CN114926656B - 对象识别方法、装置、设备及介质 - Google Patents
对象识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114926656B CN114926656B CN202210641803.XA CN202210641803A CN114926656B CN 114926656 B CN114926656 B CN 114926656B CN 202210641803 A CN202210641803 A CN 202210641803A CN 114926656 B CN114926656 B CN 114926656B
- Authority
- CN
- China
- Prior art keywords
- data
- point
- point cloud
- points
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 6
- 238000009877 rendering Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 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
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种对象识别方法、装置、设备及介质，涉及人工智能技术领域，尤其涉及自动驾驶和智能交通技术领域。实现方案为：针对点云数据中的每一个数据点，确定该数据点在点云数据中的几何特征，其中，点云数据为通过对对象所在的场景执行点云采集而得到；基于点云数据中的数据点的几何特征，从点云数据中提取与对象的外形特征相匹配的多个第一目标点；以及至少基于提取出的多个第一目标点，确定对象所对应的点集。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及自动驾驶和智能交通技术领域，具体涉及一种对象识别的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
高精地图也称高精度地图，是由自动驾驶汽车使用的地图。高精地图拥有精确的车辆位置信息和丰富的道路元素数据信息，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等，从而更好地规避潜在的风险。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种对象识别的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种对象识别方法，包括：针对点云数据中的每一个数据点，确定该数据点在点云数据中的几何特征，其中，点云数据为通过对对象所在的场景执行点云采集而得到；基于点云数据中的数据点的几何特征，从点云数据中提取与对象的外形特征相匹配的多个第一目标点；以及至少基于提取出的多个第一目标点，确定对象所对应的点集。
根据本公开的另一方面，提供了一种对象识别装置，包括：第一确定单元，被配置用于针对点云数据中的每一个数据点，确定该数据点在点云数据中的几何特征，其中，点云数据为通过对对象所在的场景执行点云采集而得到；提取单元，被配置用于基于点云数据中的数据点的几何特征，从点云数据中提取与对象的外形特征相匹配的多个第一目标点；以及第二确定单元，被配置用于至少基于提取出的多个第一目标点，确定对象所对应的点集。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与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指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述的方法。
根据本公开的一个或多个实施例，能够以对象的外形特征为依据，从庞杂的点云数据中快速且可靠地筛选出几何特征与对象的外形特征相匹配的点，有效地提升了处理效率，降低了处理成本。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的对象识别方法的流程图；
图3示出了根据本公开的实施例的道路场景内的点云数据按各向异性的强度进行渲染的效果图；
图4示出了根据本公开的实施例的道路场景内的点云数据按垂直性的强度进行渲染的效果图；
图5示出了根据本公开的实施例的道路场景内的点云数据按线性的强度进行渲染的效果图；
图6示出了根据本公开的实施例的道路场景内杆状物的识别结果示意图；
图7示出了根据本公开的实施例的图像数据语义分割示意图；
图8示出了根据本公开的实施例的杆状物识别方法的示意图；
图9示出了根据本公开的实施例的对象识别装置的结构框图；以及
图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
随着自动驾驶技术的快速发展，对高精地图的需求和依赖越来越大。自动驾驶需要根据道路中的对象，例如，指示牌、路灯、信号灯等进行定位和决策，因此，为保证自动驾驶的安全，对高精地图中的对象的位置精度要求十分苛刻。
在传统的高精地图制作中，主要依靠人工作业的方式，由作业员在高精地图制图软件中对点云数据中的对象进行识别，即确定点云数据中的哪些数据点属于该对象，进而基于点云数据中数据点的坐标来确定该对象的位置。这种方式依赖于作业员的作业能力，作业员的作业状态、技能熟练度等都对对象识别的精度有很大影响，导致对象识别的标准不统一、处理成本高、周期长等问题。
基于此，本公开提出一种对象识别方法，基于点云数据中的数据点的几何特征，从点云数据中提取与待识别的对象的外形特征相匹配的多个第一目标点，并至少基于提取出的多个第一目标点，确定对象所对应的点集。由此，能够以对象的外形特征为依据，从庞杂的点云数据中快速且可靠地筛选出几何特征与对象的外形特征相匹配的第一目标点，有效地提升了处理效率，降低了处理成本。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行对象识别的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取点云数据和/或图像数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开示例性实施例的一种对象识别方法，如图2所示，该方法200包括：步骤S201、针对点云数据中的每一个数据点，确定该数据点在点云数据中的几何特征，其中，点云数据为通过对对象所在的场景执行点云采集而得到；步骤S202、基于点云数据中的数据点的几何特征，从点云数据中提取与对象的外形特征相匹配的多个第一目标点；以及步骤S203、至少基于提取出的多个第一目标点，确定对象所对应的点集。
由此，能够以对象的外形特征为依据，从庞杂的点云数据中快速且可靠地筛选出几何特征与对象的外形特征相匹配的第一目标点，有效地提升了处理效率，降低了处理成本。
其中，步骤S201中的点云数据可以通过激光雷达而获取。具体地，由激光雷达发射出大量激光束照射到对象所在的场景中，从反射的激光能够得到场景内包括对象在内的各种物体的方位、距离等信息。根据该信息转换到坐标系下形成大量的激光点，组成点云数据，具有较高的位置精度。
根据一些实施例，确定该数据点在点云数据中的几何特征可以包括：确定点云数据中与该数据点之间的空间距离小于预设阈值的多个邻域点；以及基于该数据点的多个邻域点，确定该数据点的几何特征。
基于每个数据点的多个邻域点来确定该数据点的几何特征，能够在一个较为宏观的视角下确定该数据点在点云数据中的几何特征。如此计算得到的数据点的几何特征，能够对数据点与对象之间的关系提供更为有效的参考依据，提升所提取的第一目标点的准确性。
例如，如果某个数据点的多个邻域点都位于同一垂直的平面上，可以确定该数据点具有较高的垂直性，并进一步地说明该数据点很有可能位于某个垂直的对象表面。
根据一些实施例，确定点云数据中与该数据点之间的空间距离小于预设阈值的多个邻域点可以包括：构建点云数据所对应的树形数据结构；以及通过在树形数据结构中执行点搜索，确定多个邻域点。
通过构建点云数据所对应的树形数据结构，可以对点云数据中的所有数据点进行划分，使得在确定多个邻域点的过程中，只需要有针对性地进行部分点的搜索，即能够确定所需的多个邻域点，显著地提升了搜索速度，节省了处理器的资源开销。
其中，树形数据结构可以为k-d树，八叉树，R树中的任意一种。
根据一些实施例，基于该数据点的多个邻域点，确定该数据点的几何特征可以包括：对该数据点的多个邻域点执行主成分分析(PCA)，以确定该数据点的几何特征。
通过对多个邻域点执行主成分分析，可以将多个邻域点所表现的几何特征用多个变量来表示。如此，能够使数据点的几何特征得以降维表示，节省后续基于数据点的几何特征而执行的处理的资源开销。
根据一些实施例，几何特征可以包括以下至少一种：各向异性；垂直性；面性和线性。
在一种实施方式中，通过对多个邻域点执行主成分分析，可以将多个邻域点进行降维处理，得到特征值λ1,λ2,λ3以及与特征值λ1,λ2,λ3分别对应的特征向量e1,e2,e3，每个特征值及其对应的特征向量可以表示多个邻域点在该特征向量的方向上的分布情况，其中，特征向量e1,e2,e3三者相互垂直，并且λ1≥λ2≥λ3≥0。可以理解，主成分分析的计算方法属于现有技术，在此不再赘述。
针对每个数据点，利用该数据点的多个邻域点所对应特征值λ1,λ2,λ3和特征向量e1,e2,e3，可以得到该数据点在点云数据中的线性、面性、各向异性、垂直性等几何特征的强度值。
其中，线性的强度值Pl、面性的强度值Pp、各向异性的强度值Pa、垂直性的强度值Pv可以分别采用如下公式来表示：
Pl＝(λ1-λ2)/λ1；
Pp＝(λ2-λ3)/λ1；
Pa＝(λ1-λ3)/λ1；
Pv＝1-|<[0 0 1],e3>|。
其中，每个强度值都是0到1之间的一个数值，针对上述任意一个特征，数据点的该特征所对应的强度值越靠近1，则说明该数据点的该特征越显著，反之，则越不显著。
可以理解，上述线性、面性、各向异性、垂直性可以根据要识别的对象的外形特征而有针对性地应用于对数据点的几何特征的计算之中。
例如，如果要识别的对象是诸如电线杆、路灯等在内的杆状物，由于杆状物的外形特征具有线性、各向异性、垂直性三个特征，因此，仅需要确定点云数据中的数据点的线性、各向异性、垂直性三者的强度值，就能够确定该数据点是否应该被纳入该对象所对应的点集。
图3示出了对道路场景内的点云数据按各向异性的强度进行渲染的效果图。
在图3中，点云数据中每个数据点的各向异性的强弱通过不同的灰度值表示，其中，灰度值越高(即越接近白色)，表示该数据点的各向异性越强，灰度越低(即越接近黑色)，则表示该数据点的各向异性越弱。
可以理解，对于场景内的任一对象，如果该对象越规则，则该对象的各向异性越强，例如，路面、标牌等人造物均具有较强的各向异性；如果该对象越不规则，则该对象的各向异性越弱，例如，树木等自然物具有较弱的各向异性。
如图3所示，框300中的数据点具有统一的、较强的各向异性，据此可以确定框300中的数据点为路面所对应的点集。而在框300周围的数据点中，除了路边的路牌等人造物的数据点具有较强的各向异性，其余数据点的各向异性则相对较弱。
图4示出了对道路场景内的点云数据按垂直性的强度进行渲染的效果图。
在图4中，点云数据中每个数据点的垂直性的强弱通过不同的灰度值表示，其中，灰度值越高(即越接近白色)，表示该数据点的垂直性越强，灰度越低(即越接近黑色)，则表示该数据点的垂直性越弱。
如图4所示，框401中的地面的数据点具有统一的、较弱的垂直性，而在框401周围的路牌、灯柱、树木等的数据点则垂直性较强。例如，框402中的路牌的数据点能够表现出较高的垂直性。
图5示出了对道路场景内的点云数据按线性的强度进行渲染的效果图。
在图5中，点云数据中每个数据点的线性的强弱通过不同的灰度值表示，其中，灰度值越高(即越接近白色)，表示该数据点的线性越强，灰度越低(即越接近黑色)，则表示该数据点的线性越弱。
如图5所示，框501中的路牌的数据点和框502中的灯柱的数据点均具有较强的线性，能够显著地区别于点云数据中的其它数据点。
在步骤S202中，在确定了点云数据中的每个数据点的几何特征之后，可以基于点云数据中的数据点的几何特征，从点云数据中提取与对象的外形特征相匹配的多个第一目标点。
其中，对象的外形特征为对象的各个部分所具有的几何特征的集合。
例如，在对象为包括路灯、路牌等在内的杆状物的情况下，可以确定对象的外形特征具有各向异性、线性、垂直性。如此，可以将点云数据中同时具有较强的各向异性、线性、垂直性的点提取出来，作为与对象的外形特征相匹配的多个第一目标点。
图6示出了对道路场景内杆状物的识别结果示意图。如图6所示，通过对道路场景的点云数据中同时具有良好的各向异性、线性、垂直性的数据点赋予较高的灰度值，可以将点云数据中杆状物所对应的数据点和其它数据点明显地区别开。
在一种实施方式中，每个几何特征均具有所对应的阈值，基于点云数据中的数据点的几何特征，从点云数据中提取与对象的外形特征相匹配的多个第一目标点可以包括：响应于对象的外形特征具有目标几何特征，确定点云数据中的每个数据点的目标几何特征的强度值；以及针对点云数据中的每个数据点，响应于该数据点的目标几何特征的强度值大于该目标几何特征所对应的阈值，将该数据点确定为第一目标点。
其中，目标几何特征可以为上述任意一种或多种几何特征。
在得到多个第一目标点之后，可以执行步骤S203，至少基于提取出的多个第一目标点，确定对象所对应的点集。
根据一些实施例，至少基于提取出的多个第一目标点，确定对象所对应的点集可以包括：执行针对多个第一目标点的聚类，以确定对象所对应的点集。
相对于原始的点云数据，提取出的多个第一目标点不仅在数据量上显著减少，同时也将点云数据中属于对象的数据点和不属于对象的数据点很好的隔离开来。在此基础上，针对多个第一目标点执行较低的密度阈值参数的聚类，可以在保证对象完整性的同时避免其他数据点的干扰。
示例性地，可以采用DBSCAN聚类算法，执行针对多个第一目标点的聚类。
根据一些实施例，点云数据具有对应的图像数据，图像数据通过对场景执行图像采集而得到，并且其中，至少基于提取出的多个第一目标点，确定对象所对应的点集可以包括：在图像数据中识别出对象所对应的多个像素点；针对多个像素点中的任意一者，将该像素点在点云数据中所对应的数据点确定为第二目标点；以及基于多个第一目标点和第二目标点，确定对象所对应的点集。
与点云数据相比，图像数据的识别和语义分割技术更为成熟，且处理成本更低。基于图像数据中的像素点和点云数据中的数据点之间预先建立的映射关系，可以通过在图像数据中识别出的对象所对应的多个像素点，来确定该对象在点云数据中所对应的第二目标点。
图7示出了根据本公开示例性实施例的一种图像数据语义分割示意图。如图7所示，通过对图像数据执行语义分割，能够确定其中的道路、路灯等对象在图像数据中所对应的像素点。如此，基于图像数据中的像素点和点云数据中的数据点之间的映射关系，可以确定出图7中的道路、路灯等对象在点云数据中所对应的第二目标点。
其中，图像数据通过相机对场景的图像采集而确定，点云数据通过雷达对场景的点云采集而确定，基于该相机的内参、相机和雷达之间的外参可以建立图像数据中的像素点和点云数据中的数据点之间的映射关系。
在一种实施方式中，基于多个第一目标点和多个第二目标点之间的交集或并集，可以确定对象所对应的点集。
例如，根据实际需求，需要从点云数据中确定路灯所对应的点集。基于此，可以根据点云数据中的每个数据点的几何特征，从点云数据中提取杆状物所对应的多个第一目标点。然而，由于场景内可能同时存在包括路灯在内的多种杆状物，因此，提取出的多个第一目标点将同时包含多种杆状物的数据点。在这种情况下，可以基于对图像数据中的路灯的识别结果，从点云数据中提取多个第二目标点，并基于多个第一目标点和多个第二目标点的交集来确定路灯所对应的点集。如此，所确定的路灯的点集既能够排除多个第一目标点中除路灯之外的其它杆状物的数据点，也能够避免多个第二目标点中靠近路灯的其它物体的数据点的干扰，使得确定的路灯的点集能够准确地反映出路灯在场景中的位置。
图8示出了根据本公开示例性实施例的一种杆状物识别方法的示意图。
如图8所示，通过对杆状物所在的道路场景执行点云采集，得到点云数据801，通过对杆状物所在的道路场景执行图像采集，得到图像数据802，基于点云数据801和图像数据802，可以执行杆状物识别而得到杆状物所对应的点集803。具体识别过程如下所述：
针对步骤S810，对点云数据801执行预处理，以排除点云数据801中与杆状物不相关的数据点，减少后续处理的数据量。例如，在道路场景中，地面点云通常占1/3以上比例，利用RANSAC随机抽样一致性算法，可以从点云数据801中确定地面点云，并将地面点云从点云数据801中去除。又如，可以采用半径滤波算法，过滤点云数据801中的离群点。
针对步骤S820，由于杆状物的外形特征呈现各向异性、垂直线和线性，因此相应地，针对经过预处理的点云数据中的每个数据点，分别计算该数据点的各向异性、垂直线和线性。
针对步骤S830，基于每个数据点的各向异性、垂直线和线性分别对应的强度值，提取出多个第一目标点。
针对步骤S840，对提取出的多个第一目标点执行聚类处理，以得到聚类结果。
针对步骤S850，对图像数据802执行语义分割，确定图像数据802中的杆状物所对应的像素点。
针对步骤S860，基于图像数据802中的像素点和点云数据801中的数据点之间的对应关系，提取多个第二目标点。
最终，基于多个第一目标点所对应的聚类结果和多个第二目标点，可以确定杆状物所对应的点集。
利用上述对杆状物识别方法，一方面，能够以杆状物的外形特征为依据，从庞杂的点云数据801中快速且可靠地确定几何特征与杆状物的外形特征相匹配的多个第一目标点，另一方面，基于图像数据802和点云数据801之间的匹配关系，能够确定图像数据802中识别出的杆状物的像素点所对应的多个第二目标点。基于该多个第一目标点和多个第二目标点来确定的杆状物的点集，能够综合几何特征识别和图像识别两者的优势，对现实应用中的各种需求有更为灵活的适应能够，有效地提升了处理效率，降低了处理成本。
图9示出了根据本公开示例性实施例的一种对象识别装置的结构框图，如图9所示，该装置900包括：第一确定单元901，被配置用于针对点云数据中的每一个数据点，确定该数据点在点云数据中的几何特征，其中，点云数据为通过对对象所在的场景执行点云采集而得到；提取单元902，被配置用于基于点云数据中的数据点的几何特征，从点云数据中提取与对象的外形特征相匹配的多个第一目标点；以及第二确定单元903，被配置用于至少基于提取出的多个第一目标点，确定对象所对应的点集。
根据一些实施例，几何特征包括以下至少一种：各向异性；垂直性；面性；和线性。
根据一些实施例，第一确定单元包括：第一确定子单元，被配置用于确定点云数据中与该数据点之间的空间距离小于预设阈值的多个邻域点；以及第二确定子单元，被配置用于基于该数据点的多个邻域点，确定该数据点的几何特征。
根据一些实施例，第一确定子单元包括：用于构建点云数据所对应的树形数据结构的子单元；以及用于通过在树形数据结构中执行点搜索，确定多个邻域点的子单元。
根据一些实施例，第二确定子单元包括：用于对该数据点的多个邻域点执行主成分分析，以确定该数据点的几何特征的子单元。
根据一些实施例，点云数据具有对应的图像数据，图像数据通过对场景执行图像采集而得到，并且其中，第二确定单元包括：识别子单元，被配置用于在图像数据中识别出对象所对应的多个像素点；第三确定子单元，被配置用于针对多个像素点中的任意一者，将该像素点在点云数据中所对应的数据点确定为第二目标点；以及第四确定子单元，被配置用于基于多个第一目标点和第二目标点，确定对象所对应的点集。
根据一些实施例，第二确定单元包括：聚类子单元，被配置用于执行针对多个第一目标点的聚类，以确定对象所对应的点集。
根据本公开的实施例，还提供了一种电子设备，包括：至少一个处理器；以及与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指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的任意一种方法。
根据本公开的实施例，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任意一种方法。
根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任意一种方法。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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、可穿戴设备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/或者要求的本公开的实现。
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001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。计算单元1001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计算单元、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。计算单元1001执行上文所描述的各个方法和处理，例如对象识别方法。例如，在一些实施例中，对象识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM1003并由计算单元1001执行时，可以执行上文描述的对象识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对象识别方法。
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)、复杂可编程逻辑设备(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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)和互联网。
计算机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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (10)
1.一种对象识别方法，包括：
针对点云数据中的每一个数据点，确定该数据点在所述点云数据中的几何特征，其中，所述点云数据为通过应用激光雷达对所述对象所在的场景执行点云采集而得到，所述点云数据具有对应的图像数据，所述图像数据通过应用相机对所述场景执行图像采集而得到；
基于所述点云数据中的数据点的几何特征，从所述点云数据中提取几何特征与所述对象的外形特征相匹配的多个第一目标点，所述外形特征为所述对象的各个部分所具有的几何特征的集合，所述几何特征包括各向异性、垂直性、线性以及面性中的至少一者，所述基于所述点云数据中的数据点的几何特征，从所述点云数据中提取几何特征与所述对象的外形特征相匹配的多个第一目标点包括：
响应于所述外形特征具有目标几何特征，确定所述点云数据中的每个数据点的所述目标几何特征的强度值；以及
针对所述点云数据中的每个数据点，响应于该数据点的目标几何特征的强度值大于所述目标几何特征所对应的阈值，将该数据点确定为第一目标点；以及
至少基于提取出的所述多个第一目标点，确定所述对象所对应的点集，其中，所述点集用于指示所述点云数据中的所述对象并确定所述对象在所述场景中的位置，所述至少基于提取出的所述多个第一目标点，确定所述对象所对应的点集包括：
执行针对所述多个第一目标点的聚类，以获得所述多个第一目标点的聚类结果；
识别所述图像数据中的所述对象，以获取识别结果并确定所述图像数据中与所述识别结果对应的多个第一像素点；
基于所述相机的内参、所述相机和所述激光雷达之间的外参，建立所述图像数据中的像素点与所述点云数据中的数据点之间的映射关系，以基于所述映射关系确定所述多个第一像素点在所述点云数据中对应的多个第二目标点；以及
基于所述多个第一目标点的聚类结果和所述多个第二目标点的交集，确定所述对象所对应的点集。
2.根据权利要求1所述的方法，其中，所述确定该数据点在所述点云数据中的几何特征包括：
确定点云数据中与该数据点之间的空间距离小于预设阈值的多个邻域点；以及
基于该数据点的所述多个邻域点，确定该数据点的所述几何特征。
3.根据权利要求2所述的方法，其中，所述确定点云数据中与该数据点之间的空间距离小于预设阈值的多个邻域点包括：
构建所述点云数据所对应的树形数据结构；以及
通过在所述树形数据结构中执行点搜索，确定所述多个邻域点。
4.根据权利要求2或3所述的方法，其中，所述基于该数据点的所述多个邻域点，确定该数据点的几何特征包括：
对该数据点的所述多个邻域点执行主成分分析，以确定该数据点的所述几何特征。
5.一种对象识别装置，包括：
第一确定单元，被配置用于针对点云数据中的每一个数据点，确定该数据点在所述点云数据中的几何特征，其中，所述点云数据为通过应用激光雷达对所述对象所在的场景执行点云采集而得到，所述点云数据具有对应的图像数据，所述图像数据通过应用相机对所述场景执行图像采集而得到；
提取单元，被配置用于基于所述点云数据中的数据点的几何特征，从所述点云数据中提取几何特征与所述对象的外形特征相匹配的多个第一目标点，所述外形特征为所述对象的各个部分所具有的几何特征的集合，所述几何特征包括各向异性、垂直性、线性以及面性中的至少一者，所述提取单元被配置为：
响应于所述外形特征具有目标几何特征，确定所述点云数据中的每个数据点的所述目标几何特征的强度值；以及
针对所述点云数据中的每个数据点，响应于该数据点的目标几何特征的强度值大于所述目标几何特征所对应的阈值，将该数据点确定为第一目标点；以及
第二确定单元，被配置用于至少基于提取出的所述多个第一目标点，确定所述对象所对应的点集，其中，所述点集用于指示所述点云数据中的所述对象并确定所述对象在所述场景中的位置，所述第二确定单元包括：
聚类子单元，被配置用于执行针对所述多个第一目标点的聚类，以获得所述多个第一目标点的聚类结果；
识别子单元，被配置用于识别所述图像数据中的所述对象，以获取识别结果并确定所述图像数据中与所述识别结果对应的多个第一像素点；
第三确定子单元，被配置用于基于所述相机的内参、所述相机和所述激光雷达之间的外参，建立所述图像数据中的像素点与所述点云数据中的数据点之间的映射关系，以基于所述映射关系确定所述多个第一像素点在所述点云数据中对应的多个第二目标点；以及
第四确定子单元，被配置用于基于所述多个第一目标点的聚类结果和所述多个第二目标点的交集，确定所述对象所对应的点集。
6.根据权利要求5所述的装置，其中，所述第一确定单元包括：
第一确定子单元，被配置用于确定点云数据中与该数据点之间的空间距离小于预设阈值的多个邻域点；以及
第二确定子单元，被配置用于基于该数据点的所述多个邻域点，确定该数据点的所述几何特征。
7.根据权利要求6所述的装置，其中，所述第一确定子单元包括：
用于构建所述点云数据所对应的树形数据结构的子单元；以及
用于通过在所述树形数据结构中执行点搜索，确定所述多个邻域点的子单元。
8.根据权利要求6或7所述的装置，其中，所述第二确定子单元包括：
用于对该数据点的所述多个邻域点执行主成分分析，以确定该数据点的所述几何特征的子单元。
9.一种电子设备，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
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210641803.XA CN114926656B (zh) | 2022-06-07 | 2022-06-07 | 对象识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210641803.XA CN114926656B (zh) | 2022-06-07 | 2022-06-07 | 对象识别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114926656A CN114926656A (zh) | 2022-08-19 |
| CN114926656B true CN114926656B (zh) | 2023-12-19 |
Family
ID=82813007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210641803.XA Active CN114926656B (zh) | 2022-06-07 | 2022-06-07 | 对象识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114926656B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111722245A (zh) * | 2020-06-22 | 2020-09-29 | 北京百度网讯科技有限公司 | 定位方法、定位装置和电子设备 |
| WO2020239241A1 (en) * | 2019-05-31 | 2020-12-03 | Toyota Motor Europe | Method for training a model to be used for processing images by generating feature maps |
| CN113610745A (zh) * | 2021-01-20 | 2021-11-05 | 腾讯科技（深圳）有限公司 | 标定评价参数获取方法和装置、存储介质及电子设备 |
| CN114429537A (zh) * | 2022-01-28 | 2022-05-03 | 北京建筑大学 | 石窟点云中提取佛龛的方法 |
-
2022
- 2022-06-07 CN CN202210641803.XA patent/CN114926656B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020239241A1 (en) * | 2019-05-31 | 2020-12-03 | Toyota Motor Europe | Method for training a model to be used for processing images by generating feature maps |
| CN111722245A (zh) * | 2020-06-22 | 2020-09-29 | 北京百度网讯科技有限公司 | 定位方法、定位装置和电子设备 |
| CN113610745A (zh) * | 2021-01-20 | 2021-11-05 | 腾讯科技（深圳）有限公司 | 标定评价参数获取方法和装置、存储介质及电子设备 |
| CN114429537A (zh) * | 2022-01-28 | 2022-05-03 | 北京建筑大学 | 石窟点云中提取佛龛的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114926656A (zh) | 2022-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230005257A1 (en) | Illegal building identification method and apparatus, device, and storage medium | |
| CN115578433B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
| CN114063858B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US20230222734A1 (en) | Construction of three-dimensional road network map | |
| CN112785714A (zh) | 点云实例标注方法及装置、电子设备和介质 | |
| CN114332977A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
| CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
| EP4170285A1 (en) | Method and apparatus for constructing three-dimensional map in high-definition map, device and storage medium | |
| CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
| CN116432522A (zh) | 一种用于电力走廊的导线模型的结构化建模方法和装置 | |
| CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| EP3711027B1 (en) | System and method for drawing beautification | |
| CN114926656B (zh) | 对象识别方法、装置、设备及介质 | |
| CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
| CN115578432B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN116385651A (zh) | 图像处理方法、神经网络模型的训练方法、装置和设备 | |
| CN115953414A (zh) | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 | |
| CN116894317A (zh) | 数据处理方法、装置、电子设备和介质 | |
| CN114913549B (zh) | 图像处理方法、装置、设备及介质 | |
| CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
| CN115830268A (zh) | 用于优化感知算法的数据的获取方法、装置和存储介质 | |
| CN113963011A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |