CN113298141A - 基于多源信息融合的探测方法、装置及存储介质 - Google Patents
基于多源信息融合的探测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113298141A CN113298141A CN202110562466.0A CN202110562466A CN113298141A CN 113298141 A CN113298141 A CN 113298141A CN 202110562466 A CN202110562466 A CN 202110562466A CN 113298141 A CN113298141 A CN 113298141A
- Authority
- CN
- China
- Prior art keywords
- detection
- motion
- sensors
- sub
- feature
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 259
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于多源信息融合的探测方法、装置及存储介质,方法包括:根据从至少两个传感器获取到的探测信号中,得到至少两个探测对象,然后根据每一个探测信号获取相应探测对象的运动特征,通过计算至少两个运动特征之间的相似度,根据相似度确定该至少两个探测对象是否为同一个探测对象。由于不同探测对象的运动特征会不相同,通过运动特征是否相似可以快速、准确的判断处不同传感器探测到的探测对象是否为同一个探测对象。
Description
技术领域
本发明实施例涉及交通探测技术领域,特别涉及一种基于多源信息融合的探测方法、装置及存储介质。
背景技术
交通探测技术在交通领域有着广阔的应用,例如,自动驾驶是汽车未来的重要发展方向,而交通探测技术是自动驾驶得以实现的重要基础。
相关技术中,车辆中通过设置单一传感器实现对车辆外部交通环境的探测。虽然有些车辆配备了多传感器,但是,如何确定这些多传感器探测到的探测对象是否为同一个探测对象,成为急需解决的问题。
发明内容
本发明实施例提供了一种基于多源信息融合的探测方法、装置及存储介质,能够准确的确定出多个传感器探测到的探测对象是否为同一个探测对象。
第一方面,本发明实施例提供了一种基于多源信息融合的探测方法,包括:
获取至少两个传感器的探测信号;所述至少两个传感器设置在当前行驶车辆中;
从所述至少两个传感器的探测信号中得到至少两个探测对象;所述至少两个探测对象与所述至少两个传感器一一对应;
根据每一个探测信号获取相应探测对象的运动特征,得到至少两个运动特征;
计算所述至少两个运动特征之间的相似度;
根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象。
优选地,所述计算所述至少两个运动特征之间的相似度,包括:
针对所述至少两个运动特征中任意的两个运动特征,确定该任意的两个运动特征中相同运动子特征之间的距离;其中,每个运动特征包括至少一个运动子特征;
根据该任意的两个运动特征中相同运动子特征之间的距离,以及利用如下第一公式计算该任意的两个运动特征之间的相似度:
其中,θ1、θ2分别表征该任意的两个运动特征,d(βi)用于表征该任意的两个运动特征中第i个相同运动子特征之间的距离,βi用于表征运动特征中第i个运动子特征,α用于表征归一化参数,n用于表征为运动特征中包括的运动子特征的数量。
优选地,所述确定该任意的两个运动特征中相同运动子特征之间的距离,包括:
针对与该任意的两个运动特征对应的两个传感器中的每一个传感器,确定该传感器探测到每一个运动子特征的可信度范围;
根据每一个传感器探测到每一个运动子特征的可信度范围,利用如下第二公式至第六公式计算该任意的两个运动特征中第i个相同运动子特征之间的距离:
A3=up1(βi)-down1(βi)
A4=up2(βi)-down2(βi)
其中,[down1(βi),up1(βi)]为该两个传感器中其中一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围,[down2(βi),up2(βi)]为该两个传感器中另一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围。
优选地,所述确定该传感器探测到每一个运动子特征的可信度范围,包括:
该传感器探测到的运动特征中第i个运动子特征的可信度范围,通过如下方式确定:
从该传感器对应探测信号中获取多个探测周期内,针对对应探测对象探测的运动特征中第i个运动子特征的检测值,得到该传感器探测到第i个运动子特征的多个检测值;
根据得到的多个检测值,利用如下第七公式计算该传感器探测到第i个运动子特征的可信度范围:
其中,M=x1-x2;该传感器探测到第i个运动子特征的多个检测值对应一个聚集区间,x1、x2分别表征该聚集区间的上限值、下限值,多个检测值中高于上限值x1的检测值的数量为第一数量,多个检测值中低于下限值x2的检测值的数量为第二数量;m用于表征检测值的数量;N1为所述第一数量和所述第二数量中值较小的一个,N2为所述第一数量和所述第二数量中值较大的一个。
优选地,所述确定所述至少两个探测对象是否为同一个探测对象,包括:
当所述至少两个运动特征中的任意两个运动特征之间的相似度大于第一阈值,则确定该任意两个运动特征对应的两个探测对象是同一个探测对象。
优选地,在所述确定所述至少两个探测对象是否为同一个探测对象之前,进一步包括:得到对应多个探测周期的相似度;
所述确定所述至少两个探测对象是否为同一个探测对象,包括:在对应多个探测周期的相似度中大于第二阈值的相似度的数量,比上相似度的总数量,得到的值大于第三阈值时,进一步从对应多个探测周期相似度中确定出数值最大的第三数量的相似度,计算该第三数量的相似度之间的累计差值,如果累计差值不大于第四阈值,则确定所述至少两个探测对象是否为同一个探测对象。
优选地,在所述获取至少两个传感器的探测信号之前,进一步包括:获取所述当前行驶车辆的目标位置,确定以所述目标位置为圆心以设定长度为半径内的圆所对应区域范围内,是否存在有处于自动驾驶状态的车辆,如果存在,执行所述获取至少两个传感器的探测信号。
第二方面,本发明实施例还提供了一种基于多源信息融合的探测装置,包括:
探测信号获取单元,用于获取至少两个传感器的探测信号;所述至少两个传感器设置在当前行驶车辆中;
探测对象选择单元,用于从所述至少两个传感器的探测信号中得到至少两个探测对象;所述至少两个探测对象与所述至少两个传感器一一对应;
运动特征获取单元,用于根据每一个探测信号获取相应探测对象的运动特征,得到至少两个运动特征;
相似度计算单元,用于计算所述至少两个运动特征之间的相似度;
确定单元,用于根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象。
第三方面,本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种基于多源信息融合的探测方法、装置及存储介质,根据从至少两个传感器获取到的探测信号中,得到至少两个探测对象,然后根据每一个探测信号获取相应探测对象的运动特征,通过计算至少两个运动特征之间的相似度,根据相似度确定该至少两个探测对象是否为同一个探测对象。由于不同探测对象的运动特征会不相同,通过运动特征是否相似可以快速、准确的判断处不同传感器探测到的探测对象是否为同一个探测对象。
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地介绍,显而易见地,下面描述中的附图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是本发明一实施例提供的一种基于多源信息融合的探测方法流程图;
图2是本发明一实施例提供的一种检测值在坐标系中的投影结果示意图;
图3是本发明一实施例提供的一种计算设备的硬件架构图;
图4是本发明一实施例提供的一种基于多源信息融合的探测装置结构图;
图5是本发明一实施例提供的另一种基于多源信息融合的探测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述,显然,所描述的实施例是本发明一部分实施例,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做出创造性劳动的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。
如前所述,在相关技术中,车辆中通过设置单一传感器实现对车辆外部交通环境的探测。虽然有些车辆配备了多传感器,比如,毫米波雷达、摄像头、激光雷达等,但是,由于这些传感器属于不同类型的传感器,当获取到这些传感器探测到的探测对象时,如何确定这些多传感器探测到的探测对象是否为同一个探测对象,成为急需解决的问题。
考虑到当前行驶车辆在行驶过程中,主要是针对周边车辆的行驶状态进行探测。虽然这些传感器虽然属于不同类型的传感器,但在探测到一个探测对象(比如周边的某一个车辆)之后,可以通过该探测对象的运动特征来判定不同传感器探测到的探测对象是否为同一个探测对象。
下面描述以上构思的具体实现方式。
请参考图1,本发明实施例提供了一种基于多源信息融合的探测方法,该方法包括:
步骤100,获取至少两个传感器的探测信号;所述至少两个传感器设置在当前行驶车辆中;
步骤102,从所述至少两个传感器的探测信号中得到至少两个探测对象;所述至少两个探测对象与所述至少两个传感器一一对应;
步骤104,根据每一个探测信号获取相应探测对象的运动特征,得到至少两个运动特征;
步骤106,计算所述至少两个运动特征之间的相似度;
步骤108,根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象。
本发明实施例中,根据从至少两个传感器获取到的探测信号中,得到至少两个探测对象,然后根据每一个探测信号获取相应探测对象的运动特征,通过计算至少两个运动特征之间的相似度,根据相似度确定该至少两个探测对象是否为同一个探测对象。由于不同探测对象的运动特征会不相同,通过运动特征是否相似可以快速、准确的判断处不同传感器探测到的探测对象是否为同一个探测对象。
下面描述图1所示的各个步骤的执行方式。
首先,针对步骤100,获取至少两个传感器的探测信号;所述至少两个传感器设置在当前行驶车辆中。
为了在行驶过程中能够对周边环境内的车辆进行探测,当前行驶车辆中需要预先设置至少两个传感器,比如,视频传感器、毫米波雷达传感器、红外传感器等。优选地,将视频传感器和毫米波雷达传感器作为设置在当前行驶车辆中的传感器。因为这两类传感器目前已经在较多车辆中得到了较广泛的装配,将其作为本实施例中的传感器,可以显著的减少硬件的附加部署,进而降低方案的实施成本。另外,对于视频传感器来说,其可以通过视频识别技术获得更为多样的、准确的运动特征,而毫米波雷达传感器在获取探测对象的运动特征时不受光照、角度等因素的影响,从而保证获取到的运动特征更准确。
在实际交通场景中,对于驾驶员来说,其对周边车辆的运行状态存在探测需求的根本原因是为了知晓其是否构成威胁或具有潜在威胁,同时,驾驶员对有人驾驶车辆的放心程度是远远高于自动驾驶车辆。也就是说,由于自动驾驶或高级别辅助驾驶技术并不成熟,通常情况下,驾驶员对其安全性并不信任,所以,其有对该类车辆进行交通探测的更强烈的需求。因此,在本发明一个实施例中,在本步骤之前,可以进一步包括:获取所述当前行驶车辆的目标位置,确定以所述目标位置为圆心以设定长度为半径内的圆所对应区域范围内,是否存在有处于自动驾驶状态的车辆,如果存在,执行所述获取至少两个传感器的探测信号。
可知,本实施例中,可以当确定周边区域范围内有处于自动驾驶状态的车辆时,驾驶员会普遍认为该行驶环境的不确定性明显更高,相应地安全威胁也会增加,此时开启多传感器的交通探测更有实际意义。
相应地,当确定周边区域范围内不存在处于自动驾驶状态的车辆时,可以仅开启单传感器的探测,不仅可以降低系统能耗,还可以降低计算量以保证计算的实时性。
其中,周边区域范围内的车辆的驾驶状态可以通过当前行驶车辆上的车载无线通信模块获得。随着车联网技术的不断发展,越来越多的车辆配备了车载无线通信模块,据此就可以实现车辆之间的无线通信功能,相互之间传递无线信号,进行各类行驶数据的共享。
然后,针对步骤102,从所述至少两个传感器的探测信号中得到至少两个探测对象;所述至少两个探测对象与所述至少两个传感器一一对应。
由于每个传感器的探测信号可以探测到多个探测对象,需要将至少两个传感器的探测信号逐一选择探测对象进行组合,以确定组合的至少两个探测对象是否为同一个探测对象。比如,传感器1探测到两个探测对象A1、A2,传感器2探测到一个探测对象B1,那么可以得到两个组合:第一个组合是探测对象A1和探测对象B1,第二个组合是探测对象A2和探测对象B1。然后针对每一个组合中的两个探测对象,分别执行步骤104至108,以确定这两个探测对象是否为同一个探测对象。
接下来,针对步骤104,根据每一个探测信号获取相应探测对象的运动特征,得到至少两个运动特征。
每一个运动特征可以包括至少一个运动子特征,比如,速度、加速度、方位角等能够表征运动特性的属性信息。
不同传感器得到的探测信号中均可以针对每一个运动子特征分别提取相应检测值。
继续针对步骤106,计算所述至少两个运动特征之间的相似度。
在本步骤中,至少可以通过如下一种方式(记为方式A)计算至少两个运动特征之间的相似度:
S1:针对所述至少两个运动特征中任意的两个运动特征,确定该任意的两个运动特征中相同运动子特征之间的距离;其中,每个运动特征包括至少一个运动子特征;
S2:根据该任意的两个运动特征中相同运动子特征之间的距离,以及利用如下第一公式计算该任意的两个运动特征之间的相似度:
其中,θ1、θ2分别表征该任意的两个运动特征,d(βi)用于表征该任意的两个运动特征中第i个相同运动子特征之间的距离,βi用于表征运动特征中第i个运动子特征,α用于表征归一化参数,n用于表征为运动特征中包括的运动子特征的数量。
假设传感器个数为三个,分别为传感器1、传感器2、传感器3,那么可以得到三个探测对象,比如,探测对象A、探测对象B和探测对象C,每一个探测对象对应有运动特征,每个运动特征包括n个运动子特征,本实施例以传感器1对应探测对象A的运动特征A和传感器2对应探测对象B的运动特征B为例,计算探测运动特征A和运动特征B之间的相似度,来确定探测对象A和探测对象B是否为同一个探测对象。
那么在步骤S1中确定该任意的两个运动特征中相同运动子特征之间的距离时,传感器1对探测对象A探测到的n个运动子特征中第i个运动子特征,与传感器2对探测对象B探测到的n个运动子特征中第i个运动子特征之间的距离通过如下方式计算:
S11:针对与该任意的两个运动特征对应的两个传感器中的每一个传感器,确定该传感器探测到每一个运动子特征的可信度范围。
其中,所述确定该传感器探测到每一个运动子特征的可信度范围,包括:
该传感器探测到的运动特征中第i个运动子特征的可信度范围,通过如下方式确定:
S111:从该传感器对应探测信号中获取多个探测周期内,针对对应探测对象探测的运动特征中第i个运动子特征的检测值,得到该传感器探测到第i个运动子特征的多个检测值;
S112:根据得到的多个检测值,利用如下第七公式计算该传感器探测到第i个运动子特征的可信度范围:
其中,M=x1-x2;该传感器探测到第i个运动子特征的多个检测值对应一个聚集区间,x1、x2分别表征该聚集区间的上限值、下限值,多个检测值中高于上限值x1的检测值的数量为第一数量,多个检测值中低于下限值x2的检测值的数量为第二数量;m用于表征检测值的数量;N1为所述第一数量和所述第二数量中值较小的一个,N2为所述第一数量和所述第二数量中值较大的一个。
比如,传感器针对探测对象在10个探测周期内针对第i个运动子特征βi(比如车速)进行检测,得到10个检测值,将这10个检测值进行坐标系投影,得到如图2所示的投影结果,其中,上限值x1为70Km/h和下限值x2为50Km/h可以是通过聚类分析得到,也可以是根据经验值预先设定。根据图2可知,M等于20,m等于10,N1等于1,N2等于3,然后得出传感器探测到第i个运动子特征的可信度范围为[0.045,0.065]。
S12:根据每一个传感器探测到每一个运动子特征的可信度范围,利用如下第二公式至第六公式计算该任意的两个运动特征中第i个相同运动子特征之间的距离:
A3=up1(βi)-down1(βi)
A4=up2(βi)-down2(βi)
其中,[down1(βi),up1(βi)]为该两个传感器中其中一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围,[down2(βi),up2(βi)]为该两个传感器中另一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围。
需要说明的是,本实施例中在确定该任意的两个运动特征中相同运动子特征之间的距离时,除上述步骤S11-S12之外,还可以使用欧式距离、马氏距离等方式来计算,比如,在采用马氏距离计算时,可以利用如下公式计算得到:
其中,DM(a,b)用于表征两个相同运动子特征之间的马氏距离,a用于表征两个传感器中其中一个传感器检测到的运动特征中该运动子特征的检测值,b用于表征两个传感器中另一个传感器检测到的运动特征中该运动子特征的检测值,∑用于表征探测对象的协方差矩阵。
需要说明的是,除上述方式A来计算至少两个运动特征之间的相似度,还可以使用其它方式来计算,比如余弦相似度,利用相似度预测模型来预测等。
本发明实施例中,通过为探测对象设定了多个运动子特征,然后利用上述公式计算各相同运动子特征之间的距离d(βi),然后再将各相同运动子特征之间的距离归一化之后进行整和,于是,本实施例是从探测对象的多个运动状态为整体来进行相似度计算的,如此,可以使得融合结果更为准确。同时,在计算相同运动子特征之间的距离时,本实施例基于的是各运动子特征的可信度范围,也即,本实施例不光采用了多源数据的融合,还同时兼顾了不同传感器的实时检测准确度。
最后针对步骤108,根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象。
在本发明一个实施例中,当步骤106中计算得到至少两个运动特征之间的相似度之后,本步骤在根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象时,至少可以通过如下几种方式确定:
方式一、利用一个探测周期内的检测结果确定。
比如一个探测周期内得到一个检测结果,然后利用该一个检测结果直接计算相似度,根据计算得到的相似度,确定至少两个探测对象是否为同一个探测对象。那么本步骤可以包括:当所述至少两个运动特征中的任意两个运动特征之间的相似度大于第一阈值,则确定该任意两个运动特征对应的两个探测对象是同一个探测对象。
探测周期的时间段越短,检测结果的实时性就越高。在利用该方式确定出至少两个探测对象为同一个探测对象之后,可以对探测对象进行跟踪监控,得到该探测对象的运动状态,并将该探测对象的运动状态发送给当前行驶车辆,以告知驾驶员周边环境中探测对象的运动状态,给驾驶员做出更为早期的预警提醒,将驾驶员提起注意力的时刻进一步提前,增强驾驶员的应急处理时长,以降低事故风险;而且,也可以进一步保障实时性。
方式二、利用多个探测周期内的检测结果确定。
在利用方式二确定时,需要在本步骤之前进一步包括:得到对应多个探测周期的相似度;
那么本步骤可以包括:在对应多个探测周期的相似度中大于第二阈值的相似度的数量,比上相似度的总数量,得到的值大于第三阈值时,进一步从对应多个探测周期相似度中确定出数值最大的第三数量的相似度,计算该第三数量的相似度之间的累计差值,如果累计差值不大于第四阈值,则确定所述至少两个探测对象是否为同一个探测对象。
比如,利用P(P为不小于2的整数)个探测周期的检测结果来确定,那么可以得到P个相似度的结果,即相似度的总数量为P。假设第三数量为Q(Q为不小于2的整数,且Q≤P),该Q个相似度(从大到小依次为Sim1、Sim2、Sim3、……SimQ)之间的累计差值可以为:(Sim1-Sim2)+(Sim2-Sim3)+…+(Sim(Q-1)-SimQ)。
需要说明的是,上述第一阈值、第二阈值、第三阈值、第四阈值均可以根据经验值进行设定,或者根据多次的实验结果进行设定。
本实施例中,通过使用多个探测周期的检测结果来确定,可以使得确定结果更加准确,从而得到更加准确的融合结果。
需要说明的是,本实施例中的探测对象可以包括汽车(包括自动驾驶汽车/非自动驾驶汽车)、火车、两轮自动车(电动动力、燃油动力、氢能源动力等)、无人驾驶装置(例如,无人机、载人飞行器具、传统飞机等)。
如图3、图4所示,本发明实施例提供了一种基于多源信息融合的探测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图3所示,为本发明实施例提供的一种基于多源信息融合的探测装置所在计算设备的一种硬件架构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图4所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
本实施例提供的一种基于多源信息融合的探测装置,包括:
探测信号获取单元401,用于获取至少两个传感器的探测信号;所述至少两个传感器设置在当前行驶车辆中;
探测对象选择单元402,用于从所述至少两个传感器的探测信号中得到至少两个探测对象;所述至少两个探测对象与所述至少两个传感器一一对应;
运动特征获取单元403,用于根据每一个探测信号获取相应探测对象的运动特征,得到至少两个运动特征;
相似度计算单元404,用于计算所述至少两个运动特征之间的相似度;
确定单元405,用于根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象。
在本发明一个实施例中,所述相似度计算单元,具体用于执行如下操作:
针对所述至少两个运动特征中任意的两个运动特征,确定该任意的两个运动特征中相同运动子特征之间的距离;其中,每个运动特征包括至少一个运动子特征;
根据该任意的两个运动特征中相同运动子特征之间的距离,以及利用如下第一公式计算该任意的两个运动特征之间的相似度:
其中,θ1、θ2分别表征该任意的两个运动特征,d(βi)用于表征该任意的两个运动特征中第i个相同运动子特征之间的距离,βi用于表征运动特征中第i个运动子特征,α用于表征归一化参数,n用于表征为运动特征中包括的运动子特征的数量。
在本发明一个实施例中,所述相似度计算单元,在执行所述确定该任意的两个运动特征中相同运动子特征之间的距离时,具体包括:
针对与该任意的两个运动特征对应的两个传感器中的每一个传感器,确定该传感器探测到每一个运动子特征的可信度范围;
根据每一个传感器探测到每一个运动子特征的可信度范围,利用如下第二公式至第六公式计算该任意的两个运动特征中第i个相同运动子特征之间的距离:
A3=up1(βi)-down1(βi)
A4=up2(βi)-down2(βi)
其中,[down1(βi),up1(βi)]为该两个传感器中其中一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围,[down2(βi),up2(βi)]为该两个传感器中另一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围。
在本发明一个实施例中,所述相似度计算单元,在执行所述确定该传感器探测到每一个运动子特征的可信度范围时,具体包括:
该传感器探测到的运动特征中第i个运动子特征的可信度范围,通过如下方式确定:
从该传感器对应探测信号中获取多个探测周期内,针对对应探测对象探测的运动特征中第i个运动子特征的检测值,得到该传感器探测到第i个运动子特征的多个检测值;
根据得到的多个检测值,利用如下第七公式计算该传感器探测到第i个运动子特征的可信度范围:
其中,M=x1-x2;该传感器探测到第i个运动子特征的多个检测值对应一个聚集区间,x1、x2分别表征该聚集区间的上限值、下限值,多个检测值中高于上限值x1的检测值的数量为第一数量,多个检测值中低于下限值x2的检测值的数量为第二数量;m用于表征检测值的数量;N1为所述第一数量和所述第二数量中值较小的一个,N2为所述第一数量和所述第二数量中值较大的一个。
在本发明一个实施例中,所述确定单元,具体用于执行如下操作:当所述至少两个运动特征中的任意两个运动特征之间的相似度大于第一阈值,则确定该任意两个运动特征对应的两个探测对象是同一个探测对象。
在本发明一个实施例中,所述相似度计算单元可以进一步用于得到对应多个探测周期的相似度;
所述确定单元,具体用于执行如下操作:在对应多个探测周期的相似度中大于第二阈值的相似度的数量,比上相似度的总数量,得到的值大于第三阈值时,进一步从对应多个探测周期相似度中确定出数值最大的第三数量的相似度,计算该第三数量的相似度之间的累计差值,如果累计差值不大于第四阈值,则确定所述至少两个探测对象是否为同一个探测对象。
在本发明一个实施例中,请参考图5,该基于多源信息融合的探测装置可以进一步包括:条件判定单元406,用于获取所述当前行驶车辆的目标位置,确定以所述目标位置为圆心以设定长度为半径内的圆所对应区域范围内,是否存在有处于自动驾驶状态的车辆,如果存在,触发所述探测信号获取单元执行相应操作。
可以理解的是,本发明实施例示意的结构并不构成对一种基于多源信息融合的探测装置的具体限定。在本发明的另一些实施例中,一种基于多源信息融合的探测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种基于多源信息融合的探测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种基于多源信息融合的探测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
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:其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多源信息融合的探测方法,其特征在于,包括:
获取至少两个传感器的探测信号;所述至少两个传感器设置在当前行驶车辆中;
从所述至少两个传感器的探测信号中得到至少两个探测对象;所述至少两个探测对象与所述至少两个传感器一一对应;
根据每一个探测信号获取相应探测对象的运动特征,得到至少两个运动特征;
计算所述至少两个运动特征之间的相似度;
根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象。
3.根据权利要求2所述的方法,其特征在于,所述确定该任意的两个运动特征中相同运动子特征之间的距离,包括:
针对与该任意的两个运动特征对应的两个传感器中的每一个传感器,确定该传感器探测到每一个运动子特征的可信度范围;
根据每一个传感器探测到每一个运动子特征的可信度范围,利用如下第二公式至第六公式计算该任意的两个运动特征中第i个相同运动子特征之间的距离:
A3=up1(βi)-down1(βi)
A4=up2(βi)-down2(βi)
其中,[down1(βi),up1(βi)]为该两个传感器中其中一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围,[down2(βi),up2(βi)]为该两个传感器中另一个传感器检测到的运动特征中第i个运动子特征βi的可信度范围。
4.根据权利要求3所述的方法,其特征在于,所述确定该传感器探测到每一个运动子特征的可信度范围,包括:
该传感器探测到的运动特征中第i个运动子特征的可信度范围,通过如下方式确定:
从该传感器对应探测信号中获取多个探测周期内,针对对应探测对象探测的运动特征中第i个运动子特征的检测值,得到该传感器探测到第i个运动子特征的多个检测值;
根据得到的多个检测值,利用如下第七公式计算该传感器探测到第i个运动子特征的可信度范围:
其中,M=x1-x2;该传感器探测到第i个运动子特征的多个检测值对应一个聚集区间,x1、x2分别表征该聚集区间的上限值、下限值,多个检测值中高于上限值x1的检测值的数量为第一数量,多个检测值中低于下限值x2的检测值的数量为第二数量;m用于表征检测值的数量;N1为所述第一数量和所述第二数量中值较小的一个,N2为所述第一数量和所述第二数量中值较大的一个。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述确定所述至少两个探测对象是否为同一个探测对象,包括:
当所述至少两个运动特征中的任意两个运动特征之间的相似度大于第一阈值,则确定该任意两个运动特征对应的两个探测对象是同一个探测对象。
6.根据权利要求1-4中任一所述的方法,其特征在于,
在所述确定所述至少两个探测对象是否为同一个探测对象之前,进一步包括:得到对应多个探测周期的相似度;
所述确定所述至少两个探测对象是否为同一个探测对象,包括:在对应多个探测周期的相似度中大于第二阈值的相似度的数量,比上相似度的总数量,得到的值大于第三阈值时,进一步从对应多个探测周期相似度中确定出数值最大的第三数量的相似度,计算该第三数量的相似度之间的累计差值,如果累计差值不大于第四阈值,则确定所述至少两个探测对象是否为同一个探测对象。
7.根据权利要求1-4中任一所述的方法,其特征在于,在所述获取至少两个传感器的探测信号之前,进一步包括:获取所述当前行驶车辆的目标位置,确定以所述目标位置为圆心以设定长度为半径内的圆所对应区域范围内,是否存在有处于自动驾驶状态的车辆,如果存在,执行所述获取至少两个传感器的探测信号。
8.一种基于多源信息融合的探测装置,其特征在于,包括:
探测信号获取单元,用于获取至少两个传感器的探测信号;所述至少两个传感器设置在当前行驶车辆中;
探测对象选择单元,用于从所述至少两个传感器的探测信号中得到至少两个探测对象;所述至少两个探测对象与所述至少两个传感器一一对应;
运动特征获取单元,用于根据每一个探测信号获取相应探测对象的运动特征,得到至少两个运动特征;
相似度计算单元,用于计算所述至少两个运动特征之间的相似度;
确定单元,用于根据计算得到的相似度,确定所述至少两个探测对象是否为同一个探测对象。
9.一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562466.0A CN113298141B (zh) | 2021-05-24 | 2021-05-24 | 基于多源信息融合的探测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562466.0A CN113298141B (zh) | 2021-05-24 | 2021-05-24 | 基于多源信息融合的探测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298141A true CN113298141A (zh) | 2021-08-24 |
CN113298141B CN113298141B (zh) | 2023-09-15 |
Family
ID=77324071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110562466.0A Active CN113298141B (zh) | 2021-05-24 | 2021-05-24 | 基于多源信息融合的探测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298141B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496976A (zh) * | 2022-08-29 | 2022-12-20 | 锋睿领创(珠海)科技有限公司 | 多源异构数据融合的视觉处理方法、装置、设备及介质 |
RU2809532C1 (ru) * | 2023-01-13 | 2023-12-12 | Владимир Григорьевич Бартенев | Способ классификации объектов по межчастотному корреляционному признаку в одноканальных рлс |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567705A (zh) * | 2010-12-23 | 2012-07-11 | 北京邮电大学 | 一种检测和跟踪夜间行驶车辆的方法 |
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及系统 |
CN109509210A (zh) * | 2017-09-15 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 障碍物跟踪方法和装置 |
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN109583505A (zh) * | 2018-12-05 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 一种多传感器的物体关联方法、装置、设备及介质 |
CN109738884A (zh) * | 2018-12-29 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 对象检测方法、装置和计算机设备 |
CN109740632A (zh) * | 2018-12-07 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 基于多传感器多被测对象的相似度模型训练方法和装置 |
CN110058597A (zh) * | 2019-06-19 | 2019-07-26 | 奥特酷智能科技(南京)有限公司 | 一种自动驾驶异构系统及实现方法 |
CN110109095A (zh) * | 2019-04-30 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标特征辅助多源数据的关联方法 |
US20200025877A1 (en) * | 2018-07-18 | 2020-01-23 | Qualcomm Incorporated | Object verification using radar images |
CN111489378A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 视频帧特征提取方法、装置、计算机设备及存储介质 |
CN111771371A (zh) * | 2018-02-27 | 2020-10-13 | 图森有限公司 | 用于在线实时多对象跟踪的系统和方法 |
US20210056713A1 (en) * | 2018-01-08 | 2021-02-25 | The Regents On The University Of California | Surround vehicle tracking and motion prediction |
-
2021
- 2021-05-24 CN CN202110562466.0A patent/CN113298141B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567705A (zh) * | 2010-12-23 | 2012-07-11 | 北京邮电大学 | 一种检测和跟踪夜间行驶车辆的方法 |
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及系统 |
CN109509210A (zh) * | 2017-09-15 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 障碍物跟踪方法和装置 |
US20210056713A1 (en) * | 2018-01-08 | 2021-02-25 | The Regents On The University Of California | Surround vehicle tracking and motion prediction |
CN111771371A (zh) * | 2018-02-27 | 2020-10-13 | 图森有限公司 | 用于在线实时多对象跟踪的系统和方法 |
US20200025877A1 (en) * | 2018-07-18 | 2020-01-23 | Qualcomm Incorporated | Object verification using radar images |
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN109583505A (zh) * | 2018-12-05 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 一种多传感器的物体关联方法、装置、设备及介质 |
CN109740632A (zh) * | 2018-12-07 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 基于多传感器多被测对象的相似度模型训练方法和装置 |
CN109738884A (zh) * | 2018-12-29 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 对象检测方法、装置和计算机设备 |
CN110109095A (zh) * | 2019-04-30 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标特征辅助多源数据的关联方法 |
CN110058597A (zh) * | 2019-06-19 | 2019-07-26 | 奥特酷智能科技(南京)有限公司 | 一种自动驾驶异构系统及实现方法 |
CN111489378A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 视频帧特征提取方法、装置、计算机设备及存储介质 |
Non-Patent Citations (8)
Title |
---|
HUIYUAN XIONG等: "An NN-Based Double Parallel Longitudinal and Lateral Driving Strategy for Self-Driving Transport Vehicles in Structured Road Scenarios", SUSTAINABILITY, pages 1 - 9 * |
HYUNGGI CHO等: "A Multi-Sensor Fusion System for Moving Object Detection and Tracking in Urban Driving Environments", IEEE INTERNATIONAL CONFERENCE ON ROBOTICS & AUTOMATION (ICRA), pages 1 - 8 * |
ROBIN SCHUBERT等: "The Role of Multisensor Environmental Perception for Automated Driving", AUTOMATED DRIVING., pages 161 * |
Z. WANG 等: "Multi-Sensor Fusion in Automated Driving: A Survey", IEEE, vol. 8, pages 2847 - 2868, XP011766201, DOI: 10.1109/ACCESS.2019.2962554 * |
ZHEN LIN 等: "Research on improved evidence theory based on multi-sensor information fusion", SCIENTIFIC REPORTS, vol. 11, pages 1 - 25 * |
孙宁: "基于多源信息融合的智能汽车环境感知技术研究", 中国博士学位论文全文数据库 (工程科技Ⅱ辑), no. 2019, pages 035 - 12 * |
肖冠: "基于多特征融合的异类传感器中段目标关联算法研究", 中国硕士学位论文全文数据库 (信息科技辑), no. 2016, pages 140 - 343 * |
陈唯实 等: "多传感器融合的无人机探测技术应用综述", 现代雷达, vol. 42, no. 6, pages 15 - 29 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496976A (zh) * | 2022-08-29 | 2022-12-20 | 锋睿领创(珠海)科技有限公司 | 多源异构数据融合的视觉处理方法、装置、设备及介质 |
CN115496976B (zh) * | 2022-08-29 | 2023-08-11 | 锋睿领创(珠海)科技有限公司 | 多源异构数据融合的视觉处理方法、装置、设备及介质 |
RU2809532C1 (ru) * | 2023-01-13 | 2023-12-12 | Владимир Григорьевич Бартенев | Способ классификации объектов по межчастотному корреляционному признаку в одноканальных рлс |
Also Published As
Publication number | Publication date |
---|---|
CN113298141B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
KR102205240B1 (ko) | 예상치 못한 임펄스 변화 충돌 검출기 | |
US10424204B1 (en) | Collision warnings provided by stationary vehicles | |
US11430224B2 (en) | Systems and methods for camera-LiDAR fused object detection with segment filtering | |
EP3717996B1 (en) | System and method for vehicle sensing and analysis | |
US11546353B2 (en) | Detection of malicious activity on CAN bus | |
CN110473310A (zh) | 汽车行驶数据记录方法、系统、设备及存储介质 | |
CN107924631B (zh) | 车辆控制装置、车辆控制方法及存储车辆控制程序的介质 | |
CN112673406B (zh) | 一种辨识车辆列队中异常车辆参数的方法和终端设备 | |
US10629073B2 (en) | Method, device and system for wrong-way driver detection | |
US11885886B2 (en) | Systems and methods for camera-LiDAR fused object detection with LiDAR-to-image detection matching | |
US20190111934A1 (en) | Fingerprinting Drivers Based On Vehicle Turns | |
US20220126873A1 (en) | Systems and methods for camera-lidar fused object detection with segment merging | |
CN111103587A (zh) | 用于预测同时并线车辆的方法和设备及包括其的车辆 | |
US11685406B2 (en) | Vehicle control device, vehicle control method, and storage medium | |
US11613255B2 (en) | Redundant environment perception tracking for automated driving systems | |
US9679483B2 (en) | System and method for providing traffic information | |
US20210362727A1 (en) | Shared vehicle management device and management method for shared vehicle | |
CN112799411A (zh) | 一种无人驾驶设备的控制方法及装置 | |
US20220121213A1 (en) | Hybrid planning method in autonomous vehicle and system thereof | |
CN113298141B (zh) | 基于多源信息融合的探测方法、装置及存储介质 | |
CN113335311B (zh) | 一种车辆碰撞检测方法、装置、车辆及存储介质 | |
US20210319698A1 (en) | Determination device, determination method, and non-transitory computer readable storage medium storing determining program | |
WO2021121247A1 (zh) | 一种确定目标对象跟踪门限的方法、装置 | |
WO2024049461A2 (en) | Methods and systems for dealiasing radar range rate measurements using machine learning |
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 |