CN113297958A - 一种自动化标注方法、装置、电子设备和存储介质 - Google Patents
一种自动化标注方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113297958A CN113297958A CN202110563297.2A CN202110563297A CN113297958A CN 113297958 A CN113297958 A CN 113297958A CN 202110563297 A CN202110563297 A CN 202110563297A CN 113297958 A CN113297958 A CN 113297958A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target object
- observation vehicle
- cloud data
- image
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种自动化标注方法、装置、电子设备和存储介质，包括基于第一观察车辆采集的图像确定第一点云数据；基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；第二观察车辆与目标物体的距离大于第一观察车辆与目标物体的距离，或者第二观察车辆与目标物体之间存在障碍物。基于距离目标物体较近并且两者之间不存在障碍物的第一观察车辆所获取的图像信息，通过自动化方式间接实现目标物体在距离较远或者存在障碍物遮挡的第二观察车辆上的标注，从而提高了标注的效率和准确率。
Description
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种自动化标注方法、装置、电子设备和存储介质。
背景技术
在自动驾驶系统中通常会包含感知模块，感知模块能够感知自动驾驶设备周围的障碍物、车辆和行人等信息，从而确定出安全的行驶路径，以保证车辆自动驾驶的安全性。为了保证感知模块感知信息的准确性，通常需要采用人工标注的训练样本对感知模块进行训练。
但是由于驾驶场景的复杂多样性导致了采集大量的数据并且进行人工标注需要耗费大量的资源，以及图像的生成原理导致目标物体投影到图像中时呈现近大远小的特点，远距离的物体往往丢失了一部分细节信息，加上自动驾驶场景中，比如停车场，会出现较多的车辆目标被遮挡的极端情况，这些都增加了人工标注难度。
发明内容
本发明实施例提供了一种自动化标注方法、装置、电子设备和存储介质，以实现对目标物体的自动标注。
第一方面，本发明实施例提供了一种自动化标注方法，包括：基于第一观察车辆采集的图像确定第一点云数据，其中，第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标；
基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；
第二观察车辆与目标物体的距离大于第一观察车辆与目标物体的距离，或者第二观察车辆与目标物体之间存在障碍物。
第二方面，本发明实施例提供了一种自动化标注装置，包括：第一点云数据确定模块，用于基于第一观察车辆采集的图像确定第一点云数据，其中，第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标；
标注信息确定模块，用于基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；
第二观察车辆与目标物体的距离大于第一观察车辆与目标物体的距离，或者第二观察车辆与目标物体之间存在障碍物。
第三方面，本发明实施例提供了一种电子设备，电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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如上的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的方法。
本发明实施例的技术方案，基于距离目标物体较近并且两者之间不存在障碍物的第一观察车辆所获取的图像信息，通过自动化方式间接实现目标物体在距离较远或者存在障碍物遮挡的第二观察车辆上的标注，从而提高了标注的效率和准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例一提供的自动化标注方法的流程图；
图2是本发明实施例一提供的自动标注方法的应用场景示意图；
图3是本发明实施例一提供的自动标注方法的流程图；
图4是本发明实施例二提供的自动标注方法的流程图；
图5是本发明实施例三提供的自动标注装置的结构示意图；
图6是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、软件实现、硬件实现等等。
实施例一
图1是本发明实施例提供的自动化标注方法的流程图，本实施例可适用于对目标物体进行自动标注的情况，该方法可以由本发明实施例中的自动化标注装置来执行，该装置可以采用软件和/或硬件的方式实现。如图1所示，该方法具体包括如下操作：
步骤S101，基于第一观察车辆采集的图像确定第一点云数据。
其中，第二观察车辆与目标物体的距离大于第一观察车辆与目标物体的距离，或者第二观察车辆与目标物体之间存在障碍物。如图2所示，为本发明实施例的自动化标注方法的应用场景示意图，图2是以目标物体和第二观察车辆之间存在障碍物为例进行说明，目标物体可以是一辆车或者一个行人，由于障碍物的遮挡造成第二观察车辆无法拍摄到目标物体，从而增加了第二观察车辆标注的难度。但是本实施方式中通过新增第一观察车辆，目标物体相对第一观察车辆不存在视线遮挡以及距离过远的情况，因此第一观察车辆可以拍摄到目标物体，并且在第一观察车辆和第二观察车辆相对位置参数已知的情况下，可以间接获得目标物体相对第二观察车辆的标注信息。
其中，第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标。如图3所示，对基于第一观察车辆采集的图像确定第一点云数据的过程进行具体说明，包括步骤S1011至步骤S1013：
步骤S1011，获取安装在第一观察车辆的双目相机所拍摄的包含目标物体的双目图像。
其中，在第一观察车辆上安装有双目相机，在第一观察车辆行驶的过程中，双目相机会对第一观察车辆行驶过程中的场景进行拍摄，因此当目标物体位于双目相机的拍摄范围时，可以获取安装在第一观察车辆的双目相机所拍摄的包含目标物体的双目图像，其中，双目图像包含左目图像和右目图像。
可选的，获取安装在第一观察车辆的双目相机所拍摄的包含目标物体的双目图像之后，还可以包括：根据双目相机的内参和外参对双目图像进行校正。
需要说明的是，由于摄像头具有光学透镜的特性使得成像存在着径向畸变，由于装配方面的误差，传感器与光学镜头之间并非完全平行，成像存在切向畸变，所以需要对相机进行标定。而双目相机的标定不仅要得到每个摄像头的内参，还需要通过标定来测量两个摄像头之间的相对位置即外参，并且相机标定一般只需要标定一次，标定完成后保存内参数和外参以供后续使用。因此在获取到包含目标物体的双目图像之后，需要根据摄像头标定后所获得的单目内参和双目相对位置即外参，分别对双目图像进行消除畸变和立体矫正，使得双目图像的成像原点坐标一致、两摄像头光轴平行、左右成像平面共面以及对极线行对齐。这样左目图像上任意一点与其在右目图像上的对应点就必然具有相同的行号，只需在该行进行一维搜索即可匹配到对应点。并且经过校正后具体可以用符号L表示校正后的左目图像，用符号R表示校正后的右目图像，当然，本实施方式中仅是举例说明，而并不限定矫正后的左目图像和校正后的右目图像的具体表示符号。
步骤S1012，根据双目图像确定目标物体在双目相机坐标系下的初始点云数据。
其中，初始点云数据包括：表征目标物体的点云以及点云中每个点在双目相机坐标系下的初始坐标。
可选的，根据双目图像确定目标物体在双目相机坐标系下的初始点云数据，包括：根据校正后的双目图像确定目标物体在双目相机坐标系下的初始点云数据。
步骤S1013，根据初始点云数据以及双目相机相对第一观察车辆的坐标转换矩阵确定第一点云数据。
具体的说，由于在初始点云数据中包含表征目标物体的点云，以及每个点在双目相机坐标系下的初始坐标。而进行拍摄的双目相机在第一观察车辆上的设置位置是已知的，从而可以获取到双目相机相对第一观察车辆的坐标转换矩阵。
例如，在确定初始点云数据中A1[x1，y1，z1，1]T为表征目标物体的点云中的一个点，而双目相机相对第一观察车辆的坐标转换矩阵为
则将矩阵P与点云中的点A1[x1，y1，z1，1]T相乘，即可得到点A1在第一观察车辆坐标系下的坐标A1′[x1′，y1′，z1′，1]T。当然，本实施方式中仅是以初始点云数据中的一个点的转换为例进行的说明，其它点的转换方式与此大致相同，本实施方式中不再进行赘述，并且将所有转换后的点构成第一点云数据{A1′A2A3′…}。
步骤S102，基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息。
可选的，基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，可以包括：获取第一观察车辆相对第二观察车辆的坐标转换矩阵；将第一点云数据与坐标转换矩阵进行乘积运算，并将乘积运算的结果作为标注信息。
具体的说，由于本实施方式中的第一点云数据具体包含表征目标物体的点云，以及点云中每个点在第一观察车辆坐标系的第一坐标，而本申请主要是将第一观察车辆作为中转，确定目标物体在第二观察车辆坐标系下的标注信息，以将目标物体在第二观察车辆中进行标注。由于第一观察车辆和第二观察车辆的相对位置是已知的，从而可以获取第一观察车辆相对第二观察车辆的坐标转换矩阵。
例如,在确定第一点云数据中A1′[x1′，y1′，z1′，1]T为表征目标物体的点云中的一个点，而第一观察车辆相对第二观察车辆的坐标转换矩阵为
则将矩阵Q与点云中的点A1′[x1′，y1′，z1′，1]T进行乘积运算，即可得到点A1在第二观察车辆坐标系下的坐标A1″[x1″，y1″，z1″，1]T。当然，本实施方式中仅是以第一点云数据中的一个点的转换为例进行的说明，其它点的转换方式与此大致相同，本实施方式中不再进行赘述，并且将所有转换后的点{A1″A2″A3″…}作为目标物体在第二观察车辆坐标系下的标注信息。
需要说明的是，在确定目标物体在第二观察车辆坐标系下的标注信息之后，可以将所获取的标注信息作为训练样本，以对第二观察车辆的自动驾驶模型进行训练，由于本实施方式中在获取标注信息时已经解决了障碍物遮挡和目标成像过小等极端情况，因此可以提高自动驾驶模型训练的效率和精度，第二观察车辆可以基于训练完成的自动驾驶模式实现自动驾驶，并相应的提高了自动驾驶的安全性。
本发明实施例的技术方案，基于距离目标物体较近并且两者之间不存在障碍物的第一观察车辆所获取的图像信息，通过自动化方式间接实现目标物体在距离较远或者存在障碍物遮挡的第二观察车辆上的标注，从而提高了标注的效率和准确率。
实施例二
图4是本发明实施例提供的自动化标注方法的流程图，本实施例以上述实施例为基础，本实施方式对上述步骤S1012：根据双目图像确定目标物体在双目相机坐标系下的初始点云数据进行具体说明。本实施例的方法具体包括如下操作：
步骤S201，采用预先训练的图像分割模型对左目图像进行分割，获取目标像素和背景像素。
其中，预先训练的图像分割模型具体可以是预先训练的神经网络模型，具体可以采用进行标注的样本数据对神经网络进行训练，以对神经网络的权重参数进行修正，然后从修正后的左目图像中分割出目标像素和背景像素，并且本申请的目标像素和背景像素都为二维数据。
需要说明的是，本实施方式中的目标像素可以是目标物体所包含的全部像素，当然为了简化数据处理的运算过程，可以采用目标物体的一部分像素来代表目标物体。其中，本实施方式中的目标像素包括接地线像素，其中，接地线包括目标物体与地面接触点的连线，当目标物体为汽车时，接地线指的是汽车相邻的轮胎触地点的连线；当目标物体为行人时，接地线指的是行人双脚触地点的连线。因此当采用接地线来代表目标物体时，由于接地线像素的数目要明显少于目标物体所包含的像素，从而大大简化了后续的数据处理的运算过程。
步骤S202，根据左目图像和右目图像获取视差图。
可选的，根据左目图像和右目图像获取视差图，可以包括：根据左目图像和右目图像采用立体匹配算法获取视差图，其中，立体匹配算法包括：半全局匹配算法(Semi-GlobalBlock Matching，SGBM)或者图割算法(Graph Cut，GC)。
其中，本实施方式中具体是根据校正后的左目图像L和校正后的右目图像R采用立体匹配算法获取视差图，由于经过校正后的L和R只有水平方向的距离差距，因此所获取的视差图包含校正后的L中每个像素的深度信息。
步骤S203，根据视差图以及双目相机焦距获取三维点云图，其中，三维点云图中的点云与左目图像中的像素分别对应。
其中，本实施方式中由于视差图中包含校正后的左目图像L中每个像素的深度信息，而双目相机焦距是已知的，因此根据视差图和双目相机焦距可以获取三维点云图，而关于三维点云图的具体获取原理并不是本申请的重点，因此本实施方式中不再进行赘述。
需要说明的是，三维点云图中的每个点云都是三维信息，并且三维点云图中的点云与左目图像中的像素是一一对应的，在三维点云图中既包含目标像素所对应的点云，同时也包含背景像素所对应的点云，因此校正后的左目图像L中的像素数目与三维点云图中的点云数目是相同的。
步骤S204，确定三维点云图中与目标像素所对应的初始点云数据。
可选的，确定三维点云图中与目标像素所对应的初始点云数据，可以包括：对三维点云图中的点云进行拟合获取地面方程，其中，三维点云图中位于地面上的点云都符合地面方程；确定三维点云图中与接地线像素所对应的预选点云；将预选点云中不符合地面方程的点云进行删除，将保留的预选点云作为初始点云数据。
其中，在对三维点云中的点云进行拟合获取地面方程时具体可以是采用随机采样一致算法(Random Sample Consensus，RANSAC)从点云中计算出地面方程，而关于RANSA的具体计算原理并不是本申请的重点，因此本实施方式中不再进行赘述，当然在实际应用中还可以采用其它的方式获取地面方程，本实施方式中并不对获取地面方程的具体方式进行限定。
具体的说，由于三维点云图中的点云与左目图像中的像素是一一对应的，因此在确定目标像素包含接地线像素时，可以根据像素位置索引信息从三维点云图中确定与接地线像素所对应的预选点云。但是在进行图像分割的时候可能会存在误差，即将背景像素识别为了目标像素从而降低了标注的准确性，为了避免上述情况的发生可以对接地线所对应的预选点云进行过滤。过滤方式具体可以是根据三维点云图通过图像拟合的方式获取地面方程，而三维点云图中位于地面上的点(接地线对应的点云)都应符合地面方程，因此可以将预选点云中不符合地面方程的点云进行删除，将保留的预选点云作为初始点云数据。
例如，在确定校正后的左目图像L中通过分割所获取的接地线像素包含37个二维像素，通过像素位置索引信息在三维点云图中找到与该37个二维像素所对应的37个三维点云，但是通过地面方程进行校验发现，只有36个三维点云是符合地面方程的，而剩余的1个点云是不符合地面方程的，从而将该不符合的1个三维点云进行删除，将保留的36个三维点云作为初始点云数据。
本发明实施例的技术方案，基于距离目标物体较近并且两者之间不存在障碍物的第一观察车辆所获取的图像信息，通过自动化方式间接实现目标物体在距离较远或者存在障碍物遮挡的第二观察车辆上的标注，从而提高了标注的效率和准确率。并且通过所拟合的地面方程进行校验确定出初始点云数据，从而保证了标注信息的准确性。
实施例三
图5为本发明实施例提供的自动化标注装置的结构示意图，该装置包括：第一点云数据确定模块310和标注信息确定模块320，
其中，第一点云数据确定模块310，用于基于第一观察车辆采集的图像确定第一点云数据，其中，第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标；
标注信息确定模块320，用于基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，所述标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；
所述第二观察车辆与所述目标物体的距离大于所述第一观察车辆与所述目标物体的距离，或者所述第二观察车辆与所述目标物体之间存在障碍物。
可选的，第一点云数据确定模块包括：
双目图像获取子模块，用于获取安装在第一观察车辆的双目相机所拍摄的包含目标物体的双目图像，其中，双目图像包含左目图像和右目图像；
初始点云数据确定子模块，用于根据双目图像确定目标物体在双目相机坐标系下的初始点云数据，其中，初始点云数据包括：表征目标物体的点云以及点云中每个点在双目相机坐标系下的初始坐标；
第一点云数据确定子模块，用于根据初始点云数据以及双目相机相对第一观察车辆的坐标转换矩阵确定第一点云数据。
可选的，初始点云数据确定子模块包括：
图像分割子单元，用于采用预先训练的图像分割模型对左目图像进行分割，获取目标像素和背景像素；
视差图获取子单元，用于根据左目图像和右目图像获取视差图；
三维点云图获取子单元，用于根据视差图以及双目相机焦距获取三维点云图，其中，三维点云图中的点云与左目图像中的像素分别对应；
初始点云数据确定子单元，用于确定三维点云图中与目标像素所对应的初始点云数据。
可选的，目标像素包括接地线像素，其中，接地线包括目标物体与地面接触点的连线；
初始点云数据确定子单元，用于对三维点云图中的点云进行拟合获取地面方程，其中，三维点云图中位于地面上的点云都符合地面方程；
确定三维点云图中与接地线像素所对应的预选点云；
将预选点云中不符合地面方程的点云进行删除，将保留的预选点云作为初始点云数据。
可选的，装置还包括校正模块，用于根据双目相机的内参和外参对双目图像进行校正；
初始点云数据确定子模块，用于根据校正后的双目图像确定目标物体在双目相机坐标系下的初始点云数据。
可选的，标注信息确定模块，用于获取第一观察车辆相对第二观察车辆的坐标转换矩阵；
将第一点云数据与坐标转换矩阵进行乘积运算，并将乘积运算的结果作为标注信息。
可选的，视差图获取子单元，用于根据左目图像和右目图像采用立体匹配算法获取视差图，其中，立体匹配算法包括：半全局匹配算法SGBM或者图割算法GC。
上述装置可执行本发明任意实施例所提供的自动化标注方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的方法。
实施例四
图6是本发明实施例提供的一种电子设备的结构示意图。图6示出了适用于用来实现本发明实施方式的示例性电子设备412的框图。图6显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备412以通用计算设备的形式出现。电子设备412的组件可以包括但不限于：一个或者多个处理器416，存储器428，连接不同系统组件(包括存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器428用于存储指令。存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的设备通信，和/或与使得该电子设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储器428中的指令，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的自动化标注方法：基于第一观察车辆采集的图像确定第一点云数据，其中，第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标；基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；第二观察车辆与目标物体的距离大于第一观察车辆与目标物体的距离，或者第二观察车辆与目标物体之间存在障碍物。
实施例五
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的自动化标注方法：
基于第一观察车辆采集的图像确定第一点云数据，其中，第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标；基于第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；第二观察车辆与目标物体的距离大于第一观察车辆与目标物体的距离，或者第二观察车辆与目标物体之间存在障碍物。
可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种自动化标注方法，其特征在于，包括：
基于第一观察车辆采集的图像确定第一点云数据，其中，所述第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标；
基于所述第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，所述标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；
所述第二观察车辆与所述目标物体的距离大于所述第一观察车辆与所述目标物体的距离，或者所述第二观察车辆与所述目标物体之间存在障碍物。
2.根据权利要求1所述的方法，其特征在于，所述基于第一观察车辆采集的图像确定第一点云数据，包括：
获取安装在所述第一观察车辆的双目相机所拍摄的包含目标物体的双目图像，其中，所述双目图像包含左目图像和右目图像；
根据所述双目图像确定目标物体在双目相机坐标系下的初始点云数据，其中，所述初始点云数据包括：表征目标物体的点云以及点云中每个点在双目相机坐标系下的初始坐标；
根据所述初始点云数据以及所述双目相机相对第一观察车辆的坐标转换矩阵确定所述第一点云数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述双目图像确定目标物体在双目相机坐标系下的初始点云数据，包括：
采用预先训练的图像分割模型对所述左目图像进行分割，获取目标像素和背景像素；
根据所述左目图像和所述右目图像获取视差图；
根据所述视差图以及所述双目相机焦距获取三维点云图，其中，所述三维点云图中的点云与所述左目图像中的像素分别对应；
确定所述三维点云图中与所述目标像素所对应的初始点云数据。
4.根据权利要求3所述的方法，其特征在于，所述目标像素包括接地线像素，其中，所述接地线包括所述目标物体与地面接触点的连线；
所述确定所述三维点云图中与所述目标像素所对应的初始点云数据，包括：
对所述三维点云图中的点云进行拟合获取地面方程，其中，所述三维点云图中位于地面上的点云都符合所述地面方程；
确定所述三维点云图中与所述接地线像素所对应的预选点云；
将所述预选点云中不符合所述地面方程的点云进行删除，将保留的预选点云作为所述初始点云数据。
5.根据权利要求2所述的方法，其特征在于，所述获取安装在所述第一观察车辆的双目相机所拍摄的包含目标物体的双目图像之后，还包括：
根据所述双目相机的内参和外参对所述双目图像进行校正；
所述根据所述双目图像确定目标物体在双目相机坐标系下的初始点云数据，包括：
根据校正后的所述双目图像确定目标物体在双目相机坐标系下的初始点云数据。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，包括：
获取所述第一观察车辆相对所述第二观察车辆的坐标转换矩阵；
将所述第一点云数据与所述坐标转换矩阵进行乘积运算，并将乘积运算的结果作为所述标注信息。
7.根据权利要求3所述的方法，其特征在于，所述根据所述左目图像和所述右目图像获取视差图，包括：
根据所述左目图像和所述右目图像采用立体匹配算法获取所述视差图，其中，所述立体匹配算法包括：半全局匹配算法SGBM或者图割算法GC。
8.一种自动化标注装置，其特征在于，包括：
第一点云数据确定模块，用于基于第一观察车辆采集的图像确定第一点云数据，其中，所述第一点云数据包括：表征目标物体的点云以及点云中每个点在第一观察车辆坐标系下的第一坐标；
标注信息确定模块，用于基于所述第一点云数据以及第一观察车辆与第二观察车辆的坐标转换矩阵，确定目标物体在第二观察车辆坐标系下的标注信息，其中，所述标注信息包括：表征目标物体的点云以及点云中每个点在第二观察车辆坐标系下的第二坐标；
所述第二观察车辆与所述目标物体的距离大于所述第一观察车辆与所述目标物体的距离，或者所述第二观察车辆与所述目标物体之间存在障碍物。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110563297.2A CN113297958A (zh) | 2021-05-24 | 2021-05-24 | 一种自动化标注方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110563297.2A CN113297958A (zh) | 2021-05-24 | 2021-05-24 | 一种自动化标注方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113297958A true CN113297958A (zh) | 2021-08-24 |
Family
ID=77324198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110563297.2A Pending CN113297958A (zh) | 2021-05-24 | 2021-05-24 | 一种自动化标注方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113297958A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838125A (zh) * | 2021-09-17 | 2021-12-24 | 中国第一汽车股份有限公司 | 目标位置确定方法、装置、电子设备以及存储介质 |
| CN114312578A (zh) * | 2021-12-31 | 2022-04-12 | 优跑汽车技术(上海)有限公司 | 车辆及其控制方法、控制装置、存储介质 |
| CN114758163A (zh) * | 2022-06-15 | 2022-07-15 | 福勤智能科技（昆山）有限公司 | 一种叉车移动控制方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260773A (zh) * | 2020-01-20 | 2020-06-09 | 深圳市普渡科技有限公司 | 小障碍物的三维重建方法、检测方法及检测系统 |
| CN112071119A (zh) * | 2020-08-31 | 2020-12-11 | 安徽中科美络信息技术有限公司 | 基于车联网的智能辅助出入库方法及系统 |
| CN112101092A (zh) * | 2020-07-31 | 2020-12-18 | 北京智行者科技有限公司 | 自动驾驶环境感知方法及系统 |
| CN112232275A (zh) * | 2020-11-03 | 2021-01-15 | 上海西井信息科技有限公司 | 基于双目识别的障碍物检测方法、系统、设备及存储介质 |
| CN112578406A (zh) * | 2021-02-25 | 2021-03-30 | 北京主线科技有限公司 | 一种车辆环境信息感知方法及装置 |
-
2021
- 2021-05-24 CN CN202110563297.2A patent/CN113297958A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260773A (zh) * | 2020-01-20 | 2020-06-09 | 深圳市普渡科技有限公司 | 小障碍物的三维重建方法、检测方法及检测系统 |
| CN112101092A (zh) * | 2020-07-31 | 2020-12-18 | 北京智行者科技有限公司 | 自动驾驶环境感知方法及系统 |
| CN112071119A (zh) * | 2020-08-31 | 2020-12-11 | 安徽中科美络信息技术有限公司 | 基于车联网的智能辅助出入库方法及系统 |
| CN112232275A (zh) * | 2020-11-03 | 2021-01-15 | 上海西井信息科技有限公司 | 基于双目识别的障碍物检测方法、系统、设备及存储介质 |
| CN112578406A (zh) * | 2021-02-25 | 2021-03-30 | 北京主线科技有限公司 | 一种车辆环境信息感知方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838125A (zh) * | 2021-09-17 | 2021-12-24 | 中国第一汽车股份有限公司 | 目标位置确定方法、装置、电子设备以及存储介质 |
| CN114312578A (zh) * | 2021-12-31 | 2022-04-12 | 优跑汽车技术(上海)有限公司 | 车辆及其控制方法、控制装置、存储介质 |
| CN114758163A (zh) * | 2022-06-15 | 2022-07-15 | 福勤智能科技（昆山）有限公司 | 一种叉车移动控制方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163930B (zh) | 车道线生成方法、装置、设备、系统及可读存储介质 | |
| CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN112861653B (zh) | 融合图像和点云信息的检测方法、系统、设备及存储介质 | |
| CN113486797B (zh) | 无人车位置检测方法、装置、设备、存储介质及车辆 | |
| US11042762B2 (en) | Sensor calibration method and device, computer device, medium, and vehicle | |
| CN109271944B (zh) | 障碍物检测方法、装置、电子设备、车辆及存储介质 | |
| CN108805917B (zh) | 空间定位的方法、介质、装置和计算设备 | |
| US11506769B2 (en) | Method and device for detecting precision of internal parameter of laser radar | |
| CN113297958A (zh) | 一种自动化标注方法、装置、电子设备和存储介质 | |
| CN112967283B (zh) | 基于双目摄像头的目标识别方法、系统、设备及存储介质 | |
| CN110135396B (zh) | 地面标志的识别方法、装置、设备及介质 | |
| CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| CN111462249B (zh) | 一种交通摄像头标定方法及装置 | |
| CN109741241B (zh) | 鱼眼图像的处理方法、装置、设备和存储介质 | |
| CN113469045B (zh) | 无人集卡的视觉定位方法、系统、电子设备和存储介质 | |
| CN116704048B (zh) | 一种双光配准方法 | |
| CN115187941A (zh) | 目标检测定位方法、系统、设备及存储介质 | |
| CN113496503B (zh) | 点云数据的生成及实时显示方法、装置、设备及介质 | |
| CN114386481A (zh) | 一种车辆感知信息融合方法、装置、设备及存储介质 | |
| CN113222968B (zh) | 融合毫米波和图像的检测方法、系统、设备及存储介质 | |
| CN113763466B (zh) | 一种回环检测方法、装置、电子设备和存储介质 | |
| CN118035595A (zh) | 具有温度信息的点云图生成方法、装置、设备及存储介质 | |
| CN114863096B (zh) | 室内停车场的语义地图构建及定位方法和装置 | |
| CN116343155A (zh) | 一种bev视角下的可行驶区域的确定方法和装置 | |
| CN113112551B (zh) | 相机参数的确定方法、装置、路侧设备和云控平台 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |