述车辆的距离更远)。上述预定条件可以是:障碍物图像信息包括的障碍物属性,即障碍物尺寸值大于预定尺寸阈值(例如,2立方米),以及障碍物图像信息包括的障碍物遮挡度小于预定遮挡阈值(例如,20%)。
步骤204,基于目标障碍物图像组和与目标障碍物图像组中各个目标障碍物图像对应的障碍物图像信息,生成障碍物信息组。
在一些实施例中,上述执行主体可以基于上述目标障碍物图像组和与上述目标障碍物图像组中各个目标障碍物图像对应的障碍物图像信息,生成障碍物信息组。其中,上述目标障碍物图像信息可以包括:预估障碍物距离值,对目标障碍物的两个观测角度值和障碍物尺寸(例如,长度)。利用三角测量法,生成目标障碍物测量距离值。将上述预估障碍物距离值和上述目标障碍物测量距离值之和的平均值确定为目标障碍物的实际距离值,以及将实际距离值和单目相机拍摄图像的时间间隔输入至速度计算公式(例如,速度等于路程除以时间)生成目标障碍物的速度值。最后,可以将上述目标障碍物的实际距离值和速度值作为障碍物信息。由于上述障碍物图像与障碍物图像信息相对应。因此,上述目标障碍物图像组中的各个目标障碍物图像也分别对应一个障碍物图像信息。
可选的,上述执行主体还可以将上述障碍物信息组发送至上述车辆的控制终端。以供上述车辆的控制终端控制上述车辆进行避障操作。
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信息生成方法,可以提高生成障碍物的距离信息和速度信息的准确性。具体来说,造成生成的障碍物的距离信息和速度信息准确度较低的原因在于:由于地面并不会是理想的平面状态,车辆在实际行驶过程中,会存在颠簸的现象,因此,导致以地面为水平状态为假设前提所预估的障碍物的信息与真实信息之间的误差较大。基于此,本公开的一些实施例的障碍物信息生成方法,引入了障碍物检测模型,可以用于检测障碍物图像以生成障碍物图像信息。由于可以对障碍物检测模型的训练样本加入识别颠簸情况的特征,使得训练完成的障碍物检测模型可以识别处于颠簸状态的图像中的特征,以生成障碍物图像信息。从而,相比于常用方法中不考虑颠簸的现象所生成的障碍物图像信息,上述实现方式考虑了处于颠簸状态的图像中的特征,因此可以降低生成的障碍物图像信息与障碍物的真实信息之间的误差。最后,可以根据生成的障碍物图像信息生成障碍物的距离值和速度值,作为障碍物信息。也因为有了障碍物检测模型的参与,可以提高生成的障碍物图像信息的准确度。由此,可以提高生成障碍物距离值的准确度。从而,可以提高生成的障碍物速度值的准确度。进而,将生成的障碍物信息用于自动驾驶时,可以降低自动驾驶车辆行驶过程中的危险性。
进一步参考图3,其示出了障碍物信息生成方法的另一些实施例的流程300。该障碍物信息生成方法的流程300,包括以下步骤:
步骤301,获取车辆中的单目相机拍摄的图像。
步骤302,将图像输入至预设的障碍物检测模型中,得到障碍物图像组和与上述障碍物图像组对应的障碍物图像信息组。
步骤303,基于障碍物图像信息组,从障碍物图像组中选出满足预定条件的障碍物图像作为目标障碍物图像,得到目标障碍物图像组。
在一些实施例中,步骤301-303的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-203,在此不再赘述。
步骤304,将障碍物图像信息组中与目标障碍物图像组中每个目标障碍物图像对应的障碍物图像信息确定为目标障碍物图像信息,得到目标障碍物图像信息组。
在一些实施例中,上述执行主体可以将上述障碍物图像信息组中与上述目标障碍物图像组中每个目标障碍物图像对应的障碍物图像信息确定为目标障碍物图像信息,得到目标障碍物图像信息组。其中,上述障碍物图像信息组中的每个障碍物图像信息是障碍物图像输入至上述障碍物检测模型生成的。因此,上述障碍物图像信息组中的障碍物图像信息与上述障碍物图像组中的每个障碍物图像相对应。由于上述目标障碍物图像是从上述障碍物图像组中选出的。因此,也可以对应上述障碍物图像信息组中一个障碍物图像信息。
步骤305,基于目标障碍物图像组和目标障碍物图像信息组,生成障碍物信息组。
在一些实施例中,上述执行主体可以基于上述目标障碍物图像组和上述目标障碍物图像信息组,生成障碍物信息组。其中,上述目标障碍物图像信息可以包括但不限于以下至少一项:障碍物的尺寸、障碍物的遮挡度和预估障碍物距离值。可以通过以下步骤生成障碍物信息组中的每个障碍物信息:
第一步,将上述障碍物的尺寸输入至预设的障碍物尺寸分段函数,生成障碍物尺寸参数。其中,上述障碍物尺寸分段函数可以针对不同数值的尺寸,生成对应的障碍物尺寸负参数值(例如,尺寸越小,输出的尺寸负参数值越大)。该障碍物尺寸负参数值可以用于调整预估障碍物距离值。实际的,障碍物的尺寸越小,可以表明障碍物距离上述车辆的距离越远。对距离越远,尺寸越小的障碍物的特征信息提取难度越高。因此,上述障碍物检测模型对尺寸越小的障碍物检测后生成的预估障碍物距离值的精确度越低。从而,引入了障碍物尺寸分段函数,对尺寸越小的障碍物的距离值生成一个较大的障碍物尺寸负参数值。进而,可以适当的减小预估障碍物距离值,使得实际应用中自动驾驶车辆依据较小的预估障碍物距离值,可以提前进行障碍物避障操作。提高自动驾驶车辆的安全程度。
第二步,将上述障碍物的遮挡度输入至预设的障碍物遮挡度分段函数,生成障碍物遮挡度参数。其中,上述障碍物遮挡度分段函数可以针对输入的障碍物遮挡度生成对应的障碍物遮挡度负参数值(例如,障碍物遮挡度越小,输出的尺寸负参数值越大)。该障碍物遮挡度负参数值可以用于调整上述预估障碍物距离值。实际的,由于障碍物的遮挡度越高,可以表示被遮挡物体的特征信息提取难度越高,上述障碍物检测模型生成的预估障碍物距离值的精确度越低。从而,引入了障碍物遮挡度分段函数,对障碍物遮挡程度越高的障碍物生成一个较大的障碍物遮挡度负参数值。进而,可以适当的减小预估障碍物距离值,使得实际应用中自动驾驶车辆依据较小的预估障碍物距离值,可以提前进行障碍物避障操作。提高自动驾驶车辆的安全程度。
第三步,将上述预估障碍物距离值与上述障碍物尺寸参数和上述障碍物遮挡度参数的差值确定为障碍物距离,以作为障碍物信息。
在一些实施例的一些可选的实现方式中,上述障碍物图像信息组中的障碍物图像信息还可以包括:障碍物关键点坐标矩阵,障碍物图像坐标,障碍物旋转矩阵,障碍物遮挡度,上述单目相机的内参矩阵和外参矩阵;以及上述执行主体基于目标障碍物图像组和目标障碍物图像信息组,生成障碍物信息组,可以包括以下步骤:
基于上述目标障碍物图像组和上述目标障碍物图像信息组中目标障碍物图像信息包括的障碍物关键点坐标矩阵,障碍物的图像坐标,障碍物旋转矩阵,上述单目相机的内参矩阵和外参矩阵,生成障碍物平移向量组。其中,基于上述目标障碍物图像和上述目标障碍物图像信息包括的障碍物关键点坐标矩阵,障碍物的图像坐标,障碍物旋转矩阵,上述单目相机的内参矩阵和外参矩阵,通过以下公式生成障碍物平移向量中的横坐标值,纵坐标值和竖坐标值:
其中,
表示上述内参矩阵。
表示单位矩阵。
表示上述障碍物旋转矩阵。
表示上述障碍物关键点坐标矩阵中的障碍物关键点横坐标向量。
表示上述障碍物关键点坐标矩阵中的障碍物关键点纵坐标向量。
表示上述目标障碍物在上述单目相机的相机坐标系中的平移向量。
表示上述目标障碍物在上述单目相机的相机坐标系中的障碍物平移向量的横坐标值。
表示上述目标障碍物在上述单目相机的相机坐标系中的障碍物平移向量的纵坐标值。
表示上述目标障碍物在上述单目相机的相机坐标系中的障碍物平移向量的竖坐标值。
表示投影后的二维坐标。
表示投影后的二维坐标的横坐标。
表示投影后的二维坐标的纵坐标。
表示上述障碍物的图像坐标。
表示上述障碍物的图像坐标的横坐标值。
表示上述障碍物的图像坐标的纵坐标值。
具体的,上述图像坐标系可以是:以上述图像的左上角为原点,过原点重合于图像上边框向右的方向为横轴,过原点重合于左边框向下的方向为纵轴建立的图像坐标系。上述单目相机的相机坐标系可以是以单目相机的光心为原点,过原点的相机主光轴方向为竖轴,过原点水平向右的方向为纵轴,过原点垂直向下的方向为横轴建立的相机坐标系。上述障碍物关键点坐标矩阵可以用于表征上述目标障碍物在相机坐标系中的多个拟合顶点的三维坐标组成的坐标矩阵。上述多个拟合顶点可以是将目标障碍物拟合为立方体后得到的八个顶点。上述障碍物关键点坐标向量可以是上述障碍物关键点坐标矩阵中的一列数据。那么,障碍物关键点横坐标向量可以是上述障碍物关键点坐标矩阵中表示横坐标位置的一列数据。障碍物关键点纵坐标向量可以是上述障碍物关键点坐标矩阵中表示纵坐标位置的一列数据。上述单位矩阵可以是3乘3的单位矩阵。上述障碍物的图像坐标可以是上述目标障碍物图像的中心点在单目相机拍摄的图像中的坐标。
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“仅仅利用三角测量法测量障碍物的距离信息,未考虑影响测量障碍物的距离的因素(例如,相机的参数),从而,导致生成的障碍物的距离信息准确度较低,进而,导致生成的速度信息的准确度较低”。导致生成的障碍物的距离信息准确度较低的因素往往如下:仅仅利用三角测量法测量障碍物的距离信息,未考虑影响测量障碍物的距离的因素(例如,相机的参数)。如果解决了上述因素,就能提高生成的障碍物的距离信息准确度。为了达到这一效果,首先,考虑了在实际情况中,障碍物图像的二维坐标与三维坐标之间的坐标转换需要单目相机的内参矩阵和外参矩阵的参与。因此,上述公式引入了单目相机的内参矩阵和外参矩阵。然后,加入了单位矩阵参与运算,使得对应位置的数据不为零。接着,通过对障碍物图像的二维坐标与三维坐标之间的坐标转换,使得根据障碍物图像的二维横坐标和纵坐标,可以确定障碍物在三维坐标中的平移向量。因此,通过二维坐标与三维坐标之间相互转换的方式生成的障碍物平移向量,相比于三角测量法更加准确。从而,可以提高生成的障碍物的距离信息准确度。进而,提高生成的速度信息的准确度。
在一些实施例的一些可选的实现方式中,上述执行主体基于目标障碍物图像组和目标障碍物图像信息组,生成障碍物信息组,还可以包括以下步骤:
第一步,基于上述障碍物平移向量组,生成障碍物距离值组和障碍物速度值组。其中,可以将上述障碍物平移向量的模作为障碍物距离值。生成速度值可以是将上述障碍物距离值和预定的时间段输入速度计算公式生成的。上述预定的时间段可以是上述单目相机连续拍摄多个图像时的拍摄时间间隔。也可以是对上述单目相机拍摄的视频进行图像分帧时的每相邻两帧图像之间的时间间隔。
第二步,将上述障碍物距离值组和上述障碍物速度值组确定为障碍物信息组。其中,上述障碍物信息组中的每个障碍物信息可以包括障碍物距离值中的一个障碍物距离值和上述障碍物速度值组中与该障碍物距离值对应的障碍物速度值。障碍物距离值可以通过障碍物名称与障碍物速度值相对应。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的障碍物信息生成方法的流程300体现了生成障碍物信息的步骤。首先,考虑了在实际情况中,障碍物图像的二维坐标与三维坐标之间的坐标转换需要单目相机的内参矩阵和外参矩阵的参与。因此,上述公式引入了单目相机的内参矩阵和外参矩阵。然后,加入了单位矩阵参与运算,使得对应位置的数据不为零。接着,通过对障碍物图像的二维坐标与三维坐标之间的坐标转换,使得根据障碍物图像的二维横坐标和纵坐标,可以确定障碍物在三维坐标中的平移向量。因此,通过二维坐标与三维坐标之间相互转换的方式生成的障碍物平移向量,相比于三角测量法更加准确。从而,可以提高生成的障碍物的距离信息准确度。进而,可以提高生成的速度信息的准确度。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种障碍物信息生成装置的一些实施例,这些装置实施例与图2所示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4所示,一些实施例的障碍物信息生成装置400包括:获取单元401、输入单元402、选择单元403和生成单元404。其中,获取单元401,被配置成获取车辆中的单目相机拍摄的图像;输入单元402,被配置成将上述图像输入至预设的障碍物检测模型中,得到障碍物图像组和对应的障碍物图像信息组;选择单元403,被配置成基于上述障碍物图像信息组,从上述障碍物图像组中选出满足预定条件的障碍物图像作为目标障碍物图像,得到目标障碍物图像组;生成单元404,被配置成基于上述目标障碍物图像组和与上述目标障碍物图像组中各个目标障碍物图像对应的障碍物图像信息,生成障碍物信息组。
可以理解的是,该装置400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400及其中包含的单元,在此不再赘述。
下面参考图5,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)500的结构示意图。图5示出的电子设备仅仅是一个示例,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5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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5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509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501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的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:获取车辆中的单目相机拍摄的图像;将上述图像输入至预设的障碍物检测模型中,得到障碍物图像组和对应的障碍物图像信息组;基于上述障碍物图像信息组,从上述障碍物图像组中选出满足预定条件的障碍物图像作为目标障碍物图像,得到目标障碍物图像组;基于上述目标障碍物图像组和与上述目标障碍物图像组中各个目标障碍物图像对应的障碍物图像信息,生成障碍物信息组。
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一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、输入单元、选择单元、生成单元。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“获取车辆中的单目相机拍摄的图像的单元”。
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案。