CN115249270A - 一种雷视一体机自动重标注方法及系统 - Google Patents
一种雷视一体机自动重标注方法及系统 Download PDFInfo
- Publication number
- CN115249270A CN115249270A CN202211155385.XA CN202211155385A CN115249270A CN 115249270 A CN115249270 A CN 115249270A CN 202211155385 A CN202211155385 A CN 202211155385A CN 115249270 A CN115249270 A CN 115249270A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vision
- lane
- radar
- vehicles
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30241—Trajectory
-
- 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
- G06T2207/30256—Lane; Road marking
Abstract
本发明涉及一种雷视一体机自动重标注方法及系统,所述方法包括:初始安装时,获取车道中心热力图,同时建立初始点云坐标;正常运行后,获取所有车辆的过车数据;根据车辆的过车数据对车辆进行在道识别,以判断车辆是否行驶在车道内;若是,获取所有车辆当前位置的热力平均值,并根据热力平均值确定车辆的轨迹匹配结果;根据轨迹匹配结果判断雷视一体机是否需要重新标注,若是,获取当前图像中的特征点,将其与初始点云坐标中的特征点进行匹配;根据匹配结果重新标注初始点云坐标中的关键点,以生成新的点云坐标。本发明在雷视一体机出现位移或者角度发生变化时,可以识别出偏移,并对偏移的结果进行较正处理,节省人工二次较正的成本和效率。
Description
技术领域
本发明涉及雷视一体机参数标注技术领域,特别是涉及一种雷视一体机自动重标注方法及系统。
背景技术
雷视一体机在高速公路交通监测与事件识别中发挥了重要的作用,故此,高速公路的上部(如交通监控器安装立杆或者门架)或者隧道顶部通常安装有雷视一体机,以实现对高速公路交通运行状态进行全天候24小时检测,例如车流量、行车速度等参数。为了获取车辆连续运行状态,在高速公路沿线将布设一定数量的检测器,如果布设位置或者安装角度不合适,则可能会出现检测盲区,导致检测数据不连续。
现有技术中,对公路用雷视一体机进行安装时,需要满足安装角度,安装固定后,在雷视一体机使用前,还需要对相机参数进行标注,标注的过程比较复杂,并且需要具有专业技术的人员的配合才能完成,甚至有时需要进行临时道路封闭施工以进行标注。因为雷视一体机的安装位置都比较高且固定在立杆或门架上,当设备因为震动出现位移或者重新安装导致其角度发生变化时,通常无法及时发现问题,从而导致识别结果出现的经纬信息不准确,故此,当发现设备位移或者角度发生变化时,通常需要人工再次进行标注,这样做很耗费人力成本且不能及时发现和修正问题。
发明内容
本发明为克服上述现有技术中存在的当雷视一体机因为震动出现位移或者重新安装导致其角度发生变化时,通常无法及时发现问题,从而导致识别结果出现的经纬信息不准确,通常需要人工再次进行标注,这样做很耗费人力成本且不能及时发现和修正等问题,提供一种雷视一体机自动重标注方法及系统。
为解决上述技术问题,本发明的技术方案如下:
一种雷视一体机自动重标注方法,包括以下步骤:
雷视一体机初始安装时,获取其可视范围内的所有车道的中心位置,形成车道中心热力图;同时获取无车状态下,可视范围内的关键点,建立初始点云坐标;
雷视一体机正常运行后,获取其可视范围内的所有车辆的过车数据,根据车辆的过车数据对车辆进行在道识别,以判断车辆是否行驶在车道内;
若是,根据车辆的过车数据以及车道中心热力图对车辆的运行轨迹进行匹配计算,以获取所有车辆当前位置的热力平均值,并根据热力平均值确定车辆的轨迹匹配结果;
根据轨迹匹配结果判断雷视一体机是否需要重新标注,若是,获取当前图像中的特征点,将当前图像中的特征点与初始点云坐标中的特征点进行匹配;
根据匹配结果重新标注初始点云坐标中的关键点,以生成新的点云坐标。
进一步的,作为优选技术方案,所述轨迹匹配结果具体包括:
通过车辆的过车数据统计出行驶在车道内的所有车辆的当前位置信息;
根据车辆的当前位置信息结合车道中心热力图计算出所有车辆当前位置的热力值;
根据所有车辆当前位置的热力值计算车辆当前位置的热力平均值;
当热力平均值大于0.5时,输出的实际值,当热力平均值小于0.5时,输出的0值。
进一步的,作为优选技术方案,当两台雷视一体机的接力区域内存在车辆时,所述轨迹匹配结果还包括:
获取处于两台雷视一体机的接力区域内的车辆的热力偏差值;
当热力偏差值大于0.5时,输出的实际值,当热力偏差值小于0.5时,输出的0值;
将热力平均值的输出结果与热力偏差值的输出结果进行和运算得到最终的轨迹匹配结果。
进一步的,作为优选技术方案,车辆的热力偏差值的计算具体包括:
获取处于两台雷视一体机的接力区域内的车辆的位置信息;
根据车辆的位置信息计算两台雷视一体机识别的同一车辆的距离;
根据同一车辆的距离以及两台雷视一体机的距离检测精度,计算处于接力区域内的车辆的热力偏差值。
进一步的,作为优选技术方案,所述车辆当前位置的热力值的计算具体包括:
根据车道中心热力图获取车道中心线与车道边线之间的距离;
根据车辆的当前位置信息以及车道中心热力图获取车辆的中心点与车道中心线之间的距离;
根据车辆的中心点与车道中心线之间的距离和车道中心线与车道边线之间的距离计算出车辆当前位置的热力值。
进一步的,作为优选技术方案,判断车辆是否行驶在车道内具体包括:
通过车辆的过车数据识别车辆的当前位置信息;
将车辆的当前位置信息与车道边线的位置进行空间位置比对,从而判断该车辆的当前位置是否在车道内。
进一步的,作为优选技术方案,新的点云坐标的生成具体包括:
采用SuperGlue深度学习模型对当前图像中的特征点和初始点云坐标中的特征点进行特征聚合,得到一系列匹配的特征点的像素坐标和世界坐标;
根据特征点的像素坐标和世界坐标的关系,计算得到新的点云坐标。
进一步的,作为优选技术方案,雷视一体机需要重新标注的判断条件是:
判断轨迹匹配结果是否大于1,若是,则表示雷视一体机需要重新标注。
进一步的,作为优选技术方案,在所述车道中心热力图中,靠近车道中心线位置的权值为0,远离车道中心线位置的权值逐步增加,车道边线位置的权值为1,非车道位置的权值为无穷大。
一种雷视一体机自动重标注系统,采用上述的一种雷视一体机自动重标注方法对雷视一体机进行自动重标注;
所述系统包括:车辆在道识别模块、轨迹匹配模块、雷视接力判断模块以及实时点云识别模块,所述车辆在道识别模块与所述轨迹匹配模块连接,所述轨迹匹配模块和雷视接力判断模块分别与所述实时点云识别模块连接;
所述车辆在道识别模块用于根据车辆的过车数据对车辆进行在道识别,以判断车辆是否行驶在车道内,并将识别的行驶在车道内的车辆的过车数据发送至轨迹匹配模块;
所述轨迹匹配模块用于根据车辆的过车数据以及车道中心热力图对车辆的运行轨迹进行匹配计算,以获取所有车辆当前位置的热力平均值,并根据热力平均值输出相应结果;
所述雷视接力判断模块用于获取处于两台雷视一体机的接力区域内的车辆的热力偏差值,并根据热力偏差值输出相应结果;根据热力平均值的输出结果和热力偏差值的输出结果确定车辆的轨迹匹配结果;
所述实时点云识别模块用于获取当前图像中的特征点,并将当前图像中的特征点与初始点云坐标中的特征点进行匹配,根据匹配结果重新标注初始点云坐标中的关键点,以生成新的点云坐标。
与现有技术相比,本发明技术方案的有益效果是:
本发明的雷视一体机自动重标注方法可在雷视一体机因震动导致的角度轻微变化或者需要重新安装时,识别出偏移,并对偏移的结果进行矫正处理,精准度高,且节省人工二次矫正的成本和效率。
附图说明
图1为本发明一种雷视一体机自动重标注方法流程示意图。
图2为本发明一种雷视一体机自动重标注方法中的轨迹匹配结果获得流程示意图。
图3为本发明一种雷视一体机自动重标注系统框图。
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的;相同或相似的标号对应相同或相似的部件;附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征更易被本领域技术人员理解,从而对本发明的保护范围作出更为清楚的界定。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制。
此外,若有“第一”、“第二”等术语仅用于描述目的,主要是用于区分不同的装置、元件或组成部分(具体的种类和构造可能相同也可能不同),并非用于表明或暗示所指示装置、元件或组成部分的相对重要性和数量,而不能理解为指示或者暗示相对重要性。
实施例1
本实施例为克服现有技术中存在的当雷视一体机因为震动出现位移或者重新安装导致其角度发生变化时,通常无法及时发现问题,从而导致识别结果出现的经纬信息不准确,通常需要人工再次进行标注,这样做很耗费人力成本且不能及时发现和修正等问题,公开一种雷视一体机自动重标注方法。
该一种雷视一体机自动重标注方法,如图1所示,包括以下步骤:
S10. 雷视一体机初始安装时,获取其可视范围内的所有车道的中心位置,形成车道中心热力图;同时获取无车状态下,可视范围内的关键点,建立初始点云坐标。
在本步骤中,具体实现过程为:在雷视一体机在初始安装时,根据其标定的结果,采集其可视范围内的正常各个车道的中心位置,然后形成该区域的车道中心热力图。
在该车道中心热力图中,靠近车道中心线位置的权值为0,远离车道中心线位置的权值逐步增加,车道边线位置的权值为1,非车道位置的权值为无穷大。
然后,在该区域,使用UnsuperPoint深度学习模型,采集无车状态下,雷视一体机可视范围内的关键点,测算出所有关键点的坐标,从而建立初始点云坐标。
其中,关键点具体为雷视一体机可视范围内的道路地面关键点。
S20. 雷视一体机正常运行后,获取其可视范围内的所有车辆的过车数据,根据车辆的过车数据对车辆进行在道识别,以判断车辆是否行驶在车道内。
在本步骤中,需要对所有车辆均进行在道识别。
其具体包括:
通过车辆的过车数据识别车辆的当前位置信息;
将车辆的当前位置信息与车道边线的位置进行空间位置比对,从而判断该车辆的当前位置是否在车道内。
举例说明:根据车辆的当前位置信息可得到车辆中心点的坐标,根据车道中心热力图可知车道中心线和车道边线的坐标,计算可知车辆中心点到车道中心线的距离,同时,车道中心线到车道边线的距离已知,当车辆中心点到车道中心线的距离小于车道中心线到车道边线的距离,则判断车辆在车道内,否则,判断车辆不在车道内。
S30. 若是,根据车辆的过车数据以及车道中心热力图对车辆的运行轨迹进行匹配计算,以获取所有车辆当前位置的热力平均值,并根据热力平均值确定车辆的轨迹匹配结果。
本步骤具体包括:
S301. 通过车辆的过车数据统计出行驶在车道内的所有车辆的当前位置信息。
S302. 根据车辆的当前位置信息结合车道中心热力图计算出所有车辆当前位置的热力值。
在本步骤中,车辆当前位置的热力值的计算具体包括:
根据车道中心热力图获取车道中心线与车道边线之间的距离。
根据车辆的当前位置信息以及车道中心热力图获取车辆的中心点与车道中心线之间的距离。
根据车辆的中心点与车道中心线之间的距离和车道中心线与车道边线之间的距离计算出车辆当前位置的热力值。
具体的,车辆当前位置的热力值等于车辆的中心点与车道中心线之间的距离与车道中心线与车道边线之间的距离的比值。
该热力值的计算可参见步骤S20,在此不在进行重复阐述。
S303. 根据所有车辆当前位置的热力值计算车辆当前位置的热力平均值。
S304. 当热力平均值大于0.5时,输出的实际值,当热力平均值小于0.5时,输出的0值。
对本步骤进行举例说明:
1)宽度是3.75米的某车道,当前有5辆车在车道内,经采集,它们的中心点与车道中心线之间的距离分别为 0.5、1、0.5、1.2、0.3,通过步骤S20的公式计算得到它们的平均值为0.373,小于0.5,输出为0。
2)宽度是3.75米的某车道,当前有5辆车在车道内,经采集,它们的中心点与车道中心线之间的距离分别为 1.5、2、1.5、2.2、1.3,通过步骤S20的公式计算得到它们的平均值为0.907,大于0.5,输出为0.907。
另外,在本步骤中,还需要对处于两台雷视一体机的接力区域内存在的车辆进行热力偏差计算。
具体包括:
获取处于两台雷视一体机的接力区域内的车辆的热力偏差值。
单个车辆的热力偏差值的计算具体包括:
获取处于两台雷视一体机的接力区域内的车辆的位置信息。
根据车辆的位置信息计算两台雷视一体机识别的同一车辆的距离。
根据同一车辆的距离以及两台雷视一体机的距离检测精度,计算处于接力区域内的车辆的热力偏差值。
具体采用以下公式计算:
同样的,当热力偏差值大于0.5时,输出的实际值,当热力偏差值小于0.5时,输出的0值。
将热力平均值的输出结果与热力偏差值的输出结果进行和运算得到最终的轨迹匹配结果。
即,本步骤中的轨迹匹配结果的输出值为热力平均值的输出结果与热力偏差值的输出结果之和。
S40. 根据轨迹匹配结果判断雷视一体机是否需要重新标注,若是,获取当前图像中的特征点,将当前图像中的特征点与初始点云坐标中的特征点进行匹配。
在本步骤,根据轨迹匹配结果判断雷视一体机是否需要重新标注具体为:
判断轨迹匹配结果是否大于1,若是,则表示雷视一体机需要重新标注,否则,不需要重新标志。
当需要重新标注时,采用SuperGlue深度学习模型提取雷视一体机拍摄到的当前图像中的特征点,并将当前图像中的特征点和初始点云坐标中的特征点进行特征聚合,得到一系列匹配的特征点的像素坐标和世界坐标。
S50. 根据匹配结果重新标注初始点云坐标中的关键点,以生成新的点云坐标。
本步骤中,新的点云坐标的生成具体包括:
根据特征点的像素坐标和世界坐标的关系,计算得到新的点云坐标。
实施例2
本实施例公开了一种雷视一体机自动重标注方法,其在实施例1的基础上进一步公开了步骤S50的具体实现方式。
在本实施例中,对实施例1中的步骤S50的实现过程具体说明。
步骤S50包括:
S501. 通过步骤S40得到一系列匹配的特征点的像素坐标和世界坐标。
S502. 根据特征点的像素坐标和世界坐标的关系,计算得到新的点云坐标。
本步骤可通过像素坐标与世界坐标系的关系式计算得到:
表示比例变量,表示内参, 表示焦距与x方向一个像素的单位长度的比值,表示焦距与y方向一个像素的单位长度的比值,表示特征点的像素坐标,表示图像像素坐标系中的中心点,表示特征点的世界坐标,不随雷视一体机的角度的变化而变化。
实施例3
本实施例公开了一种雷视一体机自动重标注系统,其采用实施例1公开的一种雷视一体机自动重标注方法对雷视一体机进行自动重标注,以解决当雷视一体机因为震动出现位移或者重新安装导致其角度发生变化时,通常无法及时发现问题,从而导致识别结果出现的经纬信息不准确,通常需要人工再次进行标注,这样做很耗费人力成本且不能及时发现和修正等问题。
在本实施例中,该一种雷视一体机自动重标注系统,如图3所示,包括:车辆在道识别模块、轨迹匹配模块、雷视接力判断模块以及实时点云识别模块,车辆在道识别模块与轨迹匹配模块连接,轨迹匹配模块和雷视接力判断模块分别与实时点云识别模块连接。
其中,车辆在道识别模块用于根据车辆的过车数据对车辆进行在道识别,以判断车辆是否行驶在车道内,并将识别的行驶在车道内的车辆的过车数据发送至轨迹匹配模块。
该车辆在道识别过程参见实施例1,本实施例不再进行过多阐述。
轨迹匹配模块用于根据车辆的过车数据以及车道中心热力图对车辆的运行轨迹进行匹配计算,以获取所有车辆当前位置的热力平均值,并根据热力平均值输出相应结果。
该所有车辆当前位置的热力平均值的计算过程参见实施例1,本实施例不再进行过多阐述。
雷视接力判断模块用于获取处于两台雷视一体机的接力区域内的车辆的热力偏差值,并根据热力偏差值输出相应结果;根据热力平均值的输出结果和热力偏差值的输出结果确定车辆的轨迹匹配结果。
该轨迹匹配结果的计算过程参见实施例1,本实施例不再进行过多阐述。
实时点云识别模块用于获取当前图像中的特征点,并将当前图像中的特征点与初始点云坐标中的特征点进行匹配,根据匹配结果重新标注初始点云坐标中的关键点,以生成新的点云坐标。
新的点云坐标的计算过程参见实施例2,本实施例不再进行过多阐述。
本实施例的一种雷视一体机自动重标注系统可在雷视一体机因震动导致的角度轻微变化或者需要重新安装时,识别出偏移,并对偏移的结果进行矫正处理,精准度高,且节省人工二次矫正的成本和效率。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种雷视一体机自动重标注方法,其特征在于,包括以下步骤:
雷视一体机初始安装时,获取其可视范围内的所有车道的中心位置,形成车道中心热力图;同时获取无车状态下,可视范围内的关键点,建立初始点云坐标;
雷视一体机正常运行后,获取其可视范围内的所有车辆的过车数据,根据车辆的过车数据对车辆进行在道识别,以判断车辆是否行驶在车道内;
若是,根据车辆的过车数据以及车道中心热力图对车辆的运行轨迹进行匹配计算,以获取所有车辆当前位置的热力平均值,并根据热力平均值确定车辆的轨迹匹配结果;
根据轨迹匹配结果判断雷视一体机是否需要重新标注,若是,获取当前图像中的特征点,将当前图像中的特征点与初始点云坐标中的特征点进行匹配;
根据匹配结果重新标注初始点云坐标中的关键点,以生成新的点云坐标。
2.根据权利要求1所述的一种雷视一体机自动重标注方法,其特征在于,所述轨迹匹配结果具体包括:
通过车辆的过车数据统计出行驶在车道内的所有车辆的当前位置信息;
根据车辆的当前位置信息结合车道中心热力图计算出所有车辆当前位置的热力值;
根据所有车辆当前位置的热力值计算车辆当前位置的热力平均值;
当热力平均值大于0.5时,输出的实际值,当热力平均值小于0.5时,输出的0值。
3.根据权利要求2所述的一种雷视一体机自动重标注方法,其特征在于,当两台雷视一体机的接力区域内存在车辆时,所述轨迹匹配结果还包括:
获取处于两台雷视一体机的接力区域内的车辆的热力偏差值;
当热力偏差值大于0.5时,输出的实际值,当热力偏差值小于0.5时,输出的0值;
将热力平均值的输出结果与热力偏差值的输出结果进行和运算得到最终的轨迹匹配结果。
4.根据权利要求3所述的一种雷视一体机自动重标注方法,其特征在于,车辆的热力偏差值的计算具体包括:
获取处于两台雷视一体机的接力区域内的车辆的位置信息;
根据车辆的位置信息计算两台雷视一体机识别的同一车辆的距离;
根据同一车辆的距离以及两台雷视一体机的距离检测精度,计算处于接力区域内的车辆的热力偏差值。
5.根据权利要求2所述的一种雷视一体机自动重标注方法,其特征在于,所述车辆当前位置的热力值的计算具体包括:
根据车道中心热力图获取车道中心线与车道边线之间的距离;
根据车辆的当前位置信息以及车道中心热力图获取车辆的中心点与车道中心线之间的距离;
根据车辆的中心点与车道中心线之间的距离和车道中心线与车道边线之间的距离计算出车辆当前位置的热力值。
6.根据权利要求1所述的一种雷视一体机自动重标注方法,其特征在于,判断车辆是否行驶在车道内具体包括:
通过车辆的过车数据识别车辆的当前位置信息;
将车辆的当前位置信息与车道边线的位置进行空间位置比对,从而判断该车辆的当前位置是否在车道内。
7.根据权利要求1所述的一种雷视一体机自动重标注方法,其特征在于,新的点云坐标的生成具体包括:
采用SuperGlue深度学习模型对当前图像中的特征点和初始点云坐标中的特征点进行特征聚合,得到一系列匹配的特征点的像素坐标和世界坐标;
根据特征点的像素坐标和世界坐标的关系,计算得到新的点云坐标。
8.根据权利要求1所述的一种雷视一体机自动重标注方法,其特征在于,雷视一体机需要重新标注的判断条件是:
判断轨迹匹配结果是否大于1,若是,则表示雷视一体机需要重新标注。
9.根据权利要求1所述的一种雷视一体机自动重标注方法,其特征在于,在所述车道中心热力图中,靠近车道中心线位置的权值为0,远离车道中心线位置的权值逐步增加,车道边线位置的权值为1,非车道位置的权值为无穷大。
10.一种雷视一体机自动重标注系统,其特征在于,采用权利要求1-9任一项所述的一种雷视一体机自动重标注方法对雷视一体机进行自动重标注;
所述系统包括:车辆在道识别模块、轨迹匹配模块、雷视接力判断模块以及实时点云识别模块,所述车辆在道识别模块与所述轨迹匹配模块连接,所述轨迹匹配模块和雷视接力判断模块分别与所述实时点云识别模块连接;
所述车辆在道识别模块用于根据车辆的过车数据对车辆进行在道识别,以判断车辆是否行驶在车道内,并将识别的行驶在车道内的车辆的过车数据发送至轨迹匹配模块;
所述轨迹匹配模块用于根据车辆的过车数据以及车道中心热力图对车辆的运行轨迹进行匹配计算,以获取所有车辆当前位置的热力平均值,并根据热力平均值输出相应结果;
所述雷视接力判断模块用于获取处于两台雷视一体机的接力区域内的车辆的热力偏差值,并根据热力偏差值输出相应结果;根据热力平均值的输出结果和热力偏差值的输出结果确定车辆的轨迹匹配结果;
所述实时点云识别模块用于获取当前图像中的特征点,并将当前图像中的特征点与初始点云坐标中的特征点进行匹配,根据匹配结果重新标注初始点云坐标中的关键点,以生成新的点云坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211155385.XA CN115249270B (zh) | 2022-09-22 | 2022-09-22 | 一种雷视一体机自动重标注方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211155385.XA CN115249270B (zh) | 2022-09-22 | 2022-09-22 | 一种雷视一体机自动重标注方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115249270A true CN115249270A (zh) | 2022-10-28 |
CN115249270B CN115249270B (zh) | 2022-12-30 |
Family
ID=83700023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211155385.XA Active CN115249270B (zh) | 2022-09-22 | 2022-09-22 | 一种雷视一体机自动重标注方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115249270B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016359A1 (en) * | 2005-07-18 | 2007-01-18 | Eis Electronic Integrated Systems Inc. | Method and apparatus for providing automatic lane calibration in a traffic sensor |
EP2119617A1 (en) * | 2008-05-12 | 2009-11-18 | IVECO S.p.A. | Vehicle driving aid system for lane changing assistance |
US20150371541A1 (en) * | 2014-06-23 | 2015-12-24 | Hi-Park Solutions Ltd. | Method and System for Locating Vacant Parking Places |
JP2018063236A (ja) * | 2016-10-13 | 2018-04-19 | バイドゥ ネットコム サイエンス アンド テクノロジー(ペキン) カンパニー リミテッド | 点群データにアノテーションを付与する方法および装置 |
CN108082192A (zh) * | 2016-11-22 | 2018-05-29 | 比亚迪股份有限公司 | 车道偏离预警方法及装置 |
CN108152808A (zh) * | 2017-11-23 | 2018-06-12 | 安徽四创电子股份有限公司 | 一种基于毫米波雷达的周界智能预测预警方法 |
CN109188459A (zh) * | 2018-08-29 | 2019-01-11 | 东南大学 | 一种基于多线激光雷达的坡道小障碍物识别方法 |
CN109583435A (zh) * | 2019-01-24 | 2019-04-05 | 安徽理工大学 | 一种自适应投票车道线检测方法 |
US20190120948A1 (en) * | 2017-10-19 | 2019-04-25 | DeepMap Inc. | Lidar and camera synchronization |
CN110320518A (zh) * | 2019-05-31 | 2019-10-11 | 惠州市德赛西威汽车电子股份有限公司 | 一种车载bsd毫米波雷达安装位置自动标定方法 |
US10504240B1 (en) * | 2017-10-18 | 2019-12-10 | Amazon Technologies, Inc. | Daytime heatmap for night vision detection |
KR102103858B1 (ko) * | 2019-10-02 | 2020-05-29 | 한화시스템 주식회사 | 표적 융합 기능을 갖는 차세대 함정용 irst 및 mfr 표적 비디오의 파노라믹 동기 전시 장치 |
CN112017250A (zh) * | 2020-08-31 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 标定参数确定方法、装置、雷视设备和雷球接力系统 |
GB202017591D0 (en) * | 2019-11-07 | 2020-12-23 | Motional Ad Llc | Trajectory prediction from precomputed or dynamically generated bank of trajectories |
JP2021082294A (ja) * | 2019-11-21 | 2021-05-27 | エヌビディア コーポレーション | 自律マシン適用におけるradarセンサを使用する障害物インスタンスの検出のためのディープ・ニューラル・ネットワーク |
CN113421330A (zh) * | 2021-06-21 | 2021-09-21 | 车路通科技(成都)有限公司 | 车路协同的道路三维场景构建方法、装置、设备及介质 |
CN113674358A (zh) * | 2021-08-09 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种雷视设备的标定方法、装置、计算设备及存储介质 |
CN114076956A (zh) * | 2021-11-12 | 2022-02-22 | 北京斯年智驾科技有限公司 | 一种基于激光雷达点云辅助的车道线标定方法 |
CN114529615A (zh) * | 2022-04-21 | 2022-05-24 | 南京隼眼电子科技有限公司 | 雷达标定方法、装置及存储介质 |
CN114926540A (zh) * | 2022-05-07 | 2022-08-19 | 深圳汇辰软件有限公司 | 一种车道线标定的方法、装置、终端设备及可读存储介质 |
-
2022
- 2022-09-22 CN CN202211155385.XA patent/CN115249270B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016359A1 (en) * | 2005-07-18 | 2007-01-18 | Eis Electronic Integrated Systems Inc. | Method and apparatus for providing automatic lane calibration in a traffic sensor |
EP2119617A1 (en) * | 2008-05-12 | 2009-11-18 | IVECO S.p.A. | Vehicle driving aid system for lane changing assistance |
US20150371541A1 (en) * | 2014-06-23 | 2015-12-24 | Hi-Park Solutions Ltd. | Method and System for Locating Vacant Parking Places |
JP2018063236A (ja) * | 2016-10-13 | 2018-04-19 | バイドゥ ネットコム サイエンス アンド テクノロジー(ペキン) カンパニー リミテッド | 点群データにアノテーションを付与する方法および装置 |
CN108082192A (zh) * | 2016-11-22 | 2018-05-29 | 比亚迪股份有限公司 | 车道偏离预警方法及装置 |
US10504240B1 (en) * | 2017-10-18 | 2019-12-10 | Amazon Technologies, Inc. | Daytime heatmap for night vision detection |
US20190120948A1 (en) * | 2017-10-19 | 2019-04-25 | DeepMap Inc. | Lidar and camera synchronization |
CN108152808A (zh) * | 2017-11-23 | 2018-06-12 | 安徽四创电子股份有限公司 | 一种基于毫米波雷达的周界智能预测预警方法 |
CN109188459A (zh) * | 2018-08-29 | 2019-01-11 | 东南大学 | 一种基于多线激光雷达的坡道小障碍物识别方法 |
CN109583435A (zh) * | 2019-01-24 | 2019-04-05 | 安徽理工大学 | 一种自适应投票车道线检测方法 |
CN110320518A (zh) * | 2019-05-31 | 2019-10-11 | 惠州市德赛西威汽车电子股份有限公司 | 一种车载bsd毫米波雷达安装位置自动标定方法 |
KR102103858B1 (ko) * | 2019-10-02 | 2020-05-29 | 한화시스템 주식회사 | 표적 융합 기능을 갖는 차세대 함정용 irst 및 mfr 표적 비디오의 파노라믹 동기 전시 장치 |
GB202017591D0 (en) * | 2019-11-07 | 2020-12-23 | Motional Ad Llc | Trajectory prediction from precomputed or dynamically generated bank of trajectories |
JP2021082294A (ja) * | 2019-11-21 | 2021-05-27 | エヌビディア コーポレーション | 自律マシン適用におけるradarセンサを使用する障害物インスタンスの検出のためのディープ・ニューラル・ネットワーク |
CN112017250A (zh) * | 2020-08-31 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 标定参数确定方法、装置、雷视设备和雷球接力系统 |
CN113421330A (zh) * | 2021-06-21 | 2021-09-21 | 车路通科技(成都)有限公司 | 车路协同的道路三维场景构建方法、装置、设备及介质 |
CN113674358A (zh) * | 2021-08-09 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种雷视设备的标定方法、装置、计算设备及存储介质 |
CN114076956A (zh) * | 2021-11-12 | 2022-02-22 | 北京斯年智驾科技有限公司 | 一种基于激光雷达点云辅助的车道线标定方法 |
CN114529615A (zh) * | 2022-04-21 | 2022-05-24 | 南京隼眼电子科技有限公司 | 雷达标定方法、装置及存储介质 |
CN114926540A (zh) * | 2022-05-07 | 2022-08-19 | 深圳汇辰软件有限公司 | 一种车道线标定的方法、装置、终端设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
DEZHI GAO ET AL.: "A method of spatial calibration for camera and radar", 《2010 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
糜泽阳: "基于机器视觉的车道线检测与保持算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115249270B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
Zhao et al. | On-road vehicle trajectory collection and scene-based lane change analysis: Part i | |
KR101241651B1 (ko) | 영상 인식 장치 및 그 방법, 영상 기록 장치 또는 그방법을 이용한 위치 판단 장치, 차량 제어 장치 및네비게이션 장치 | |
CN101075376B (zh) | 基于多视点的智能视频交通监控系统及方法 | |
CN109064495A (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
CN106980657A (zh) | 一种基于信息融合的车道级电子地图构建方法 | |
CN112836737A (zh) | 一种基于车路数据融合的路侧组合感知设备在线标定方法 | |
CN103925927B (zh) | 一种基于车载视频的交通标识定位方法 | |
CN109685858A (zh) | 一种单目摄像头在线标定方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
KR20060087449A (ko) | 차량 위치 인식 장치 및 차량 위치 인식 방법 | |
CN111275960A (zh) | 一种交通路况分析方法、系统及摄像机 | |
CN103714343A (zh) | 线激光器照明条件下双线阵相机采集的路面图像拼接及匀化方法 | |
JPWO2017038134A1 (ja) | ランドマーク認識装置及び認識方法 | |
US10163341B2 (en) | Double stereoscopic sensor | |
Sochor et al. | Brnocompspeed: Review of traffic camera calibration and comprehensive dataset for monocular speed measurement | |
CN113791414B (zh) | 一种基于毫米波车载雷达视图的场景识别方法 | |
JP4775658B2 (ja) | 地物認識装置・自車位置認識装置・ナビゲーション装置・地物認識方法 | |
CN111288890A (zh) | 基于双目摄影测量技术的道路标志尺寸及高度自动测量方法 | |
CN112446915B (zh) | 一种基于图像组的建图方法及装置 | |
CN112577479B (zh) | 基于地图元素数据的多传感器融合车辆定位方法及装置 | |
CN106448191B (zh) | 一种能兼顾行人的平面感知路口交通信号控制方法及系统 | |
CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
CN115249270B (zh) | 一种雷视一体机自动重标注方法及系统 | |
CN110415299B (zh) | 一种运动约束下基于设定路牌的车辆位置估计方法 |
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 |