CN114882198A - 一种目标确定方法、装置、设备及介质 - Google Patents
一种目标确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114882198A CN114882198A CN202210646000.3A CN202210646000A CN114882198A CN 114882198 A CN114882198 A CN 114882198A CN 202210646000 A CN202210646000 A CN 202210646000A CN 114882198 A CN114882198 A CN 114882198A
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- cloud data
- determining
- target point
- 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 62
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000008685 targeting Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种目标确定方法、装置、设备及介质。该方法包括：基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；根据所述第一目标点云集合和所述第二目标点云集合，确定目标。通过上述技术方案，实现了从点云数据中识别目标的目的；对点云数据先后进行深度学习模型和聚类算法处理，分别得到了密集点云和稀疏点云对应的目标，再从两个识别结果中确定最终目标，达到了目标识别精准度高且稳定性好的效果，提高了目标召回率。
Description
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种目标确定方法、装置、设备及介质。
背景技术
随着无人驾驶技术越来越成熟，对自动驾驶系统中的感知系统要求越来越高；其中，点云目标识别技术可以从激光雷达获取的点云数据中识别出目标三维空间位置信息和轮廓信息。
目前的点云目标识别方案存在的问题包括：(1)对点云分布质量、密度存在较高要求，对点云特征分布依赖较为严重，针对近距离、点云密集的目标拥有较好的识别效果，针对远距离、点云稀疏、形状不规则的目标则无法稳定识别，容易出现障碍物目标错检、漏检等问题，目标召回率较低。(2)主要依据点云模型的距离信息或密度信息完成目标识别过程，在点云目标识别过程中，会因点云目标之间距离太短造成分割不足，还会因单个点云目标密度信息差异过大造成过度分割。
发明内容
本发明提供了一种目标确定方法、装置、设备及介质，用以解决现有技术中的缺陷，实现从点云数据中精准且稳定地识别出目标，提高目标召回率。
第一方面，本发明实施例提供了一种目标确定方法，包括：
基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；
采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；
根据所述第一目标点云集合和所述第二目标点云集合，确定目标。
第二方面，本发明实施例提供了一种目标确定装置，包括：
第一目标点云集合确定模块，用于基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；
第二目标点云集合确定模块，用于采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；
目标确定模块，用于根据所述第一目标点云集合和所述第二目标点云集合，确定目标。
第三方面，本发明实施例提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的目标确定方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的目标确定方法。
本发明实施例公开了一种目标确定方法、装置、设备及介质。该方法包括：基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；根据所述第一目标点云集合和所述第二目标点云集合，确定目标。通过上述技术方案，实现了从点云数据中识别目标的目的；对点云数据先后进行深度学习模型和聚类算法处理，分别得到了密集点云和稀疏点云对应的目标，再从两个识别结果中确定最终目标，达到了目标识别精准度高且稳定性好的效果，提高了目标召回率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本发明实施例一提供的一种目标确定方法的流程图；
图2为本发明实施例二提供的一种目标确定方法的流程图；
图3为本发明实施例三提供的一种目标确定装置的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
需要注意，本发明实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块、单元或其他对象进行区分，并非用于限定这些装置、模块、单元或其他对象所执行的功能的顺序或者相互依存关系。
为了更好地理解本发明实施例，下面对相关技术进行介绍。
实施例一
图1为本发明实施例一提供的一种目标确定方法的流程图，本实施例可适用于点云目标确定的情况，典型的，可用于对点云数据进行识别以确定目标的情况，例如，在自动驾驶领域，通过点云数据识别自动驾驶车辆前方的障碍物目标，进而为自动驾驶车辆规划避障路线，控制自动驾驶车辆绕过障碍物行驶。具体的，该方法可以由目标确定装置执行，该目标确定装置可以通过软件和/或硬件的方式实现，并集成在电子设备中。进一步的，电子设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及服务器等电子设备/进一步的，服务器包括但不限定于：工业集成服务器、系统后台服务器以及云端服务器。
如图1所示，该方法具体包括如下步骤：
S110，基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合。
其中，所述目标识别模型可以是预先训练的深度学习网络，所述目标识别模型包括但不限于基于全连接网络结构、卷积神经网络和循环神经网络构建，例如，可以是基于三维网格的深度学习网络构建、基于三维点云的深度学习网络构建、基于二维视图的深度学习网络构建和基于图的深度学习网络构建；可根据激光雷达获取的点云数据结构类型，选取合适的深度学习网络构建方法；可以采用点云数据训练得到。点云数据可以通过激光雷达传感器、三维激光扫描仪或照相式扫描仪等获取。所述初始点云数据可以由激光雷达传感器从自动驾驶车辆周围环境中获取。所述目标点云集合可以是目标集合，该集合可以包括各种障碍物目标，例如车辆、行人、非机动车等。
具体的，初始点云数据有密集程度高的目标点云和密集程度低的目标点云，深度学习模型提取密集程度高的目标点云置信度较高，所以对初始点云数据用深度学习网络进行识别，从识别结果中确定目标集合，即第一目标点云集合。
本发明实施例中，可选的，基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合，包括：将初始点云数据输入至目标识别模型中，确定初始点云数据对应的识别目标与置信度；根据所述置信度，从所述识别目标对应的初始点云数据中确定第一目标点云集合。
其中，所述识别目标可以是初始点云数据中对应的各个目标，例如初始点云数据包含了车辆、树木、行人和路障等目标的点云模型，其中的车辆、树木、行人和路障等目标即为识别目标。所述置信度可以是目标可信程度，例如从目标识别模型中识别出了某个车辆，其可信程度是百分之七十。
具体的，将初始点云数据输入目标识别模型后，可得到初始点云数据中包含的识别目标和各识别目标的置信度，借助置信度对识别目标进行选择，选出相对可靠的识别目标，放入第一目标点云集合中。
本方案中，通过置信度对识别目标进行了再次选择，提高了识别目标的准确度。
本发明实施例中，进一步的，根据所述置信度，从所述识别目标对应的初始点云数据中确定第一目标点云集合，包括：若所述识别目标的置信度大于预设置信度阈值，则将该识别目标对应的初始点云数据确定为第一目标点云集合。
其中，所述预设置信度阈值可以是提前设置的置信度可靠值，具体数值可以根据实际情况适应性确定，例如可以设定百分之八十为预设置信度阈值。
示例性的，预设置信度阈值可以是百分之五十，该数值可根据实际需求进行微调，识别目标的置信度大于百分之五十则可放入第一目标点云集合。
本方案中，通过设定置信度阈值，筛选出了符合要求的识别目标。
S120，采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据。
其中，所述聚类算法可以是把一个数据集分割成不同的类或簇的方法，可以是划分式聚类方法、基于密度的聚类方法、层次化聚类方法和各种新方法，例如k-means、OPTICS、Divisive和量子聚类等。
示例性的，通过对剩余点云数据应用聚类算法，可将障碍物点云聚类为不同的类簇，每个类簇即代表一个障碍物目标，最终实现距离较远处的车辆、行人和不规则物体等目标识别。激光雷达获取的点云数据具有近距离目标点云模型密集，远距离目标点云模型稀疏的特点，针对不同距离范围内的点云，可设定相应的聚类条件，例如，根据目标距离划分三组，分别是0到50米、50到100米和100米以上，每组对应适当的聚类算法，可提升障碍物目标点云聚类效果。
剩余点云数据中，以密集程度较低的目标点云或不规则目标点云为主，此类点云数据没有了密集目标点云干扰，采用聚类算法的方式更容易识别出目标且识别效率高。
S130，根据所述第一目标点云集合和所述第二目标点云集合，确定目标。
具体的，第一目标点云集合是经过深度学习得到的目标集合，第二目标点云集合是经过聚类算法得到的目标集合，根据两个目标集合，确定出最终目标。
示例性的，目标可以是障碍物目标，即可能影响自动驾驶的障碍物
本发明实施例公开了一种目标确定方法、装置、设备及介质。该方法包括：基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；根据所述第一目标点云集合和所述第二目标点云集合，确定目标。通过上述技术方案，实现了从点云数据中识别目标的目的；对点云数据先后进行深度学习模型和聚类算法处理，分别得到了密集点云和稀疏点云对应的目标，再从两个识别结果中确定最终目标，达到了目标识别精准度高且稳定性好的效果，提高了目标召回率。
本发明实施例中，优选的，采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合之前，所述方法还包括：根据所述初始点云数据的采集环境特征，确定目标地面分割算法；采用目标地面分割算法，对剩余点云数据进行筛选，去除位于地面的剩余点云数据。
其中，所述目标地面分割算法可以是一种算法，用来分割地面和非地面，例如剩余点云数据包含了地面上花草树木等物体和非地面上宠物、车辆等物体的点云数据，所述目标地面分割算法将地面目标的点云数据进行去除。
示例性的，地面分割算法具体包括基于统计量的地面分割算法、基于角度的地面分割算法、平面拟合算法和基于面元的区域生长算法等，在本方案实施过程中，可根据道路类型进行动态选取，例如在平整的道路上选择平面拟合算法，在凹凸不平的道路上采用基于面元的区域生长算法。进而保证了地面分割算法适应性，提升地面点云去除效果。
本方案中，避免了地面点云对非地面点云数据聚类过程产生干扰。
实施例二
图2为本发明实施例二提供的一种目标确定方法的流程图，本实施例是在上述实施例的基础上进行优化，对目标确定进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，如图2所示，该方法具体包括如下步骤：
S210，基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合。
S220，采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据。
S230，将所述第一目标点云集合和所述第二目标点云集合进行合并，得到合并目标点云集合。
其中，所述合并目标点云集合可以是合并后的目标点云集合，包括了第一目标点云集合和第二目标点云集合，例如第一目标点云集合有行人、树木，第二目标点云集合有车辆、路障，则合并目标点云集合有行人、树木、车辆、路障等。
S240，从合并目标点云集合中，确定目标。
示例性的，合并目标点云集合包括了全部障碍物目标信息的整合，从中可确定出全部障碍物目标信息，为自动驾驶提供安全保障。
本发明实施例中，可选的，从合并目标点云集合中，确定目标，包括：根据合并目标点云集合中各目标之间的距离，对所述目标进行合并处理。
具体的，合并目标点云集合中，目标之间可能出现距离非常近的情况，可能是该目标的一部分在第一目标点云集合中，另一部分在第二目标点云集合中，因此需要根据合并目标点云集合中各目标之间的距离确定出最终的结果。
本方案中，解决了过度分割目标的问题，为自动驾驶系统障碍物判别提供了便利。
本发明实施例中，进一步的，根据合并目标点云集合中各目标之间的距离，对所述目标进行合并处理，包括：遍历所述合并目标点云集合中的各目标，确定所述目标与所述合并目标点云集合中各其他目标的距离；若所述距离小于预设距离阈值，则将当前遍历的目标与其他目标合并为同一目标。
具体的，针对合并点云集合中的各个目标，均执行如下操作：计算该目标与其它目标之间的距离，若该距离小于预设距离阈值，则合并该目标和其他目标。例如，目标1与目标2的距离小于预设距离阈值，则将目标1和目标2合并，得到目标3。若目标3和目标4的距离小于预设距离阈值，则将目标3和目标4合并，得到目标5。或者，若目标1和目标2的距离小于预设距离阈值，且目标1和目标4的距离小于预设距离阈值，则将目标1、目标2和目标4合并。其中，预设距离阈值可灵活确定，例如设置车辆之间的预设距离阈值大于人群中各目标的预设距离阈值。
本方案中，将误分割的目标合并，恢复其原本状态，使障碍物目标信息输出更准确。
本发明实施例中，示例性的，在对合并目标点云集合进行合并目标处理后，得到了最终目标的点云集合，然后对每一个最终目标的点云集合进行包围框拟合处理，本方案中，自动驾驶系统需要真实的障碍物大小才能精准计算，所以采用最小外接框和最小包围框进行障碍物包围框拟合处理。并计算障碍物目标空间几何信息，包括中心点、质心点、长度、宽度和高度等参数。拟合完成后，即可完成障碍物目标信息输出，为自动驾驶系统决策规划模块提供数据支撑。
本发明实施例二提供的一种目标确定方法，在上述实施例的基础上进行优化，先对误分割的目标进行合并，再确定最终目标信息，使得最终得到的目标可信度更高，有助于自动驾驶系统进行障碍物避让。
实施例三
图3为本发明实施例三提供的一种目标确定装置的结构示意图。本实施例提供的目标确定装置包括：
第一目标点云集合确定模块310，用于基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；
第二目标点云集合确定模块320，用于采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；
目标确定模块330，用于根据所述第一目标点云集合和所述第二目标点云集合，确定目标。
在上述实施例的基础上，所述第一目标点云集合确定模块310包括：
识别目标与置信度确定单元，用于将初始点云数据输入至目标识别模型中，确定初始点云数据对应的识别目标与置信度；
第一目标点云集合确定单元，用于根据所述置信度，从所述识别目标对应的初始点云数据中确定第一目标点云集合。
所述第一目标点云集合确定单元包括：
第一目标点云集合确定子单元，用于若所述识别目标的置信度大于预设置信度阈值，则将该识别目标对应的初始点云数据确定为第一目标点云集合。
所述目标确定模块330包括：
合并目标点云集合获取单元，用于将所述第一目标点云集合和所述第二目标点云集合进行合并，得到合并目标点云集合；
目标确定单元，用于合并目标点云集合中，确定目标。
所述目标确定单元包括：
合并处理子单元，用于根据合并目标点云集合中各目标之间的距离，对所述目标进行合并处理。
合并处理子单元还包括：
遍历所述合并目标点云集合中的各目标，确定所述目标与所述合并目标点云集合中各其他目标的距离；
若所述距离小于预设距离阈值，则将当前遍历的目标与其他目标合并为同一目标。
所述装置还包括：
目标地面分割算法确定模块，用于根据所述初始点云数据的采集环境特征，确定目标地面分割算法；
剩余点云数据去除模块，用于采用目标地面分割算法，对剩余点云数据进行筛选，去除位于地面的剩余点云数据。
本发明实施例三提供的目标确定装置可以用于执行上述任意实施例提供的目标确定方法，具备相应的功能和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备10还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、用户设备、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，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，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络、无线网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如目标确定方法。
在一些实施例中，目标确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备10上实施此处描述的系统和技术，该电子设备10具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备10。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种目标确定方法，其特征在于，包括：
基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；
采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；
根据所述第一目标点云集合和所述第二目标点云集合，确定目标。
2.根据权利要求1所述的方法，其特征在于，基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合，包括：
将初始点云数据输入至目标识别模型中，确定初始点云数据对应的识别目标与置信度；
根据所述置信度，从所述识别目标对应的初始点云数据中确定第一目标点云集合。
3.根据权利要2所述的方法，其特征在于，根据所述置信度，从所述识别目标对应的初始点云数据中确定第一目标点云集合，包括：
若所述识别目标的置信度大于预设置信度阈值，则将该识别目标对应的初始点云数据确定为第一目标点云集合。
4.根据权利要求1所述的方法，其特征在于，根据所述第一目标点云集合和所述第二目标点云集合，确定目标，包括：
将所述第一目标点云集合和所述第二目标点云集合进行合并，得到合并目标点云集合；
从合并目标点云集合中，确定目标。
5.根据权利4所述的方法，其特征在于，从合并目标点云集合中，确定目标，包括：
根据合并目标点云集合中各目标之间的距离，对所述目标进行合并处理。
6.根据权利5所述的方法，其特征在于，根据合并目标点云集合中各目标之间的距离，对所述目标进行合并处理，包括：
遍历所述合并目标点云集合中的各目标，确定所述目标与所述合并目标点云集合中各其他目标的距离；
若所述距离小于预设距离阈值，则将当前遍历的目标与其他目标合并为同一目标。
7.根据权利1所述的方法，其特征在于，采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合之前，所述方法还包括：
根据所述初始点云数据的采集环境特征，确定目标地面分割算法；
采用目标地面分割算法，对剩余点云数据进行筛选，去除位于地面的剩余点云数据。
8.一种目标确定装置，其特征在于，包括：
第一目标点云集合确定模块，用于基于目标识别模型，对初始点云数据进行目标识别，确定第一目标点云集合；
第二目标点云集合确定模块，用于采用聚类算法对剩余点云数据进行聚类处理，确定第二目标点云集合；其中，所述剩余点云数据为初始点云数据中除第一目标点云集合以外的点云数据；
目标确定模块，用于根据所述第一目标点云集合和所述第二目标点云集合，确定目标。
9.一种电子设备，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1-7中任一所述的目标确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的目标确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210646000.3A CN114882198A (zh) | 2022-06-08 | 2022-06-08 | 一种目标确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210646000.3A CN114882198A (zh) | 2022-06-08 | 2022-06-08 | 一种目标确定方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114882198A true CN114882198A (zh) | 2022-08-09 |
Family
ID=82680887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210646000.3A Pending CN114882198A (zh) | 2022-06-08 | 2022-06-08 | 一种目标确定方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882198A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201778A (zh) * | 2022-09-09 | 2022-10-18 | 广州小鹏自动驾驶科技有限公司 | 不规则障碍物检测方法、车辆及计算机可读存储介质 |
| CN117315407A (zh) * | 2023-11-29 | 2023-12-29 | 苏州元脑智能科技有限公司 | 对象的识别的方法和装置、存储介质及电子装置 |
-
2022
- 2022-06-08 CN CN202210646000.3A patent/CN114882198A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201778A (zh) * | 2022-09-09 | 2022-10-18 | 广州小鹏自动驾驶科技有限公司 | 不规则障碍物检测方法、车辆及计算机可读存储介质 |
| CN115201778B (zh) * | 2022-09-09 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 不规则障碍物检测方法、车辆及计算机可读存储介质 |
| CN117315407A (zh) * | 2023-11-29 | 2023-12-29 | 苏州元脑智能科技有限公司 | 对象的识别的方法和装置、存储介质及电子装置 |
| CN117315407B (zh) * | 2023-11-29 | 2024-02-27 | 苏州元脑智能科技有限公司 | 对象的识别的方法和装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| US20200081105A1 (en) | Method and device for detecting precision of internal parameter of laser radar | |
| CN111968229A (zh) | 高精度地图制图方法及装置 | |
| CN113902897A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
| CN114882198A (zh) | 一种目标确定方法、装置、设备及介质 | |
| CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
| CN114003613A (zh) | 高精地图车道线更新方法、装置、电子设备以及存储介质 | |
| CN113378693B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
| CN113724388B (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
| CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
| CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
| CN113587937A (zh) | 车辆的定位方法、装置、电子设备和存储介质 | |
| CN114018269A (zh) | 定位方法、装置、电子设备、存储介质以及自动驾驶车辆 | |
| CN114528941A (zh) | 传感器数据融合方法、装置、电子设备及存储介质 | |
| CN115457496B (zh) | 自动驾驶的挡墙检测方法、装置及车辆 | |
| US20230036294A1 (en) | Method for processing image, electronic device and storage medium | |
| CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
| CN115049551A (zh) | 一种点云地面点的滤除方法、装置、设备及存储介质 | |
| CN114842305A (zh) | 深度预测模型训练方法、深度预测方法及相关装置 | |
| CN115019269A (zh) | 一种环境识别模型训练方法、驾驶控制方法及相关装置 | |
| CN117392000B (zh) | 一种噪点去除方法、装置、电子设备及存储介质 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN113361379B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
| CN118692052A (zh) | 车辆对车道锥桶的识别方法、装置、电子设备和存储介质 |
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 |