CN114782924B - 用于自动驾驶的交通灯检测方法、装置及电子设备 - Google Patents
用于自动驾驶的交通灯检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114782924B CN114782924B CN202210505623.9A CN202210505623A CN114782924B CN 114782924 B CN114782924 B CN 114782924B CN 202210505623 A CN202210505623 A CN 202210505623A CN 114782924 B CN114782924 B CN 114782924B
- Authority
- CN
- China
- Prior art keywords
- traffic light
- light detection
- screening
- screening set
- detection frame
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 434
- 238000012216 screening Methods 0.000 claims abstract description 307
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000003086 colorant Substances 0.000 claims abstract description 19
- 238000012163 sequencing technique Methods 0.000 claims description 24
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种用于自动驾驶的交通灯检测方法、装置及电子设备，该方法包括：获取原始的交通灯检测结果，具体包括多个交通灯检测框和对应的交通灯颜色；根据多个交通灯检测框的位置与道路图像的有效检测区域的相对位置关系对交通灯检测框进行筛选，得到第一筛选集合；根据第一筛选集合中各个交通灯检测框的位置和面积对第一筛选集合进行筛选，得到第二筛选集合；根据高精地图中的交通灯信息对第二筛选集合进行筛选，得到第三筛选集合；根据第三筛选集合中的交通灯检测框和交通灯颜色确定最终的交通灯检测结果。本申请通过有效检测区域、交通灯检测框的位置和面积及高精地图的交通灯信息等组合筛选出自车关注的交通灯，简便高效且鲁棒性高。
Description
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种用于自动驾驶的交通灯检测方法、装置及电子设备。
背景技术
通过摄像头检测和识别前方交通灯并正确理解其意义是自动驾驶车辆必备的能力。目前主要采用的方案是利用深度学习模型对摄像头拍摄的图像进行实时目标检测，识别出其中的交通灯并解析其含义。但在实际场景中，一张图像中往往会包含若干类型的交通灯，如直行灯、左转灯、掉头灯、行人红绿灯、自行车红绿灯，甚至包含相邻路口或远处路口的交通灯。因此，如何从检测到的众多交通灯中准确筛选出当前自动驾驶车辆需要关注的交通灯是一大难题。
如图1所示，提供了现有技术中一种交通灯检测结果示意图，如图2所示，提供了现有技术中另一种交通灯检测结果示意图。图1和图2中标记为1的椭圆框是当前自动驾驶车辆需要关注的交通灯，而图1中标记为2和3的椭圆框以及图2中标记为4的椭圆框中的交通灯也会被模型检测出来，从而造成干扰。
对此，现有技术中提供了一种解决方案，由于自车定位已知，因此可以先从高精地图中获取自车前方第一个路口的有效交通灯在大地坐标系下的坐标以及其具体类型(如掉头/左转/直行/右转)。由于已知自车定位和摄像头内外参，便可以将交通灯在大地坐标系下的坐标转换到图像坐标系下。将转换获得的道路图像坐标与交通灯检测模型检测到的交通灯进行一一匹配便可从图像中确定出自车需要关注的交通灯，最后再根据模型检测出的交通灯颜色，使自车知晓此时应该行驶还是停止。
上述方案需要结合自车定位、高精地图以及相机内外参信息来确定自车需要关注的交通灯检测框，然而这些信息都存在误差，且自车行驶过程中会有抖动，多种误差在坐标转换过程中重叠，而交通灯尺寸小，导致最终输出的坐标很难与模型检测出的交通灯检测框正确匹配，导致交通灯检测效果并不好。
如图3所示，提供了现有技术中一种交通灯检测结果与高精地图信息的匹配效果示意图，图3中的两个黑点表示高精地图中的交通灯位置在转换到图像坐标系之后的位置，两个白色检测框为交通灯检测框。可以看出，高精地图中的交通灯位置在转换到图像坐标系之后，与对应的交通灯检测模型检测到的交通灯检测框位置之间存在较大偏差。
发明内容
本申请实施例提供了一种用于自动驾驶的交通灯检测方法、装置及电子设备，以提高交通灯检测的精度。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种用于自动驾驶的交通灯检测方法，其中，所述方法包括：
获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；
根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；
根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合；
根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合；
根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果。
可选地，所述交通灯检测框的位置包括交通检测框的中心位置坐标，所述根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合包括：
确定所述道路图像的有效检测区域；
根据各个交通灯检测框的中心位置坐标中的横坐标，确定位于所述有效检测区域内的交通灯检测框；
根据位于所述有效检测区域内的交通灯检测框确定所述第一筛选集合。
可选地，所述根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合包括：
确定所述第一筛选集合中的各个交通灯检测框的面积；
根据所述第一筛选集合中的各个交通灯检测框的面积，确定最大面积的交通灯检测框，作为基准检测框；
根据所述基准检测框以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合。
可选地，所述交通灯检测框的位置包括交通检测框的中心位置坐标，所述根据所述基准检测框以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合包括：
确定所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度；
根据所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度，以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合。
可选地，所述根据所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度，以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合包括：
根据所述基准检测框的高度确定预设高度偏差范围；
确定所述第一筛选集合中的交通灯检测框的中心位置坐标中的纵坐标与所述基准检测框的中心位置坐标中的纵坐标的差值；
若所述差值在所述预设高度偏差范围内，则将所述第一筛选集合中对应的交通灯检测框保留；
否则，则将所述第一筛选集合中对应的交通灯检测框删除。
可选地，所述根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合包括
获取自动驾驶车辆的当前定位信息；
根据所述当前定位信息获取对应的局部高精地图数据，所述局部高精地图数据包括所述自动驾驶车辆对应的下一个路口的交通灯信息；
根据所述第二筛选集合中的交通灯检测框的面积以及所述局部高精地图数据，对所述第二筛选集合进行筛选，得到第三筛选集合。
可选地，所述下一个路口的交通灯信息包括下一个路口的交通灯数量，所述根据所述第二筛选集合中的交通灯检测框的面积以及所述局部高精地图数据，对所述第二筛选集合进行筛选，得到第三筛选集合包括：
确定所述第二筛选集合中的各个交通灯检测框的面积，并按照升序或者降序的方式对各个所述交通灯检测框的面积进行排序，得到第一排序结果；
根据所述下一个路口的交通灯数量，从所述第一排序结果中筛选出对应数量的交通灯检测框，得到所述第三筛选集合。
可选地，所述下一个路口的交通灯信息包括下一个路口的交通灯的相对顺序，所述根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果包括：
根据所述第三筛选集合中的各个交通灯检测框的横坐标，对所述第三筛选集合中的各个交通灯检测框按照从小到大的顺序进行排序，得到第二排序结果；
根据所述下一个路口的交通灯的相对顺序以及所述第二排序结果，确定所述第二排序结果中的各个交通灯检测框与下一个路口的各个交通灯的对应关系；
根据所述对应关系以及所述第二排序结果中的各个交通灯检测框对应的交通灯颜色确定所述最终的交通灯检测结果。
第二方面，本申请实施例还提供一种用于自动驾驶的交通灯检测装置，其中，所述装置包括：
获取单元，用于获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；
第一筛选单元，用于根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；
第二筛选单元，用于根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合；
第三筛选单元，用于根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合；
确定单元，用于根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果。
第三方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例的用于自动驾驶的交通灯检测方法，先获取原始的交通灯检测结果，原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；然后根据多个交通灯检测框的位置与道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；之后根据第一筛选集合中的各个交通灯检测框的位置和面积，对第一筛选集合进行筛选，得到第二筛选集合；再根据高精地图中对应的交通灯信息，对第二筛选集合进行筛选，得到第三筛选集合；最后根据第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果。本申请实施例的用于自动驾驶的交通灯检测方法通过道路图像中的有效检测区域、交通灯检测框的位置和面积以及高精地图提供的交通灯信息等组合筛选出当前自动驾驶车辆需要关注的交通灯，简便高效，避免了一系列的坐标转换过程，且鲁棒性高，避免了自车定位以及相机内外参误差等对筛选结果造成的影响。
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为现有技术中一种交通灯检测结果示意图；
图2为现有技术中另一种交通灯检测结果示意图；
图3为现有技术中一种交通灯检测结果与高精地图信息的匹配效果示意图；
图4为本申请实施例中一种用于自动驾驶的交通灯检测方法的流程示意图；
图5为本申请实施例中一种对原始的交通灯检测框进行筛选后的效果示意图；
图6为本申请实施例中一种确定基准检测框的效果示意图；
图7为本申请实施例中一种对第一筛选集合进行筛选后的效果示意图；
图8为本申请实施例中一种用于自动驾驶的交通灯检测装置的结构示意图；
图9为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种用于自动驾驶的交通灯检测方法，如图4所示，提供了本申请实施例中一种用于自动驾驶的交通灯检测方法的流程示意图，所述方法至少包括如下的步骤S410至步骤S450：
步骤S410，获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色。
本申请实施例在进行交通灯检测时，需要先获取原始的交通灯检测结果，这里可以利用事先训练好的交通灯检测模型如yolov5对自车的摄像头采集到的前方道路图像进行检测得到，具体可以包括道路图像中所包含的多个交通灯检测框，如交通灯检测框的中心位置坐标、交通灯检测框的宽和高等，还可以包括交通灯检测框对应的交通灯颜色，如红灯/绿灯/黄灯。
由于道路图像中可能不仅包含自车在行驶到下一个路口之前所需要关注的交通灯，还可能包含更远处路口的交通灯、左右侧路口的交通灯或者行人红绿灯、自行车红绿灯等非机动机交通灯，因此这里得到的交通灯检测结果只能作为原始的交通灯检测结果，还需要进行后续的筛选处理。
步骤S420，根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合。
在对前述步骤的交通灯检测框进行筛选时，可以先确定各个交通检测框的位置与有效检测区域的相对位置关系，例如是否在有效检测区域内，从而可以实现对交通灯检测框的初步筛选，将初步筛选后剩余的交通灯检测框构成第一筛选集合M1。
步骤S430，根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合。
由于自车所关注的交通灯往往会是离自车最近且最靠近图像中部的交通灯，因此各个交通灯检测框的位置和面积大小能够在一定程度上反映出该交通灯检测框是否是自车最关注的交通灯。基于此，本申请实施例在得到第一筛选集合M1后，还可以根据第一筛选集合中的各个交通灯检测框的位置和面积大小对第一筛选集合进行进一步筛选，得到第二筛选集合M2。
步骤S440，根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合。
由于前述交通灯检测模型主要提供的是交通灯检测框的位置和尺寸以及对应的交通灯颜色等信息，但对于自车来说，除了需要这些信息，还需要知晓自车所面临的下一个路口的交通灯实际数量，从而可以对第二筛选集合进行进一步筛选，得到第三筛选集合M3。
需要说明的是，高精地图中提供了精准的交通灯信息，除了包括交通灯的位置信息，还提供了交通灯的数量、交通灯的类型以及交通灯的相对顺序等，无论如何对交通灯的位置信息进行坐标变换，数量、类型以及相对顺序等这些交通灯信息是不会发生改变的，因此可以作为基准之一来对交通灯检测框进行筛选。
步骤S450，根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果。
基于前述步骤筛选得到的第三筛选集合M3中所包含的交通灯检测框就可以看作是当前自车所需要关注的交通灯检测框了，最后结合第三筛选集合M3中的交通灯检测框对应的交通灯颜色，得到最终的交通灯检测结果。
本申请实施例的用于自动驾驶的交通灯检测方法通过道路图像中的有效检测区域、交通灯检测框的位置和面积以及高精地图提供的交通灯信息等组合筛选出当前自动驾驶车辆需要关注的交通灯，简便高效，避免了一系列的坐标转换过程，且鲁棒性高，避免了自车定位以及相机内外参误差等对筛选结果造成的影响。
在本申请的一个实施例中，所述交通灯检测框的位置包括交通检测框的中心位置坐标，所述根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合包括：确定所述道路图像的有效检测区域；根据各个交通灯检测框的中心位置坐标中的横坐标，确定位于所述有效检测区域内的交通灯检测框；根据位于所述有效检测区域内的交通灯检测框确定所述第一筛选集合。
在对原始的多个交通灯检测框进行初步筛选时，可以先确定当前的道路图像中的有效检测区域，该有效检测区域的作用是为了过滤掉位于图像左右两侧边缘的交通灯检测框，即对交通灯检测框的横向过滤，例如，左右两侧相邻路口的交通灯检测框或者与自车所关注的交通灯检测框的横向距离较远的非机动车的交通灯检测框等。
因此，一种确定有效检测区域的方式可以是将道路图像中间的80％区域作为有效检测区域，具体可以是左右两侧分别裁剪掉10％的区域面积，但道路图像的高度保持不变，之后再结合各个交通灯检测框的中心位置坐标(x,y)中的横坐标x确定该交通灯检测框是否落入有效检测区域。
当然，除了采用裁剪的方式，还可以直接在原道路图像中添加有效检测区域的边框，如图5所示，提供了本申请实施例中一种对原始的交通灯检测框进行筛选后的效果示意图，可以看出，在确定出有效检测区域的边框后，与自车所关注的交通灯检测框的横向距离较远的交通灯检测框，即图5中的自行车红绿灯的检测框将被过滤掉。
需要说明的是，由于自动驾驶车辆的摄像头的安装位置和拍摄角度基本会保证自车对应的下一个路口的交通灯显示在图像的中部或者中上部左右的位置，因此通过上述有效检测区域的约束，可以在过滤掉位于图像左右两侧边缘的交通灯检测框的同时保证自车所关注的交通灯检测框不被误过滤。
在本申请的一个实施例中，所述根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合包括：确定所述第一筛选集合中的各个交通灯检测框的面积；根据所述第一筛选集合中的各个交通灯检测框的面积，确定最大面积的交通灯检测框，作为基准检测框；根据所述基准检测框以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合。
如前所述，由于自车所关注的交通灯往往会是离自车最近且最靠近图像中部的交通灯，那么基于成像时近大远小的原理，该交通灯离摄像头光心的直线距离越短，检测到的交通检测框的面积越大，即越有可能是自车所关注的交通灯检测框。
基于此，本申请实施例可以先计算第一筛选集合中的各个交通灯检测框的面积，从中确定出面积最大的交通灯检测框，作为基准检测框m0，之后再根据基准检测框的相关信息以及第一筛选集合中的各个交通灯检测框的位置，对第一筛选集合进行筛选，得到第二筛选集合。如图6所示，提供了本申请实施例中一种确定基准检测框的效果示意图，图6中的白色检测框即为面积最大的交通灯检测框。
在本申请的一个实施例中，所述交通灯检测框的位置包括交通检测框的中心位置坐标，所述根据所述基准检测框以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合包括：确定所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度；根据所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度，以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合。
为了便于理解，本申请实施例可以将基准检测框m0的面积表示为s0，中心点位置坐标表示为(x0,y0)，宽表示为w0，高表示为h0。在利用基准检测框m0的相关信息对第一筛选集合进行筛选时，可以利用中心点位置坐标中的纵坐标y0，高度h0以及第一筛选集合中的各个交通灯检测框的位置(x,y)来实现，从而实现对交通检测框的纵向过滤，如过滤掉较远处路口的交通灯检测框。
在本申请的一个实施例中，所述根据所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度，以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合包括：根据所述基准检测框的高度确定预设高度偏差范围；确定所述第一筛选集合中的交通灯检测框的中心位置坐标中的纵坐标与所述基准检测框的中心位置坐标中的纵坐标的差值；若所述差值在所述预设高度偏差范围内，则将所述第一筛选集合中对应的交通灯检测框保留；否则，则将所述第一筛选集合中对应的交通灯检测框删除。
对于基准检测框来说，越靠近基准检测框的交通灯检测框越有可能是自车所关注的检测框，因此从纵向过滤的角度来看，第一筛选集合中的交通灯检测框的中心点坐标中的纵坐标与基准检测框的中心点坐标中的纵坐标应当小于预设的高度偏差。该预设的高度偏差的大小可以根据实际需求灵活设置，预设高度偏差越小，过滤范围或者强度越大，反之则越小。例如，本申请实施例的预设高度偏差可以设置为基准检测框的高度h0的0.5倍即一半，作为预设高度偏差的大小。
对于第一筛选集合中的任意一个交通灯检测框来说，其中心点位置坐标表示为(x,y)，如果|y-y0|≤0.5*h0，说明该交通灯检测框与基准检测框的纵向距离在可接受范围内，很有可能是自车所关注的交通灯检测框，因此可以保留，而如果|y-y0|＞0.5*h0，说明该交通灯检测框与基准检测框的纵向距离已经超出了可接受范围，说明该交通灯检测框很有可能是较远处路口的交通灯检测框，因此可直接删除掉该交通灯检测框。
如图7所示，提供了本申请实施例中一种对第一筛选集合进行筛选后的效果示意图。可以看出，通过基准检测框的中心点坐标中的纵坐标y0和高度值h0的约束，过滤掉了较远处路口的交通灯检测框。
需要说明的是，由于摄像头的安装位置和拍摄角度较为固定，能够保证自车前方的交通灯位于图像的合适位置，因此由于拍摄角度的偏差而带来的纵向位置偏差也不会过大，能够保证上述基于交通灯检测框的纵坐标和高度进行交通灯检测框过滤的准确性。
如前所述，交通灯检测框的面积越大，越有可能说明其是自车所关注的交通灯检测框。因此，在本申请的一个实施例中，在确定出最大面积的交通灯检测框即基准检测框之后，还可以将第一筛选集合中的各个交通灯检测框的面积分别与最大面积的基准检测框的面积进行比较，如果第一筛选集合中的交通灯检测框与最大面积的交通灯检测框的面积比值不小于预设面积比值阈值，说明该交通灯检测框的面积也较大，因此可以保留该交通灯检测框，反之，则可以从第一筛选集合中删除该交通灯检测框，从而得到第二筛选集合。上述预设面积比值阈值例如可以设置为0.75，具体数值大小可以根据实际需求灵活调整，在此不作具体限定。
上述筛选方式可以看作是基于面积比值筛选的方式，与前述实施例中基于纵坐标进行筛选的方式相比较来说，基于纵坐标进行筛选的方式适用的场景会更丰富且准确性会更高，主要原因如下：基于面积比值筛选的方式依赖于第一筛选集合的准确性，例如，当自车距离下一个路口较远时，左右两侧相邻路口的交通灯检测框可能会相对没有位于图像左右两侧的边缘位置，因此这时利用有效检测区域进行过滤就可能无法完整过滤掉相邻路口的交通灯检测框，而这些交通灯检测框的面积又较大，这就导致后续在基于面积比值进行筛选时该交通灯检测框会被保留，从而对后续结果造成干扰。当然，需要说明的是，这两种方式均能够在一定程度上有效筛选交通灯检测框，因此本领域技术人员可以根据实际需求灵活选择。
在本申请的一个实施例中，所述根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合包括获取自动驾驶车辆的当前定位信息；根据所述当前定位信息获取对应的局部高精地图数据，所述局部高精地图数据包括所述自动驾驶车辆对应的下一个路口的交通灯信息；根据所述第二筛选集合中的交通灯检测框的面积以及所述局部高精地图数据，对所述第二筛选集合进行筛选，得到第三筛选集合。
高精地图可以提供精准的交通灯信息，例如可以包括各个路口的交通灯数量、交通灯的具体类型，如掉头/左转/直行/右转等，以及交通灯在图像中的相对顺序等信息，从而辅助自车做出正确决策。
基于此，本申请实施例可以结合自车的当前定位信息，获取对应的局部高精地图数据。自车的当前定位信息的获取方式可以根据实际需求灵活选择，例如可以获取惯导系统输出的融合定位信息作为当前定位信息，或者获取RTK(Real-Time Kinematic，实时差分定位)设备输出的RTK定位信息作为当前定位信息等等。
上述局部高精地图数据中主要包含了自车对应的下一个路口的交通灯信息，因此可以结合这些信息对第二筛选集合进行进一步筛选，得到第三筛选集合。
在本申请的一个实施例中，所述下一个路口的交通灯信息包括下一个路口的交通灯数量，所述根据所述第二筛选集合中的交通灯检测框的面积以及所述局部高精地图数据，对所述第二筛选集合进行筛选，得到第三筛选集合包括：确定所述第二筛选集合中的各个交通灯检测框的面积，并按照升序或者降序的方式对各个所述交通灯检测框的面积进行排序，得到第一排序结果；根据所述下一个路口的交通灯数量，从所述第一排序结果中筛选出对应数量的交通灯检测框，得到所述第三筛选集合。
实际场景下，经过上述筛选后，第二筛选集合中的交通灯检测框的数量可能还会多于该路口对应的真实的机动车交通灯数量N，而真实的机动车交通灯数量N是可以通过局部高精地图数据来确定的，也即局部高精地图数据提供的下一个路口的机动车交通灯数量N可以认为是准确且固定的。
基于此，本申请实施例可以先计算第二筛选集合中的各个交通灯检测框的面积，然后对各个交通灯检测框的面积进行升序或者降序排序，之后再结合局部高精地图数据提供的下一个路口的机动车交通灯数量N，从排序后的交通灯检测框中选取出前N个面积较大的交通灯检测框，从而得到第三筛选集合。
在本申请的一个实施例中，所述下一个路口的交通灯信息包括下一个路口的交通灯的相对顺序，所述根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果包括：根据所述第三筛选集合中的各个交通灯检测框的横坐标，对所述第三筛选集合中的各个交通灯检测框按照从小到大的顺序进行排序，得到第二排序结果；根据所述下一个路口的交通灯的相对顺序以及所述第二排序结果，确定所述第二排序结果中的各个交通灯检测框与下一个路口的各个交通灯的对应关系；根据所述对应关系以及所述第二排序结果中的各个交通灯检测框对应的交通灯颜色确定所述最终的交通灯检测结果。
在制作高精地图时，交通灯往往以从左到右或从右到左的顺序存储在数据文件中，在制作高精地图时可以明确交通灯的排列顺序，该排列顺序是准确且固定的，因此一个路口的交通灯的排列顺序往往是可以直接获取的。基于此，本申请实施例可以从局部高精地图数据中获取下一个路口的交通灯的相对顺序，通过该相对顺序可以确定第三筛选集合中各个交通灯检测框与下一个路口的交通灯的对应关系，从而便于获取更多的交通灯信息。
具体地，假设高精地图中对于路口的交通灯采用的是从左至右的顺序进行排列，那么本申请实施例就可以先将第三筛选集合M3中的所有交通灯检测框按照交通灯检测框的x轴坐标值从小到大排序，也即面向路口交通灯的视觉，从左到右进行排序。这样在排序之后，第三筛选集合M3中的所有交通灯检测框就可以与局部高精地图数据中的交通灯一一匹配和对应起来了，进而也就可以综合第三筛选集合中的交通灯检测框的颜色以及局部高精地图数据中的交通灯类型等信息确定最终的交通灯检测结果了，从而便于自车做出准确的决策。
本申请实施例还提供了一种用于自动驾驶的交通灯检测装置800，如图8所示，提供了本申请实施例中一种用于自动驾驶的交通灯检测装置的结构示意图，所述装置800包括：获取单元810、第一筛选单元820、第二筛选单元830、第三筛选单元840以及确定单元850，其中：
获取单元810，用于获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；
第一筛选单元820，用于根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；
第二筛选单元830，用于根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合；
第三筛选单元840，用于根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合；
确定单元850，用于根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果。
能够理解，上述用于自动驾驶的交通灯检测装置，能够实现前述实施例中提供的用于自动驾驶的交通灯检测方法的各个步骤，关于用于自动驾驶的交通灯检测方法的相关阐释均适用于用于自动驾驶的交通灯检测装置，此处不再赘述。
图9是本申请的一个实施例电子设备的结构示意图。请参考图9，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成用于自动驾驶的交通灯检测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；
根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；
根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合；
根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合；
根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果。
上述如本申请图4所示实施例揭示的用于自动驾驶的交通灯检测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图4中用于自动驾驶的交通灯检测装置执行的方法，并实现用于自动驾驶的交通灯检测装置在图4所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图4所示实施例中用于自动驾驶的交通灯检测装置执行的方法，并具体用于执行：
获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；
根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；
根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合；
根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合；
根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种用于自动驾驶的交通灯检测方法，其中，所述方法包括：
获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；
根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；
根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合；
根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合；
根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果；
所述交通灯检测框的位置包括交通检测框的中心位置坐标，所述根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合包括：
确定所述道路图像的有效检测区域；
根据各个交通灯检测框的中心位置坐标中的横坐标，确定位于所述有效检测区域内的交通灯检测框；
根据位于所述有效检测区域内的交通灯检测框确定所述第一筛选集合；
所述根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合包括：
确定所述第一筛选集合中的各个交通灯检测框的面积；
根据所述第一筛选集合中的各个交通灯检测框的面积，确定最大面积的交通灯检测框，作为基准检测框；
根据所述基准检测框以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合；
所述根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合包括：
获取自动驾驶车辆的当前定位信息；
根据所述当前定位信息获取对应的局部高精地图数据，所述局部高精地图数据包括所述自动驾驶车辆对应的下一个路口的交通灯信息；
根据所述第二筛选集合中的交通灯检测框的面积以及所述局部高精地图数据，对所述第二筛选集合进行筛选，得到第三筛选集合。
2.如权利要求1所述方法，其中，所述交通灯检测框的位置包括交通检测框的中心位置坐标，所述根据所述基准检测框以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合包括：
确定所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度；
根据所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度，以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合。
3.如权利要求2所述方法，其中，所述根据所述基准检测框的中心位置坐标中的纵坐标和所述基准检测框的高度，以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合包括：
根据所述基准检测框的高度确定预设高度偏差范围；
确定所述第一筛选集合中的交通灯检测框的中心位置坐标中的纵坐标与所述基准检测框的中心位置坐标中的纵坐标的差值；
若所述差值在所述预设高度偏差范围内，则将所述第一筛选集合中对应的交通灯检测框保留；
否则，则将所述第一筛选集合中对应的交通灯检测框删除。
4.如权利要求1所述方法，其中，所述下一个路口的交通灯信息包括下一个路口的交通灯数量，所述根据所述第二筛选集合中的交通灯检测框的面积以及所述局部高精地图数据，对所述第二筛选集合进行筛选，得到第三筛选集合包括：
确定所述第二筛选集合中的各个交通灯检测框的面积，并按照升序或者降序的方式对各个所述交通灯检测框的面积进行排序，得到第一排序结果；
根据所述下一个路口的交通灯数量，从所述第一排序结果中筛选出对应数量的交通灯检测框，得到所述第三筛选集合。
5.如权利要求1所述方法，其中，所述下一个路口的交通灯信息包括下一个路口的交通灯的相对顺序，所述根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果包括：
根据所述第三筛选集合中的各个交通灯检测框的横坐标，对所述第三筛选集合中的各个交通灯检测框按照从小到大的顺序进行排序，得到第二排序结果；
根据所述下一个路口的交通灯的相对顺序以及所述第二排序结果，确定所述第二排序结果中的各个交通灯检测框与下一个路口的各个交通灯的对应关系；
根据所述对应关系以及所述第二排序结果中的各个交通灯检测框对应的交通灯颜色确定所述最终的交通灯检测结果。
6.一种用于自动驾驶的交通灯检测装置，其中，所述装置包括：
获取单元，用于获取原始的交通灯检测结果，所述原始的交通灯检测结果通过交通灯检测模型对道路图像进行检测得到，所述原始的交通灯检测结果包括多个交通灯检测框和对应的交通灯颜色；
第一筛选单元，用于根据多个交通灯检测框的位置与所述道路图像的有效检测区域的相对位置关系，对多个交通灯检测框进行筛选，得到第一筛选集合；
第二筛选单元，用于根据所述第一筛选集合中的各个交通灯检测框的位置和面积，对所述第一筛选集合进行筛选，得到第二筛选集合；
第三筛选单元，用于根据高精地图中对应的交通灯信息，对所述第二筛选集合进行筛选，得到第三筛选集合；
确定单元，用于根据所述第三筛选集合中的交通灯检测框和对应的交通灯颜色确定最终的交通灯检测结果；
所述交通灯检测框的位置包括交通检测框的中心位置坐标，所述第一筛选单元具体用于：
确定所述道路图像的有效检测区域；
根据各个交通灯检测框的中心位置坐标中的横坐标，确定位于所述有效检测区域内的交通灯检测框；
根据位于所述有效检测区域内的交通灯检测框确定所述第一筛选集合；
所述第二筛选单元具体用于：
确定所述第一筛选集合中的各个交通灯检测框的面积；
根据所述第一筛选集合中的各个交通灯检测框的面积，确定最大面积的交通灯检测框，作为基准检测框；
根据所述基准检测框以及所述第一筛选集合中的各个交通灯检测框的位置，对所述第一筛选集合进行筛选，得到第二筛选集合；
所述第三筛选单元具体用于：
获取自动驾驶车辆的当前定位信息；
根据所述当前定位信息获取对应的局部高精地图数据，所述局部高精地图数据包括所述自动驾驶车辆对应的下一个路口的交通灯信息；
根据所述第二筛选集合中的交通灯检测框的面积以及所述局部高精地图数据，对所述第二筛选集合进行筛选，得到第三筛选集合。
7.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~5之任一所述方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行权利要求1~5之任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210505623.9A CN114782924B (zh) | 2022-05-10 | 2022-05-10 | 用于自动驾驶的交通灯检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210505623.9A CN114782924B (zh) | 2022-05-10 | 2022-05-10 | 用于自动驾驶的交通灯检测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782924A CN114782924A (zh) | 2022-07-22 |
| CN114782924B true CN114782924B (zh) | 2024-07-12 |
Family
ID=82436349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210505623.9A Active CN114782924B (zh) | 2022-05-10 | 2022-05-10 | 用于自动驾驶的交通灯检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782924B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115249355B (zh) * | 2022-09-22 | 2022-12-27 | 杭州枕石智能科技有限公司 | 目标关联方法、设备及计算机可读存储介质 |
| CN116580051A (zh) * | 2023-04-27 | 2023-08-11 | 广州小鹏自动驾驶科技有限公司 | 对象追踪方法、装置、终端设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097583A (zh) * | 2018-01-31 | 2019-08-06 | 腾讯科技（深圳）有限公司 | 图片筛选方法及装置 |
| CN111079680A (zh) * | 2019-12-23 | 2020-04-28 | 北京三快在线科技有限公司 | 临时交通信号灯检测方法、装置和自动驾驶设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110660254B (zh) * | 2018-06-29 | 2022-04-08 | 北京市商汤科技开发有限公司 | 交通信号灯检测及智能驾驶方法和装置、车辆、电子设备 |
| CN113221756A (zh) * | 2021-05-14 | 2021-08-06 | 腾讯科技（深圳）有限公司 | 交通标志检测方法及相关设备 |
| CN113822261A (zh) * | 2021-11-25 | 2021-12-21 | 智道网联科技(北京)有限公司 | 交通信号灯的检测方法、装置及电子设备、存储介质 |
| CN114332815B (zh) * | 2021-12-24 | 2023-08-29 | 广州小鹏自动驾驶科技有限公司 | 交通灯状态检测方法、装置、车辆及存储介质 |
-
2022
- 2022-05-10 CN CN202210505623.9A patent/CN114782924B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097583A (zh) * | 2018-01-31 | 2019-08-06 | 腾讯科技（深圳）有限公司 | 图片筛选方法及装置 |
| CN111079680A (zh) * | 2019-12-23 | 2020-04-28 | 北京三快在线科技有限公司 | 临时交通信号灯检测方法、装置和自动驾驶设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782924A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114782924B (zh) | 用于自动驾驶的交通灯检测方法、装置及电子设备 | |
| CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
| CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
| CN110738081B (zh) | 异常路况检测方法及装置 | |
| CN114663852A (zh) | 车道线图的构建方法、装置、电子设备及可读存储介质 | |
| CN115143952A (zh) | 基于视觉辅助的自动驾驶车辆定位方法、装置 | |
| CN115507862A (zh) | 车道线定位方法及装置、电子设备及存储介质 | |
| CN116386000A (zh) | 基于高精地图和单目摄像头测量障碍物距离的方法、系统 | |
| CN114066958A (zh) | 目标的深度信息预测方法和装置、电子设备和存储介质 | |
| CN116740680A (zh) | 一种车辆定位方法、装置及电子设备 | |
| CN116503832A (zh) | 一种基于深度学习的信号灯识别方法及装置 | |
| CN116295490A (zh) | 车辆定位方法、装置及电子设备、存储介质 | |
| CN116052119A (zh) | 交通灯检测方法、装置及电子设备、计算机可读存储介质 | |
| CN116164763A (zh) | 目标航向角确定方法、装置及电子设备、存储介质 | |
| CN115112125A (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
| CN112489466B (zh) | 交通信号灯识别方法和装置 | |
| CN115031755A (zh) | 自动驾驶车辆定位方法、装置及电子设备、存储介质 | |
| CN112598314B (zh) | 智能驾驶汽车的感知置信度确定方法、装置、设备及介质 | |
| CN115620277A (zh) | 单目3d环境感知方法、装置及电子设备、存储介质 | |
| CN116610766A (zh) | 地图更新方法、装置及电子设备、计算机可读存储介质 | |
| CN116449347B (zh) | 路侧激光雷达的标定方法、装置及电子设备 | |
| CN116597376A (zh) | 路侧设备感知范围确定方法、装置及路侧设备 | |
| CN116168087A (zh) | 路侧相机标定结果的验证方法、装置及电子设备 | |
| CN115731523A (zh) | 车辆定位方法及装置、电子设备、存储介质 | |
| CN116486380A (zh) | 交通灯识别方法、装置及电子设备、计算机可读存储介质 |
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 |