CN112861831A - 一种目标物的识别方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书公开了一种目标物的识别方法、装置、存储介质及电子设备，本说明书实施例一方面将无人设备采集的图像输入识别模型，使识别模型提取整个图像的图像特征，另一方面根据采集该图像时的位姿以及待识别目标物的实际位置，确定待识别目标物在该图像中所应该出现的位置，最后根据待识别目标物在该图像中应该出现的位置，从整个图像的图像特征中提取出部分特征，并根据提取出的部分特征对待识别目标物进行识别，由此可大幅降低图像中不存在待识别目标物的部分对识别过程所产生的干扰，提高了识别精度。

Description

一种目标物的识别方法、装置、存储介质及电子设备

技术领域

本说明书涉及自动驾驶技术领域，尤其涉及一种目标物的识别方法、装置、存储介质及电子设备。

背景技术

在自动驾驶技术中，感知是一个重要的环节。在感知过程中，对诸如障碍物、车道线等目标物进行识别成为感知过程的重要组成部分。下面以对车道线进行感知为例进行说明。

在对无人设备进行定位时，通常需要先通过全球定位系统（Global PositioningSystem，GPS）对无人设备进行初始定位，再从无人设备实时采集的图像中识别出车道线，并确定识别出的车道线的位置，然后将确定的车道线的位置与高精地图中相应的车道线的位置进行对比，最后根据对比结果对初始定位进行修正，以得到最终的定位结果。

在现有技术中，识别车道线时，需要将无人设备采集的图像输入预先训练的识别模型，通过识别模型从输入的图像中提取图像特征，再根据图像特征确定出图像中的车道线的位置参数（如截距、斜率、起点坐标、终点坐标等），最后根据车道线的位置参数拟合出车道线，作为识别结果。

但是，现有技术通过识别模型识别图像中的车道线时，由于车道线通常只占整个图像很小的一部分，而识别模型从图像中提取图像特征时，则提取了整个图像的图像特征，在确定车道线的位置参数时，也根据整个图像的图像特征确定位置参数，因此，图像中不存在车道线的部分就会对车道线的识别产生干扰，使得识别结果的准确性降低。

发明内容

本说明书实施例提供一种目标物的识别方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种目标物的识别方法，包括：

获取无人设备采集的图像；

将所述图像输入预先训练的识别模型中的特征提取模块，得到所述特征提取模块提取的图像特征；

根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置；

根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，作为指定特征；

将所述指定特征输入所述识别模型中的识别模块，得到所述识别模块对所述待识别目标物的识别结果。

可选地，根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置，具体包括：

根据所述无人设备采集所述图像时的位姿，确定所述图像对应的图像坐标系；

根据所述待识别目标物的实际位置以及所述图像坐标系，确定所述实际位置映射到所述图像坐标系中的图像坐标，作为所述待识别目标物在所述图像中出现的位置。

可选地，根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，具体包括：

根据所述待识别目标物在所述图像中出现的位置，确定所述待识别目标物在所述图像中所在的区域；

根据所述区域，确定对应于所述图像的掩膜矩阵；

根据所述掩膜矩阵，在所述图像特征中提取部分特征。

可选地，根据所述待识别目标物在所述图像中出现的位置，确定所述待识别目标物在所述图像中所在的区域，具体包括：

根据所述待识别目标物在所述图像中出现的位置，在所述图像中，确定所述待识别目标物在所述图像中出现的位置的邻域区域，作为所述待识别目标物在所述图像中所在的区域；其中，所述邻域区域包含所述待识别目标物在所述图像中出现的位置。

可选地，根据所述区域，确定对应于所述图像的掩膜矩阵，具体包括：

将所述掩膜矩阵中对应于所述区域中的像素的元素置为第一权重，将所述掩膜矩阵中不对应于所述区域中的像素的元素置为第二权重，得到对应于所述图像的掩膜矩阵；其中，所述第一权重大于所述第二权重。

可选地，根据所述区域，确定对应于所述图像的掩膜矩阵，具体包括：

针对所述掩膜矩阵中对应于所述区域中的像素的每个元素，根据该元素对应的像素的图像坐标与所述待识别目标物在所述图像中出现的位置的距离，将该元素置为指定权重，其中，所述指定权重与所述距离负相关。

可选地，预先训练识别模型，具体包括：

将样本图像输入识别模型中的特征提取模块，得到所述特征提取模块提取的样本图像特征；

根据采集所述样本图像时的位姿以及样本目标物的实际位置，确定样本目标物在所述样本图像中出现的位置；

根据所述样本目标物在所述样本图像中出现的位置，在所述样本图像中提取部分特征，作为指定样本特征；

将所述指定样本特征输入所述识别模型中的识别模块，得到所述识别模块对所述样本目标物的识别结果；

根据对所述样本目标物的识别结果与所述样本图像中所述样本目标物的标注的差异，对所述识别模型进行训练。

可选地，所述待识别目标物包括静态目标物；

所述静态目标物包括车道线。

本说明书提供的一种目标物的识别装置，所述装置包括：

获取模块，用于获取无人设备采集的图像；

输入模块，用于将所述图像输入预先训练的识别模型中的特征提取模块，得到所述特征提取模块提取的图像特征；

投影模块，用于根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置；

提取模块，用于根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，作为指定特征；

输出模块，用于将所述指定特征输入所述识别模型中的识别模块，得到所述识别模块对所述待识别目标物的识别结果。

本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的目标物的识别方法。

本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的目标物的识别方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本说明书实施例一方面将无人设备采集的图像输入识别模型，使识别模型提取整个图像的图像特征，另一方面根据采集该图像时的位姿以及待识别目标物的实际位置，确定待识别目标物在该图像中所应该出现的位置，最后根据待识别目标物在该图像中应该出现的位置，从整个图像的图像特征中提取出部分特征，并根据提取出的部分特征对待识别目标物进行识别，由此可大幅降低图像中不存在待识别目标物的部分对识别过程所产生的干扰，提高了识别精度。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书实施例提供的目标物的识别方法示意图；

图2为本说明书实施例提供的车道线在无人设备采集的图像中出现的位置的示意图；

图3为本说明书实施例提供的车道线在图像中出现的位置的领域区域的示意图；

图4为本说明书实施例提供的训练识别模型的方法示意图；

图5为本说明书实施例提供的一种目标物的识别装置结构示意图；

图6为本说明书实施例提供的电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书实施例提供的目标物的识别方法示意图，包括：

S100：获取无人设备采集的图像。

本说明书中所述的无人设备具体可以是用于执行配送任务的无人设备，包括无人车和无人机。所述的配送任务包括即时配送任务和非即时配送任务。需要说明的是，所述的无人设备是指可无人驾驶的设备，但这并不意味着无人设备不能载人。

本说明书提供的识别方法需要从无人设备采集的图像中识别出待识别目标物，因此，可先获取无人设备采集的图像。所述的图像具体可以是视觉图像。

在本说明书实施例中，既可由无人设备自身执行如图1所示的识别方法，以从自身采集的图像中识别出待识别图像，也可由诸如服务器等其他设备执行如图1所示的方法，以从无人设备采集的图像中识别出待识别设备。

所获取的无人设备采集的图像既可以是无人设备当前采集的图像，也可以是无人设备历史上采集的图像。本说明书对无人设备何时采集图像以及如何采集图像并不限制。

S102：将所述图像输入预先训练的识别模型中的特征提取模块，得到所述特征提取模块提取的图像特征。

在本说明书实施例中，所述的识别模型可至少包括特征提取模块和识别模块，特征提取模块和识别模块各自均包含至少一个处理层。特征提取模块用于从输入的图像中提取图像特征，识别模块用于根据输入的图像特征从图像中识别待识别目标物，并输出识别结果。则通过步骤S100获取到无人设备采集的图像后，可将该图像输入到上述特征提取模块中，得到特征提取模块提取的图像特征。具体的，若无人设备采集的图像为视觉图像，则该特征提取模块中包含的处理层可以是3通道的处理层。

需要说明的是，特征提取模块提取出的图像特征仍然是输入的整个图像的图像特征。

S104：根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置。

在本说明书实施例中，可在无人设备采集上述图像时，对无人设备进行初始定位，得到无人设备采集上述图像时的位姿。如，可采用GPS或惯性测量单元（InertialMeasurement Unit，IMU）对无人设备进行初始定位，该初始定位并不准确。

对于待识别目标物的实际位置，则可通过预先保存的高精地图进行确定。具体的，可先根据无人设备采集上述图像时的位姿，在高精地图中确定无人设备在采集上述图像时的采集范围，再在高精地图包含的各目标物中，确定位于该采集范围内的目标物，作为待识别目标物，最后在高精地图中确定待识别目标物的实际位置。也就是说，根据无人设备采集上述图像时的位姿，确定无人设备采用该位姿所能采集到的目标物，即为待识别目标物。

其中，本说明书中所述的待识别目标物具体可以是静态目标物，所谓的静态目标物是指不具备改变自身位置和/或姿态的能力的目标物，如建筑物、数目、车道线等。本说明书下面以待识别目标物为车道线为例进行说明，则如图1所示的目标物的识别方法即为：车道线的检测方法。

得到了无人设备采集图像时的位姿以及车道线的实际位置后，可根据无人设备采集图像时的位姿，确定该图像对应的图像坐标系，再根据车道线的实际位置以及图像坐标系，确定该实际位置映射到图像坐标系中的图像坐标，作为车道线在该图像中出现的位置。也即，可将车道线在世界坐标系下的实际位置投影到无人设备采集的图像对应的图像坐标系中，即可得到在以初始定位确定出的位姿采集图像时，该车道线在采集到的图像中本应出现在的位置，如图2所示。

图2为本说明书实施例提供的车道线在无人设备采集的图像中出现的位置的示意图，在图2中，实线所示的车道线为无人设备采集到的图像中实际采集到的车道线，虚线所示的车道线为根据车道线在世界坐标系下的实际位置，投影到该图像的图像坐标系中的车道线，二者之所以产生偏差，就是因为将车道线在世界坐标系下的实际位置投影到图像坐标系中时，所基于的是对无人设备初始定位出的位姿（无人设备采集该图像时的位姿），而初始定位的位姿并不准确，因此，二者会产生一定的偏差。

需要说明的是，步骤S104与步骤S100~S102的执行顺序不分先后。

S106：根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，作为指定特征。

在通过步骤S104确定出车道线在图像中出现的位置后，可据此确定车道线在图像中所在的区域，再根据该区域，确定对应于该图像的掩膜矩阵，最后通过掩膜矩阵，从步骤S102得到的整个图像的图像特征中，提取部分特征，作为指定特征。

具体的，在确定车道线在该图像中所在的区域时，可根据车道线在该图像中出现的位置，在该图像中，确定该车道线在该图像中出现的位置的邻域区域，作为车道线在该图像中所在的区域。其中，该领域区域至少包含车道线在该图像中出现的位置。

其中，在确定上述邻域区域时，可将与车道线在该图像中出现的位置的距离在设定距离范围内的区域，确定为该车道线在该图像中出现的位置的邻域区域，如图3所示。

图3为本说明书实施例提供的车道线在图像中出现的位置的领域区域的示意图，在图3中，与图2相同，虚线所示的车道线为：将车道线在世界坐标系中的实际位置投影到图像坐标系中后，该车道线在图像中出现的位置。以该车道线在图像中出现的位置为中心，就该位置的距离在设定数量个像素点以内的区域，即为该车道线在图像中出现的位置的邻域区域，邻域区域在图3中以点线表示。

确定出车道线在该图像中所在的区域后，则可创建与该图像的尺寸相同的掩膜矩阵，例如，该图像为n×m像素的尺寸，则掩膜矩阵的维度也同样是n×m。然后，确定掩膜矩阵中各元素与该图像中各像素的对应关系，即，掩膜矩阵中第i行第j列的元素与该图像中第i行第j列的像素相对应，再将掩膜矩阵中对应于上述区域（即车道线在该图像中所在的区域）中的像素的元素设置为第一权重，将掩膜矩阵中不对应于该区域中的像素的元素设置为第二权重，得到对应于该图像的掩膜矩阵。其中，第一权重大于第二权重，如，第一权重可设置为1，第二权重可设置为0。

得到上述掩膜矩阵后，则可根据该掩膜矩阵，在步骤S102得到的整个图像的图像特征中提取出部分特征。具体的，可将上述掩膜矩阵与步骤S102得到的整个图像的图像特征进行点乘，将得到的结果作为提取出的部分特征，即指定特征。当上述第一权重设置为1，第二权重设置为0时，将上述掩膜矩阵与整个图像的图像特征进行点乘，实质上相当于只提取了整个图像中车道线在该图像中所在的区域的图像特征，剔除了除该区域以外的图像特征。

S108：将所述指定特征输入所述识别模型中的识别模块，得到所述识别模块对所述待识别目标物的识别结果。

通过上述步骤S106提取出指定特征后，可将提取出的指定特征输入到识别模型中的识别模块，通过该识别模块中包含的处理层，对图像中的车道线进行识别。识别结果即为无人设备采集到的该图像中实际采集的车道线在该图像中所在的位置。后续的，可根据对该车道线的识别结果以及步骤S104确定出的该车道线在该图像中所在的位置，对无人设备采集该图像时的位姿进行修正，以达到精确定位无人设备的目的。

由于上述识别方法从整个图像的图像特征中只提取了车道线在图像中所在的区域的图像特征，剔除了除该区域以外的图像特征，因此，在通过识别模型中的识别模块识别车道线时，可大幅降低图像中不存在车道线的部分对识别过程产生的干扰，提高了识别精度。

进一步的，在上述步骤S106中，得到车道线在图像中所在的区域后，根据该区域确定掩膜矩阵时，除了直接将掩膜矩阵中位于该区域内的元素设置为第一权重，将其他元素设置为第二权重以外，还可采用更加平滑准确的方法确定掩膜矩阵。

具体的，创建与该图像的尺寸相同的掩膜矩阵后，可针对掩膜矩阵中对应于该区域中的像素的每个元素，根据该元素对应的像素的图像坐标与车道线在该图像中出现的位置的距离，将该元素置为指定权重，其中，该指定权重与距离呈负相关。即，对于掩膜矩阵中位于该区域内的每个元素，元素与车道线的位置的距离越近，指定权重越大，距离越远，指定权重越小。

针对掩膜矩阵中不对应于该区域中的像素的每个元素，则可直接将该元素置为上述第二权重，其中，第二权重小于所述的指定权重的最小值。

另外，对于包括上述特征提取模块和识别模块的识别模型，可采用如图4所示的方法对该识别模型进行有监督的训练：

S400：将样本图像输入识别模型中的特征提取模块，得到所述特征提取模块提取的样本图像特征。

其中，可预先对样本图像进行标注，即，标注该样本图像中的待识别目标物（车道线）。

S402：根据采集所述样本图像时的位姿以及样本目标物的实际位置，确定样本目标物在所述样本图像中出现的位置。

其中，步骤S400与步骤S402的执行顺序不分先后。

S404：根据所述样本目标物在所述样本图像中出现的位置，在所述样本图像中提取部分特征，作为指定样本特征。

S406：将所述指定样本特征输入所述识别模型中的识别模块，得到所述识别模块对所述样本目标物的识别结果。

S408：根据对所述样本目标物的识别结果与所述样本图像中所述样本目标物的标注的差异，对所述识别模型进行训练。

具体的，以对样本目标物的识别结果与样本目标物的标注的差异最小化为训练目标，对识别模型进行训练。其中，对样本目标物的识别结果为样本图像中实际采集到的样本目标物在该样本图像中所在的位置，则样本目标物的识别结果与样本目标物的标注的差异可通过识别结果与标注的距离和/或交并比进行表征。

以上为以待识别目标物为车道线为例进行说明的，当然，本说明书中待识别目标物还可以是其他的静态目标物，如信号灯、建筑物等，这里就不再一一赘述。

基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。

图5为本说明书实施例提供的一种目标物的识别装置结构示意图，所述装置包括：

获取模块501，用于获取无人设备采集的图像；

输入模块502，用于将所述图像输入预先训练的识别模型中的特征提取模块，得到所述特征提取模块提取的图像特征；

投影模块503，用于根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置；

提取模块504，用于根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，作为指定特征；

输出模块505，用于将所述指定特征输入所述识别模型中的识别模块，得到所述识别模块对所述待识别目标物的识别结果。

可选地，所述投影模块503具体用于，根据所述无人设备采集所述图像时的位姿，确定所述图像对应的图像坐标系；根据所述待识别目标物的实际位置以及所述图像坐标系，确定所述实际位置映射到所述图像坐标系中的图像坐标，作为所述待识别目标物在所述图像中出现的位置。

可选地，所述提取模块504具体用于，根据所述待识别目标物在所述图像中出现的位置，确定所述待识别目标物在所述图像中所在的区域；根据所述区域，确定对应于所述图像的掩膜矩阵；根据所述掩膜矩阵，在所述图像特征中提取部分特征。

可选地，所述提取模块504具体用于，根据所述待识别目标物在所述图像中出现的位置，在所述图像中，确定所述待识别目标物在所述图像中出现的位置的邻域区域，作为所述待识别目标物在所述图像中所在的区域；其中，所述邻域区域包含所述待识别目标物在所述图像中出现的位置。

可选地，所述提取模块504具体用于，将所述掩膜矩阵中对应于所述区域中的像素的元素置为第一权重，将所述掩膜矩阵中不对应于所述区域中的像素的元素置为第二权重，得到对应于所述图像的掩膜矩阵；其中，所述第一权重大于所述第二权重。

可选地，所述提取模块504具体用于，针对所述掩膜矩阵中对应于所述区域中的像素的每个元素，根据该元素对应的像素的图像坐标与所述待识别目标物在所述图像中出现的位置的距离，将该元素置为指定权重，其中，所述指定权重与所述距离负相关。

可选地，所述方法还包括：

训练模块506，用于将样本图像输入识别模型中的特征提取模块，得到所述特征提取模块提取的样本图像特征；根据采集所述样本图像时的位姿以及样本目标物的实际位置，确定样本目标物在所述样本图像中出现的位置；根据所述样本目标物在所述样本图像中出现的位置，在所述样本图像中提取部分特征，作为指定样本特征；将所述指定样本特征输入所述识别模型中的识别模块，得到所述识别模块对所述样本目标物的识别结果；根据对所述样本目标物的识别结果与所述样本图像中所述样本目标物的标注的差异，对所述识别模型进行训练。

可选地，所述待识别目标物包括静态目标物；

所述静态目标物包括车道线。

本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述提供的目标物的识别方法。

基于上述提供的目标物的识别方法，本说明书实施例还提供了图6所示的电子设备的结构示意图。如图6，在硬件层面，该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述的目标物的识别方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种目标物的识别方法，其特征在于，包括：

获取无人设备采集的图像；

将所述图像输入预先训练的识别模型中的特征提取模块，得到所述特征提取模块提取的图像特征；

根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置；

根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，作为指定特征；

将所述指定特征输入所述识别模型中的识别模块，得到所述识别模块对所述待识别目标物的识别结果。

2.如权利要求1所述的方法，其特征在于，根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置，具体包括：

根据所述无人设备采集所述图像时的位姿，确定所述图像对应的图像坐标系；

根据所述待识别目标物的实际位置以及所述图像坐标系，确定所述实际位置映射到所述图像坐标系中的图像坐标，作为所述待识别目标物在所述图像中出现的位置。

3.如权利要求1所述的方法，其特征在于，根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，具体包括：

根据所述待识别目标物在所述图像中出现的位置，确定所述待识别目标物在所述图像中所在的区域；

根据所述区域，确定对应于所述图像的掩膜矩阵；

根据所述掩膜矩阵，在所述图像特征中提取部分特征。

4.如权利要求3所述的方法，其特征在于，根据所述待识别目标物在所述图像中出现的位置，确定所述待识别目标物在所述图像中所在的区域，具体包括：

根据所述待识别目标物在所述图像中出现的位置，在所述图像中，确定所述待识别目标物在所述图像中出现的位置的邻域区域，作为所述待识别目标物在所述图像中所在的区域；其中，所述邻域区域包含所述待识别目标物在所述图像中出现的位置。

5.如权利要求3所述的方法，其特征在于，根据所述区域，确定对应于所述图像的掩膜矩阵，具体包括：

将所述掩膜矩阵中对应于所述区域中的像素的元素置为第一权重，将所述掩膜矩阵中不对应于所述区域中的像素的元素置为第二权重，得到对应于所述图像的掩膜矩阵；其中，所述第一权重大于所述第二权重。

6.如权利要求3所述的方法，其特征在于，根据所述区域，确定对应于所述图像的掩膜矩阵，具体包括：

针对所述掩膜矩阵中对应于所述区域中的像素的每个元素，根据该元素对应的像素的图像坐标与所述待识别目标物在所述图像中出现的位置的距离，将该元素置为指定权重，其中，所述指定权重与所述距离负相关。

7.如权利要求1所述的方法，其特征在于，预先训练识别模型，具体包括：

将样本图像输入识别模型中的特征提取模块，得到所述特征提取模块提取的样本图像特征；

根据采集所述样本图像时的位姿以及样本目标物的实际位置，确定样本目标物在所述样本图像中出现的位置；

根据所述样本目标物在所述样本图像中出现的位置，在所述样本图像中提取部分特征，作为指定样本特征；

将所述指定样本特征输入所述识别模型中的识别模块，得到所述识别模块对所述样本目标物的识别结果；

根据对所述样本目标物的识别结果与所述样本图像中所述样本目标物的标注的差异，对所述识别模型进行训练。

8.如权利要求1~7任一所述的方法，其特征在于，所述待识别目标物包括静态目标物；

所述静态目标物包括车道线。

9.一种目标物的识别装置，其特征在于，包括：

获取模块，用于获取无人设备采集的图像；

输入模块，用于将所述图像输入预先训练的识别模型中的特征提取模块，得到所述特征提取模块提取的图像特征；

投影模块，用于根据所述无人设备采集所述图像时的位姿，以及待识别目标物的实际位置，确定所述待识别目标物在所述图像中出现的位置；

提取模块，用于根据所述待识别目标物在所述图像中出现的位置，在所述图像特征中提取部分特征，作为指定特征；

输出模块，用于将所述指定特征输入所述识别模型中的识别模块，得到所述识别模块对所述待识别目标物的识别结果。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-8任一项所述的方法。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-8任一项所述的方法。

Images