CN115050007A - 牵引车以及拖板车的识别方法、装置及电子设备、存储介质 - Google Patents

牵引车以及拖板车的识别方法、装置及电子设备、存储介质 Download PDF

Info

Publication number
CN115050007A
CN115050007A CN202210721979.6A CN202210721979A CN115050007A CN 115050007 A CN115050007 A CN 115050007A CN 202210721979 A CN202210721979 A CN 202210721979A CN 115050007 A CN115050007 A CN 115050007A
Authority
CN
China
Prior art keywords
tractor
trailer
preset
target
point cloud
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
Application number
CN202210721979.6A
Other languages
English (en)
Inventor
李成军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202210721979.6A priority Critical patent/CN115050007A/zh
Publication of CN115050007A publication Critical patent/CN115050007A/zh
Pending legal-status Critical Current

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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种牵引车以及拖板车的识别方法、装置及电子设备、存储介质，其中所述方法包括采集牵引车与拖板车在非钢性状态下连接时的激光点云数据；将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型；根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别；根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。通过本申请可克服非刚体目标运动过程中的变形，从而更好地识别出牵引车以及拖板车，本申请可用于机场等场景。

Description

牵引车以及拖板车的识别方法、装置及电子设备、存储介质
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种牵引车以及拖板车的识别方法、装置及电子设备、存储介质。
背景技术
当前高等级自动驾驶技术方案中，使用激光雷达作为自动驾驶的主要传感器，激光雷达可以提供目标在空间中精确的位置信息，同时能够提供比较准确的类别信息，利用激光雷达，自动驾驶车辆可以准确识别道路中其他车辆的位置和尺寸，从而避免与其他车辆发生碰撞以及预测其他车辆未来一段时间的轨迹。
专用道路或环境下的目标类别与公开道路中存在较大的不同，机场环境下存在大量牵引车以及拖板车，牵引车在机场道路中行驶过程中，会拖挂一定数量的拖板车，牵引车尾部的拖板车串联在一起，托盘与托盘之间通过铰链连接。并且通常牵引车和拖板车最长可达30米，与公开道路中的传统卡车不同，牵引车与拖板车运动过程中处于非刚体状态，转弯过程中变形较大，因此不能用传统的单一旋转多边形表示，故常用的三维目标检测算法无法准确识别牵引车的拖挂的形态。
发明内容
本申请实施例提供了牵引车以及拖板车的识别方法、装置及电子设备、存储介质，以较好地识别出牵引车以及拖板车。
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牵引车以及拖板车的识别方法，其中，应用于机场，所述方法包括：采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据；将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的；根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别；根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
第二方面，本申请实施例还提供一种牵引车以及拖板车的识别装置，其中，应用于机场，所述装置包括：点云数据采集模块，用于采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据；伪图像转换模块，用于将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的；遍历模块，用于根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据遍历所述目标栅格，确定所述目标栅格的所属类别；确定模块，用于根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
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上述方法。
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上述方法。
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：
通过采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，并且将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型；再根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别，最后根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。通过本申请可克服非刚体目标运动过程中的变形，从而更好地识别出牵引车以及拖板车。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中牵引车以及拖板车的识别方法流程示意图；
图2为本申请实施例中牵引车以及拖板车的识别装置结构示意图；
图3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。
自动驾驶车辆大多使用多线束旋转式激光雷达，当前存在大量基于激光雷达的目标检测算法。激光雷达三维目标检测算法大体可以分为两类，基于锚框和不基于锚框的检测算法。
基于锚框的目标检测算法，会在空间中预置大量不同尺寸的先验锚框，利用深度神经网络，配合大量标注点云数据，通过训练的形式，让网络对判断这些先验锚框是否包含物体，如果包含指定的物体，同时修正锚框的尺寸和位置，使锚框的尺寸和位置与真实目标的尺寸更接近。其中PointPillars是经典的基于锚框的激光三维目标检测算法，该算法将激光雷达投影在鸟瞰图下，在鸟瞰图下生成大量稠密的锚框，对这些锚框进行分类和回归，得到最终目标的检测结果。
由于锚框的尺寸和位置严重影响最终网络的检测精度，而锚框尺寸的调整需要大量经验，因此衍生出了一种不需要锚框的三维目标检测算法。这类算法不需要预设先验锚框，直接在最终特征图中得到目标结果。CenterPoint是一种基于中心点的目标检测算法，在最终输出的特征图中，以热力图的形式表示目标类别特征，同时在热力图中回归目标真实尺寸。
发明人研究时发现，无论是基于锚框或者非锚框的三维目标检测算法，都无法解决非刚体目标运动过程中变形问题。拖挂车运动过程中，拖板之间的角度会随着车辆运动发生变形，因此需要一种新的网络模型表示拖挂车的外形和位置。
相关技术中的激光三维目标检测算法中，无法准确检测非刚体目标的真实尺寸和位置，针对上述问题，本申请实施例中的牵引车以及拖板车的识别方法利用牵引车和拖板车尺寸固定的特性，以及拖板车与牵引车之间连接关系的先验信息，使用网络模型检测处于非刚体运动状态的牵引车及拖板车，检测牵引车和拖板车的三维位置信息。从而实现检测牵引车和拖板车的目的，达到检测非刚性连接结构的效果。
本申请实施例提供了一种牵引车以及拖板车的识别方法，如图1所示，提供了本申请实施例牵引车以及拖板车的识别方法中流程示意图，所述方法至少包括如下的步骤S110至步骤S140：
步骤S110，采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据。
通过采集所述牵引车与拖板车在非钢性状态下连接时的激光点云数据，并将所述激光点云数据经过投影之后得到具有多个栅格的俯视图。
需要注意的是，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车激光点云数据。
比如，将激光点云数据投影在俯视图中，俯视图包括240*240个矩形栅格组成，每个栅格尺寸0.25m，激光雷达共可以检测车辆周围半径30m范围的牵引车及拖车。
激光点云数据在经过投影后，根据激光雷达在X轴和Y轴的坐标，激光点云被分配给每个栅格。投影后的每个栅格，包含若干个点云，由于激光雷达点云的稀疏性，因此大部分的栅格都不包含点云，但有包含点云的栅格是目标栅格。
步骤S120，将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的。
将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，可以理解，需要先将包含多个栅格的扶手转化为伪图像之后才能够输入到预设深度学习模型进行识别。对于所述预设深度学习模型可以通过相关技术中的深度学习神经网络训练得到，在本申请的实施例中并不进行具体限定。
需要注意的是，在所述伪图像包括所述目标栅格内每个点云数据的属性值。
步骤S130，根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别。
在所述预设深度学习模型的输出层输出的牵引车和/或托板车的特征数据，进一步需要根据所述牵引车和/或托板车的特征数据对所述目标栅格之后再确定出所述目标栅格的所属类别。即目标栅格中可能有牵引车也有可能有拖板车，还需要进一步确定目标栅格的所属类别。
比如，计算每个栅格中牵引车和拖板车的概率值，取最大的概率作为当前栅格类别，属于牵引车或者拖板车。
步骤S140，根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
根据所述目标栅格的所属类别，可以进一步确定出哪些是满足预设约束关系的所述牵引车与拖板车。可以理解，经过上述过程，得到了一串密集的牵引车和拖板车检测结果。比如，在实际牵引车和拖板中心位置，会同时生成多个互相重叠的牵引车和拖板车，需要删除多余的检测结果。
预设约束关系可以基于先验知识建立的约束关系。
在本申请的一个实施例中，所述预设约束关系包括所述牵引车与所述拖板车之间的连接关系先验值、每个所述拖板车尺寸先验值，所述根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车，包括：根据预设概率值确定所述目标栅格的所属类别；根据所述目标栅格的所述类型得到该栅格内牵引车或者拖板车的实际尺寸大小；基于所述实际尺寸大小，根据所述牵引车与所述拖板车之间的连接关系先验值和/或每个所述拖板车尺寸作为预设约束关系删除不满足预设约束的牵引车或拖板车，得到满足预设约束关系的所述牵引车与拖板车。
具体实施时，在进行过滤时根据预设概率值确定所述目标栅格的所属类别，比如，取最大的概率作为当前栅格类别，属于牵引车或者拖板车。
此外，还可以根据所述目标栅格的所述类型得到该栅格内牵引车或者拖板车的实际尺寸大小。
为了得到更准确地结果，基于所述实际尺寸大小，根据所述牵引车与所述拖板车之间的连接关系先验值和/或每个所述拖板车尺寸作为预设约束关系删除不满足预设约束的牵引车或拖板车，得到满足预设约束关系的所述牵引车与拖板车。比如，删除过程中利用了拖板车与牵引车之间的连接关系，作为约束条件，不满足约束条件的牵引车或者拖板车会最终被删除。
在本申请的一个实施例中，所述根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车之后，还包括：以目标牵引车尾部的中心点为起点，沿着所述目标栅格的朝向信息搜寻多个目标拖板车；计算与所述目标牵引车的距离最近的一个目标拖板车的轴线与所述牵引车的轴线夹角；判断夹角是否满足预设条件，删除不满足预设条件的拖板车，在确定出与所述目标牵引车的距离最近的一个目标拖板车之后，再以该拖板车尾部中心点为起点，继续搜寻后续的目标拖板车；连接牵引车以及多个所述目标拖板车得到检测结果，根据所述检测结果得到所述牵引车以及所述拖板车的位置信息。
具体实施时，以目标牵引车尾部的中心点为起点，沿着所述目标栅格的朝向信息搜寻多个目标拖板车，比如可以计算最近连接拖板车中轴线与牵引车中轴线夹角，夹角满足-30度到+30度之间的约束条件，删除不满足约束条件的拖板车。确定最近一个拖板车以后，再以该拖板车尾部中心点为起点，继续搜寻后续的拖板车。直到最终相邻5m范围内不存在任何拖板车为止。
需要注意的是，上述的-30度到+30度仅为举例，并不用于本申请中的保护范围。
接牵引车以及多个所述目标拖板车得到检测结果，根据所述检测结果得到所述牵引车以及所述拖板车的位置信息，最终连接牵引车和拖板车，组成一个检测结果输出，得到牵引车以及拖板车的最终位置。
在本申请的一个实施例中，所述根据预设概率值确定所述目标栅格的所属类别，包括：遍历所有栅格并计算每个目标栅格中牵引车和拖板车的概率值，取最大概率值最大作为当前目标栅格的所属类别属于牵引车或者拖板车；通过预设阈值再次滤除所述目标栅格中的概率值，并只保留概率值大于所述预设阈值的栅格，其中所述预设概率值大于所述预设阈值的栅格中包括牵引车或者拖板的概率值最大的目标栅格，其中根据所述目标栅格中长宽尺寸信息、朝向信息，得到该目标栅格内牵引车或者拖板的实际尺寸。
具体实施时，首先遍历所有栅格并计算每个目标栅格中牵引车和拖板车的概率值，取最大概率值最大作为当前目标栅格的所属类别属于牵引车或者拖板车，根据遍历的结果通过预设阈值再次滤除所述目标栅格中的概率值，并只保留概率值大于所述预设阈值的栅格。
需要注意的是，还可以根据所述目标栅格中长宽尺寸信息、朝向信息，得到该目标栅格内牵引车或者拖板的实际尺寸，在此不再赘述。
在本申请的一个实施例中，通过激光雷达检测预设中心点周围半径至少30m范围的牵引车及拖车，所述采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车激光点云数据，包括：所述激光点云数据经过投影之后，根据激光雷达在X轴和Y轴的坐标，将所述激光点数据云分配至多个栅格；投影后的每个栅格中包括若干个点云数据，并且对包含点云数据的栅格，计算栅格内所有点云数据的预设属性值。
具体实施时，通过激光雷达检测预设中心点周围半径至少30m范围的牵引车及拖车，也可以根据实际情况进行范围扩大。
根据激光雷达扫描得到的激光点云数据进行投影，所述激光点云数据经过投影之后，根据激光雷达在X轴和Y轴的坐标，将所述激光点数据云分配至多个栅格；投影后的每个栅格中包括若干个点云数据，并且对包含点云数据的栅格，计算栅格内所有点云数据的预设属性值。比如，激光雷达产生的点云，投影在俯视图中，俯视图由240*240个矩形栅格组成，每个栅格尺寸0.25m。
在本申请的一个实施例中，所有点云数据的预设属性值至少包括：栅格内最高点云的高度值Z、栅格内点云的数量、栅格内点云平均高度，所述将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，包括：基于所述栅格内最高点云的高度值Z、所述栅格内点云的数量、所述栅格内点云平均高度，生成一个3通道的伪图像，其中3通道中分别表征所述预设属性值；将多张所述3通道的伪图像输入预设深度学习模型。
具体实施时，计算栅格内所有点云的具有属性值，1)栅格内最高点云的高度值Z；2)栅格内点云的数量；3)栅格内点云平均高度。经过计算后的每个栅格会生成3个值，这3个值作为栅格的属性。需要注意的是对于那些不包含点云的栅格，这3个属性值附0。最终所有栅格会生成一个3通道的伪图像，3个通道分别代表上述3中不同属性的值。
在本申请的一个实施例中，所述根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据遍历所述目标栅格，确定所述目标栅格的所属类别，包括：根据所述预设深度学习模型中的预设特征编码主干网络、预设深度神经网络的编解码结构，并在特征输出层输出预设特征数据，其中所述预设特征数据至少包括如下之一的特征：栅格中包含牵引车中心点的概率大小、栅格中包含拖板车的概率大小、拖板车或者牵引车中心位置坐标X、拖板车或者牵引车中心位置坐标Y、拖板车或者牵引车的长度、拖板车或者牵引车的宽度、拖板车的角度朝向。
具体实施时，根据所述预设深度学习模型中的预设特征编码主干网络、预设深度神经网络的编解码结构，并在特征输出层输出预设特征数据。
比如，伪图像经过特征编码主干网络，经过深度神经网络的编解码结构，最终得到一个尺寸缩小8倍的特征输出层。
对于预设特征数据包括但不限于，栅格中包含牵引车中心点的概率大小、栅格中包含拖板车的概率大小、拖板车或者牵引车中心位置坐标X、拖板车或者牵引车中心位置坐标Y、拖板车或者牵引车的长度、拖板车或者牵引车的宽度、拖板车的角度朝向。
本申请实施例还提供了牵引车以及拖板车的识别装置200，如图2所示，提供了本申请实施例中牵引车以及拖板车的识别装置的结构示意图，所述装置200至少包括：点云数据采集模块210、伪图像转换模块220、遍历模块230以及确定模块240，其中：
在本申请的一个实施例中，所述点云数据采集模块210具体用于：采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据。
通过采集所述牵引车与拖板车在非钢性状态下连接时的激光点云数据，并将所述激光点云数据经过投影之后得到具有多个栅格的俯视图。
需要注意的是，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车激光点云数据。
比如，将激光点云数据投影在俯视图中，俯视图包括240*240个矩形栅格组成，每个栅格尺寸0.25m，激光雷达共可以检测车辆周围半径30m范围的牵引车及拖车。
激光点云数据在经过投影后，根据激光雷达在X轴和Y轴的坐标，激光点云被分配给每个栅格。投影后的每个栅格，包含若干个点云，由于激光雷达点云的稀疏性，因此大部分的栅格都不包含点云，但有包含点云的栅格是目标栅格。
在本申请的一个实施例中，所述伪图像转换模块220具体用于：将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的。
将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，可以理解，需要先将包含多个栅格的扶手转化为伪图像之后才能够输入到预设深度学习模型进行识别。对于所述预设深度学习模型可以通过相关技术中的深度学习神经网络训练得到，在本申请的实施例中并不进行具体限定。
需要注意的是，在所述伪图像包括所述目标栅格内每个点云数据的属性值。
在本申请的一个实施例中，所述遍历模块230具体用于：根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别。
在所述预设深度学习模型的输出层输出的牵引车和/或托板车的特征数据，进一步需要根据所述牵引车和/或托板车的特征数据对所述目标栅格之后再确定出所述目标栅格的所属类别。即目标栅格中可能有牵引车也有可能有拖板车，还需要进一步确定目标栅格的所属类别。
比如，计算每个栅格中牵引车和拖板车的概率值，取最大的概率作为当前栅格类别，属于牵引车或者拖板车。
在本申请的一个实施例中，所述确定模块240具体用于：根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
根据所述目标栅格的所属类别，可以进一步确定出哪些是满足预设约束关系的所述牵引车与拖板车。可以理解，经过上述过程，得到了一串密集的牵引车和拖板车检测结果。比如，在实际牵引车和拖板中心位置，会同时生成多个互相重叠的牵引车和拖板车，需要删除多余的检测结果。
预设约束关系可以基于先验知识建立的约束关系。
能够理解，上述牵引车以及拖板车的识别装置，能够实现前述实施例中提供的牵引车以及拖板车的识别方法的各个步骤，关于牵引车以及拖板车的识别方法的相关阐释均适用于牵引车以及拖板车的识别装置，此处不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3，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3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，在逻辑层面上形成牵引车以及拖板车的识别装置。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：
采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据；
将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的；
根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别；
根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
上述如本申请图1所示实施例揭示的牵引车以及拖板车的识别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1中牵引车以及拖板车的识别装置执行的方法，并实现牵引车以及拖板车的识别装置在图1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1所示实施例中牵引车以及拖板车的识别装置执行的方法，并具体用于执行：
采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据；
将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的；
根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别；
根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
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 (10)

1.一种牵引车以及拖板车的识别方法，其中，所述方法包括：
采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据；
将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的；
根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据，遍历所述目标栅格确定所述目标栅格的所属类别；
根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
2.如权利要求1所述方法，其中，所述预设约束关系包括所述牵引车与所述拖板车之间的连接关系先验值、每个所述拖板车尺寸先验值，所述根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车，包括：
根据预设概率值确定所述目标栅格的所属类别；
根据所述目标栅格的所述类别得到该栅格内牵引车或者拖板车的实际尺寸大小；
基于所述实际尺寸大小，根据所述牵引车与所述拖板车之间的连接关系先验值和/或每个所述拖板车尺寸作为预设约束关系删除不满足预设约束的牵引车或拖板车，得到满足预设约束关系的所述牵引车与拖板车。
3.如权利要求2所述方法，其中，所述根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车之后，还包括：
以目标牵引车尾部的中心点为起点，沿着所述目标栅格的朝向信息搜寻多个目标拖板车；
计算与所述目标牵引车的距离最近的一个目标拖板车的轴线与所述牵引车的轴线夹角；
判断夹角是否满足预设条件，删除不满足预设条件的拖板车，在确定出与所述目标牵引车的距离最近的一个目标拖板车之后，再以该目标拖板车尾部中心点为起点，继续搜寻后续的目标拖板车；
连接牵引车以及多个所述目标拖板车得到检测结果，根据所述检测结果得到所述牵引车以及所述拖板车的位置信息。
4.如权利要求2所述方法，其中，所述根据预设概率值确定所述目标栅格的所属类别，包括：
遍历所有栅格并计算每个目标栅格中牵引车和拖板车的概率值，取最大概率值作为当前目标栅格的所属类别属于牵引车或者拖板车；
通过预设阈值再次滤除所述目标栅格中的概率值，并只保留概率值大于所述预设阈值的栅格，其中所述预设概率值大于所述预设阈值的栅格中包括牵引车或者拖板的概率值最大的目标栅格，其中根据所述目标栅格中长宽尺寸信息、朝向信息，得到该目标栅格内牵引车或者拖板的实际尺寸。
5.如权利要求1所述方法，其中，所述采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据，包括：
所述激光点云数据经过投影之后，根据激光雷达在X轴和Y轴的坐标，将所述激光点数据云分配至多个栅格；
投影后的每个栅格中包括若干个点云数据，并且对包含点云数据的栅格，计算栅格内所有点云数据的预设属性值。
6.如权利要求5所述方法，其中，所有点云数据的预设属性值至少包括：栅格内最高点云的高度值、栅格内点云的数量、栅格内点云平均高度，所述将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，包括：
基于所述栅格内最高点云的高度值、所述栅格内点云的数量、所述栅格内点云平均高度，生成一个3通道的伪图像，其中3通道中分别表征所述预设属性值；
将多张所述3通道的伪图像输入预设深度学习模型。
7.如权利要求1所述方法，其中，所述根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据遍历所述目标栅格，确定所述目标栅格的所属类别，包括：
根据所述预设深度学习模型中的预设特征编码主干网络、预设深度神经网络的编解码结构，并在特征输出层输出预设特征数据，其中所述预设特征数据至少包括如下之一的特征：栅格中包含牵引车中心点的概率大小、栅格中包含拖板车的概率大小、拖板车或者牵引车中心位置坐标X、拖板车或者牵引车中心位置坐标Y、拖板车或者牵引车的长度、拖板车或者牵引车的宽度、拖板车的角度朝向。
8.一种牵引车以及拖板车的识别装置，其中，所述装置包括：
点云数据采集模块，用于采集牵引车与拖板车在非钢性状态下连接时的激光点云数据，其中所述激光点云数据经过投影之后得到具有多个栅格的俯视图，所述俯视图中的目标栅格包含有所述牵引车和/或拖板车的激光点云数据；
伪图像转换模块，用于将所述多个栅格的俯视图转化为伪图像之后输入预设深度学习模型，其中所述伪图像包括所述目标栅格内每个点云数据的属性值，所述预设深度学习模型是通过深度学习神经网络预先训练得到的；
遍历模块，用于根据所述预设深度学习模型输出的牵引车和/或托板车的特征数据遍历所述目标栅格，确定所述目标栅格的所属类别；
确定模块，用于根据所述目标栅格的所属类别，确定满足预设约束关系的所述牵引车与拖板车。
9.一种电子设备，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1～7之任一所述方法。
10.一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所述权利要求1～7之任一所述方法。
CN202210721979.6A 2022-06-17 2022-06-17 牵引车以及拖板车的识别方法、装置及电子设备、存储介质 Pending CN115050007A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210721979.6A CN115050007A (zh) 2022-06-17 2022-06-17 牵引车以及拖板车的识别方法、装置及电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210721979.6A CN115050007A (zh) 2022-06-17 2022-06-17 牵引车以及拖板车的识别方法、装置及电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN115050007A true CN115050007A (zh) 2022-09-13

Family

ID=83163106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210721979.6A Pending CN115050007A (zh) 2022-06-17 2022-06-17 牵引车以及拖板车的识别方法、装置及电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN115050007A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116443012A (zh) * 2023-06-13 2023-07-18 九曜智能科技(浙江)有限公司 牵引车和并排被牵引目标的对接方法和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116443012A (zh) * 2023-06-13 2023-07-18 九曜智能科技(浙江)有限公司 牵引车和并排被牵引目标的对接方法和电子设备
CN116443012B (zh) * 2023-06-13 2023-09-22 九曜智能科技(浙江)有限公司 牵引车和并排被牵引目标的对接方法和电子设备

Similar Documents

Publication Publication Date Title
CN111797734A (zh) 车辆点云数据处理方法、装置、设备和存储介质
CN113936198B (zh) 低线束激光雷达与相机融合方法、存储介质及装置
CN111507327B (zh) 一种目标检测方法及装置
CN114973198A (zh) 目标车辆的航向角预测方法、装置及电子设备、存储介质
CN114705121B (zh) 车辆位姿测量方法、装置及电子设备、存储介质
CN110751040A (zh) 一种三维物体的检测方法和装置、电子设备、存储介质
CN110991232A (zh) 一种车辆位置修正方法及系统、存储介质及终端
CN115050007A (zh) 牵引车以及拖板车的识别方法、装置及电子设备、存储介质
CN115761701A (zh) 激光雷达点云数据增强方法及装置、设备、存储介质
Song et al. Automatic detection and classification of road, car, and pedestrian using binocular cameras in traffic scenes with a common framework
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN111210411B (zh) 图像中灭点的检测方法、检测模型训练方法和电子设备
CN115792945B (zh) 一种浮空障碍物检测方法、装置和电子设备、存储介质
CN112489466B (zh) 交通信号灯识别方法和装置
CN111338336B (zh) 一种自动驾驶方法及装置
CN114037976A (zh) 一种道路交通标志识别方法及装置
CN113763412B (zh) 图像处理方法、装置及电子设备、计算机可读存储介质
Venugopala Comparative study of 3D object detection frameworks based on LiDAR data and sensor fusion techniques
CN116381698B (zh) 道路遗撒物的检测方法、装置及电子设备
CN116228820B (zh) 一种障碍物检测方法、装置和电子设备、存储介质
CN116229420A (zh) 一种道路物体识别方法及装置
CN117830619A (zh) 目标检测方法、装置、计算机设备及存储介质
CN116087992A (zh) 点云处理方法、装置及电子设备、存储介质
Sazid et al. Advanced Driving Assistance System using Computer Vision and Deep Learning Algorithms
CN116883973A (zh) 点云目标检测方法、装置、电子设备

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