CN114743169A - 一种对象的异常检测方法、装置、电子设备及存储介质 - Google Patents
一种对象的异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114743169A CN114743169A CN202210374625.9A CN202210374625A CN114743169A CN 114743169 A CN114743169 A CN 114743169A CN 202210374625 A CN202210374625 A CN 202210374625A CN 114743169 A CN114743169 A CN 114743169A
- Authority
- CN
- China
- Prior art keywords
- target object
- laser
- area
- inclination
- determining
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 17
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 13
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 19
- 238000007726 management method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Computing Systems (AREA)
Abstract
本申请公开一种对象的异常检测方法、装置、电子设备及存储介质,属于交通管理技术领域,该方法包括:获取雷达在道路上采集的点云数据,点云数据至少包括多个激光点的三维位置信息,对这多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域,从这至少一个候选区域中筛选包含目标对象的对象区域,进而基于每个对象区域中激光点的三维位置信息,确定该对象区域对应的目标对象是否倾斜,从而提供了一种借助于雷达采集的点云数据判断道路上的目标对象是否倾斜的方案。
Description
技术领域
本申请涉及交通管理技术领域,尤其涉及一种对象的异常检测方法、装置、电子设备及存储介质。
背景技术
近年来,越来越多的车辆安装了雷达、相机等传感器,这些传感器能够在车辆行驶过程中采集丰富的道路信息。目前,这些道路信息主要用于辅助车辆行驶,实际上,这些道路信息也可为道路管理部门赋能,帮助道路管理部门管理道路。但如何从这些道路信息中获取到对道路管理部门有用的信息是一个难题。
发明内容
本申请实施例提供一种对象的异常检测方法、装置、电子设备及存储介质,用以提供一种借助于传感器检测道路上的对象是否异常的方案。
第一方面,本申请实施例提供一种对象的异常检测方法,包括:
获取雷达在道路上采集的点云数据,所述点云数据至少包括多个激光点的三维位置信息;
对所述多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域;
从所述至少一个候选区域中筛选包含目标对象的对象区域;
基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜。
在一些实施例中,还包括:
获取相机采集的与所述点云数据对应的图像;
从所述至少一个候选区域中筛选包含目标对象的对象区域,包括:
基于所述多个激光点与所述图像中各像素之间的对应关系和每个候选区域中的激光点,在所述图像中确定与所述候选区域对应的子图像,所述对应关系是基于所述雷达和所述相机的数据采集参数预先确定的;
若确定所述候选区域对应的子图像中包含目标对象,则将所述候选区域确定为对象区域。
在一些实施例中,所述点云数据还包括每个激光点的反射强度信息,在基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜之前,还包括:
基于所述对象区域中激光点的反射强度信息,剔除所述对象区域中不属于目标对象的激光点,和/或
基于所述对象区域中激光点的高度信息,剔除所述对象区域中不属于目标对象的竖直主体部位的激光点。
在一些实施例中,基于所述对象区域中激光点的高度信息,剔除所述对象区域中不属于目标对象的竖直主体部位的激光点,包括:
按照设定高度幅度对所述对象区域中每个激光点的高度值进行量化,得到所述激光点的高度量化值;
若所述激光点的高度值位于预设高度范围内,则对所激光点的高度量化值进行计数;
确定计数最多的N个高度量化值,N为预先确定的整数;
从所述对象区域中剔除所述N个高度量化值对应的激光点。
在一些实施例中,基于所述对象区域中激光点的反射强度信息,剔除所述对象区域中不属于目标对象的激光点,包括:
基于所述对象区域中激光点的反射强度信息,确定各激光点的反射强度的均值;
若所述对象区域中任一激光点的反射强度与所述反射强度的均值之间差值的绝对值大于预设反射强度,则确定所述激光点不属于所述目标对象,从所述对象区域中剔除所述激光点。
在一些实施例中,基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜,包括:
确定所述对象区域中最高的第一激光点和最低的第二激光点;
基于所述第一激光点和所述第二激光点的三维位置信息,确定对应目标对象的倾斜度;
若所述目标对象的倾斜度不小于预设倾斜度,则确定所述目标对象倾斜。
在一些实施例中,还包括:
对所述对象区域中的激光点进行透视转换处理,得到所述目标对象的鸟瞰图,将所述鸟瞰图的投影面积,确定所述目标对象的面积;
若所述目标对象的倾斜度不小于预设倾斜度,则确定所述目标对象倾斜,包括:
若所述目标对象的倾斜度不小于所述预设倾斜度且所述面积与预设面积的比值大于第一预设值,则确定所述目标对象倾斜。
在一些实施例中,根据以下公式确定所述目标对象的倾斜度:
rate=Len/|Z2-Z1|;
Len=|X2-X1|+|Y2-Y1|;
其中,rate为所述目标对象的倾斜度,[X1,Y1,Z1]为所述第一激光点的三维坐标,[X2,Y2,Z2]为所述第二激光点的三维坐标。
在一些实施例中,还包括:
若|X2-X1|-|Y2-Y1|大于第二预设值,则确定所述目标对象在X轴方向上的倾斜度大于在Y轴方向上的倾斜度,所述第二预设值为正值;
若|Y2-Y1|-|X2-X1|大于所述第二预设值,则确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度。
在一些实施例中,X轴指向所述雷达所安装车辆的移动方向,Y轴在水平面内与X轴垂直,在确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度之后,还包括:
基于所述对象区域对应的子图像,验证所述目标对象在Y轴方向上是否倾斜。
第二方面,本申请实施例提供一种对象的异常检测装置,包括:
获取模块,用于获取雷达在道路上采集的点云数据,所述点云数据至少包括多个激光点的三维位置信息;
分析模块,用于对所述多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域;
筛选模块,用于从所述至少一个候选区域中筛选包含目标对象的对象区域;
确定模块,用于基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜。
在一些实施例中,所述获取模块,还用于获取相机采集的与所述点云数据对应的图像;
所述筛选模块,具体用于基于所述多个激光点与所述图像中各像素之间的对应关系和每个候选区域中的激光点,在所述图像中确定与所述候选区域对应的子图像,所述对应关系是基于所述雷达和所述相机的数据采集参数预先确定的;若确定所述候选区域对应的子图像中包含目标对象,则将所述候选区域确定为对象区域。
在一些实施例中,所述点云数据还包括每个激光点的反射强度信息,还包括滤除模块,用于:
在基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜之前,基于所述对象区域中激光点的反射强度信息,剔除所述对象区域中不属于目标对象的激光点,和/或
基于所述对象区域中激光点的高度信息,剔除所述对象区域中不属于目标对象的竖直主体部位的激光点。
在一些实施例中,所述滤除模块具体用于:
按照设定高度幅度对所述对象区域中每个激光点的高度值进行量化,得到所述激光点的高度量化值;
若所述激光点的高度值位于预设高度范围内,则对所激光点的高度量化值进行计数;
确定计数最多的N个高度量化值,N为预先确定的整数;
从所述对象区域中剔除所述N个高度量化值对应的激光点。
在一些实施例中,所述滤除模块具体用于:
基于所述对象区域中激光点的反射强度信息,确定各激光点的反射强度的均值;
若所述对象区域中任一激光点的反射强度与所述反射强度的均值之间差值的绝对值大于预设反射强度,则确定所述激光点不属于所述目标对象,从所述对象区域中剔除所述激光点。
在一些实施例中,所述确定模块具体用于:
确定所述对象区域中最高的第一激光点和最低的第二激光点;
基于所述第一激光点和所述第二激光点的三维位置信息,确定对应目标对象的倾斜度;
若所述目标对象的倾斜度不小于预设倾斜度,则确定所述目标对象倾斜。
在一些实施例中,还包括:
转换模块,用于对所述对象区域中的激光点进行透视转换处理,得到所述目标对象的鸟瞰图,将所述鸟瞰图的投影面积,确定所述目标对象的面积;
所述确定模块,还用于若所述目标对象的倾斜度不小于所述预设倾斜度且所述面积与预设面积的比值大于第一预设值,则确定所述目标对象倾斜。
在一些实施例中,所述确定模块具体用于根据以下公式确定所述目标对象的倾斜度:
rate=Len/|Z2-Z1|;
Len=|X2-X1|+|Y2-Y1|;
其中,rate为所述目标对象的倾斜度,[X1,Y1,Z1]为所述第一激光点的三维坐标,[X2,Y2,Z2]为所述第二激光点的三维坐标。
在一些实施例中,所述确定模块还用于:
若|X2-X1|-|Y2-Y|1大于第二预设值,则确定所述目标对象在X轴方向上的倾斜度大于在Y轴方向上的倾斜度,所述第二预设值为正值;
若|Y2-Y1|-|X2-X1|大于所述第二预设值,则确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度。
在一些实施例中,X轴指向所述雷达所安装车辆的移动方向,Y轴在水平面内与X轴垂直,还包括验证模块,用于:
在确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度之后,基于所述对象区域对应的子图像,验证所述目标对象在Y轴方向上是否倾斜。
第三方面,本申请实施例提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:
存储器存储有可被至少一个处理器执行的计算机程序,该计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述对象的异常检测方法。
第四方面,本申请实施例提供一种存储介质,当所述存储介质中的计算机程序由电子设备的处理器执行时,所述电子设备能够执行上述对象的异常检测方法。
本申请实施例中,获取雷达在道路上采集的点云数据,点云数据至少包括多个激光点的三维位置信息,对这多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域,从这至少一个候选区域中筛选包含目标对象的对象区域,进而基于每个对象区域中激光点的三维位置信息,确定该对象区域对应的目标对象是否倾斜,从而提供了一种借助于雷达采集的点云数据判断道路上的目标对象是否倾斜的方案。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种传感器采集道路信息的示意图;
图2为本申请实施例提供的一种对象的异常检测方法的流程图;
图3为本申请实施例提供的一种筛选对象区域的流程图;
图4为本申请实施例提供的又一种对象的异常检测方法的流程图;
图5为本申请实施例提供的一种判断路杆是否倾斜的过程示意图;
图6为本申请实施例提供的一种雷达采集到的路杆的3D点云数据的示意图;
图7为本申请实施例提供的一种对图6中的路杆进行材质反射率过滤后的示意图;
图8为本申请实施例提供的一种对图7中的路杆进行直方图统计过滤后的示意图;
图9为本申请实施例提供的一种对象的异常检测装置的结构示意图;
图10为本申请实施例提供的一种用于实现对象的异常检测方法的电子设备的硬件结构示意图。
具体实施方式
为了提供一种借助于传感器检测道路上的对象是否异常的方案,本申请实施例提供了一种对象的异常检测方法、装置、电子设备及存储介质。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
首先,需要说明的是,本申请实施例中的目标对象是指道路上的交通对象如路杆、红绿灯的灯杆、围栏等。
图1为本申请实施例提供的一种传感器采集道路信息的示意图,一般地,车辆上可以安装雷达、相机等多种传感器,雷达可采集道路环境形成点云数据,点云数据可包括多个激光点的位置、反射强度等信息,相机可采集道路环境形成图像。并且,雷达可对点云数据添加时间戳,相机也可对图像添加时间戳,这样,通过时间戳可找到点云数据与图像之间的关联关系。
实际应用中,雷达的数据采集频率一般会低于相机的数据采集频率,所以在相同时间段内获取到的点云数据会少于图像数据。为了得到与当前点云数据对应的图像,可对与点云数据的时间戳相差在设定时间如1s内的多个图像进行插值处理。
另外,需要说明的是,图1仅为示例,雷达和相机在车辆上的安装位置可由技术人员根据实际需求灵活设置,而不必局限于车顶。并且,车辆可以为无人驾驶车辆也可以是有人驾驶车辆,只要车辆上安装有雷达和相机即可。
在介绍了本申请实施例的应用场景后,下面以具体实施例对本申请提出的对象的异常检测进行说明。
图2为本申请实施例提供的一种对象的异常检测方法的流程图,包括以下步骤。
在步骤201中,获取雷达在道路上采集的点云数据,点云数据至少包括多个激光点的三维位置信息。
一般地,X轴可指向车辆的移动方向,Y轴可与X轴垂直且指向车辆左边,Z轴可垂直于XY平面且指向上方,整体可服从右手定则。每个激光点的三维位置信息即是指激光点在X轴、Y轴和Z轴上的坐标值。
在步骤202中,对这多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域。
比如,可利用3D点云分割算法,对这多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域。再比如,预先对目标对象的点云数据进行标注,利用点云数据和标注信息训练一个分割模型,然后,利用这个分割模型对这多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域。
需要说明的是,雷达一次可能会扫描到多个目标对象,因此,对这多个激光点的三维位置信息进行分析,可能会得到不止一个候选区域。
在步骤203中,从这至少一个候选区域中筛选包含目标对象的对象区域。
考虑到基于激光点进行对象识别的精度比较低,与目标对象的外观相似的对象也可能被判定为候选区域。为此,可从这至少一个候选区域中筛选真正包含目标对象的对象区域。
在一些实施例中,还可获取相机采集的与点云数据对应的图像,并按照图3所示的流程筛选对象区域,该流程包括以下步骤:
在步骤2031中,基于多个激光点与图像中各像素之间的对应关系和每个候选区域中的激光点,在图像中确定与候选区域对应的子图像。
其中,对应关系是基于雷达和相机的数据采集参数预先确定的。
比如,对应关系如下:
其中,(Xj,Yj,Zj)为候选区域中第j个激光点的三维坐标,K为常值,基于雷达数据采集参数预先确定,fx、fy、cx、cy为相机内参,R、T为相机外参,(uj,vj)是候选区域中第j个激光点在图像中的位置。
基于上述对应关系可在图像中确定出与候选区域中每个激光点对应的像素,各激光点对应的像素所构成的区域即是与候选区域对应的子图像。
在步骤2032中,判断候选区域对应的子图像中是否包含目标对象,若是,则进入步骤2033,若否,则进入步骤2034。
具体实施时,可预先训练一个分类模型,将候选区域对应的子图像输入到这个分类模型,分类模型可输出子图像是否包含目标对象的指示信息。
在步骤2033中,将候选区域确定为对象区域。
在步骤2034中,不将候选区域确定为对象区域。
在步骤204中,基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜。
在一些实施例中,可确定每个对象区域中最高(即Z轴上取值最大)的第一激光点和最低(即Z轴上取值最小)的第二激光点,基于第一激光点和第二激光点的三维位置信息,确定该对象区域对应的目标对象的倾斜度,若目标对象的倾斜度不小于预设倾斜度,则确定目标对象发生倾斜。
在一些实施例中,还可对该对象区域中的激光点进行透视转换处理,得到目标对象的鸟瞰图,将鸟瞰图在水平面上的投影面积,确定为目标对象的面积,在目标对象的倾斜度不小于预设倾斜度、且目标对象的面积与预设面积的比值大于第一预设值时,确定目标对象发生倾斜。这样,结合目标对象的倾斜度和面积判断目标对象是否倾斜,准确度更高。
上述任一情况中,可根据以下公式确定目标对象的倾斜度:
rate=Len/|Z2-Z1|;
Len=|X2-X1|+|Y2-Y1|;
其中,rate为目标对象的倾斜度,[X1,Y1,Z1]为第一激光点的三维坐标,[X2,Y2,Z2]为第二激光点的三维坐标。
此外,若|X2-X1|-|Y2-Y1|大于第二预设值,则确定目标对象在X轴方向上的倾斜度大于在Y轴方向上的倾斜度,即目标对象在X轴方向上的倾斜度较高;若|Y2-Y1|-|X2-X1|大于第二预设值,则确定目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度,即目标对象在Y轴方向上的倾斜度较高,其中,第二预设值为正值。
为了进一步提升倾斜度判断的准确性,在确定目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度之后,还可基于该对象区域对应的子图像验证目标对象在Y轴方向上是否倾斜。
此外,在确定目标对象倾斜后,还可向后台如管理设备上报目标对象倾斜的告警信息,告警信息中可以携带目标对象的子图像等信息。后台的相关人员在基于告警信息确定目标对象确实倾斜后,可将目标对象的倾斜描述信息上报给交通管理部门,以便相关人员能够及时处理,其中,倾斜描述信息如什么时候发现了哪里的目标对象倾斜、目标对象在哪个方向上的倾斜度比较高、目标对象的点云数据、图像信息等。
本申请实施例中,结合雷达采集到的点云数据和相机采集到的图像,判断道路上的目标对象是否倾斜,并在确定目标对象倾斜时,上报给后台由后台的相关人员进行复核,在确定目标对象确实倾斜后,向交通管理部门上报目标对象的倾斜描述信息,这样,有利于辅助交通管理部门管理道路上的目标对象,从而为交通管理部门赋能。
图4为本申请实施例提供的又一种对象的异常检测方法的流程图,包括以下步骤。
在步骤401中,获取雷达在道路上采集的点云数据,并获取相机采集的与点云数据对应的图像,点云数据包括多个激光点的三维位置信息和反射强度信息。
其中,每个激光点的反射强度信息包括反射强度,反射强度的取值范围为0~1。
在步骤402中,对这多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域。
在步骤403中,基于这多个激光点与图像中各像素之间的对应关系和每个候选区域中的激光点,在图像中确定与候选区域对应的子图像,其中,对应关系是基于雷达和相机的数据采集参数预先确定的。
在步骤404中,若确定候选区域对应的子图像中包含目标对象,则将候选区域确定为对象区域。
在步骤405中,基于每个对象区域中激光点的反射强度信息,剔除对象区域中不属于目标对象的激光点。
实际应用中,目标对象上可能会有附加物,以目标对象为路杆为例,附加物可能是广告牌、横向指示牌等,而附加物与目标对象的材质一般是不同的,不同材质的对象对激光的反射强度不同,不同对象对应的激光点的反射强度也是不同的,因此,可借助于激光点的反射强度去除对象区域中不属于目标对象的激光点。
具体实施时,可基于对象区域中激光点的反射强度信息,确定对象区域中各激光点的反射强度的均值,若对象区域中任一激光点的反射强度与反射强度的均值之间差值的绝对值大于预设反射强度,则确定该激光点不属于目标对象,进而可从对象区域中剔除该激光点。
在步骤406中,基于对象区域中激光点的高度信息,剔除对象区域中不属于目标对象的竖直主体部位的激光点。
一般地,在判断目标对象是否倾斜时主要是看目标对象的竖直主体部位是否倾斜,其他部位对倾斜判断的意义并不大。以路杆为例,倾斜度判断时主要考虑的是路杆的竖直杆体(即主杆部分),而路杆的横杆部分对倾斜判断的意义并不大。考虑到目标对象的竖直主体部位对应的激光点在高度方向上的分布范围是比较分散的,而其他部位对应的激光点在高度方向上的分布范围是比较集中的。为此,可基于对象区域中激光点的高度分布,剔除对象区域中不属于目标对象的竖直主体部位的激光点。
具体实施时,可按照设定高度幅度对对象区域中每个激光点的高度值进行量化,得到该激光点的高度量化值,若该激光点的高度值位于预设高度范围内,则对该激光点的高度量化值进行计数,确定计数最多的N个高度量化值,从对象区域中剔除这N个高度量化值对应的激光点,即剔除了目标对象的非竖直主体部位对应的激光点,N为预先确定的整数。
在步骤407中,基于对象区域中剩余激光点的三维位置信息,确定对应目标对象是否倾斜。
该步骤的实施参见步骤204的实施,在此不再赘述。
本申请实施例中,基于雷达采集到的多个激光点的三维位置信息,确定目标对象的至少一个候选区域,基于相机采集的与多个激光点对应的图像,从这些候选区域中确定包含目标对象的对象区域,去除每个对象区域中不属于目标对象的激光点和不属于目标对象的竖直主体部位的激光点,基于对象区域中剩下的激光点判断目标对象是否倾斜,倾斜判断的准确度更高,有利于更好地为交通管理部门赋能。
下面以目标对象是路杆为例对本申请实施例提供的方案进行说明。
图5为本申请实施例提供的一种判断路杆是否倾斜的过程示意图,包括检测模块、滤除模块和判断模块,其中,检测模块用于获取雷达采集到的点云数据,基于点云数据分析出与路杆的外观特征匹配的至少一个候选区域,并结合点云数据对应的图像从这些候选区域中筛选包含路杆的对象区域;滤除模块用于从每个对象区域中滤除不属于路杆的激光点,滤除不属于路杆的主体部分的激光点;判断模块用于基于对象区域中剩余激光点的三维位置信息,判断路杆是否倾斜。
下面分别对各个模块进行介绍。
1、检测模块。
图6为本申请实施例提供的一种雷达采集到的路杆的3D点云数据的示意图,具体实施时,可对点云数据中的激光点进行3D分割,得到路杆的至少一个候选区域。每个候选区域可描述为[(Xj,Yj,Zj,Ij)|j=0,1,...m],(Xj,Yj,Zj)为候选区域中第j个激光点的三维坐标,Ij为候选区域中第j个激光点的反射强度,m为候选区域中的激光点总数。
然后,可根据以下映射关系将每个3D的候选区域映射到2D图像:
其中,(Xj,Yj,Zj)为候选区域中第j个激光点的三维坐标,K为常值,基于雷达数据采集参数预先确定,fx、fy、cx、cy为相机内参,R、T为相机外参,(uj,vj)是候选区域中第j个激光点在图像中的位置。
假设图像中与候选区域对应的2D区域描述为[(uj,vj)|j=1,2,..m],可根据以下公式求取该2D区域的外接矩形:
Recti=Img(umin:umax,vmin:vmax)
umin=min(uj)|j=1,2,..m
umax=max(uj)|j=1,2,..m
vmin=min(vj)|j=1,2,..m
vmax=max(vj)|j=1,2,..m;
其中,Img为图像,找(uj,vj)的最大值和最小值即可获得外接矩形框Recti,将Recti中的图像数据输入已训练好的分类网络模型中,以确定候选区域是否包含路杆,若包含,则将候选区域确定为包含路杆的对象区域,若不包含,则说明候选区域中包含的是路边其他长条状对象。
2、滤除模块。
针对每个对象区域,可滤除对象区域中不属于路杆上的激光点,滤除路杆的非主杆部分如广告牌、横向指示牌对应的激光点,以获取主杆部分对应的激光点。下面分别对这两类激光点的滤除过程进行介绍。
第一、采用材质反射率过滤,滤除对象区域中不属于路杆的激光点。
一般地,路杆的材质与其上面附加物如告牌、横向指示牌的材质会有较大差异,因此,可借助于材质反射率,滤除对象区域中不属于路杆的激光点。
比如,根据以下公式滤除对象区域中不属于路杆的激光点:
其中,MI为对象区域中各激光点的反射强度的均值,m为对象区域中激光点的总数,Ij为对象区域中第j个激光点的反射强度,th0为预设反射强度如0.15。
然后,若ψj为1,则判定对象区域中的第j个激光点属于路杆,若ψj为0,则判定对象区域中的第j个激光点不属于路杆,进而可删除对象区域中的第j个激光点。
图7为本申请实施例提供的一种对图6中的路杆进行材质反射率过滤后的示意图,对比图6和图7可见,图7已滤除不属于路杆的激光点。
第二、采用直方图统计过滤,滤除对象区域中不属于主杆部分的激光点。
一般地,X轴指向车辆的移动方向,Y轴方向垂直X轴指向左边,Z轴垂直于XY平面且指向上方,整体服从右手定则。具体实施时,可将点云[(Xj,Yj,Zj,Ij)|j=0,1,...m]投影到Z轴上去,由于路杆的主杆部分对应的激光点的高度是比较分散的,在直方图上的占比会比较低,而非主杆部分在相近高度上会有大量的激光点,这些激光点在直方图上的占比会比较高,因此,对占比较高的高度区域上的激光点进行滤除即可滤除非主杆部分对应的激光点。
假设高度幅度step为0.1m,高度值的有效范围设定为(0,maxL),maxL如10m,那么,共有10÷0.1=100个高度量化值。初始化时,Hist[k]=0,k=0,1,...99,即每个高度量化值的初始计数为0。
然后,可根据以公式进行量化统计:
k=int(Zj/step)
Hist[k]=Hist[k]+Ωj;
其中,k为对象区域中第j个激光点的高度量化值,int函数为取整,Zj在预设高度范围(0,maxL)内才有效(即为1),否则为0。
然后,可按照从小到大的顺序对100个高度量化值的统计值Hist[k]进行排序,确定排序靠前的2/3的高度量化值的最大统计值,将这个最大统计值确定为截取阈值th1,并根据以下公式筛选激光点:
进一步地,若对象区域中第j个激光点的Φj为1,则说明第j个激光点属于路杆的主杆部分,进而保留第j个激光点,若对象区域中第j个激光点的Φj为0,则说明第j个激光点属于路杆的非主杆部分,进而剔除第j个激光点。
图8为本申请实施例提供的一种对图7中的路杆进行直方图统计过滤后的示意图,对比图7和图8可见,图8包含路杆的主杆部分,横杆部分已被滤除。
通过材质反射率过滤以及直方图统计过滤,对象区域可描述为[(Xj,Yj,Zj,Ij)|j=0,1,...n],n是对象区域中激光点的数目,n小于m。
3、判断模块。
具体实施时,可对每个对象区域中的激光点进行透视转换处理,得到对象区域中路杆的鸟瞰图,将鸟瞰图投影后的面积确定为路杆的面积S,当S>th2*S0时,确定满足面积判断条件,其中,S0为标准路杆的鸟瞰图投影后的面积,th2为预设值如1.2。
并且,还可从对象区域[(Xj,Yj,Zj,Ij)|j=0,1,.n.中选取Z值最大的激光点[X1,Y1,Z1]、最小的激光点[X2,Y2,Z2],计算对象区域中路杆在XY平面的曼哈顿距离Len=|X2-X1|+|Y2-Y1|,进而计算倾斜度rate=Len/|Z2-Z1|,当rate>th3时,确定满足倾斜度判断条件,th3为预设值如0.1。
若同时满足面积判断条件与倾斜度判断条件,则确定对象区域中的路杆倾斜。
此外,还可比较|X2-X1|与|Y2-Y1|两者的差值,当|X2-X1|>|Y2-Y|1+th4时,确定对象区域中的路杆在X方向上的倾斜度较高(此时路杆在Y方向上可能倾斜也可能不倾斜)。当|Y2-Y1|>|X2-X1|+th4时,确定对象区域中的路杆在Y方向上的倾斜度较高(此时路杆在X方向上可能倾斜也可能不倾斜),之后,还可利用对象区域对应的子图像进一步验证路杆是否在Y方向上倾斜,以进一步提升路杆在Y方向上的倾斜判断准确性,th4是经验值如0.15m。
具体实施时,在确定任一对象区域中的路杆倾斜后,可向后台上报路杆倾斜的告警信息,告警信息中可以包括该对象区域对应的子图像,后台人员可基于子图像进行人工复核,若复核确认路杆确实倾斜,则可进一步向交通管理部分上报路杆的倾斜描述信息,以便相关人员能够及时处理,其中,倾斜描述信息如什么时候发现了哪里的路杆倾斜、路杆在哪个方向上的倾斜度比较高、路杆的点云数据、图像信息等。
这样,基于雷达采集到的多个激光点的三维位置信息,确定路杆的至少一个候选区域,基于相机采集的与多个激光点对应的图像,从这些候选区域中确定包含路杆的对象区域,去除每个对象区域中不属于路杆的激光点和不属于路杆的主杆的激光点,基于对象区域中剩下的属于路杆主杆的激光点,判断路杆是否倾斜,倾斜判断的准确度更高,有利于更好地为交通管理部门赋能。
当本申请实施例中提供的方法以软件或硬件或软硬件结合实现的时候,电子设备中可以包括多个功能模块,每个功能模块可以包括软件、硬件或其结合。
基于相同的技术构思,本申请实施例还提供一种对象的异常检测装置,对象的异常检测装置解决问题的原理与上述对象的异常检测方法相似,因此对象的异常检测装置的实施可参见对象的异常检测方法的实施,重复之处不再赘述。
图9为本申请实施例提供的一种对象的异常检测装置的结构示意图,包括获取模块901、分析模块902、筛选模块903、确定模块904。
获取模块901,用于获取雷达在道路上采集的点云数据,所述点云数据至少包括多个激光点的三维位置信息;
分析模块902,用于对所述多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域;
筛选模块903,用于从所述至少一个候选区域中筛选包含目标对象的对象区域;
确定模块904,用于基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜。
在一些实施例中,所述获取模块901,还用于获取相机采集的与所述点云数据对应的图像;
所述筛选模块903,具体用于基于所述多个激光点与所述图像中各像素之间的对应关系和每个候选区域中的激光点,在所述图像中确定与所述候选区域对应的子图像,所述对应关系是基于所述雷达和所述相机的数据采集参数预先确定的;若确定所述候选区域对应的子图像中包含目标对象,则将所述候选区域确定为对象区域。
在一些实施例中,所述点云数据还包括每个激光点的反射强度信息,还包括滤除模块905,用于:
在基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜之前,基于所述对象区域中激光点的反射强度信息,剔除所述对象区域中不属于目标对象的激光点,和/或
基于所述对象区域中激光点的高度信息,剔除所述对象区域中不属于目标对象的竖直主体部位的激光点。
在一些实施例中,所述滤除模块905具体用于:
按照设定高度幅度对所述对象区域中每个激光点的高度值进行量化,得到所述激光点的高度量化值;
若所述激光点的高度值位于预设高度范围内,则对所激光点的高度量化值进行计数;
确定计数最多的N个高度量化值,N为预先确定的整数;
从所述对象区域中剔除所述N个高度量化值对应的激光点。
在一些实施例中,所述滤除模块905具体用于:
基于所述对象区域中激光点的反射强度信息,确定各激光点的反射强度的均值;
若所述对象区域中任一激光点的反射强度与所述反射强度的均值之间差值的绝对值大于预设反射强度,则确定所述激光点不属于所述目标对象,从所述对象区域中剔除所述激光点。
在一些实施例中,所述确定模块904具体用于:
确定所述对象区域中最高的第一激光点和最低的第二激光点;
基于所述第一激光点和所述第二激光点的三维位置信息,确定对应目标对象的倾斜度;
若所述目标对象的倾斜度不小于预设倾斜度,则确定所述目标对象倾斜。
在一些实施例中,还包括:
转换模块906,用于对所述对象区域中的激光点进行透视转换处理,得到所述目标对象的鸟瞰图,将所述鸟瞰图的投影面积,确定所述目标对象的面积;
所述确定模块904,还用于若所述目标对象的倾斜度不小于所述预设倾斜度且所述面积与预设面积的比值大于第一预设值,则确定所述目标对象倾斜。
在一些实施例中,所述确定模块具体用于根据以下公式确定所述目标对象的倾斜度:
rate=Len/|Z2-Z1|;
Len=|X2-X1|+|Y2-Y1|;
其中,rate为所述目标对象的倾斜度,[X1,Y1,Z1]为所述第一激光点的三维坐标,[X2,Y2,Z2]为所述第二激光点的三维坐标。
在一些实施例中,所述确定模块904还用于:
若|X2-X1|-|Y2-Y1|大于第二预设值,则确定所述目标对象在X轴方向上的倾斜度大于在Y轴方向上的倾斜度,所述第二预设值为正值;
若|Y2-Y1|-|X2-X1|大于所述第二预设值,则确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度。
在一些实施例中,X轴指向所述雷达所安装车辆的移动方向,Y轴在水平面内与X轴垂直,还包括验证模块907,用于:
在确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度之后,基于所述对象区域对应的子图像验证所述目标对象在Y轴方向上是否倾斜。
本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,本申请各实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现,这些接口通常是电性通信接口,但是也不排除可能是机械接口或其它的形式接口。因此,作为分离部件说明的模块可以是或者也可以不是物理上分开的,既可以位于一个地方,也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
在介绍了本申请示例性实施方式的对象的异常检测方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
下面参照图10来描述根据本申请的这种实施方式实现的电子设备130。图10显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133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、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。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324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。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、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135进行。并且,电子设备130还可以通过网络适配器136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136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130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、冗余处理器、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。
在示例性实施例中,还提供了一种存储介质,当存储介质中的计算机程序由电子设备的处理器执行时,电子设备能够执行上述对象的异常检测方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,本申请的电子设备可以至少包括至少一个处理器,以及与这至少一个处理器通信连接的存储器,其中,存储器存储有可被这至少一个处理器执行的计算机程序,计算机程序被这至少一个处理器执行时可使这至少一个处理器执行本申请实施例提供的任一对象的异常检测方法的步骤。
在示例性实施例中,还提供一种计算机程序产品,当计算机程序产品被电子设备执行时,电子设备能够实现本申请提供的任一示例性方法。
并且,计算机程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。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、便携式盘、硬盘、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、闪存、光纤、光盘只读存储器(Compact Disk Read Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例中用于对象的异常检测的程序产品可以采用CD-ROM并包括程序代码,并可以在计算设备上运行。然而,本申请的程序产品不限于此,在本文件中,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。
可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、射频(Radio Frequency,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的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络如局域网(Local AreaNetwork,LAN)或广域网(Wide Area Network,WAN)连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (13)
1.一种对象的异常检测方法,其特征在于,包括:
获取雷达在道路上采集的点云数据,所述点云数据至少包括多个激光点的三维位置信息;
对所述多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域;
从所述至少一个候选区域中筛选包含目标对象的对象区域;
基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜。
2.如权利要求1所述的方法,其特征在于,还包括:
获取相机采集的与所述点云数据对应的图像;
从所述至少一个候选区域中筛选包含目标对象的对象区域,包括:
基于所述多个激光点与所述图像中各像素之间的对应关系和每个候选区域中的激光点,在所述图像中确定与所述候选区域对应的子图像,所述对应关系是基于所述雷达和所述相机的数据采集参数预先确定的;
若确定所述候选区域对应的子图像中包含目标对象,则将所述候选区域确定为对象区域。
3.如权利要求1所述的方法,其特征在于,所述点云数据还包括每个激光点的反射强度信息,在基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜之前,还包括:
基于所述对象区域中激光点的反射强度信息,剔除所述对象区域中不属于目标对象的激光点,和/或
基于所述对象区域中激光点的高度信息,剔除所述对象区域中不属于目标对象的竖直主体部位的激光点。
4.如权利要求3所述的方法,其特征在于,基于所述对象区域中激光点的高度信息,剔除所述对象区域中不属于目标对象的竖直主体部位的激光点,包括:
按照设定高度幅度对所述对象区域中每个激光点的高度值进行量化,得到所述激光点的高度量化值;
若所述激光点的高度值位于预设高度范围内,则对所激光点的高度量化值进行计数;
确定计数最多的N个高度量化值,N为预先确定的整数;
从所述对象区域中剔除所述N个高度量化值对应的激光点。
5.如权利要求3所述的方法,其特征在于,基于所述对象区域中激光点的反射强度信息,剔除所述对象区域中不属于目标对象的激光点,包括:
基于所述对象区域中激光点的反射强度信息,确定各激光点的反射强度的均值;
若所述对象区域中任一激光点的反射强度与所述反射强度的均值之间差值的绝对值大于预设反射强度,则确定所述激光点不属于所述目标对象,从所述对象区域中剔除所述激光点。
6.如权利要求1-5任一所述的方法,其特征在于,基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜,包括:
确定所述对象区域中最高的第一激光点和最低的第二激光点;
基于所述第一激光点和所述第二激光点的三维位置信息,确定对应目标对象的倾斜度;
若所述目标对象的倾斜度不小于预设倾斜度,则确定所述目标对象倾斜。
7.如权利要求6所述的方法,其特征在于,还包括:
对所述对象区域中的激光点进行透视转换处理,得到所述目标对象的鸟瞰图,将所述鸟瞰图的投影面积,确定所述目标对象的面积;
若所述目标对象的倾斜度不小于预设倾斜度,则确定所述目标对象倾斜,包括:
若所述目标对象的倾斜度不小于所述预设倾斜度且所述面积与预设面积的比值大于第一预设值,则确定所述目标对象倾斜。
8.如权利要求6所述的方法,其特征在于,根据以下公式确定所述目标对象的倾斜度:
rate=Len/|Z2-Z1|;
Len=|X2-X1|+|Y2-Y1|;
其中,rate为所述目标对象的倾斜度,[X1,Y1,Z1]为所述第一激光点的三维坐标,[X2,Y2,Z2]为所述第二激光点的三维坐标。
9.如权利要求8所述的方法,其特征在于,还包括:
若|X2-X1|-|Y2-Y1|大于第二预设值,则确定所述目标对象在X轴方向上的倾斜度大于在Y轴方向上的倾斜度,所述第二预设值为正值;
若|Y2-Y1|-|X2-X1|大于所述第二预设值,则确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度。
10.如权利要求9所述的方法,其特征在于,X轴指向所述雷达所安装车辆的移动方向,Y轴在水平面内与X轴垂直,在确定所述目标对象在Y轴方向上的倾斜度大于在X轴方向上的倾斜度之后,还包括:
基于所述对象区域对应的子图像,验证所述目标对象在Y轴方向上是否倾斜。
11.一种对象的异常检测装置,其特征在于,包括:
获取模块,用于获取雷达在道路上采集的点云数据,所述点云数据至少包括多个激光点的三维位置信息;
分析模块,用于对所述多个激光点的三维位置信息进行分析,得到与目标对象的外观特征匹配的至少一个候选区域;
筛选模块,用于从所述至少一个候选区域中筛选包含目标对象的对象区域;
确定模块,用于基于每个对象区域中激光点的三维位置信息,确定对应目标对象是否倾斜。
12.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中:
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-10任一所述的方法。
13.一种存储介质,其特征在于,当所述存储介质中的计算机程序由电子设备的处理器执行时,所述电子设备能够执行如权利要求1-10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210374625.9A CN114743169A (zh) | 2022-04-11 | 2022-04-11 | 一种对象的异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210374625.9A CN114743169A (zh) | 2022-04-11 | 2022-04-11 | 一种对象的异常检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114743169A true CN114743169A (zh) | 2022-07-12 |
Family
ID=82281067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210374625.9A Pending CN114743169A (zh) | 2022-04-11 | 2022-04-11 | 一种对象的异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114743169A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017734A (zh) * | 2012-12-11 | 2013-04-03 | 湖北省电力公司检修分公司 | 一种基于激光雷达的杆塔倾斜率测量方法 |
US20150016712A1 (en) * | 2013-04-11 | 2015-01-15 | Digimarc Corporation | Methods for object recognition and related arrangements |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN108830933A (zh) * | 2018-06-26 | 2018-11-16 | 广东电网有限责任公司 | 一种电力杆塔塔身重建方法、系统、介质及设备 |
CN110456363A (zh) * | 2019-06-17 | 2019-11-15 | 北京理工大学 | 三维激光雷达点云和红外图像融合的目标检测及定位方法 |
CN110579771A (zh) * | 2019-09-12 | 2019-12-17 | 南京莱斯信息技术股份有限公司 | 一种基于激光点云的飞机泊位引导方法 |
WO2020006765A1 (zh) * | 2018-07-06 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 地面检测方法、相关装置及计算机可读存储介质 |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111504195A (zh) * | 2020-05-19 | 2020-08-07 | 北京数字绿土科技有限公司 | 基于激光点云的电力基建验收方法及装置 |
US20200294310A1 (en) * | 2019-03-16 | 2020-09-17 | Nvidia Corporation | Object Detection Using Skewed Polygons Suitable For Parking Space Detection |
CN112698303A (zh) * | 2020-12-23 | 2021-04-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于无人机激光雷达点云杆塔倾斜参数测量方法及系统 |
CN113066120A (zh) * | 2021-03-25 | 2021-07-02 | 涵涡智航科技(玉溪)有限公司 | 一种基于机器视觉的智能杆塔倾斜检测方法 |
CN113516660A (zh) * | 2021-09-15 | 2021-10-19 | 江苏中车数字科技有限公司 | 适用于列车的视觉定位与缺陷检测方法和装置 |
CN113761999A (zh) * | 2020-09-07 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
CN114265042A (zh) * | 2021-12-09 | 2022-04-01 | 上海禾赛科技有限公司 | 标定方法、标定设备、标定系统和可读存储介质 |
-
2022
- 2022-04-11 CN CN202210374625.9A patent/CN114743169A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017734A (zh) * | 2012-12-11 | 2013-04-03 | 湖北省电力公司检修分公司 | 一种基于激光雷达的杆塔倾斜率测量方法 |
US20150016712A1 (en) * | 2013-04-11 | 2015-01-15 | Digimarc Corporation | Methods for object recognition and related arrangements |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN108830933A (zh) * | 2018-06-26 | 2018-11-16 | 广东电网有限责任公司 | 一种电力杆塔塔身重建方法、系统、介质及设备 |
WO2020006765A1 (zh) * | 2018-07-06 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 地面检测方法、相关装置及计算机可读存储介质 |
US20200294310A1 (en) * | 2019-03-16 | 2020-09-17 | Nvidia Corporation | Object Detection Using Skewed Polygons Suitable For Parking Space Detection |
CN110456363A (zh) * | 2019-06-17 | 2019-11-15 | 北京理工大学 | 三维激光雷达点云和红外图像融合的目标检测及定位方法 |
CN110579771A (zh) * | 2019-09-12 | 2019-12-17 | 南京莱斯信息技术股份有限公司 | 一种基于激光点云的飞机泊位引导方法 |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111504195A (zh) * | 2020-05-19 | 2020-08-07 | 北京数字绿土科技有限公司 | 基于激光点云的电力基建验收方法及装置 |
CN113761999A (zh) * | 2020-09-07 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
CN112698303A (zh) * | 2020-12-23 | 2021-04-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于无人机激光雷达点云杆塔倾斜参数测量方法及系统 |
CN113066120A (zh) * | 2021-03-25 | 2021-07-02 | 涵涡智航科技(玉溪)有限公司 | 一种基于机器视觉的智能杆塔倾斜检测方法 |
CN113516660A (zh) * | 2021-09-15 | 2021-10-19 | 江苏中车数字科技有限公司 | 适用于列车的视觉定位与缺陷检测方法和装置 |
CN114265042A (zh) * | 2021-12-09 | 2022-04-01 | 上海禾赛科技有限公司 | 标定方法、标定设备、标定系统和可读存储介质 |
Non-Patent Citations (3)
Title |
---|
刘志颖;缪希仁;陈静;江灏;: "电力架空线路巡检可见光图像智能处理研究综述", 电网技术, no. 03 * |
刘江龙;: "地面三维激光扫描技术在变电站构支架倾斜测量中的应用", 内蒙古电力技术, no. 02 * |
徐旭;王红改;李谋思;: "三维激光扫描仪在电力铁塔结构提取中的应用", 城市勘测, no. 04, 31 August 2018 (2018-08-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951847B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
Riveiro et al. | Automatic segmentation and shape-based classification of retro-reflective traffic signs from mobile LiDAR data | |
US9083856B2 (en) | Vehicle speed measurement method and system utilizing a single image capturing unit | |
US20130279758A1 (en) | Method and system for robust tilt adjustment and cropping of license plate images | |
CN111629181B (zh) | 消防生命通道监控系统及方法 | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
CN112037521B (zh) | 一种车辆类型识别方法以及危化品车辆识别方法 | |
CN112287875B (zh) | 异常车牌识别方法、装置、设备及可读存储介质 | |
CN114399744A (zh) | 一种车型识别方法、装置、电子设备和存储介质 | |
JP4102885B2 (ja) | 駐車車両検知方法及び駐車車両検知システム | |
CN114565895B (zh) | 一种基于智慧社会的安防监控系统及方法 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
JPH0933232A (ja) | 物体観測方法およびその方法を用いた物体観測装置、ならびにこの装置を用いた交通流計測装置および駐車場観測装置 | |
CN113221894A (zh) | 车辆的车牌号识别方法、装置、电子设备和存储介质 | |
CN117710904A (zh) | 一种视觉关系检测方法、装置、设备及存储介质 | |
CN110176000B (zh) | 道路质量检测方法及装置、存储介质、电子设备 | |
CN114743169A (zh) | 一种对象的异常检测方法、装置、电子设备及存储介质 | |
Vijayalakshmi et al. | Design of algorithm for vehicle identification by number plate recognition | |
JP3740531B2 (ja) | 駐車車両検知方法、検知システム及び駐車車両検出装置 | |
CN115797880A (zh) | 驾驶行为的确定方法、装置、存储介质及电子装置 | |
Glasl et al. | Video based traffic congestion prediction on an embedded system | |
CN113989770A (zh) | 交通道路标牌识别方法、装置、设备及存储介质 | |
CN115131725A (zh) | 交通流统计方法、装置、设备及存储介质 | |
CN114581863A (zh) | 车辆危险状态识别方法及系统 | |
CN114519782A (zh) | 一种路沿提取方法及装置 |
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 |