CN113137973A - 一种图像语义特征点真值确定方法及装置 - Google Patents
一种图像语义特征点真值确定方法及装置 Download PDFInfo
- Publication number
- CN113137973A CN113137973A CN202010063191.1A CN202010063191A CN113137973A CN 113137973 A CN113137973 A CN 113137973A CN 202010063191 A CN202010063191 A CN 202010063191A CN 113137973 A CN113137973 A CN 113137973A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- coordinate system
- information
- camera
- standard map
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000013519 translation Methods 0.000 claims abstract description 55
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 230000036544 posture Effects 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 22
- 238000011156 evaluation Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3658—Lane guidance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3667—Display of a road map
- G01C21/367—Details, e.g. road map scale, orientation, zooming, illumination, level of detail, scrolling of road map or positioning of current position marker
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
本发明实施例公开一种图像语义特征点真值确定方法及装置。该方法包括:获取包含待测车辆行驶路段的标准地图;标准地图的精度满足预设条件,标准地图中包括各道路元素在世界坐标系中的三维坐标信息;生成待测车辆在标准地图中的车辆运动轨迹;车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;根据标准地图和车辆运动轨迹,确定每个时刻待测车辆中安装的前置相机视角内的目标道路元素;根据每个目标道路元素的三维坐标信息、前置相机的内参矩阵、以及前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,计算每个目标道路元素投影至相机坐标系的图像坐标。应用本发明实施例提供的方案,能够提高算法评测的准确性。
Description
技术领域
本发明涉及智能驾驶技术领域,具体而言,涉及一种图像语义特征点真值确定方法及装置。
背景技术
在无人驾驶车辆行驶过程中,其需要检测道路上的车道线、交通标志牌等道路元素,从而可以根据检测结果进行地图构建,根据所构建的地图确定行驶路线,保证其行驶的安全性。具体的,可以在车辆安装前置相机,通过检测算法对前置相机采集的图像进行检测,获取到其中包括的图像语义特征点,也即实际道路中的道路元素在图像中的图像坐标。
评测检测算法的精度时,需要准确的图像语义特征点的真值。然而,通过对图像进行检测得到的语义特征点通常为带有噪声的语义特征点,精度较低,从而导致检测算法的评测结果精度较低。因此,为了提高检测算法的评测精度,亟需一种图像语义特征点真值确定方法。
发明内容
本发明提供了一种图像语义特征点真值确定方法及装置,以提高检测算法的评测精度。具体的技术方案如下。
第一方面,本发明实施例提供一种图像语义特征点真值确定方法,所述方法包括:
获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标。
可选的,所述生成所述待测车辆在所述标准地图中的车辆运动轨迹的步骤包括:
获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述生成所述待测车辆在所述标准地图中的车辆运动轨迹的步骤包括:
在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标的步骤包括:
根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
第二方面,本发明实施例提供一种图像语义特征点真值确定方法,所述方法包括:
获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标;
根据预设的白噪声值或平移偏差,对每个所述目标道路元素的图像坐标进行平移。
可选的,所述生成所述待测车辆在所述标准地图中的车辆运动轨迹的步骤包括:
获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述生成所述待测车辆在所述标准地图中的车辆运动轨迹的步骤包括:
在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标的步骤包括:
根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
第三方面,本发明实施例提供一种图像语义特征点真值确定装置,所述装置包括:
地图获取模块,用于获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
轨迹生成模块,用于生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
元素确定模块,用于根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
坐标确定模块,用于根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标。
可选的,所述轨迹生成模块包括:
信息获取子模块,用于获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
信息拟合子模块,用于对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述轨迹生成模块包括:
初始信息设定子模块,用于在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
运动参数设定子模块,用于设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
运动轨迹生成子模块,用于根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述坐标确定模块包括:
像素坐标计算子模块,用于根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
图像坐标确定子模块,用于当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
第四方面,本发明实施例提供一种图像语义特征点真值确定装置,所述装置包括:
地图获取模块,用于获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
轨迹生成模块,用于生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
元素确定模块,用于根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
坐标确定模块,用于根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标;
坐标处理模块,用于根据预设的白噪声值或平移偏差,对每个所述目标道路元素的图像坐标进行平移。
可选的,所述轨迹生成模块包括:
信息获取子模块,用于获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
信息拟合子模块,用于对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述轨迹生成模块包括:
初始信息设定子模块,用于在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
运动参数设定子模块,用于设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
运动轨迹生成子模块,用于根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
可选的,所述坐标确定模块包括:
像素坐标计算子模块,用于根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
图像坐标确定子模块,用于当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
由上述内容可知,本发明实施例提供的图像语义特征点真值确定方法及装置,可以获取包含待测车辆行驶路段的标准地图;标准地图的精度满足预设条件,标准地图中包括各道路元素在世界坐标系中的三维坐标信息;生成待测车辆在标准地图中的车辆运动轨迹;车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;根据标准地图和车辆运动轨迹,确定每个时刻待测车辆中安装的前置相机视角内的目标道路元素;根据每个目标道路元素的三维坐标信息、前置相机的内参矩阵、以及前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,计算每个目标道路元素投影至相机坐标系的图像坐标,因此能够在获取到标准地图并生成车辆运动轨迹后,根据各时刻车辆前置相机视角内的目标道路元素的三维坐标信息,以及预先得到的参数,计算得到目标道路元素投影至相机坐标系的图像坐标,也即能够准确的将目标道路元素的三维坐标信息和对应的图像坐标进行转换,得到的图像坐标即为图像语义特征点真值,基于该语义特征点真值,能够进行准确的算法评测。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括:
1、在获取到标准地图并生成车辆运动轨迹后,根据各时刻车辆前置相机视角内的目标道路元素的三维坐标信息,以及预先得到的参数,计算得到目标道路元素投影至相机坐标系的图像坐标,也即能够准确的将目标道路元素的三维坐标信息和对应的图像坐标进行转换,得到的图像坐标即为图像语义特征点真值,基于该语义特征点真值,能够进行准确的算法评测。
2、相机的内参矩阵为相机的固有参数,相机坐标系和世界坐标系之间的旋转平移矩阵可以通过预先标定得到,通过相机内参矩阵、相机坐标系和世界坐标系之间的旋转平移矩阵可以准确的对目标道路元素的三维坐标和像素坐标进行转换,从而可以提高图像语义特征点真值的精度,进一步提高算法评测的精度。
3、在获取到标准地图并生成车辆运动轨迹后,根据各时刻车辆前置相机视角内的目标道路元素的三维坐标信息,以及预先得到的参数,计算得到目标道路元素投影至相机坐标系的图像坐标,也即能够准确的将目标道路元素的三维坐标信息和对应的图像坐标进行转换,得到的图像坐标即为图像语义特征点真值,基于该语义特征点真值,能够进行准确的算法评测。并且,根据预设的白噪声值或平移偏差,对每个目标道路元素的图像坐标进行平移,从而可以得到丰富的语义特征点数据,便于对算法进行进一步研究。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。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图像语义特征点真值确定方法的一种流程示意图;
图2为确定相机视角内目标道路元素的结果示意图;
图3为本发明实施例提供的图像语义特征点真值确定方法的另一种流程示意图;
图4为本发明实施例提供的图像语义特征点真值确定装置的一种结构示意图;
图5为本发明实施例提供的图像语义特征点真值确定装置的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开了一种图像语义特征点真值确定方法及装置,能够提高检测算法的评测精度。下面对本发明实施例进行详细说明。
评测检测算法的精度,例如评测无人驾驶车辆定位算法的精度时,需要在保证车辆运动的同时,获得图像中的语义特征点信息。在本发明实施例中,可以在获得车辆的运动轨迹,以及相应的地图信息之后,计算得到对应的语义特征点信息。具体的,该方案主要分为三步:一是获得车辆行驶路段的高精度地图;二是生成在高精度地图中的车辆运动轨迹;三是将高精度地图中的语义地理位置信息投影到图片中,获得语义特征点信息。
图1为本发明实施例提供的图像语义特征点真值确定方法的一种流程示意图。该方法应用于电子设备。该方法具体包括以下步骤。
S110:获取包含待测车辆行驶路段的标准地图;标准地图的精度满足预设条件,标准地图中包括各道路元素在世界坐标系中的三维坐标信息。
例如,该标准地图可以为事先获得的、精度较导航地图更高的、包含道路元素的高精度地图。上述道路元素例如可以包括交通标志牌、车道线等对无人驾驶车辆行驶过程有影响作用的元素,本发明实施例不对其具体包含内容作限定。
S120:生成待测车辆在标准地图中的车辆运动轨迹;车辆运动轨迹包括每个时刻的车辆位置和车辆姿态。
生成待测车辆在标准地图中的车辆运动轨迹时,可以采用不用的方式进行。如,可以通过实际采集的GPS信息进行拟合得到,或者,可以通过仿真系统拟合得到。
在一种实现方式中,通过实际采集的GPS信息进行拟合得到车辆运动轨迹时,电子设备可以首先获取实际无人驾驶车辆在行驶路段行驶过程中,无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据道路信息计算无人驾驶车辆的离散轨迹信息;离散轨迹信息包括:时间点、以及各时间点对应的车辆位置和车辆姿态;之后可以对离散轨迹信息进行拟合,得到无人驾驶车辆的轨迹信息,作为待测车辆在标准地图中的车辆运动轨迹。其中,对离散轨迹信息进行拟合时,可以采用已知的任一种拟合算法进行,本发明实施例对此过程不作限定。
在另一种实现方式中,通过仿真系统拟合得到车辆运动轨迹时,电子设备可以首先在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及仿真车辆中所安装传感器的位置;初始经纬度位于行驶路段内;然后设定仿真车辆各时段对应的运动参数;运动参数至少包括:加速度和角速度;之后根据运动参数对仿真车辆进行运动模拟,也就是说,可以根据车辆初始经纬度、初始姿态、仿真车辆中所安装传感器的位置、以及各时段的运动参数,计算得到仿真车辆各时段的位置,进而将各时段对应的车辆位置进行整合得到仿真车辆对应的轨迹信息,作为待测车辆在标准地图中的车辆运动轨迹。
S130:根据标准地图和车辆运动轨迹,确定每个时刻待测车辆中安装的前置相机视角内的目标道路元素。
获得了标准地图和车辆运动轨迹之后,在车辆行驶的每时每刻,我们可以搜索车辆前方的地图信息,也即位于前置相机视角内的目标道路元素。
如图2所示,在任一时刻,只有相机视角内的、且符合一定距离的标准地图中的信息210能被检索到,更远处的道路元素则被忽略。
S140:根据每个目标道路元素的三维坐标信息、前置相机的内参矩阵、以及前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,计算每个目标道路元素投影至相机坐标系的图像坐标。
在检索到了前方一定范围内的目标道路元素之后,可以根据相机模型,将三维世界中的三维点坐标投影至相机平面,这样就可以获得目标道路元素对应的语义特征点信息。
例如,可以根据以下公式,计算每个目标道路元素在相机拍摄图像中的像素坐标p:
p=K·T·P
P为各目标道路元素的三维坐标信息;K为前置相机的内参矩阵;T为前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,T=[R|t],R为相机坐标系和世界坐标系之间的相对旋转,t为相机坐标系和世界坐标系之间的相对平移;
当p=[xp,yp,zp]T,根据以下公式,计算每个目标道路元素投影至相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
也就是说,P是世界坐标系下的三维齐次坐标,即P=[xw,yw,zw,1]T是一四维的向量,前三维表示的是三维空间中的坐标。T=[R|t],表示的是相机和世界坐标系之间的旋转和平移。R表示的是相机坐标系和世界坐标系的相对旋转,是一个3×3的矩阵。t表示的是相机坐标系和世界坐标系的相对平移关系。因此T是一个3×4的矩阵,表示的是将从世界坐标系的表达转换为相机坐标系的表达。T·P表示了将一个点从世界坐标系的表达变为了相机坐标系的表达。
最终所求的p是相机坐标系下的点,表示了这个点在相机拍到的图像的像素坐标。该坐标是齐次坐标p=[xp,yp,zp]T,归一化之后可以得到图像坐标。即,设图像的坐标为[u,v],那么u=xp/zp,v=yp/zp。
在本发明实施例中,目标道路元素的三维信息P已知,如交通标志牌的角点的三维坐标。由于我们知道每时每刻的车辆位置和姿态,相机和世界坐标之间的转换矩阵T已知。前置相机的内参K也已知,当前置相机为实际相机时,可以通过标定得到,当前置相机为仿真的虚拟传感器时,可以通过设置得到。因此我们可以得到语义特征点的虚拟坐标,即其在前置相机拍到的图像的像素坐标。并且进一步的,我们也可以得到各语义特征点的二维坐标和世界坐标系中的三维坐标的对应关系。
相机的内参矩阵为相机的固有参数,相机坐标系和世界坐标系之间的旋转平移矩阵可以通过预先标定得到,通过相机内参矩阵、相机坐标系和世界坐标系之间的旋转平移矩阵可以准确的对目标道路元素的三维坐标和像素坐标进行转换,从而可以提高图像语义特征点真值的精度,进一步提高算法评测的精度。
可以理解,在下一时刻,电子设备可以根据投影关系剔除离开了前置相机视野内的特征点,这些特征点已经观测不到应该移除。
由上述内容可知,本发明实施例提供的图像语义特征点真值确定方法,可以获取包含待测车辆行驶路段的标准地图;标准地图的精度满足预设条件,标准地图中包括各道路元素在世界坐标系中的三维坐标信息;生成待测车辆在标准地图中的车辆运动轨迹;车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;根据标准地图和车辆运动轨迹,确定每个时刻待测车辆中安装的前置相机视角内的目标道路元素;根据每个目标道路元素的三维坐标信息、前置相机的内参矩阵、以及前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,计算每个目标道路元素投影至相机坐标系的图像坐标,因此能够在获取到标准地图并生成车辆运动轨迹后,根据各时刻车辆前置相机视角内的目标道路元素的三维坐标信息,以及预先得到的参数,计算得到目标道路元素投影至相机坐标系的图像坐标,也即能够准确的将目标道路元素的三维坐标信息和对应的图像坐标进行转换,得到的图像坐标即为图像语义特征点真值,基于该语义特征点真值,能够进行准确的算法评测。
图3为本发明实施例提供的图像语义特征点真值确定方法的另一种流程示意图。该方法应用于电子设备。该方法具体包括以下步骤。
S310:获取包含待测车辆行驶路段的标准地图;标准地图的精度满足预设条件,标准地图中包括各道路元素在世界坐标系中的三维坐标信息。
例如,该标准地图可以为事先获得的、精度较导航地图更高的、包含道路元素的高精度地图。
S320:生成待测车辆在标准地图中的车辆运动轨迹;车辆运动轨迹包括每个时刻的车辆位置和车辆姿态。
如,可以通过实际采集的GPS信息进行拟合得到,或者,可以通过仿真系统拟合得到。
S330:根据标准地图和车辆运动轨迹,确定每个时刻待测车辆中安装的前置相机视角内的目标道路元素。
获得了标准地图和车辆运动轨迹之后,在车辆行驶的每时每刻,我们可以搜索车辆前方的地图信息,也即位于前置相机视角内的目标道路元素。
S340:根据每个目标道路元素的三维坐标信息、前置相机的内参矩阵、以及前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,计算每个目标道路元素投影至相机坐标系的图像坐标。
例如,可以根据以下公式,计算每个目标道路元素在相机拍摄图像中的像素坐标p:
p=K·T·P
P为各目标道路元素的三维坐标信息;K为前置相机的内参矩阵;T为前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,T=[R|t],R为相机坐标系和世界坐标系之间的相对旋转,t为相机坐标系和世界坐标系之间的相对平移;
当p=[xp,yp,zp]T,根据以下公式,计算每个目标道路元素投影至相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
S350:根据预设的白噪声值或平移偏差,对每个目标道路元素的图像坐标进行平移。
例如,可以将每个目标道路元素的图像坐标都向同一方向平移预设的白噪声值或平移偏差对应的像素值,或者,将不同的目标道路元素的图像坐标进行不同方式的平移,这都是可以的,本发明实施例对此不作具体限定。
由上述内容可知,本发明实施例中,在获取到标准地图并生成车辆运动轨迹后,根据各时刻车辆前置相机视角内的目标道路元素的三维坐标信息,以及预先得到的参数,计算得到目标道路元素投影至相机坐标系的图像坐标,也即能够准确的将目标道路元素的三维坐标信息和对应的图像坐标进行转换,得到的图像坐标即为图像语义特征点真值,基于该语义特征点真值,能够进行准确的算法评测。并且,根据预设的白噪声值或平移偏差,对每个目标道路元素的图像坐标进行平移,从而可以得到丰富的语义特征点数据,便于对算法进行进一步研究。
上述图3所示方法实施例与前述图1所示方法实施例相类似,与图1所示方法实施例相同的步骤具有同样的技术效果,具体说明参见图1所示方法实施例,此处不再赘述。
如图4所示,本发明实施例提供的一种图像语义特征点真值确定装置,所述装置包括:
地图获取模块410,用于获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
轨迹生成模块420,用于生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
元素确定模块430,用于根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
坐标确定模块440,用于根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标。
作为本发明实施例的一种实施方式,所述轨迹生成模块420包括:
信息获取子模块,用于获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
信息拟合子模块,用于对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
作为本发明实施例的一种实施方式,所述轨迹生成模块420包括:
初始信息设定子模块,用于在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
运动参数设定子模块,用于设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
运动轨迹生成子模块,用于根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
作为本发明实施例的一种实施方式,所述坐标确定模块440包括:
像素坐标计算子模块,用于根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
图像坐标确定子模块,用于当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
由上述内容可知,本发明实施例提供的图像语义特征点真值确定装置,可以获取包含待测车辆行驶路段的标准地图;标准地图的精度满足预设条件,标准地图中包括各道路元素在世界坐标系中的三维坐标信息;生成待测车辆在标准地图中的车辆运动轨迹;车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;根据标准地图和车辆运动轨迹,确定每个时刻待测车辆中安装的前置相机视角内的目标道路元素;根据每个目标道路元素的三维坐标信息、前置相机的内参矩阵、以及前置相机对应的相机坐标系和世界坐标系之间的旋转平移矩阵,计算每个目标道路元素投影至相机坐标系的图像坐标,因此能够在获取到标准地图并生成车辆运动轨迹后,根据各时刻车辆前置相机视角内的目标道路元素的三维坐标信息,以及预先得到的参数,计算得到目标道路元素投影至相机坐标系的图像坐标,也即能够准确的将目标道路元素的三维坐标信息和对应的图像坐标进行转换,得到的图像坐标即为图像语义特征点真值,基于该语义特征点真值,能够进行准确的算法评测。
上述装置实施例与图1所示方法实施例相对应,与图1所示方法实施例具有同样的技术效果,具体说明参见图1所示方法实施例。该装置实施例是基于图1所示方法实施例得到的,具体的说明可以参见图1所示方法实施例部分,此处不再赘述。
如图5所示,本发明实施例提供的一种图像语义特征点真值确定装置,所述装置包括:
地图获取模块510,用于获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
轨迹生成模块520,用于生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
元素确定模块530,用于根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
坐标确定模块540,用于根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标;
坐标处理模块550,用于根据预设的白噪声值或平移偏差,对每个所述目标道路元素的图像坐标进行平移。
作为本发明实施例的一种实施方式,所述轨迹生成模块520包括:
信息获取子模块,用于获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
信息拟合子模块,用于对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
作为本发明实施例的一种实施方式,所述轨迹生成模块520包括:
初始信息设定子模块,用于在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
运动参数设定子模块,用于设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
运动轨迹生成子模块,用于根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
作为本发明实施例的一种实施方式,所述坐标确定模块540包括:
像素坐标计算子模块,用于根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
图像坐标确定子模块,用于当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
由上述内容可知,本发明实施例中,在获取到标准地图并生成车辆运动轨迹后,根据各时刻车辆前置相机视角内的目标道路元素的三维坐标信息,以及预先得到的参数,计算得到目标道路元素投影至相机坐标系的图像坐标,也即能够准确的将目标道路元素的三维坐标信息和对应的图像坐标进行转换,得到的图像坐标即为图像语义特征点真值,基于该语义特征点真值,能够进行准确的算法评测。并且,根据预设的白噪声值或平移偏差,对每个目标道路元素的图像坐标进行平移,从而可以得到丰富的语义特征点数据,便于对算法进行进一步研究。
上述装置实施例与图3所示方法实施例相对应,与图3所示方法实施例具有同样的技术效果,具体说明参见图3所示方法实施例。该装置实施例是基于图3所示方法实施例得到的,具体的说明可以参见图3所示方法实施例部分,此处不再赘述。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种图像语义特征点真值确定方法,其特征在于,所述方法包括:
获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标。
2.根据权利要求1所述的方法,其特征在于,所述生成所述待测车辆在所述标准地图中的车辆运动轨迹的步骤包括:
获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
3.根据权利要求1所述的方法,其特征在于,所述生成所述待测车辆在所述标准地图中的车辆运动轨迹的步骤包括:
在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
4.根据权利要求1所述的方法,其特征在于,所述根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标的步骤包括:
根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
5.一种图像语义特征点真值确定方法,其特征在于,所述方法包括:
获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标;
根据预设的白噪声值或平移偏差,对每个所述目标道路元素的图像坐标进行平移。
6.一种图像语义特征点真值确定装置,其特征在于,所述装置包括:
地图获取模块,用于获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
轨迹生成模块,用于生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
元素确定模块,用于根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
坐标确定模块,用于根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标。
7.根据权利要求6所述的装置,其特征在于,所述轨迹生成模块包括:
信息获取子模块,用于获取实际无人驾驶车辆在所述行驶路段行驶过程中,所述无人驾驶车辆中安装的惯性器件和全球定位系统GPS采集的道路信息,并根据所述道路信息计算所述无人驾驶车辆的离散轨迹信息;所述离散轨迹信息包括:时间点、以及各所述时间点对应的车辆位置和车辆姿态;
信息拟合子模块,用于对所述离散轨迹信息进行拟合,得到所述无人驾驶车辆的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
8.根据权利要求6所述的装置,其特征在于,所述轨迹生成模块包括:
初始信息设定子模块,用于在车辆运动学仿真系统中,设定仿真车辆的初始经纬度、初始姿态、以及所述仿真车辆中所安装传感器的位置;所述初始经纬度位于所述行驶路段内;
运动参数设定子模块,用于设定所述仿真车辆各时段对应的运动参数;所述运动参数至少包括:加速度和角速度;
运动轨迹生成子模块,用于根据所述运动参数对所述仿真车辆进行运动模拟,得到所述仿真车辆对应的轨迹信息,作为所述待测车辆在所述标准地图中的车辆运动轨迹。
9.根据权利要求6所述的装置,其特征在于,所述坐标确定模块包括:
像素坐标计算子模块,用于根据以下公式,计算所述每个目标道路元素在所述相机拍摄图像中的像素坐标p:
p=K·T·P
所述P为各所述目标道路元素的三维坐标信息;所述K为所述前置相机的内参矩阵;所述T为所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,T=[R|t],R为所述相机坐标系和所述世界坐标系之间的相对旋转,t为所述相机坐标系和所述世界坐标系之间的相对平移;
图像坐标确定子模块,用于当p=[xp,yp,zp]T,根据以下公式,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标[u,v]:
u=xp/zp,v=yp/zp。
10.一种图像语义特征点真值确定装置,其特征在于,所述装置包括:
地图获取模块,用于获取包含待测车辆行驶路段的标准地图;所述标准地图的精度满足预设条件,所述标准地图中包括各道路元素在世界坐标系中的三维坐标信息;
轨迹生成模块,用于生成所述待测车辆在所述标准地图中的车辆运动轨迹;所述车辆运动轨迹包括每个时刻的车辆位置和车辆姿态;
元素确定模块,用于根据所述标准地图和所述车辆运动轨迹,确定每个时刻所述待测车辆中安装的前置相机视角内的目标道路元素;
坐标确定模块,用于根据所述每个目标道路元素的三维坐标信息、所述前置相机的内参矩阵、以及所述前置相机对应的相机坐标系和所述世界坐标系之间的旋转平移矩阵,计算所述每个目标道路元素投影至所述相机坐标系的图像坐标;
坐标处理模块,用于根据预设的白噪声值或平移偏差,对每个所述目标道路元素的图像坐标进行平移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063191.1A CN113137973A (zh) | 2020-01-20 | 2020-01-20 | 一种图像语义特征点真值确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063191.1A CN113137973A (zh) | 2020-01-20 | 2020-01-20 | 一种图像语义特征点真值确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113137973A true CN113137973A (zh) | 2021-07-20 |
Family
ID=76808732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010063191.1A Pending CN113137973A (zh) | 2020-01-20 | 2020-01-20 | 一种图像语义特征点真值确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113137973A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088082A (zh) * | 2021-11-01 | 2022-02-25 | 广州小鹏自动驾驶科技有限公司 | 一种地图数据的处理方法和装置 |
CN114111817A (zh) * | 2021-11-22 | 2022-03-01 | 武汉中海庭数据技术有限公司 | 基于slam地图与高精度地图匹配的车辆定位方法及系统 |
CN114332228A (zh) * | 2021-12-30 | 2022-04-12 | 高德软件有限公司 | 数据处理方法、电子设备及计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010151829A (ja) * | 2010-02-12 | 2010-07-08 | Toyota Motor Corp | 自車位置測定装置 |
CN106643690A (zh) * | 2016-09-21 | 2017-05-10 | 中国第汽车股份有限公司 | 用景象识别进行汽车的高精度定位的方法 |
CN107421566A (zh) * | 2017-08-25 | 2017-12-01 | 北京理工大学 | 一种无人车多源传感器信息仿真平台 |
CN108981740A (zh) * | 2018-06-11 | 2018-12-11 | 同济大学 | 一种低能见度条件下的盲驾导航系统及其方法 |
CN109931937A (zh) * | 2019-03-28 | 2019-06-25 | 北京经纬恒润科技有限公司 | 高精导航信息模拟方法及系统 |
CN110415299A (zh) * | 2019-08-02 | 2019-11-05 | 山东大学 | 一种运动约束下基于标准路牌的车辆位置估计方法 |
-
2020
- 2020-01-20 CN CN202010063191.1A patent/CN113137973A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010151829A (ja) * | 2010-02-12 | 2010-07-08 | Toyota Motor Corp | 自車位置測定装置 |
CN106643690A (zh) * | 2016-09-21 | 2017-05-10 | 中国第汽车股份有限公司 | 用景象识别进行汽车的高精度定位的方法 |
CN107421566A (zh) * | 2017-08-25 | 2017-12-01 | 北京理工大学 | 一种无人车多源传感器信息仿真平台 |
CN108981740A (zh) * | 2018-06-11 | 2018-12-11 | 同济大学 | 一种低能见度条件下的盲驾导航系统及其方法 |
CN109931937A (zh) * | 2019-03-28 | 2019-06-25 | 北京经纬恒润科技有限公司 | 高精导航信息模拟方法及系统 |
CN110415299A (zh) * | 2019-08-02 | 2019-11-05 | 山东大学 | 一种运动约束下基于标准路牌的车辆位置估计方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088082A (zh) * | 2021-11-01 | 2022-02-25 | 广州小鹏自动驾驶科技有限公司 | 一种地图数据的处理方法和装置 |
CN114088082B (zh) * | 2021-11-01 | 2024-04-16 | 广州小鹏自动驾驶科技有限公司 | 一种地图数据的处理方法和装置 |
CN114111817A (zh) * | 2021-11-22 | 2022-03-01 | 武汉中海庭数据技术有限公司 | 基于slam地图与高精度地图匹配的车辆定位方法及系统 |
CN114111817B (zh) * | 2021-11-22 | 2023-10-13 | 武汉中海庭数据技术有限公司 | 基于slam地图与高精度地图匹配的车辆定位方法及系统 |
CN114332228A (zh) * | 2021-12-30 | 2022-04-12 | 高德软件有限公司 | 数据处理方法、电子设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110617821B (zh) | 定位方法、装置及存储介质 | |
JP4685313B2 (ja) | 任意の局面の受動的な体積画像の処理方法 | |
CN111065043B (zh) | 一种基于车路通信的隧道内车辆融合定位系统及方法 | |
CN112184890B (zh) | 一种应用于电子地图中的摄像头精准定位方法及处理终端 | |
CN111156998A (zh) | 一种基于rgb-d相机与imu信息融合的移动机器人定位方法 | |
CN113137973A (zh) | 一种图像语义特征点真值确定方法及装置 | |
JP6950832B2 (ja) | 位置座標推定装置、位置座標推定方法およびプログラム | |
CN109300143A (zh) | 运动向量场的确定方法、装置、设备、存储介质和车辆 | |
CN109282813B (zh) | 一种无人艇全局障碍物识别的方法 | |
CN112017236A (zh) | 一种基于单目相机计算目标物位置的方法及装置 | |
JP5214355B2 (ja) | 車両走行軌跡観測システム、車両走行軌跡観測方法、およびそのプログラム | |
CN113532499B (zh) | 无人系统的传感器安全性检测方法、设备及存储介质 | |
CN113240813B (zh) | 三维点云信息确定方法及装置 | |
CN112862818B (zh) | 惯性传感器和多鱼眼相机联合的地下停车场车辆定位方法 | |
CN113740864A (zh) | 基于激光三维点云的探测器软着陆末段自主位姿估计方法 | |
Bikmaev et al. | Improving the accuracy of supporting mobile objects with the use of the algorithm of complex processing of signals with a monocular camera and LiDAR | |
CN112304322B (zh) | 一种视觉定位失效后的重启方法及车载终端 | |
CN116952229A (zh) | 无人机定位方法、装置、系统和存储介质 | |
WO2022133986A1 (en) | Accuracy estimation method and system | |
CN114964276A (zh) | 一种融合惯导的动态视觉slam方法 | |
Cheda et al. | Camera egomotion estimation in the ADAS context | |
Lu et al. | Calibration of multi-sensor fusion for autonomous vehicle system | |
CN117611762B (zh) | 一种多层级地图构建方法、系统及电子设备 | |
JP7117408B1 (ja) | 位置算出装置、プログラム及び位置算出方法 | |
Abi Farraj et al. | Non-iterative planar visual odometry using a monocular camera |
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: 20220309 Address after: 100083 unit 501, block AB, Dongsheng building, No. 8, Zhongguancun East Road, Haidian District, Beijing Applicant after: BEIJING MOMENTA TECHNOLOGY Co.,Ltd. Address before: 100083 room 28, 4 / F, block a, Dongsheng building, 8 Zhongguancun East Road, Haidian District, Beijing Applicant before: BEIJING CHUSUDU TECHNOLOGY Co.,Ltd. |