CN113763430A - 检测移动目标的方法、装置和计算机可读存储介质 - Google Patents
检测移动目标的方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113763430A CN113763430A CN202111069451.7A CN202111069451A CN113763430A CN 113763430 A CN113763430 A CN 113763430A CN 202111069451 A CN202111069451 A CN 202111069451A CN 113763430 A CN113763430 A CN 113763430A
- Authority
- CN
- China
- Prior art keywords
- moving target
- motion
- moving
- track
- trajectory
- 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 36
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 241001300198 Caperonia palustris Species 0.000 description 2
- 235000000384 Veronica chamaedrys Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请是关于一种检测移动目标的方法、装置和计算机可读存储介质。该方法包括:通过图像采集器获取的第一移动目标,生成第一移动目标的运动轨迹;通过定位雷达获取的点云数据,生成第二移动目标的运动轨迹;根据第一移动目标的运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的运动轨迹与第二移动目标的运动轨迹进行匹配;若第一移动目标的运动轨迹与第二移动目标的运动轨迹匹配成功,则融合第一移动目标的运动轨迹与第二移动目标的运动轨迹作为对移动目标的运动轨迹的检测结果。本申请提供的方案可以准确地检测出移动目标及其运动轨迹等空间信息。
Description
技术领域
本申请涉及智能驾驶领域,尤其涉及一种检测移动目标的方法、装置和计算机可读存储介质。
背景技术
移动目标检测是以识别物体及其空间位置为主要任务的过程,简而言之,移动目标检测要解决的是“是什么”和“在哪儿”的问题。由于“是什么”和“在哪儿”的问题对智能驾驶技术至关重要,因此,如何高效、准确地检测到移动目标一直是业界研究的热点。相关技术中,检测移动目标的方法主要通过摄像头等图像采集器件采集场景图像,然后提取场景图像中物体的特征,根据相应的算法,检出场景图像中的移动目标。然而,摄像头等图像采集器件受外界影响较大,并且其优势只在于区分目标的类别,即在解决“是什么”这一问题上存在优势,而对目标的位置、朝向等空间信息的检测不够精确。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种检测移动目标的方法、装置和计算机可读存储介质,该技术方案能够准确地检测移动目标及其轨迹等空间信息。
本申请第一方面提供一种检测移动目标的方法,应用于在复杂道路交叉口的智慧驾驶,包括:
通过图像采集器获取的第一移动目标,生成所述第一移动目标的运动轨迹;
通过定位雷达获取的点云数据,生成第二移动目标的运动轨迹;
根据所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹进行匹配;
若所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹匹配成功,则融合所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹作为对所述移动目标的运动轨迹的检测结果。
本申请第二方面提供一种检测移动目标的装置,应用于在复杂道路交叉口的智慧驾驶,包括:
第一生成模块,用于通过图像采集器获取的第一移动目标,生成所述第一移动目标的运动轨迹;
第二生成模块,用于通过定位雷达获取的点云数据,生成第二移动目标的运动轨迹;
匹配模块,用于根据所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹进行匹配;
融合模块,用于若所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹匹配成功,则融合所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹作为对所述移动目标的运动轨迹的检测结果。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:由于图像采集器对移动目标的识别即分类具有较大优势,而定位雷达对移动目标的空间信息例如轨迹的确定具有较大优势,因此,当通过图像采集器生成的第一移动目标的运动轨迹与通过定位雷达生成的第二移动目标的运动轨迹匹配成功时,融合第一移动目标的运动轨迹与第二移动目标的运动轨迹作为对移动目标的运动轨迹的检测结果,可以准确地检测出移动目标及其轨迹等空间信息。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的检测移动目标的方法的流程示意图;
图2是本申请实施例示出的检测移动目标的装置的结构示意图;
图3是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
前方物体“是什么”和具体“在哪儿”的问题对智能驾驶技术至关重要,因此,如何高效、准确地检测到移动目标一直是业界研究的热点。相关技术中,摄像头等图像采集器件受外界影响较大,并且其优势只在于区分目标的类别,即在解决“是什么”这一问题上存在优势,而对目标的位置、朝向等空间信息的检测不够精确。
针对上述问题,本申请实施例提供一种检测移动目标的方法,能够准确地检测出移动目标及其轨迹等空间信息。
以下结合附图详细描述本申请实施例的技术方案。
参见图1,是本申请实施例示出的检测移动目标的方法的流程示意图,该方法可应用于在复杂道路交叉口的智慧驾驶。图1示例的方法主要包括步骤S101至步骤S104,详细说明如下:
步骤S101:通过图像采集器获取的第一移动目标,生成第一移动目标的运动轨迹。
为了与后续定位雷达获取的移动目标相区别,在本申请实施例中,将摄像头等图像采集器获取的移动目标称为第一移动目标。在图像采集器采集到环境图像后,通过特征提取,并结合图像识别的算法,可以比较容易识别出环境图像中的第一移动目标。需要说明的是,在本申请实施例中,图像采集器可以与计算单元集成在一起构成路侧单元,也可以与计算单元分属不同的物理装置或者在物理上隔开、但与计算单元通过有线或者无线信道建立通信。图像采集器将采集的第一移动目标和环境信息传送至计算单元,由该计算单元按照预设算法生成第一移动目标的运动轨迹。
步骤S102:通过定位雷达获取的点云数据,生成第二移动目标的运动轨迹。
在本申请实施例中,定位雷达可以是激光雷达,也可以是毫米波雷达,还可以是超声雷达。从理论上讲,只要具备定位功能的雷达,本申请实施例都可以采用。与前述图像采集器类似,定位雷达亦可以与图像采集器、计算单元集成在一起构成路侧单元,也可以与计算单元分属不同的物理装置或者在物理上隔开、但与计算单元通过有线或者无线信道建立通信。定位雷达获取到点云数据后,传送至计算单元,由计算单元结合已有的任何一种定位算法可以生成第二移动目标的轨迹。
步骤S103:根据第一移动目标的运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的运动轨迹与第二移动目标的运动轨迹进行匹配。
需要说明的是,在本申请实施例中,第一移动目标的运动轨迹和第二移动目标的运动轨迹指的是相同时间段第一移动目标的运动轨迹和第二移动目标的运动轨迹,此处的相同时间段,是指第一移动目标的运动轨迹的起始时刻和第二移动目标的运动轨迹的起始时刻相同。如前所述,摄像头等图像采集器对目标物的分类或识别具有较大的优势,因此,通过采集器获取的第一移动目标具有较大的确定性,即可以认为图像采集器识别的第一移动目标是准确识别的目标,而通过激光雷达获取的第二移动目标的运动轨迹,则具有较大的确定性,即可以认为定位雷达获取的点云数据生成的第二移动目标的运动轨迹是第二移动目标的真实或准确的运动轨迹。综上,为了能够准确识别移动目标并确定其真实或准确的运动轨迹,可以根据第一移动目标的运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的运动轨迹与第二移动目标的运动轨迹进行匹配。
考虑到摄像头等图像采集器获取第一移动目标的运动轨迹时,其拍摄角度可能与定位雷达获取点云数据时的角度不一致,例如,图像采集器在拍摄时可能是斜对着移动目标(例如,移动目标在地面时,摄像头的拍摄角度与地面呈小于90°的夹角),而定位雷达因可以360°扫描目标,在扫描目标或获取点云数据时可能是以雷达视角进行。因此,为了排除仅仅因为两种器件获取数据时的角度的不一致而非运动轨迹实际不一致才导致无法匹配运动轨迹这种情形,在本申请实施例中,在根据第一移动目标的运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的运动轨迹与第二移动目标的运动轨迹进行匹配之前,可以将第一移动目标的运动轨迹转换为雷达视角下第一移动目标的俯视运动轨迹,其中,雷达视角为激光雷达获取点云数据时的视角,例如,俯视角度,具体地,当雷达视角为俯视角度时,将第一移动目标的运动轨迹转换为雷达视角下第一移动目标的俯视运动轨迹可以按照公式P′=H-1P进行,其中,P′为第一移动目标的俯视运动轨迹,P为第一移动目标的运动轨迹,H-1为转换矩阵H的逆矩阵,而转换矩阵H通过如下步骤a)至步骤c)获取:
a)以原始图像(该原始图像为图像采集器在采集第一移动目标所属图像时使用的角度下采集的任意一幅图像)中较为醒目的矩形物体(例如车道线或汽车等)的四个角为基准点,记录该基准点在原始图像中的位置;
b)按照基准点之间的真实距离(不必太精确,估算即可)估算出该四个基准点在鸟瞰图(即俯视角度下拍摄的图像)中的相对位置,并按照其像素点间距与原始图像尺寸的比例,估算出四个基准点在鸟瞰图中的位置;
c)分别将上述四个基准点在原始图像和鸟瞰图中的位置代入公式P0=H*P1,即可求得变换矩阵H,公式P0=H*P1中,H为4*4阶的变换矩阵,P0为原始图像中任意一个点的位置,P1为该任意一个点在鸟瞰图中的位置。
在将第一移动目标的运动轨迹转换为雷达视角下第一移动目标的俯视运动轨迹后,相应地,根据第一移动目标的运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的运动轨迹与第二移动目标的运动轨迹进行匹配可以是:根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的俯视运动轨迹与第二移动目标的运动轨迹进行匹配。具体地,根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的俯视运动轨迹与第二移动目标的运动轨迹进行匹配可以是:根据第一移动目标的运动轨迹和第二移动目标的运动轨迹的时间戳,计算第一移动目标的运动轨迹和第二移动目标的运动轨迹的生成时刻相似度;根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹,计算第一移动目标与第二移动目标的相对位移相似度和轨迹线型相似度;若生成时刻相似度、相对位移相似度和轨迹线型相似度分别超过第一预设阈值、第二预设阈值和第三预设阈值,即,生成时刻相似度超过第一预设阈值,同时,相对位移相似度超过第二预设阈值,并且轨迹线型相似度超过第三预设阈值,则确定第一移动目标的俯视运动轨迹与第二移动目标的运动轨迹匹配成功。上述实施例中,根据第一移动目标的运动轨迹和第二移动目标的运动轨迹的时间戳,计算第一移动目标的运动轨迹和第二移动目标的运动轨迹的生成时刻相似度可以是:比较第一移动目标的运动轨迹的时间戳与第二移动目标的运动轨迹的时间戳,当第一移动目标的运动轨迹的时间戳小于第二移动目标的运动轨迹的时间戳时,计算第一移动目标的运动轨迹的时间戳与第二移动目标的运动轨迹的时间戳的比值,将该比值作为第一移动目标的运动轨迹和第二移动目标的运动轨迹的生成时刻相似度,或者,当第一移动目标的运动轨迹的时间戳大于第二移动目标的运动轨迹的时间戳时,计算第二移动目标的运动轨迹的时间戳与第一移动目标的运动轨迹的时间戳的比值,将该比值作为第一移动目标的运动轨迹和第二移动目标的运动轨迹的生成时刻相似度。需要说明的是,上述实施例中,第一移动目标的运动轨迹的时间戳标识生成第一移动目标的运动轨迹的时刻,第二移动目标的运动轨迹的时间戳标识生成第二移动目标的运动轨迹的时刻。
上述实施例中,根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹,计算第一移动目标与第二移动目标的相对位移相似度可以是:提取第一移动目标的俯视运动轨迹中第一移动目标于预设时间段在二维平面上移动的距离;将第一移动目标于预设时间段在二维平面上移动的距离除以第一移动目标的俯视运动轨迹所属图像的尺寸,得到第一相对位移;计算第一相对位移与第二相对位移的比值,得到第一移动目标与第二移动目标的相对位移相似度,其中,第二相对位移为第二移动目标的运动轨迹中第二移动目标于预设时间段在二维平面上移动的距离除以第二移动目标的运动轨迹所属图像的尺寸所得值。上述实施例中,第一移动目标或第二移动目标于预设时间段在二维平面上移动的距离可以是在二维平面的x轴方向或y轴方向移动的距离。需要说明的是,由于定位雷达在获取移动目标的运动轨迹等空间位置信息上具有较大的确定性,上述实施例的第二相对位移也具有较大的确定性,因此,可以将第一相对位移与第二相对位移的比值作为第一移动目标与第二移动目标的相对位移相似度。
至于根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹,计算第一移动目标与第二移动目标的轨迹线型相似度,作为本申请一个实施例,可以通过如下步骤S1031至步骤S1035实现:
步骤S1031:计算同一时刻第一移动目标的俯视运动轨迹上轨迹点与第二移动目标的运动轨迹上轨迹点的比值。
需要说明的是,第一移动目标的俯视运动轨迹上轨迹点可以是连接成该俯视运动轨迹的原始的轨迹点,也可以是在这些原始的轨迹点之间所取的点作为轨迹点,在后一种情形下,可以事先使用均值平滑的方法将第一移动目标的俯视运动轨迹平滑;对于第二移动目标的运动轨迹上轨迹点,其定义或解释与第一移动目标的俯视运动轨迹上轨迹点的定义或解释相同。
步骤S1032:对于比值相同的n对轨迹点,求取每一对轨迹点中第一移动目标的俯视运动轨迹上轨迹点的导数与第二移动目标的运动轨迹上轨迹点的导数之差,得到n个导数之差,其中,n为大于1的整数。
对于步骤S1031得到的比值,可能有些时刻第一移动目标的俯视运动轨迹上轨迹点与第二移动目标的运动轨迹上轨迹点的比值相同,有些时刻第一移动目标的俯视运动轨迹上轨迹点与第二移动目标的运动轨迹上轨迹点的比值不相同,例如,在t1、t2、t3、t4、t5、t6、t7和t8时刻,计算得到第一移动目标的俯视运动轨迹上轨迹点L1、L2、L3、L4、L5、L6、L7和L8与第二移动目标的运动轨迹上轨迹点L1’、L2’、L3’、L4’、L5’、L6’、L7’和L8’的比值分别为P1、P2、P3、P4、P5、P6、P7和P8,在这8个比值中,只有P2=P3=P5=P6=P8。对于P2、P3、P5、P6和P8对应的{L2,L2’}、{L3,L3’}、{L5,L5’}、{L6,L6’}和{L8,L8’}这5对轨迹点,分别求取L2、L3、L5、L6和L8上的导数D2、D3、D5、D6和D8以及L2’、L3’、L5’、L6’和L8’上的导数D2’、D3’、D5’、D6’和D8’,计算D2与D2’之差δ2=D2-D2’、D3与D3’之差δ3=D3–D3’、D5与D5’之差δ5=D5–D5’、D6与D6’之差δ6=D6–D6’以及D8与D8’之差δ8=D8–D8’。
步骤S1033:对n个导数之差求和,得到导数差之和。
例如,相应于步骤S1032的示例,对应于{L2,L2’}、{L3,L3’}、{L5,L5’}、{L6,L6’}和{L8,L8’}的轨迹点,计算δ2、δ3、δ5、δ6与δ8之和,即Sδ=δ2+δ3+δ5+δ6+δ8。
步骤S1034:对于比值相同的n对轨迹点,求取每一对轨迹点中第二移动目标的运动轨迹上轨迹点的导数之和,得到导数之和。
例如,相应于步骤S1032的示例,对应于{L2,L2’}、{L3,L3’}、{L5,L5’}、{L6,L6’}和{L8,L8’}的5对轨迹点,求取第二移动目标的轨迹上轨迹点L2’、L3’、L5’、L6’和L8’上的导数D2’、D3’、D5’、D6’和D8’之和,即求取Ssum=D2’+D3’+D5’+D6’+D8’。
步骤S1035:计算导数差之和与导数之和的比值,作为第一移动目标与第二移动目标的轨迹线型相似度。
相应于步骤S1032的示例,对应于{L2,L2’}、{L3,L3’}、{L5,L5’}、{L6,L6’}和{L8,L8’}的5对轨迹点,计算导数差之和与导数之和的比值即计算Sδ/Ssum,将Sδ/Ssum作为第一移动目标与第二移动目标的轨迹线型相似度。
作为本申请另一实施例,根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹,计算第一移动目标与第二移动目标的轨迹线型相似度可以通过如下步骤S’1031至步骤S’1033实现:
步骤S’1031:提取第一轨迹特征向量和第二轨迹特征向量,其中,第一轨迹特征向量为第一移动目标的俯视运动轨迹的特征向量,第二轨迹特征向量为第二移动目标的运动轨迹的特征向量。
所谓俯视轨迹的特征向量,是俯视运动轨迹特征的向量化表示,而俯视运动轨迹特征是对俯视运动轨迹的抽象,可通过将俯视运动轨迹输入预先训练的神经网络模型,神经网络模型的输出即为俯视运动轨迹的特征向量;对于第二移动目标的运动轨迹的特征向量,其定义与获取方式等与俯视运动轨迹的特征向量相同,不做赘述。
步骤S’1032:计算第一轨迹特征向量与第二轨迹特征向量之间的距离。
在本申请实施例中,第一轨迹特征向量与第二轨迹特征向量之间的距离可以是余弦距离、欧式距离或汉明距离,等等,计算方法可以是上述距离的通常算法,此处不做赘述。
步骤S’1033:根据第一轨迹特征向量与第二轨迹特征向量之间的距离,确定第一移动目标与第二移动目标的轨迹线型相似度。
第一轨迹特征向量与第二轨迹特征向量之间的距离可以用于度量第一移动目标与第二移动目标的轨迹线型相似度。以第一轨迹特征向量与第二轨迹特征向量之间的距离是汉明距离为例,若第一轨迹特征向量与第二轨迹特征向量之间的汉明距离越小,则第一移动目标与第二移动目标的轨迹线型相似度越高,反之则越低。例如,假设当第一轨迹特征向量与第二轨迹特征向量之间的汉明距离是4时,第一移动目标与第二移动目标的轨迹线型相似度是S,当第一轨迹特征向量与第二轨迹特征向量之间的汉明距离是2时,第一移动目标与第二移动目标的轨迹线型相似度是S’,则S’>S,即在第一轨迹特征向量与第二轨迹特征向量之间的汉明距离是2时,第一移动目标的运动轨迹线型与第二移动目标的运动轨迹线型更为相似,两者更有可能是同一移动目标产生的运动轨迹。
步骤S104:若第一移动目标的运动轨迹与第二移动目标的运动轨迹匹配成功,则融合第一移动目标的运动轨迹与第二移动目标的运动轨迹作为对移动目标的运动轨迹的检测结果。
如前所述,图像采集器和定位雷达分别在目标识别和运动轨迹获取上有各自的优势,因此,当第一移动目标的运动轨迹与第二移动目标的运动轨迹匹配成功时,融合第一移动目标的运动轨迹与第二移动目标的运动轨迹作为对移动目标的运动轨迹的检测结果,相当于是结合了两种器件各自的优势,因此,检测结果的准确率较高。具体地,步骤S104的实现可以是:当第一移动目标的运动轨迹与第二移动目标的运动轨迹匹配成功,即,在生成时刻相似度、相对位移相似度和轨迹线型相似度等三个维度上分别超过第一预设阈值、第二预设阈值和第三预设阈值时,确定第一移动目标为最终检出目标,将第二移动目标的运动轨迹替代第一移动目标的运动轨迹或俯视运动轨迹,作为对最终检出目标的运动轨迹的检测结果。需要说明的是,当第一移动目标的运动轨迹与第二移动目标的运动轨迹匹配成功,说明图像采集器检出的第一移动目标与定位雷达检出的第二移动目标实际上为同一移动目标,而定位雷达在对移动目标的运动轨迹的确定上具有精度较高的优势,因此,可以将第二移动目标的运动轨迹替代第一移动目标的运动轨迹或俯视运动轨迹,作为对最终检出目标(第一移动目标或第二移动目标)的运动轨迹的检测结果。
从上述图1示例的技术方案可知,由于图像采集器对移动目标的识别即分类具有较大优势,而定位雷达对移动目标的空间信息例如轨迹的确定具有较大优势,因此,当通过图像采集器生成的第一移动目标的运动轨迹与通过定位雷达生成的第二移动目标的运动轨迹匹配成功时,融合第一移动目标的运动轨迹与第二移动目标的运动轨迹作为对移动目标的运动轨迹的检测结果,可以准确地检测出移动目标及其轨迹等空间信息。
与前述应用功能实现方法实施例相对应,本申请还提供了一种检测移动目标的装置、电子设备及相应的实施例。
参见图2是本申请实施例示出的检测移动目标的装置的结构示意图。为了便于说明,仅仅示出与本申请实施例相关的部分。图2示例的装置可以应用于在复杂道路交叉口的智慧驾驶,该装置可以包括第一生成模块201、第二生成模块202、匹配模块203和融合模块204,说明如下:
第一生成模块201,用于通过图像采集器获取的第一移动目标,生成第一移动目标的运动轨迹;
第二生成模块202,用于通过定位雷达获取的点云数据,生成第二移动目标的运动轨迹;
匹配模块203,用于根据第一移动目标的运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的运动轨迹与第二移动目标的运动轨迹进行匹配;
融合模块204,用于若第一移动目标的运动轨迹与第二移动目标的运动轨迹匹配成功,则融合第一移动目标的运动轨迹与第二移动目标的运动轨迹作为对移动目标的运动轨迹的检测结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
从图2示例的装置可知,由于图像采集器对移动目标的识别即分类具有较大优势,而定位雷达对移动目标的空间信息例如轨迹的确定具有较大优势,因此,当通过图像采集器生成的第一移动目标的运动轨迹与通过定位雷达生成的第二移动目标的运动轨迹匹配成功时,融合第一移动目标的运动轨迹与第二移动目标的运动轨迹作为对移动目标的运动轨迹的检测结果,可以准确地检测出移动目标及其轨迹等空间信息。
可选地,图2示例的装置还可以包括转换模块,用于匹配模块203根据第一移动目标的运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的运动轨迹与第二移动目标的运动轨迹进行匹配之前,将第一移动目标的运动轨迹转换为雷达视角下第一移动目标的俯视运动轨迹,其中,雷达视角为定位雷达获取点云数据时的视角。
可选地,图2示例的匹配模块203具体用于根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹在时空上的相似度,对第一移动目标的俯视运动轨迹与第二移动目标的运动轨迹进行匹配。
可选地,上述图2示例的匹配模块203可以包括第一计算单元、第二计算单元和第一确定单元,其中:
第一计算单元,用于根据第一移动目标的运动轨迹和第二移动目标的运动轨迹的时间戳,计算第一移动目标的运动轨迹和第二移动目标的运动轨迹的生成时刻相似度;
第二计算单元,用于根据第一移动目标的俯视运动轨迹和第二移动目标的运动轨迹,计算第一移动目标与第二移动目标的相对位移相似度和轨迹线型相似度;
第一确定单元,用于若生成时刻相似度、相对位移相似度和轨迹线型相似度分别超过第一预设阈值、第二预设阈值和第三预设阈值,则确定第一移动目标的俯视运动轨迹与第二移动目标的运动轨迹匹配成功。
可选地,上述图2示例的第二计算单元可以包括第一提取单元、第三计算单元和第四计算单元,其中:
第一提取单元,用于提取第一移动目标的俯视运动轨迹中第一移动目标于预设时间段在二维平面上移动的距离;
第三计算单元,用于将第一移动目标于预设时间段在二维平面上移动的距离除以第一移动目标的俯视运动轨迹所属图像的尺寸,得到第一相对位移;
第四计算单元,用于计算第一相对位移与第二相对位移的比值,得到第一移动目标与第二移动目标的相对位移相似度,其中,第二相对位移为第二移动目标的运动轨迹中第二移动目标于预设时间段在二维平面上移动的距离除以第二移动目标的运动轨迹所属图像的尺寸所得值。
可选地,上述图2示例的第二计算单元可以包括第五计算单元、第六计算单元、第七计算单元、第八计算单元和第九计算单元,其中:
第五计算单元,用于计算同一时刻所述第一移动目标的俯视运动轨迹上轨迹点与第二移动目标的运动轨迹上轨迹点的比值;
第六计算单元,用于对于比值相同的n对轨迹点,求取每一对轨迹点中第一移动目标的俯视运动轨迹上轨迹点的导数与第二移动目标的运动轨迹上轨迹点的导数之差,得到n个导数之差,其中,n为大于1的整数;
第七计算单元,用于对n个导数之差求和,得到导数差之和;
第八计算单元,用于对于比值相同的n对轨迹点,求取每一对轨迹点中第二移动目标的运动轨迹上轨迹点的导数之和,得到导数之和;
第九计算单元,用于计算导数差之和与导数之和的比值,作为第一移动目标与第二移动目标的轨迹线型相似度。
可选地,上述图2示例的第二计算单元可以包括第二提取单元、第十计算单元和第二确定单元,其中:
第二提取单元,用于提取第一轨迹特征向量和第二轨迹特征向量,其中,第一轨迹特征向量为第一移动目标的俯视运动轨迹的特征向量,第二轨迹特征向量为第二移动目标的运动轨迹的特征向量;
第十计算单元,用于计算第一轨迹特征向量与第二轨迹特征向量之间的距离;
第二确定单元,用于根据第一轨迹特征向量与第二轨迹特征向量之间的距离,确定第一移动目标与第二移动目标的轨迹线型相似度。
可选地,上述图2示例的装置还可以包括目标确定模块和替代模块,其中:
目标确定模块,用于当第一移动目标的运动轨迹或俯视运动轨迹与第二移动目标的运动轨迹匹配成功时,确定第一移动目标为最终检出目标;
替代模块,用于将第二移动目标的运动轨迹替代第一移动目标的运动轨迹或俯视运动轨迹,作为对最终检出目标的运动轨迹的检测结果。
参见图3,是本申请实施例示出的电子设备的结构示意图。该电子设备300包括存储器310和处理器320。
处理器320可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器310可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器320或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器310可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器310可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器310上存储有可执行代码,当可执行代码被处理器320处理时,可以使处理器320执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种检测移动目标的方法,应用于在复杂道路交叉口的智慧驾驶,其特征在于,所述方法包括:
通过图像采集器获取的第一移动目标,生成所述第一移动目标的运动轨迹;
通过定位雷达获取的点云数据,生成第二移动目标的运动轨迹;
根据所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹进行匹配;
若所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹匹配成功,则融合所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹作为对所述移动目标的运动轨迹的检测结果。
2.根据权利要求1所述的检测移动目标的方法,其特征在于,所述根据所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹进行匹配之前,所述方法还包括:
将所述第一移动目标的运动轨迹转换为雷达视角下第一移动目标的俯视运动轨迹,所述雷达视角为所述定位雷达获取所述点云数据时的视角。
3.根据权利要求2所述的检测移动目标的方法,其特征在于,所述根据所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹进行匹配,包括:根据所述第一移动目标的俯视运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的俯视运动轨迹与所述第二移动目标的运动轨迹进行匹配。
4.根据权利要求3所述的检测移动目标的方法,其特征在于,所述根据所述第一移动目标的俯视运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的俯视运动轨迹与所述第二移动目标的运动轨迹进行匹配,包括:
根据所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹的时间戳,计算所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹的生成时刻相似度;
根据所述第一移动目标的俯视运动轨迹和所述第二移动目标的运动轨迹,计算所述第一移动目标与所述第二移动目标的相对位移相似度和轨迹线型相似度;
若所述生成时刻相似度、相对位移相似度和轨迹线型相似度分别超过第一预设阈值、第二预设阈值和第三预设阈值,则确定所述第一移动目标的俯视运动轨迹与所述第二移动目标的运动轨迹匹配成功。
5.根据权利要求4所述的检测移动目标的方法,其特征在于,所述根据所述第一移动目标的俯视运动轨迹和所述第二移动目标的运动轨迹,计算所述第一移动目标与所述第二移动目标的相对位移相似度,包括:
提取所述第一移动目标的俯视运动轨迹中所述第一移动目标于预设时间段在二维平面上移动的距离;
将所述第一移动目标于预设时间段在二维平面上移动的距离除以所述第一移动目标的俯视运动轨迹所属图像的尺寸,得到第一相对位移;
计算所述第一相对位移与第二相对位移的比值,得到所述第一移动目标与所述第二移动目标的相对位移相似度,所述第二相对位移为所述第二移动目标的运动轨迹中所述第二移动目标于所述预设时间段在二维平面上移动的距离除以所述第二移动目标的运动轨迹所属图像的尺寸所得值。
6.根据权利要求4所述的检测移动目标的方法,其特征在于,所述根据所述第一移动目标的俯视运动轨迹和所述第二移动目标的运动轨迹,计算所述第一移动目标与所述第二移动目标的轨迹线型相似度,包括:
计算同一时刻所述第一移动目标的俯视运动轨迹上轨迹点与所述第二移动目标的运动轨迹上轨迹点的比值;
对于所述比值相同的n对轨迹点,求取每一对轨迹点中所述第一移动目标的俯视运动轨迹上轨迹点的导数与所述第二移动目标的运动轨迹上轨迹点的导数之差,得到n个导数之差,所述n为大于1的整数;
对所述n个导数之差求和,得到导数差之和;
对于所述比值相同的n对轨迹点,求取每一对轨迹点中所述第二移动目标的运动轨迹上轨迹点的导数之和,得到导数之和;
计算所述导数差之和与所述导数之和的比值,作为所述第一移动目标与所述第二移动目标的轨迹线型相似度。
7.根据权利要求4所述的检测移动目标的方法,其特征在于,所述根据所述第一移动目标的俯视运动轨迹和所述第二移动目标的运动轨迹,计算所述第一移动目标与所述第二移动目标的轨迹线型相似度,包括:
提取第一轨迹特征向量和第二轨迹特征向量,所述第一轨迹特征向量为所述第一移动目标的俯视运动轨迹的特征向量,所述第二轨迹特征向量为所述第二移动目标的运动轨迹的特征向量;
计算所述第一轨迹特征向量与所述第二轨迹特征向量之间的距离;
根据所述距离,确定所述第一移动目标与所述第二移动目标的轨迹线型相似度。
8.根据权利要求1至7任意一项所述的检测移动目标的方法,其特征在于,所述融合所述第一移动目标的运动轨迹与所述第二移动目标的轨迹作为所述图像采集器对所述移动目标的运动轨迹的检测结果,包括:
当所述第一移动目标的运动轨迹或俯视运动轨迹与所述第二移动目标的运动轨迹匹配成功时,确定所述第一移动目标为最终检出目标;
将所述第二移动目标的运动轨迹替代所述第一移动目标的运动轨迹或俯视运动轨迹,作为对所述最终检出目标的运动轨迹的检测结果。
9.一种检测移动目标的装置,应用于在复杂道路交叉口的智慧驾驶,其特征在于,所述装置包括:
第一生成模块,用于通过图像采集器获取的第一移动目标,生成所述第一移动目标的运动轨迹;
第二生成模块,用于通过定位雷达获取的点云数据,生成第二移动目标的运动轨迹;
匹配模块,用于根据所述第一移动目标的运动轨迹和所述第二移动目标的运动轨迹在时空上的相似度,对所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹进行匹配;
融合模块,用于若所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹匹配成功,则融合所述第一移动目标的运动轨迹与所述第二移动目标的运动轨迹作为对所述移动目标的运动轨迹的检测结果。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069451.7A CN113763430A (zh) | 2021-09-13 | 2021-09-13 | 检测移动目标的方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069451.7A CN113763430A (zh) | 2021-09-13 | 2021-09-13 | 检测移动目标的方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113763430A true CN113763430A (zh) | 2021-12-07 |
Family
ID=78795227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069451.7A Pending CN113763430A (zh) | 2021-09-13 | 2021-09-13 | 检测移动目标的方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763430A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663879A (zh) * | 2022-02-09 | 2022-06-24 | 中国科学院自动化研究所 | 目标检测方法、装置、电子设备及存储介质 |
CN114943943A (zh) * | 2022-05-16 | 2022-08-26 | 中国电信股份有限公司 | 目标轨迹获得方法、装置、设备及存储介质 |
CN115776639A (zh) * | 2023-01-30 | 2023-03-10 | 北京数原数字化城市研究中心 | 一种定位方法、定位装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280442A (zh) * | 2018-02-10 | 2018-07-13 | 西安交通大学 | 一种基于轨迹匹配的多源目标融合方法 |
US20180340777A1 (en) * | 2015-11-16 | 2018-11-29 | Huawei Technologies Co., Ltd. | Positioning Method and Device |
CN110533695A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的轨迹预测装置及方法 |
CN111652912A (zh) * | 2020-06-10 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 车辆计数方法和系统、数据处理设备及智能拍摄设备 |
CN112529939A (zh) * | 2020-12-15 | 2021-03-19 | 广州云从鼎望科技有限公司 | 一种目标轨迹匹配方法、装置、机器可读介质及设备 |
CN112686178A (zh) * | 2020-12-30 | 2021-04-20 | 中国电子科技集团公司信息科学研究院 | 一种多视角目标轨迹生成方法、装置和电子设备 |
CN112904331A (zh) * | 2019-11-19 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 移动轨迹的确定方法、装置、设备及存储介质 |
CN113253256A (zh) * | 2021-06-04 | 2021-08-13 | 智道网联科技(北京)有限公司 | 基于传感器融合设备的监控方法、装置和传感器融合设备 |
-
2021
- 2021-09-13 CN CN202111069451.7A patent/CN113763430A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180340777A1 (en) * | 2015-11-16 | 2018-11-29 | Huawei Technologies Co., Ltd. | Positioning Method and Device |
CN108280442A (zh) * | 2018-02-10 | 2018-07-13 | 西安交通大学 | 一种基于轨迹匹配的多源目标融合方法 |
CN110533695A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的轨迹预测装置及方法 |
CN112904331A (zh) * | 2019-11-19 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 移动轨迹的确定方法、装置、设备及存储介质 |
CN111652912A (zh) * | 2020-06-10 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 车辆计数方法和系统、数据处理设备及智能拍摄设备 |
CN112529939A (zh) * | 2020-12-15 | 2021-03-19 | 广州云从鼎望科技有限公司 | 一种目标轨迹匹配方法、装置、机器可读介质及设备 |
CN112686178A (zh) * | 2020-12-30 | 2021-04-20 | 中国电子科技集团公司信息科学研究院 | 一种多视角目标轨迹生成方法、装置和电子设备 |
CN113253256A (zh) * | 2021-06-04 | 2021-08-13 | 智道网联科技(北京)有限公司 | 基于传感器融合设备的监控方法、装置和传感器融合设备 |
Non-Patent Citations (1)
Title |
---|
徐文进等: "基于轨迹图像特征匹配的渔船轨迹相似度计算和轨迹分类", 计算机系统应用, vol. 30, no. 08, pages 232 - 236 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663879A (zh) * | 2022-02-09 | 2022-06-24 | 中国科学院自动化研究所 | 目标检测方法、装置、电子设备及存储介质 |
CN114663879B (zh) * | 2022-02-09 | 2023-02-21 | 中国科学院自动化研究所 | 目标检测方法、装置、电子设备及存储介质 |
CN114943943A (zh) * | 2022-05-16 | 2022-08-26 | 中国电信股份有限公司 | 目标轨迹获得方法、装置、设备及存储介质 |
CN114943943B (zh) * | 2022-05-16 | 2023-10-03 | 中国电信股份有限公司 | 目标轨迹获得方法、装置、设备及存储介质 |
CN115776639A (zh) * | 2023-01-30 | 2023-03-10 | 北京数原数字化城市研究中心 | 一种定位方法、定位装置、电子设备及存储介质 |
CN115776639B (zh) * | 2023-01-30 | 2023-04-25 | 北京数原数字化城市研究中心 | 一种定位方法、定位装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727661B2 (en) | Method and system for determining at least one property related to at least part of a real environment | |
Drost et al. | 3d object detection and localization using multimodal point pair features | |
CN113763430A (zh) | 检测移动目标的方法、装置和计算机可读存储介质 | |
Chen et al. | City-scale landmark identification on mobile devices | |
Tombari et al. | Object recognition in 3d scenes with occlusions and clutter by hough voting | |
US11205276B2 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
CN107741231B (zh) | 一种基于机器视觉的多运动目标快速测距方法 | |
Alahi et al. | RGB-W: When vision meets wireless | |
Su et al. | Global localization of a mobile robot using lidar and visual features | |
US20140355832A1 (en) | Method and Device for Following an Object in a Sequence of at Least Two Images | |
Ji et al. | RGB-D SLAM using vanishing point and door plate information in corridor environment | |
Dymczyk et al. | Will it last? Learning stable features for long-term visual localization | |
US20200311488A1 (en) | Subject recognizing method and apparatus | |
Suljagic et al. | Similarity based person re-identification for multi-object tracking using deep Siamese network | |
Li et al. | Adaptive and compressive target tracking based on feature point matching | |
Ekekrantz et al. | Adaptive iterative closest keypoint | |
Song et al. | Graphbev: Towards robust bev feature alignment for multi-modal 3d object detection | |
Zhang et al. | View independent object classification by exploring scene consistency information for traffic scene surveillance | |
Yang et al. | On-road vehicle tracking using keypoint-based representation and online co-training | |
Qiu et al. | An adaptive kernel‐based target tracking method based on multiple features fusion | |
Bhuyan et al. | Tracking with multiple cameras for video surveillance | |
CN111967290A (zh) | 物体识别方法、装置及车辆 | |
Meng et al. | Picpose: Using picture posing for localization service on iot devices | |
Chattopadhyay et al. | Exploiting pose information for gait recognition from depth streams | |
Bao et al. | Semantic structure from motion: A novel framework for joint object recognition and 3D reconstruction |
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 |