CN114332807A - 基于场端的障碍物分类识别方法、装置、设备及存储介质 - Google Patents

基于场端的障碍物分类识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114332807A
CN114332807A CN202111437490.8A CN202111437490A CN114332807A CN 114332807 A CN114332807 A CN 114332807A CN 202111437490 A CN202111437490 A CN 202111437490A CN 114332807 A CN114332807 A CN 114332807A
Authority
CN
China
Prior art keywords
probability value
point cloud
data
detection point
cloud data
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
Application number
CN202111437490.8A
Other languages
English (en)
Inventor
丁磊
姚聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Human Horizons Shanghai Autopilot Technology Co Ltd
Original Assignee
Human Horizons Shanghai Autopilot Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Human Horizons Shanghai Autopilot Technology Co Ltd filed Critical Human Horizons Shanghai Autopilot Technology Co Ltd
Priority to CN202111437490.8A priority Critical patent/CN114332807A/zh
Publication of CN114332807A publication Critical patent/CN114332807A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于场端的障碍物分类识别方法、装置、终端设备及存储介质，方法包括：获取车辆位置数据和预设检测区域中的检测点云数据；根据所述车辆位置数据构建车辆外轮廓的先验分布；根据狄利克雷过程，建立基于所述先验分布的随机过程；计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。本方法能实现对自动驾驶车辆和其他障碍物的分类识别。

Description

基于场端的障碍物分类识别方法、装置、设备及存储介质
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种基于场端的障碍物分类识别方法、装置、终端设备及计算机可读存储介质。
背景技术
随着自动驾驶技术的快速发展，基于场端感知的车路协同自动驾驶技术越来越被人们重视。基于场端感知的车路协同自动驾驶可以弥补和提高自动驾驶系统的安全冗余性能，此外将传感器部署在场端，也可以降低单一车辆的感知成本和算力资源消耗。
目前，采用聚类算法对路况中的障碍物进行识别是车路协同自动驾驶的一个重要环节。常用的点云聚类算法中，需要事先指定聚类的类别数量，例如K均值聚类算法，需要指定类别先验值K。但是，在自动驾驶的环境中，真实的障碍物类别数量通常都是不固定且不可预知的。综上，现有的识别方法无法在不确定类别数量的情况下对障碍物进行分类识别。
发明内容
本发明提供了一种基于场端的障碍物分类识别方法、装置、终端设备及计算机可读存储介质，以实现对自动驾驶车辆和其他障碍物的分类识别。
第一方面，为了解决上述技术问题，本发明提供了一种基于场端的障碍物分类识别方法，包括：
获取车辆位置数据和预设检测区域中的检测点云数据；
根据所述车辆位置数据构建车辆外轮廓的先验分布；
根据狄利克雷过程，建立基于所述先验分布的随机过程；
计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
优选地，所述根据所述车辆位置数据构建车辆外轮廓的先验分布，包括：
根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
根据所述二维位置数据，构建车辆外轮廓的先验分布。
优选地，所述方法还包括：
获取车辆边缘的长度数据和宽度数据；
根据所述长度数据和宽度数据，构建关于所述先验分布的协方差矩阵。
优选地，所述根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，包括：
计算所述检测点云数据到已有类别的马氏距离；
根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
优选地，所述方法还包括：
获取激光雷达采集的点云原始数据；
根据所述点云原始数据和预设的检测区域，筛选出所述检测区域中的检测点云数据。
第二方面，本发明提供了一种基于场端的障碍物分类识别装置，包括：
数据获取模块，用于获取车辆位置数据和预设检测区域中的检测点云数据；
先验分布构建模块，用于根据所述车辆位置数据构建车辆外轮廓的先验分布；
随机过程建立模块，用于根据狄利克雷过程，建立基于所述先验分布的随机过程；
概率值计算模块，用于计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
分类模块，用于将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
优选地，所述先验分布构建模块包括：
中心点计算单元，用于根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
先验分布构建单元，用于根据所述二维位置数据，构建车辆外轮廓的先验分布。
优选地，所述装置还包括：
距离计算模块，用于计算所述检测点云数据到已有类别的马氏距离；
聚类模块，用于根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的基于场端的障碍物分类识别方法。
第四方面，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于场端的障碍物分类识别方法。
相比于现有技术，本发明具有如下有益效果：
本发明通过获取的车辆位置数据构建车辆外轮廓的先验分布，再根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，最后选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果，实现了对自动驾驶车辆和其他障碍物的分类识别。进一步地，可以将分类识别结果输入给智能避撞模块，进行车辆安全控制，从而实现基于场端感知完成自动驾驶车辆的安全避撞停车。
附图说明
图1是本发明第一实施例提供的基于场端的障碍物分类识别方法流程示意图；
图2是激光雷达分布设置的示意图；
图3是检测点云数据的示意图；
图4是车辆外轮廓先验分布对应的类别示意图；
图5是本发明第二实施例提供的基于场端的障碍物分类识别装置结构示意图。
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、完整地描述，显然，所描述的实施例仅仅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作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。
参照图1，本发明第一实施例提供了一种基于场端的障碍物分类识别方法，包括以下步骤S11-S15：
S11，获取车辆位置数据和预设检测区域中的检测点云数据；
S12，根据所述车辆位置数据构建车辆外轮廓的先验分布；
S13，根据狄利克雷过程，建立基于所述先验分布的随机过程；
S14，计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
S15，将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
在步骤S11中，需要获取车辆位置数据和预设检测区域中的检测点云数据。在具体实施当中，车辆上可以安装高精度定位模块，例如RTK(Real-time kinematic，实时动态定位)模块，通过RTK模块获取车辆位置数据。当然，也可以采用其他类型的定位模块。
具体地，首先获取激光雷达采集的点云原始数据，再根据点云原始数据和预设的检测区域，筛选出所述检测区域中的检测点云数据。其中，检测区域可以根据感兴趣的区域进行设置，例如，将车辆周围3m内的区域设置为检测区域。
示例性地，参照图2，在整个运营环境中，自动驾驶车辆的行驶路径两侧每隔30米部署两颗激光雷达，每颗激光雷达外参均标定到统一局部坐标下。激光雷达会探测出区域内的所有点云原始数据，并将点云原始数据传输到服务器中。
在步骤S12中，根据所述车辆位置数据构建车辆外轮廓的先验分布。具体地，将车辆位置数据与激光雷达获取的点云数据统一至相同坐标下。需要说明的是，车辆外轮廓的边缘有四个，可以选取四个边缘的中心点建立先验分布。
在步骤S13和S14中，根据狄利克雷过程，建立基于所述先验分布的随机过程，并计算第一概率值和第二概率值。其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值。需要说明的是，已有类别包括车辆四个边缘所属的四个类别，新类别包括障碍物类别。进一步地，障碍物类别还可以根据障碍物的不同类型继续划分。
在步骤S15中，将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。在本实施例中，已有类别包括车辆四个边缘所属的四个类别，计算得到的第一概率值包括4个数值，分别代表检测点云数据属于车辆四个边缘所属的四个类别的概率值，而第二概率值代表检测点云数据单独创建一个新类别的概率值。最后从上述5个概率值中选取一个最大概率值，最大概率值对应的类别即为检测点云数据的分类结果。需要说明的是，检测区域中的检测点云数据的数量可以有多个，针对每个检测点云数据，执行步骤S14-S15中的概率值计算和比较，从而实现对每个检测点云数据的分类识别。
为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。
在一种实现方式中，所述根据所述车辆位置数据构建车辆外轮廓的先验分布，包括：
根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
根据所述二维位置数据，构建车辆外轮廓的先验分布。
进一步地，所述方法还包括：
获取车辆边缘的长度数据和宽度数据；
根据所述长度数据和宽度数据，构建关于所述先验分布的协方差矩阵。
具体地，根据车辆位置数据，计算出车辆四个边缘中心点的二维位置(k1_x,k1_y)、(k2_x,k2_y)、(k3_x,k3_y)、(k4_x,k4_y)，如图3所示，图3中四个黑色点表示四个边缘的中心点，方框内的白色圆点代表检测点云数据。
进一步地，根据四个边缘中心点的二维位置分别建立四个先验分布。优选地，四个先验分布为高斯分布，四个高斯分布分均值坐标为(k1_x,k1_y)、(k2_x,k2_y)、(k3_x,k3_y)、(k4_x,k4_y)。
示例性地，初始协方差计算如下：
Cov1(6.76,0.0,0.0,0.25)
其中，6.76＝(5.2/2)2，5.2为车辆的长度数据；0.25＝(0.5/2)2。其中，马氏距离为加权距离计算，在上述的协方差矩阵下，坐标(2.6，0)和坐标(0，0.5)与中心点(0，0)的马氏距离都是1。
Cov2(1.44,0.0,0.0,0.64)
其中，1.44＝(2.4/2)2，2.4为车辆的宽度数据；0.64＝(0.8/2)2。
在一种实现方式中，所述根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，包括：
计算所述检测点云数据到已有类别的马氏距离；
根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
需要说明的是，在狄利克雷过程(Dirichlet Process，DP)中，首先需要定义一个分布G0。因为需要修正协方差，所以G0是均值上的先验分布，我们假设它是一个方差为ρ，均值为零的高斯分布,即μ～N(0,ρ)。给定这个先验分布后，当假设每个类别的方差趋近于0时，可以简化得到，计算第一概率值的公式如下：
Figure BDA0003381895700000071
其中，Xi代表检测点云数据，i＝1，2，…，n，n-i，c是分配给聚类类别C的数据点数量，包括Xi；σ是对应类别的高斯分布的方差，μc是对应类别的高斯分布的均值；‖Xi-μc‖2为检测点云数据i到类别c的马氏距离；λ为一个超参数，用来调整创建出新类的可能性，可根据实际场景调整；ρ是先验分布G0的方差，k是类别的数量，n-i，j是分配给聚类类别j的数据点数量。
计算第二概率值的公式如下：
Figure BDA0003381895700000072
其中，λ为一个超参数，用来调整创建出新类的可能性，可根据实际场景调整；σ是对应类别的高斯分布的标准差，ρ是先验分布G0的方差；k是类别的数量，n-i，j是分配给聚类类别j的数据点数量。
需要说明的是，对于激光雷达点云聚类的过程，一般每个类别的高斯分布的标准差σ会相对较小，检测点云数据输入新类别或已有类别的概率取决于{‖Xi-μ1‖2，…，‖Xi-μk‖2，λ}的最小值。
在一种优选实施方式中，l1，l2，l3，l4为车辆4个边缘的先验分布类别一、类别二、类别三、类别四，如图4中所示，这四个先验分布的均值和方差仅与车辆固有长度和宽度相关，不跟随其他条件变化。
Figure BDA0003381895700000081
Figure BDA0003381895700000082
其中，μc是对应类别lC的高斯分布的均值；X是类别lC中的点云数据，‖X-μc‖2为检测点云数据i到类别lC的马氏距离；λ为一个超参数，用来调整创建出新类的可能性，可根据实际场景调整；k是类别的数量，k＝4。函数收敛的判断依据为迭代次数超过迭代阈值或者公式(1)计算得到的代价值小于代价阈值。其中，迭代阈值和代价阈值均可根据实际性能要求设置。
在本实施例中，通过获取的车辆位置数据构建车辆外轮廓的先验分布，再根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，最后选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果，实现了对自动驾驶车辆和其他障碍物的分类识别，实时输出探测区域内所有障碍物的位置和数量。进一步地，可以将分类识别结果输入给智能避撞模块，进行车辆安全控制，从而实现基于场端感知完成自动驾驶车辆的安全避撞停车。
参照图5，本发明第二实施例提供了一种基于场端的障碍物分类识别装置，包括：
数据获取模块，用于获取车辆位置数据和预设检测区域中的检测点云数据；
先验分布构建模块，用于根据所述车辆位置数据构建车辆外轮廓的先验分布；
随机过程建立模块，用于根据狄利克雷过程，建立基于所述先验分布的随机过程；
概率值计算模块，用于计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
分类模块，用于将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
优选地，所述先验分布构建模块包括：
中心点计算单元，用于根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
先验分布构建单元，用于根据所述二维位置数据，构建车辆外轮廓的先验分布。
优选地，所述装置还包括：
距离计算模块，用于计算所述检测点云数据到已有类别的马氏距离；
聚类模块，用于根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
优选地，所述装置还包括：
车辆数据获取模块，用于获取车辆边缘的长度数据和宽度数据；
协方差矩阵构建模块，用于根据所述长度数据和宽度数据，构建关于所述先验分布的协方差矩阵。
优选地，所述装置还包括：
原始数据获取模块，用于获取激光雷达采集的点云原始数据；
筛选模块，用于根据所述点云原始数据和预设的检测区域，筛选出所述检测区域中的检测点云数据。
需要说明的是，本发明实施例提供的一种基于场端的障碍物分类识别装置用于执行上述实施例的一种基于场端的障碍物分类识别方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
本发明实施例还提供了一种终端设备。该终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于场端的障碍物分类识别程序。所述处理器执行所述计算机程序时实现上述各个基于场端的障碍物分类识别方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如先验分布构建模块。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器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)、现成可编程门阵列(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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于场端的障碍物分类识别方法，其特征在于，包括：
获取车辆位置数据和预设检测区域中的检测点云数据；
根据所述车辆位置数据构建车辆外轮廓的先验分布；
根据狄利克雷过程，建立基于所述先验分布的随机过程；
计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
2.根据权利要求1所述的基于场端的障碍物分类识别方法，其特征在于，所述根据所述车辆位置数据构建车辆外轮廓的先验分布，包括：
根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
根据所述二维位置数据，构建车辆外轮廓的先验分布。
3.根据权利要求2所述的基于场端的障碍物分类识别方法，其特征在于，所述方法还包括：
获取车辆边缘的长度数据和宽度数据；
根据所述长度数据和宽度数据，构建关于所述先验分布的协方差矩阵。
4.根据权利要求2所述的基于场端的障碍物分类识别方法，其特征在于，所述根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，包括：
计算所述检测点云数据到已有类别的马氏距离；
根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
5.根据权利要求1所述的基于场端的障碍物分类识别方法，其特征在于，所述方法还包括：
获取激光雷达采集的点云原始数据；
根据所述点云原始数据和预设的检测区域，筛选出所述检测区域中的检测点云数据。
6.一种基于场端的障碍物分类识别装置，其特征在于，包括：
数据获取模块，用于获取车辆位置数据和预设检测区域中的检测点云数据；
先验分布构建模块，用于根据所述车辆位置数据构建车辆外轮廓的先验分布；
随机过程建立模块，用于根据狄利克雷过程，建立基于所述先验分布的随机过程；
概率值计算模块，用于计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
分类模块，用于将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
7.根据权利要求6所述的基于场端的障碍物分类识别装置，其特征在于，所述先验分布构建模块包括：
中心点计算单元，用于根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
先验分布构建单元，用于根据所述二维位置数据，构建车辆外轮廓的先验分布。
8.根据权利要求6所述的基于场端的障碍物分类识别装置，其特征在于，所述装置还包括：
距离计算模块，用于计算所述检测点云数据到已有类别的马氏距离；
聚类模块，用于根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的基于场端的障碍物分类识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于场端的障碍物分类识别方法。
CN202111437490.8A 2021-11-29 2021-11-29 基于场端的障碍物分类识别方法、装置、设备及存储介质 Pending CN114332807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111437490.8A CN114332807A (zh) 2021-11-29 2021-11-29 基于场端的障碍物分类识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111437490.8A CN114332807A (zh) 2021-11-29 2021-11-29 基于场端的障碍物分类识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114332807A true CN114332807A (zh) 2022-04-12

Family

ID=81046777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111437490.8A Pending CN114332807A (zh) 2021-11-29 2021-11-29 基于场端的障碍物分类识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114332807A (zh)

Similar Documents

Publication Publication Date Title
CN110378297B (zh) 基于深度学习的遥感图像目标检测方法、装置、及存储介质
CN112084856A (zh) 一种人脸姿态检测方法、装置、终端设备及存储介质
CN108021891B (zh) 基于深度学习与传统算法结合的车辆环境识别方法和系统
CN112614187A (zh) 回环检测方法、装置、终端设备和可读存储介质
CN111612841A (zh) 目标定位方法及装置、移动机器人及可读存储介质
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
US10945888B2 (en) Intelligent blind guide method and apparatus
CN110148117B (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN112991389A (zh) 一种目标跟踪方法、装置及移动机器人
CN112085701A (zh) 一种人脸模糊度检测方法、装置、终端设备及存储介质
CN112465908B (zh) 一种物体定位方法、装置、终端设备及存储介质
CN114973300B (zh) 一种构件类别识别方法、装置、电子设备及存储介质
CN107895021B (zh) 图像识别方法及装置、计算机装置和计算机可读存储介质
CN113269752A (zh) 一种图像检测方法、装置终端设备及存储介质
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN113920351A (zh) 一种落叶目标点云的识别方法和装置
CN111968102B (zh) 一种目标设备检测方法、系统、介质及电子终端
CN113314138A (zh) 基于麦克风阵列的声源监听分离方法、装置及存储介质
CN112101139A (zh) 人形检测方法、装置、设备及存储介质
US20200380288A1 (en) Proposal region filter for digital image processing
CN111860623A (zh) 基于改进ssd神经网络的统计树木数量的方法及系统
CN111931557A (zh) 瓶装饮品的规格识别方法、装置、终端设备及可读存介质
CN114332807A (zh) 基于场端的障碍物分类识别方法、装置、设备及存储介质
CN111179218A (zh) 传送带物料检测方法、装置、存储介质及终端设备
CN112416128B (zh) 一种手势识别方法及终端设备

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