CN114972824B - 杆件检测方法、装置、车辆和存储介质 - Google Patents
杆件检测方法、装置、车辆和存储介质 Download PDFInfo
- Publication number
- CN114972824B CN114972824B CN202210731265.3A CN202210731265A CN114972824B CN 114972824 B CN114972824 B CN 114972824B CN 202210731265 A CN202210731265 A CN 202210731265A CN 114972824 B CN114972824 B CN 114972824B
- Authority
- CN
- China
- Prior art keywords
- rod
- detection results
- determining
- rod detection
- detection
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种杆件检测方法、装置、车辆和存储介质。该方法包括:对目标图像进行杆件检测,得到多个杆件检测结果;针对每两个杆件检测结果,确定这两个杆件检测结果在垂直方向上的重合部分、以及这两个杆件检测结果对应的倾斜度信息;根据重合部分,确定这两个杆件检测结果之间的水平距离;根据倾斜度信息,确定这两个杆件检测结果对应的匹配阈值;响应于水平距离不大于匹配阈值,确定这两个杆件检测结果匹配;根据每两个杆件检测结果之间的匹配结果,对多个杆件检测结果进行聚类;从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果。如此,可以实现杆件检测结果的有效去重,提高杆件检测精度,有利于提高车辆自动驾驶的安全性。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种杆件检测方法、装置、车辆和存储介质。
背景技术
相关技术中,杆件检测算法作为自动驾驶视觉感知辅助定位的关键算法,可以定位出道路附近的杆件物体,比如电线杆、灯杆、广告牌杆,用来辅助自动驾驶车辆进行建图和定位。
不过,由于杆件检测算法本身的检测能力有限,可能会在同一根杆件上输出两个或者更多个检测结果,这种重复检测问题通常出现在倾斜高大杆件或者畸变弯曲杆件。重复的检测结果给自动驾驶车辆造成较大的干扰,容易造成位置标定杆件误匹配,从而影响定位精度,甚至危害自动驾驶安全。
发明内容
为克服相关技术中存在的问题,本公开提供一种杆件检测方法、装置、车辆和存储介质。
根据本公开实施例的第一方面,提供一种杆件检测方法,包括:
对目标图像进行杆件检测,得到多个杆件检测结果;
针对每两个杆件检测结果,执行如下操作:
确定所述两个杆件检测结果在垂直方向上的重合部分、以及所述两个杆件检测结果对应的倾斜度信息;
根据所述重合部分,确定所述两个杆件检测结果之间的水平距离;
根据所述倾斜度信息,确定所述两个杆件检测结果对应的匹配阈值;
响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配;
根据每两个杆件检测结果之间的匹配结果,对所述多个杆件检测结果进行聚类,其中,针对被聚为一类的多个杆件检测结果中的每个杆件检测结果,该类中存在至少一个与该杆件检测结果匹配的杆件检测结果;
从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果。
在至少一种实施方式中,所述根据所述重合部分,确定所述两个杆件检测结果之间的水平距离,包括:
在所述重合部分中确定目标采样点;
根据所述目标采样点在垂直方向上的坐标、以及所述两个杆件检测结果对应的直线方程,确定所述目标采样点在每一所述杆件检测结果上对应的目标映射点;
根据所述目标映射点在水平方向上的坐标,确定所述两个杆件检测结果之间的水平距离。
在至少一种实施方式中,所述目标采样点为多个;
所述根据所述目标映射点在水平方向上的坐标,确定所述两个杆件检测结果之间的水平距离,包括:
根据同一所述目标采样点对应的两个所述目标映射点在水平方向上的坐标,确定在所述目标采样点下,所述两个杆件检测结果之间的水平距离。
在至少一种实施方式中,所述两个杆件检测结果对应的匹配阈值包括针对每一所述目标采样点的匹配阈值;
所述响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配,包括:
响应于任一所述目标采样点下,所述两个杆件检测结果之间的水平距离不大于针对所述目标采样点的匹配阈值,确定所述两个杆件检测结果匹配。
在至少一种实施方式中,所述根据所述倾斜度信息,确定所述两个杆件检测结果对应的匹配阈值,包括:
根据所述两个杆件检测结果对应的倾斜度信息中的较大者、以及基准参考阈值,确定所述两个杆件检测结果对应的匹配阈值,其中,所述倾斜度信息与所述匹配阈值为负相关关系。
在至少一种实施方式中,所述方法还包括:
根据所述目标图像的尺寸,确定所述基准参考阈值。
在至少一种实施方式中,所述对目标图像进行杆件检测,得到多个杆件检测结果,包括:
对所述目标图像进行杆件检测,得到多个杆件检测结果和每个所述杆件检测结果的置信度;
所述从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果,包括:
从每一类中获取置信度最高的杆件检测结果,以得到最终的杆件检测结果。
根据本公开实施例的第二方面,提供一种杆件检测装置,该杆件检测装置包括:
检测模块,被配置为对目标图像进行杆件检测,得到多个杆件检测结果;
匹配模块,被配置为针对每两个杆件检测结果,执行如下操作:
确定所述两个杆件检测结果在垂直方向上的重合部分、以及所述两个杆件检测结果对应的倾斜度信息;
根据所述重合部分,确定所述两个杆件检测结果之间的水平距离;
根据所述倾斜度信息,确定所述两个杆件检测结果对应的匹配阈值;
响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配;
聚类模块,被配置为根据每两个杆件检测结果之间的匹配结果,对所述多个杆件检测结果进行聚类,其中,针对被聚为一类的多个杆件检测结果中的每个杆件检测结果,该类中存在至少一个与该杆件检测结果匹配的杆件检测结果;
确定模块,被配置为从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果。
在至少一种实施方式中,所述匹配模块进一步被配置为:
在所述重合部分中确定目标采样点;
根据所述目标采样点在垂直方向上的坐标、以及所述两个杆件检测结果对应的直线方程,确定所述目标采样点在每一所述杆件检测结果上对应的目标映射点;
根据所述目标映射点在水平方向上的坐标,确定所述两个杆件检测结果之间的水平距离。
在至少一种实施方式中,所述目标采样点为多个;所述匹配模块进一步被配置为:根据同一所述目标采样点对应的两个所述目标映射点在水平方向上的坐标,确定在所述目标采样点下,所述两个杆件检测结果之间的水平距离。
在至少一种实施方式中,所述两个杆件检测结果对应的匹配阈值包括针对每一所述目标采样点的匹配阈值;
所述匹配模块进一步被配置为:响应于任一所述目标采样点下,所述两个杆件检测结果之间的水平距离不大于针对所述目标采样点的匹配阈值,确定所述两个杆件检测结果匹配。
在至少一种实施方式中,所述匹配模块进一步被配置为:根据所述两个杆件检测结果对应的倾斜度信息中的较大者、以及基准参考阈值,确定所述两个杆件检测结果对应的匹配阈值,其中,所述倾斜度信息与所述匹配阈值为负相关关系。
在至少一种实施方式中,所述匹配模块进一步被配置为:根据所述目标图像的尺寸,确定所述基准参考阈值。
在至少一种实施方式中,所述检测模块进一步被配置为:对所述目标图像进行杆件检测,得到多个杆件检测结果和每个所述杆件检测结果的置信度;
所述确定模块进一步被配置为:从每一类中获取置信度最高的杆件检测结果,以得到最终的杆件检测结果。
根据本公开实施例的第三方面,提供一种车辆,包括处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为运行所述可执行指令以实现上述第一方面提供的所述杆件检测方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的杆件检测方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过确定原始取得的多个杆件检测结果中每两个杆件检测结果之间是否匹配,可以确定这两个杆件检测结果之间是否重复,即,是否为同一个杆件物体对应的两个杆件检测结果。根据匹配结果对原始取得的多个杆件检测结果进行聚类,可以使得相互匹配(即,重复)的杆件检测结果被聚为一类,之后,再从每一类中分别获取一个杆件检测结果。由于属于不同类的杆件检测结果之间不匹配,故可以实现对原始取得的杆件检测结果有效去重的目的,有利于提高自动驾驶车辆对于前方杆件的识别准确性,提高驾驶安全性。此外,在确定两个杆件检测结果之间是否匹配时,充分考虑了倾斜高大杆件或者畸变弯曲杆件的特性,通过比较二者之间的水平距离与匹配阈值的大小,可以确定这两个杆件检测结果在水平方向上是否靠近,如果靠近,说明这两个杆件检测结果对应的是同一个杆件物体,属于重复的杆件检测结果。进一步地,根据两个杆件检测结果对应的倾斜度信息来确定匹配阈值,可以视不同的杆件弯曲程度适应性地调整该匹配阈值。由此,在对倾斜度比较大或者比较弯曲的杆件对应的杆件检测结果进行重复性判断时,可以提高判断结果的准确性,增强杆件检测方法的去重能力,提高杆件识别的准确性,为辅助自动驾驶车辆进行建图、定位等操作提供准确的数据支持。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据相关技术对图像进行杆件检测的结果示意图;
图2是根据一示例性实施例示出的一种杆件检测方法的流程图;
图3是根据一示例性实施例示出的如何确定两个杆件检测结果之间的水平距离的示意图;
图4是根据本公开提供的杆件检测方法对图像进行杆件检测的结果示意图;
图5是根据一示例性实施例示出的一种杆件检测装置的框图;
图6是根据一示例性实施例示出的一种车辆的功能框图示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在自动驾驶领域中,需要对车辆前方的物体进行目标检测识别。而在道路上,杆件物体是较为常见的一种目标,采用杆件检测算法可以检测出图像中的杆件物体。图1是根据相关技术对图像进行杆件检测的结果示意图。如图1所示,图像中包含信号塔的图像信息,通过杆件检测算法对图像进行识别,得到两个杆件检测结果,分别为杆件检测结果101和杆件检测结果102,其中,杆件检测结果101的置信度为Con1,杆件检测结果102的置信度为Con2,Con2>Con1。在相关技术中,这两个杆件检测结果会被认为是表示两个杆件物体。实际上,这两个杆件检测结果均表示的是同一个信号塔。由此可见,相关技术中,由于检测算法本身的问题,可能会在同一根杆件上输出两个或者更多个检测结果,这种重复检测问题通常出现在倾斜高大杆件或者畸变弯曲杆件。重复的检测结果给自动驾驶车辆造成较大的干扰,容易造成位置标定杆件误匹配,从而影响定位精度,甚至危害自动驾驶安全。
基于此,本公开提出了一种杆件检测方法,以解决相关技术中存在的问题。
图2是根据一示例性实施例示出的一种杆件检测方法的流程图。该方法可以用于车辆中,例如,自动驾驶车辆。如图2所示,该方法可以包括以下步骤。
步骤S201,对目标图像进行杆件检测,得到多个杆件检测结果。
其中,目标图像可以为车辆在自动驾驶的过程中通过摄像头拍摄得到的图像。可以采用杆件检测算法对目标图像进行杆件检测,得到初始的多个杆件检测结果,其中,每个杆件检测结果对应一条直线。示例性的,初始的多个杆件检测结果可以表示为:
Lres={l1,l2,..,ln}
其中,li表示第i个杆件检测结果;Lres表示初始的多个杆件检测结果的集合;1≤i≤n,n为杆件检测结果的总数。
步骤S202,针对每两个杆件检测结果,执行如下操作:
确定所述两个杆件检测结果在垂直方向上的重合部分、以及所述两个杆件检测结果对应的倾斜度信息;
根据所述重合部分,确定所述两个杆件检测结果之间的水平距离;
根据所述倾斜度信息,确定所述两个杆件检测结果对应的匹配阈值;
响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配。
示例地,目标图像为二维图像。由于杆件物体为竖直或大体上竖直的物体,因此其会在垂直方向上延伸。如果两个杆件检测结果对应于同一个杆件物体,通常这两个杆件检测结果在垂直方向上具有重合部分,即,具有重合的垂直空间,并且在重合部分中,两个杆件检测结果在水平方向上会靠的比较近。因此,在本公开中,首先确定两个杆件检测结果在垂直方向上的重合部分,之后,根据该重合部分,确定这两个杆件检测结果之间的水平距离。将该水平距离与匹配阈值进行比较,如果该水平距离不大于该匹配阈值,表示这两个杆件检测结果在水平方向上靠近,极大可能对应于同一个杆件物体,因此,确定这两个杆件检测结果匹配。如果该水平距离大于该匹配阈值,表示这两个杆件检测结果在水平方向上相距较远,分别对应于两个不同的杆件物体,因此,确定这两个杆件检测结果不匹配。
此外,考虑到不同弯曲程度的杆件物体,其杆件检测结果对应的倾斜度也不相同。如果针对所有杆件物体均采用同一个匹配阈值,则会影响对于倾斜、弯曲较大的杆件物体对应的多个杆件检测结果之间是否匹配的准确判断。因此,在本公开中,会根据杆件检测结果对应的倾斜度信息,适应性地确定匹配阈值,而非采用固定的匹配阈值。
步骤S203,根据每两个杆件检测结果之间的匹配结果,对所述多个杆件检测结果进行聚类,其中,针对被聚为一类的多个杆件检测结果中的每个杆件检测结果,该类中存在至少一个与该杆件检测结果匹配的杆件检测结果。
经聚类后,可以得到多个簇,每个簇分别对应于一个杆件,簇的数量等于最终确定出目标图像中包含的杆件的数量。
步骤S204,从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果。
其中,被聚为一类的多个杆件检测结果,对应于同一个杆件物体,因此,从该类中选取一个杆件检测结果,作为最终的杆件检测结果,可以实现有效去重的目的。
在上述技术方案中,通过确定原始取得的多个杆件检测结果中每两个杆件检测结果之间是否匹配,可以确定这两个杆件检测结果之间是否重复,即,是否为同一个杆件物体对应的两个杆件检测结果。根据匹配结果对原始取得的多个杆件检测结果进行聚类,可以使得相互匹配(即,重复)的杆件检测结果被聚为一类,之后,再从每一类中分别获取一个杆件检测结果。由于属于不同类的杆件检测结果之间不匹配,故可以实现对原始取得的杆件检测结果有效去重的目的,有利于提高自动驾驶车辆对于前方杆件的识别准确性,提高驾驶安全性。此外,在确定两个杆件检测结果之间是否匹配时,充分考虑了倾斜高大杆件或者畸变弯曲杆件的特性,通过比较二者之间的水平距离与匹配阈值的大小,可以确定这两个杆件检测结果在水平方向上是否靠近,如果靠近,说明这两个杆件检测结果对应的是同一个杆件物体,属于重复的杆件检测结果。进一步地,根据两个杆件检测结果对应的倾斜度信息来确定匹配阈值,可以视不同的杆件弯曲程度适应性地调整该匹配阈值。由此,在对倾斜度比较大或者比较弯曲的杆件对应的杆件检测结果进行重复性判断时,可以提高判断结果的准确性,增强杆件检测方法的去重能力,提高杆件识别的准确性,为辅助自动驾驶车辆进行建图、定位等操作提供准确的数据支持。
在至少一种实施方式中,根据两个杆件检测结果在垂直方向上的重合部分,确定两个杆件检测结果之间的水平距离,可以进一步包括以下步骤:
在所述重合部分中确定目标采样点;
根据所述目标采样点在垂直方向上的坐标、以及所述两个杆件检测结果对应的直线方程,确定所述目标采样点在每一所述杆件检测结果上对应的目标映射点;
根据所述目标映射点在水平方向上的坐标,确定所述两个杆件检测结果之间的水平距离。
下面参照图3描述上述过程。图3是根据一示例性实施例示出的如何确定两个杆件检测结果之间的水平距离的示意图。如图3所示,有两个杆件检测结果,分别为第一杆件检测结果li和第二杆件检测结果lj。其中,第一杆件检测结果li的上端点为点A,坐标为(xi_up,yi_up),下端点为点B,坐标为 (xi_bottom,yi_bottom)。第二杆件检测结果lj的上端点为点C,坐标为(xj_up,yj_up),下端点为点D,坐标为(xj_bottom,yj_bottom)。需要说明的是,每个杆件检测结果包括各自的上端点和下端点的坐标信息。
首先,确定第一杆件检测结果li和第二杆件检测结果lj在垂直方向上的重合部分Vij。该重合部分Vij的上边界取决于两个杆件检测结果的上端点中纵坐标较小的上端点,如图3所示,该重合部分Vij的上边界取决于点A。此外,该重合部分Vij的下边界取决于两个杆件检测结果的下端点中纵坐标较大的下端点,如图3所示,该重合部分Vij的下边界取决于点D。由此,可以确定重合部分Vij的上边界的纵坐标Yup=yi_up,下边界的纵坐标Ybottom=yj_bottom。进一步地,该重合部分Vij的中心位置的纵坐标 Ymid=(Yup+Ybottom)/2。
杆件检测结果对应的直线方程可以根据杆件检测结果的两个端点的坐标确定出。示例地,如图3所示,第一杆件检测结果li对应的直线方程可以表示为:y=kix+bi,其中,ki=(yi_up-yi_bottom)/(xi_up-xi_bottom),bi=yi_up-ki×xi_up。类似地,第二杆件检测结果lj对应的直线方程可以表示为:y=kjx+bj,其中, kj=(yj_up-yj_bottom)/(xj_up-xj_bottom),bj=yj_up-kj×xj_up。ki和kj分别表示第一杆件检测结果li对应的直线方程中的斜率和第二杆件检测结果lj对应的直线方程中的斜率,bi和bj分别表示第一杆件检测结果li对应的直线方程中的截距和第二杆件检测结果lj对应的直线方程中的截距。
在重合部分Vij中确定目标采样点,例如,图3所示的点M为一个目标采样点。需要说明的是,目标采样点的数量可以为一个,也可以为多个。为了提高后续重复性判断的准确性、提高去重精度,可选地,目标采样点的数量为多个,且多个目标采样点可以在垂直方向上均匀分布在该重合部分中。如图3所示,点M、点O和点N均为在重合部分Vij中确定出的目标采样点,且这三个点分别对应于重合部分Vij的上边界、中心位置和下边界,其中,点M在垂直方向上的坐标为Yup,点O在垂直方向上的坐标为Ymid,以及点 N在垂直方向上的坐标为Ybottom。
接下来,根据目标采样点在垂直方向上的坐标,以及两个杆件检测结果对应的直线方程,确定目标采样点在每一杆件检测结果上对应的目标映射点。例如,将目标采样点在垂直方向上的坐标(即,纵坐标)代入到两个杆件检测结果各自对应的直线方程中,可以计算出该目标采样点在每个杆件检测结果上对应的目标映射点在水平方向上的坐标(即,横坐标),而目标映射点在垂直方向上的坐标与目标采样点在垂直方向上的坐标一致,因此,可以唯一定位出目标采样点在每个杆件检测结果上对应的目标映射点。例如,如图3所示,目标采样点M在第一杆件检测结果li上对应的目标映射点为点A,在第二杆件检测结果lj上对应的目标映射点为点E;目标采样点O在第一杆件检测结果li上对应的目标映射点为点H,在第二杆件检测结果lj上对应的目标映射点为点G;目标采样点N在第一杆件检测结果li上对应的目标映射点为点F,在第二杆件检测结果lj上对应的目标映射点为点D。
接下来,根据目标映射点在水平方向上的坐标,确定两个杆件检测结果之间的水平距离。例如,如图3所示,计算目标采样点M对应的两个目标映射点A和E的横坐标之差,并将该差值的绝对值确定为第一杆件检测结果li和第二杆件检测结果lj之间的水平距离。
如上所述,目标采样点的数量为多个。在这种情况下,根据目标映射点在水平方向上的坐标,确定两个杆件检测结果之间的水平距离,可以包括:
根据同一目标采样点对应的两个目标映射点在水平方向上的坐标,确定在该目标采样点下,这两个杆件检测结果之间的水平距离。例如,如图3所示,计算目标采样点M对应的两个目标映射点A和E的横坐标之差,并将该差值的绝对值确定为在目标采样点M下,第一杆件检测结果li和第二杆件检测结果lj之间的水平距离dM;计算目标采样点O对应的两个目标映射点G 和H的横坐标之差,并将该差值的绝对值确定为在目标采样点O下,第一杆件检测结果li和第二杆件检测结果lj之间的水平距离dO;以及,计算目标采样点N对应的两个目标映射点D和F的横坐标之差,并将该差值的绝对值确定为在目标采样点N下,第一杆件检测结果li和第二杆件检测结果lj之间的水平距离dN。
在目标采样点为多个时,可以确定出每个目标采样点下的水平距离,也即,可以获得多个水平距离。在至少一些实施方式中,上文提及的匹配阈值可以包括针对每一目标采样点的匹配阈值。如图3所示示例,目标采样点M 对应第一匹配阈值dM_th,目标采样点O对应第二匹配阈值dO_th,目标采样点N对应第三匹配阈值dN_th。在这种情况下,在确定两个杆件检测结果是否匹配时,可以将在每一目标采样点下,这两个杆件检测结果之间的水平距离与该目标采样点对应的匹配阈值分别进行比较,响应于在任一目标采样点下,这两个杆件检测结果之间的水平距离不大于针对该目标采样点的匹配阈值,确定这两个杆件检测结果匹配。如图3所示示例,如果dM≤dM_th成立,或者dO≤dO_th成立,或者dN≤dN_th成立,则确定第一杆件检测结果li和第二杆件检测结果lj匹配。
通过上述技术方案,针对多个目标采样点,只要至少一个目标采样点满足匹配条件,则确定两个杆件检测结果是匹配的,这样提高了两个杆件检测结果的匹配概率,降低把应该归类为一簇的检测结果而未被归类为一簇的误检情况的发生概率。
在至少一种实施方式中,根据两个杆件检测结果对应的倾斜度信息,确定两个杆件检测结果对应的匹配阈值,可以包括:
根据两个杆件检测结果对应的倾斜度信息中的较大者、以及基准参考阈值,确定这两个杆件检测结果对应的匹配阈值,其中,倾斜度信息与匹配阈值为负相关关系。也就是说,倾斜度越小,匹配阈值越大,相反,倾斜度越大,匹配阈值越小。
杆件检测结果对应的倾斜度信息可以通过杆件检测结果对应的直线方程中的斜率来表示。这样,可以首先确定出两个杆件检测结果对应的直线方程中的斜率中的较大者,然后根据该较大斜率以及基准参考阈值,确定这两个杆件检测结果对应的匹配阈值。如图3所示示例,第一杆件检测结果li对应的斜率ki和第二杆件检测结果lj对应的斜率kj中的较大者可以表示为 max(ki,kj),基准参考阈值表示为th,该基准参考阈值为确定的数值,则,可以通过如下等式确定第一杆件检测结果li和第二杆件检测结果lj对应的匹配阈值thij:
thij=|th×λ/max(ki,kj)|
其中,λ为比例系数。示例性的,根据经验数据,λ可以取0.01。不过应当理解的是,该λ也可以取其他数值。
如上所述,目标采样点可以为多个,这样,确定出的匹配阈值也为多个。在根据上述等式确定出第一杆件检测结果li和第二杆件检测结果lj对应的匹配阈值thij后,可以根据该thij,确定出每个目标采样点对应的匹配阈值。例如,对于在中间位置的目标采样点,其对应的匹配阈值可以最大,对于在靠上位置的目标采样点和在靠下位置的目标采样点,对应的匹配阈值可以相对小一些。
示例性的,可以将整个目标图像从上到下分成上中下三个子区域;其中,对于位于中部子区域的目标采样点,其对应的匹配阈值可以大于位于上部子区域的目标采样点对应的匹配阈值和下部子区域的目标采样点对应的匹配阈值。如此,在确定两个杆件检测结果在水平方向上是否靠近时,对于两端是否靠近的判定精度要求相较于中间部分是否靠近的判定精度要求要高一些,这样,有助于提高重复性判定的准确性。
示例性地,如图3所示示例,目标采样点M对应第一匹配阈值dM_th可以例如为thij/2,目标采样点O对应第二匹配阈值dO_th可以例如为thij,目标采样点N对应第三匹配阈值dN_th可以例如为thij/2。不过需要说明的是,上述各匹配阈值的设置仅仅作为一种示例性实施例。在其他实施方式中,也可以将不同目标采样点对应的匹配阈值均设置为同一个阈值,例如,均设置为 thij,本公开对此不做具体限定。
在至少一些实施方式中,基准参考阈值th可以与图像的尺寸有关。在这种情况下,上述方法还可以包括:
根据目标图像的尺寸,确定基准参考阈值。
示例性的,如果目标图像的尺寸为1920×1080,则基准参考阈值可以为6。可以预先设置图像尺寸与基准参考阈值之间的对应关系,这样,可以根据目标图像的尺寸,查询该对应关系,确定出对应的基准参考阈值。
基准参考阈值与图像尺寸可以呈正相关关系。这是因为,图像尺寸越大,重复的杆件检测结果之间的偏离距离就会增大,此时将基准参考阈值相应增大,使匹配阈值也变大,有利于确定出这两个杆件检测结果属于重复的检测结果。反之,图像尺寸越小,重复的杆件检测结果之间的偏离距离就会减小,此时将基准参考阈值相应减小,使匹配阈值也变小,有利于避免将本身不重复的杆件检测结果归为重复的检测结果。通过上述方式,可以进一步提高杆件检测结果的去重精度。
在至少一些实施方式中,在对目标图像进行杆件检测后,可以得到多个杆件检测结果,以及每个杆件检测结果的置信度。置信度可以表征对应的杆件检测结果的可信程度,置信度越高,对应的结果越可信,准确度越大。因此,在从聚类后得到的每一类中获取一个杆件检测结果时,可以从每一类中获取置信度最高的杆件检测结果,该置信度最高的杆件检测结果可以代表该类杆件检测结果。如此,可以确保最终得到的杆件检测结果均为每类中置信度最高的杆件检测结果,从而提高杆件识别精度。
图4是根据本公开提供的杆件检测方法对图像进行杆件检测的结果示意图。如图4所示,在利用本公开提供的杆件检测方法进行检测过程中,杆件检测结果101和102被聚为一类,且杆件检测结果102的置信度大于杆件检测结果101的置信度,故杆件检测结果102作为最终得到的杆件检测结果,而杆件检测结果101被丢弃。
图5是根据一示例性实施例示出的一种杆件检测装置的框图。参照图5,该杆件检测装置可以包括:
检测模块510,被配置为对目标图像进行杆件检测,得到多个杆件检测结果;
匹配模块520,被配置为针对每两个杆件检测结果,执行如下操作:
确定所述两个杆件检测结果在垂直方向上的重合部分、以及所述两个杆件检测结果对应的倾斜度信息;
根据所述重合部分,确定所述两个杆件检测结果之间的水平距离;
根据所述倾斜度信息,确定所述两个杆件检测结果对应的匹配阈值;
响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配;
聚类模块530,被配置为根据每两个杆件检测结果之间的匹配结果,对所述多个杆件检测结果进行聚类,其中,针对被聚为一类的多个杆件检测结果中的每个杆件检测结果,该类中存在至少一个与该杆件检测结果匹配的杆件检测结果;
确定模块540,被配置为从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果。
在至少一种实施方式中,所述匹配模块520进一步被配置为:
在所述重合部分中确定目标采样点;
根据所述目标采样点在垂直方向上的坐标、以及所述两个杆件检测结果对应的直线方程,确定所述目标采样点在每一所述杆件检测结果上对应的目标映射点;
根据所述目标映射点在水平方向上的坐标,确定所述两个杆件检测结果之间的水平距离。
在至少一种实施方式中,所述目标采样点为多个;
所述匹配模块520进一步被配置为:根据同一所述目标采样点对应的两个所述目标映射点在水平方向上的坐标,确定在所述目标采样点下,所述两个杆件检测结果之间的水平距离。
在至少一种实施方式中,所述两个杆件检测结果对应的匹配阈值包括针对每一所述目标采样点的匹配阈值;
所述匹配模块520进一步被配置为:响应于任一所述目标采样点下,所述两个杆件检测结果之间的水平距离不大于针对所述目标采样点的匹配阈值,确定所述两个杆件检测结果匹配。
在至少一种实施方式中,所述匹配模块520进一步被配置为:根据所述两个杆件检测结果对应的倾斜度信息中的较大者、以及基准参考阈值,确定所述两个杆件检测结果对应的匹配阈值,其中,所述倾斜度信息与所述匹配阈值为负相关关系。
在至少一种实施方式中,所述匹配模块520进一步被配置为:根据所述目标图像的尺寸,确定所述基准参考阈值。
在至少一种实施方式中,所述检测模块510进一步被配置为:
对所述目标图像进行杆件检测,得到多个杆件检测结果和每个所述杆件检测结果的置信度;
所述确定模块540进一步被配置为:从每一类中获取置信度最高的杆件检测结果,以得到最终的杆件检测结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
参阅图6,图6是一示例性实施例示出的一种车辆600的功能框图示意图。车辆600可以被配置为完全或部分自动驾驶模式。例如,车辆600可以通过感知系统620获取其周围的环境信息,并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶,或者将分析结果呈现给用户以实现部分自动驾驶。
车辆600可包括各种子系统,例如,信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640以及计算平台650。可选的,车辆600可包括更多或更少的子系统,并且每个子系统都可包括多个部件。另外,车辆600的每个子系统和部件可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐系统610可以包括通信系统611,娱乐系统 612以及导航系统613。
通信系统611可以包括无线通信系统,无线通信系统可以直接地或者经由通信网络来与一个或多个设备无线通信。例如,无线通信系统可使用3G 蜂窝通信,例如CDMA、EVD0、GSM/GPRS,或者4G蜂窝通信,例如LTE。或者5G蜂窝通信。无线通信系统可利用WiFi与无线局域网(wireless local area network,WLAN)通信。在一些实施例中,无线通信系统可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议,例如各种车辆通信系统,例如,无线通信系统可包括一个或多个专用短程通信(dedicated short rangecommunications,DSRC)设备,这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
娱乐系统612可以包括显示设备,麦克风和音响,用户可以基于娱乐系统在车内收听广播,播放音乐;或者将手机和车辆联通,在显示设备上实现手机的投屏,显示设备可以为触控式,用户可以通过触摸屏幕进行操作。
在一些情况下,可以通过麦克风获取用户的语音信号,并依据对用户的语音信号的分析实现用户对车辆600的某些控制,例如调节车内温度等。在另一些情况下,可以通过音响向用户播放音乐。
导航系统613可以包括由地图供应商所提供的地图服务,从而为车辆 600提供行驶路线的导航,导航系统613可以和车辆的全球定位系统621、惯性测量单元622配合使用。地图供应商所提供的地图服务可以为二维地图,也可以是高精地图。
感知系统620可包括感测关于车辆600周边的环境的信息的若干种传感器。例如,感知系统620可包括全球定位系统621(全球定位系统可以是GPS 系统,也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit,IMU)622、激光雷达623、毫米波雷达624、超声雷达 625以及摄像装置626。感知系统620还可包括被监视车辆600的内部系统的传感器(例如,车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆600的安全操作的关键功能。
全球定位系统621用于估计车辆600的地理位置。
惯性测量单元622用于基于惯性加速度来感测车辆600的位姿变化。在一些实施例中,惯性测量单元622可以是加速度计和陀螺仪的组合。
激光雷达623利用激光来感测车辆600所位于的环境中的物体。在一些实施例中,激光雷达623可包括一个或多个激光源、激光扫描器以及一个或多个检测器,以及其他系统组件。
毫米波雷达624利用无线电信号来感测车辆600的周边环境内的物体。在一些实施例中,除了感测物体以外,毫米波雷达624还可用于感测物体的速度和/或前进方向。
超声雷达625可以利用超声波信号来感测车辆600周围的物体。
摄像装置626用于捕捉车辆600的周边环境的图像信息。摄像装置626 可以包括单目相机、双目相机、结构光相机以及全景相机等,摄像装置626 获取的图像信息可以包括静态图像,也可以包括视频流信息。
决策控制系统630包括基于感知系统620所获取的信息进行分析决策的计算系统631,决策控制系统630还包括对车辆600的动力系统进行控制的整车控制器632,以及用于控制车辆600的转向系统633、油门634和制动系统635。
计算系统631可以操作来处理和分析由感知系统620所获取的各种信息以便识别车辆600周边环境中的目标、物体和/或特征。目标可以包括行人或者动物,物体和/或特征可包括交通信号、道路边界和障碍物。计算系统631 可使用物体识别算法、运动中恢复结构(Structure from Motion,SFM)算法、视频跟踪等技术。在一些实施例中,计算系统631可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统631可以将所获取的各种信息进行分析并得出对车辆的控制策略。
整车控制器632可以用于对车辆的动力电池和引擎641进行协调控制,以提升车辆600的动力性能。
转向系统633可操作来调整车辆600的前进方向。例如在一个实施例中可以为方向盘系统。
油门634用于控制引擎641的操作速度并进而控制车辆600的速度。
制动系统635用于控制车辆600减速。制动系统635可使用摩擦力来减慢车轮644。在一些实施例中,制动系统635可将车轮644的动能转换为电流。制动系统635也可采取其他形式来减慢车轮644转速从而控制车辆600 的速度。
驱动系统640可包括为车辆600提供动力运动的组件。在一个实施例中,驱动系统640可包括引擎641、能量源642、传动系统643和车轮644。引擎 641可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合,例如汽油发动机和电动机组成的混动引擎,内燃引擎和空气压缩引擎组成的混动引擎。引擎641将能量源642转换成机械能量。
能量源642的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源 642也可以为车辆600的其他系统提供能量。
传动系统643可以将来自引擎641的机械动力传送到车轮644。传动系统643可包括变速箱、差速器和驱动轴。在一个实施例中,传动系统643还可以包括其他器件,比如离合器。其中,驱动轴可包括可耦合到一个或多个车轮644的一个或多个轴。
车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个处理器651,处理器651可以执行存储在例如存储器652这样的非暂态计算机可读介质中的指令653。在一些实施例中,计算平台650还可以是采用分布式方式控制车辆600的个体组件或子系统的多个计算设备。
处理器651可以是任何常规的处理器,诸如商业可获得的CPU。可替换地,处理器651还可以包括诸如图像处理器(Graphic Process Unit,GPU),现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、片上系统(Sysem on Chip,SOC)、专用集成芯片(Application Specific Integrated Circuit,ASIC) 或它们的组合。尽管图6功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件,但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如,存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此,对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤,诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器,处理器只执行与特定于组件的功能相关的计算。
在本公开实施方式中,处理器651可以执行上述的杆件检测方法。
在此处所描述的各个方面中,处理器651可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中,此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行,包括采取执行单一操纵的必要步骤。
在一些实施例中,存储器652可包含指令653(例如,程序逻辑),指令 653可被处理器651执行来执行车辆600的各种功能。存储器652也可包含额外的指令,包括向信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令653以外,存储器652还可存储数据,例如道路地图、路线信息,车辆的位置、方向、速度以及其它这样的车辆数据,以及其他信息。这种信息可在车辆600在自主、半自主和/或手动模式中操作期间被车辆600 和计算平台650使用。
计算平台650可基于从各种子系统(例如,驱动系统640、感知系统620 和决策控制系统630)接收的输入来控制车辆600的功能。例如,计算平台 650可利用来自决策控制系统630的输入以便控制转向系统633来避免由感知系统620检测到的障碍物。在一些实施例中,计算平台650可操作来对车辆600及其子系统的许多方面提供控制。
可选地,上述这些组件中的一个或多个可与车辆600分开安装或关联。例如,存储器652可以部分或完全地与车辆600分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图6不应理解为对本公开实施例的限制。
在道路行进的自动驾驶汽车,如上面的车辆600,可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中,可以独立地考虑每个识别的物体,并且基于物体的各自的特性,诸如它的当前速度、加速度、与车辆的间距等,可以用来确定自动驾驶汽车所要调整的速度。
可选地,车辆600或者与车辆600相关联的感知和计算设备(例如计算系统631、计算平台650)可以基于所识别的物体的特性和周围环境的状态 (例如,交通、雨、道路上的冰、等等)来预测识别的物体的行为。可选地,每一个所识别的物体都依赖于彼此的行为,因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆600能够基于预测的识别的物体的行为来调整它的速度。换句话说,自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如,加速、减速、或者停止)何种稳定状态。在这个过程中,也可以考虑其它因素来确定车辆600的速度,诸如,车辆600在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外,计算设备还可以提供修改车辆600的转向角的指令,以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如,道路上的相邻车道中的车辆)的安全横向和纵向距离。
上述车辆600可以为各种类型的行驶工具,例如,轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等,本公开实施例不做特别的限定。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器652,上述指令可由处理器(例如,处理器651) 执行以完成上述杆件检测方法。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。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的杆件检测方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种杆件检测方法,其特征在于,包括:
对目标图像进行杆件检测,得到多个杆件检测结果;
针对每两个杆件检测结果,执行如下操作:
确定所述两个杆件检测结果在垂直方向上的重合部分、以及所述两个杆件检测结果对应的倾斜度信息;
根据所述重合部分,确定所述两个杆件检测结果之间的水平距离;
根据所述两个杆件检测结果对应的倾斜度信息中的较大者、以及基准参考阈值,确定所述两个杆件检测结果对应的匹配阈值,其中,所述倾斜度信息与所述匹配阈值为负相关关系;
响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配;
根据每两个杆件检测结果之间的匹配结果,对所述多个杆件检测结果进行聚类,其中,针对被聚为一类的多个杆件检测结果中的每个杆件检测结果,该类中存在至少一个与该杆件检测结果匹配的杆件检测结果;
从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果。
2.根据权利要求1所述的杆件检测方法,其特征在于,所述根据所述重合部分,确定所述两个杆件检测结果之间的水平距离,包括:
在所述重合部分中确定目标采样点;
根据所述目标采样点在垂直方向上的坐标、以及所述两个杆件检测结果对应的直线方程,确定所述目标采样点在每一所述杆件检测结果上对应的目标映射点;
根据所述目标映射点在水平方向上的坐标,确定所述两个杆件检测结果之间的水平距离。
3.根据权利要求2所述的杆件检测方法,其特征在于,所述目标采样点为多个;
所述根据所述目标映射点在水平方向上的坐标,确定所述两个杆件检测结果之间的水平距离,包括:
根据同一所述目标采样点对应的两个所述目标映射点在水平方向上的坐标,确定在所述目标采样点下,所述两个杆件检测结果之间的水平距离。
4.根据权利要求3所述的杆件检测方法,其特征在于,所述两个杆件检测结果对应的匹配阈值包括针对每一所述目标采样点的匹配阈值;
所述响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配,包括:
响应于任一所述目标采样点下,所述两个杆件检测结果之间的水平距离不大于针对所述目标采样点的匹配阈值,确定所述两个杆件检测结果匹配。
5.根据权利要求1所述的杆件检测方法,其特征在于,所述方法还包括:
根据所述目标图像的尺寸,确定所述基准参考阈值。
6.根据权利要求1至5中任一项所述的杆件检测方法,其特征在于,所述对目标图像进行杆件检测,得到多个杆件检测结果,包括:
对所述目标图像进行杆件检测,得到多个杆件检测结果和每个所述杆件检测结果的置信度;
所述从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果,包括:
从每一类中获取置信度最高的杆件检测结果,以得到最终的杆件检测结果。
7.一种杆件检测装置,其特征在于,包括:
检测模块,被配置为对目标图像进行杆件检测,得到多个杆件检测结果;
匹配模块,被配置为针对每两个杆件检测结果,执行如下操作:
确定所述两个杆件检测结果在垂直方向上的重合部分、以及所述两个杆件检测结果对应的倾斜度信息;
根据所述重合部分,确定所述两个杆件检测结果之间的水平距离;
根据所述两个杆件检测结果对应的倾斜度信息中的较大者、以及基准参考阈值,确定所述两个杆件检测结果对应的匹配阈值,其中,所述倾斜度信息与所述匹配阈值为负相关关系;
响应于所述水平距离不大于所述匹配阈值,确定所述两个杆件检测结果匹配;
聚类模块,被配置为根据每两个杆件检测结果之间的匹配结果,对所述多个杆件检测结果进行聚类,其中,针对被聚为一类的多个杆件检测结果中的每个杆件检测结果,该类中存在至少一个与该杆件检测结果匹配的杆件检测结果;
确定模块,被配置为从每一类中获取一个杆件检测结果,以得到最终的杆件检测结果。
8.一种车辆,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:运行所述可执行指令以实现权利要求1-6中任一项所述的杆件检测方法。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1~6中任一项所述的杆件检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210731265.3A CN114972824B (zh) | 2022-06-24 | 2022-06-24 | 杆件检测方法、装置、车辆和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210731265.3A CN114972824B (zh) | 2022-06-24 | 2022-06-24 | 杆件检测方法、装置、车辆和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972824A CN114972824A (zh) | 2022-08-30 |
CN114972824B true CN114972824B (zh) | 2023-07-14 |
Family
ID=82966357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210731265.3A Active CN114972824B (zh) | 2022-06-24 | 2022-06-24 | 杆件检测方法、装置、车辆和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972824B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318233A (zh) * | 2014-10-19 | 2015-01-28 | 温州大学 | 车牌图像水平倾斜校正方法 |
CN105374105A (zh) * | 2015-10-16 | 2016-03-02 | 浙江依特诺科技股份有限公司 | 一种用于移动终端鉴别纸币真伪的方法 |
CN108548773A (zh) * | 2018-03-30 | 2018-09-18 | 河海大学 | 检测钢筋受弯状态下抗锈蚀性能的辅助装置及其使用方法 |
CN109356670A (zh) * | 2018-11-16 | 2019-02-19 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种空心叶片冷却导管装配干涉现象检测工具及制作方法 |
CN111310708A (zh) * | 2020-02-14 | 2020-06-19 | 广州文远知行科技有限公司 | 交通信号灯状态识别方法、装置、设备和存储介质 |
CN112799091A (zh) * | 2021-01-28 | 2021-05-14 | 知行汽车科技(苏州)有限公司 | 算法评估方法、装置及存储介质 |
CN114120252A (zh) * | 2021-10-21 | 2022-03-01 | 阿波罗智能技术(北京)有限公司 | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924856B (zh) * | 2009-06-17 | 2013-06-19 | 北京大学 | 文稿倾斜角度检测的方法和装置 |
JP6889059B2 (ja) * | 2017-07-19 | 2021-06-18 | 株式会社東芝 | 情報処理装置、情報処理方法及びコンピュータプログラム |
CN110411633B (zh) * | 2018-04-27 | 2021-02-26 | 江苏风和医疗器材股份有限公司 | 检测工装及检测方法 |
CN111914596B (zh) * | 2019-05-09 | 2024-04-09 | 北京四维图新科技股份有限公司 | 车道线检测方法、装置、系统及存储介质 |
CN110516652B (zh) * | 2019-08-30 | 2023-04-18 | 北京百度网讯科技有限公司 | 车道检测的方法、装置、电子设备及存储介质 |
CN113743171A (zh) * | 2020-05-30 | 2021-12-03 | 华为技术有限公司 | 目标检测方法及装置 |
CN112115820B (zh) * | 2020-09-03 | 2024-06-21 | 上海欧菲智能车联科技有限公司 | 车载辅助驾驶方法及装置、计算机装置及可读存储介质 |
CN113705297A (zh) * | 2021-03-11 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 检测模型的训练方法、装置、计算机设备和存储介质 |
CN113487759B (zh) * | 2021-07-16 | 2023-04-18 | 杭州海康汽车软件有限公司 | 一种停车巡检方法、装置、移动巡逻设备及巡检系统 |
CN113639657B (zh) * | 2021-08-04 | 2024-02-27 | 中冶京诚工程技术有限公司 | 方坯弯曲检测方法及装置、棒线材原料坯弯曲检测系统 |
CN114518106B (zh) * | 2022-01-25 | 2023-07-14 | 清华大学 | 高精度地图垂向要素更新检测方法、系统、介质及设备 |
CN114596633A (zh) * | 2022-03-04 | 2022-06-07 | 海信集团控股股份有限公司 | 坐姿检测方法及终端 |
CN114359758B (zh) * | 2022-03-18 | 2022-06-14 | 广东电网有限责任公司东莞供电局 | 一种输电线的检测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-06-24 CN CN202210731265.3A patent/CN114972824B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318233A (zh) * | 2014-10-19 | 2015-01-28 | 温州大学 | 车牌图像水平倾斜校正方法 |
CN105374105A (zh) * | 2015-10-16 | 2016-03-02 | 浙江依特诺科技股份有限公司 | 一种用于移动终端鉴别纸币真伪的方法 |
CN108548773A (zh) * | 2018-03-30 | 2018-09-18 | 河海大学 | 检测钢筋受弯状态下抗锈蚀性能的辅助装置及其使用方法 |
CN109356670A (zh) * | 2018-11-16 | 2019-02-19 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种空心叶片冷却导管装配干涉现象检测工具及制作方法 |
CN111310708A (zh) * | 2020-02-14 | 2020-06-19 | 广州文远知行科技有限公司 | 交通信号灯状态识别方法、装置、设备和存储介质 |
CN112799091A (zh) * | 2021-01-28 | 2021-05-14 | 知行汽车科技(苏州)有限公司 | 算法评估方法、装置及存储介质 |
CN114120252A (zh) * | 2021-10-21 | 2022-03-01 | 阿波罗智能技术(北京)有限公司 | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN114972824A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727811B2 (en) | System and method for determining car to lane distance | |
WO2021103511A1 (zh) | 一种设计运行区域odd判断方法、装置及相关设备 | |
CN115220449B (zh) | 路径规划的方法、装置、存储介质、芯片及车辆 | |
CN115123257B (zh) | 路面减速带位置识别方法、装置、车辆、存储介质及芯片 | |
CN115147796A (zh) | 评测目标识别算法的方法、装置、存储介质及车辆 | |
CN115100377B (zh) | 地图构建方法、装置、车辆、可读存储介质及芯片 | |
CN115035494A (zh) | 图像处理方法、装置、车辆、存储介质及芯片 | |
CN114842075A (zh) | 数据标注方法、装置、存储介质及车辆 | |
CN115100630B (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
CN115205311B (zh) | 图像处理方法、装置、车辆、介质及芯片 | |
CN115203457B (zh) | 图像检索方法、装置、车辆、存储介质及芯片 | |
CN115222791B (zh) | 目标关联方法、装置、可读存储介质及芯片 | |
CN115056784B (zh) | 车辆控制方法、装置、车辆、存储介质及芯片 | |
CN114842440B (zh) | 自动驾驶环境感知方法、装置、车辆及可读存储介质 | |
US20230410535A1 (en) | Method and apparatus for generating lane line, vehicle, storage medium and chip | |
CN115170630B (zh) | 地图生成方法、装置、电子设备、车辆和存储介质 | |
CN115202234B (zh) | 仿真测试方法、装置、存储介质和车辆 | |
CN115221151B (zh) | 车辆数据的传输方法、装置、车辆、存储介质及芯片 | |
CN114842455B (zh) | 障碍物检测方法、装置、设备、介质、芯片及车辆 | |
CN115205848A (zh) | 目标检测方法、装置、车辆、存储介质及芯片 | |
CN114972824B (zh) | 杆件检测方法、装置、车辆和存储介质 | |
CN115082886B (zh) | 目标检测的方法、装置、存储介质、芯片及车辆 | |
CN115063639B (zh) | 生成模型的方法、图像语义分割方法、装置、车辆及介质 | |
CN115147794B (zh) | 车道线确定方法、装置、车辆、介质及芯片 | |
CN115407344B (zh) | 栅格地图创建方法、装置、车辆及可读存储介质 |
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 |