CN115359030A - 基于雷达图的地面异物检测方法、装置、设备和介质 - Google Patents
基于雷达图的地面异物检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115359030A CN115359030A CN202211060703.4A CN202211060703A CN115359030A CN 115359030 A CN115359030 A CN 115359030A CN 202211060703 A CN202211060703 A CN 202211060703A CN 115359030 A CN115359030 A CN 115359030A
- Authority
- CN
- China
- Prior art keywords
- target
- current
- information
- radar image
- frame information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims description 42
- 230000003068 static effect Effects 0.000 claims description 26
- 238000003708 edge detection Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达图的地面异物检测方法、装置、设备和介质。所述方法包括:获取雷达检测区域的当前雷达图像;根据所述当前雷达图像得到当前轮廓边框信息库;其中,所述当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息;根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测;其中,所述历史轮廓边框信息库根据所述历史雷达图像进行确定。本申请技术方案通过对当前雷达图像分析处理后,可获得准确的当前轮廓边框信息库,再将待检测目标的当前轮廓边框信息和历史轮廓边框信息库进行比对,以实现准确快速的检测出待检测目标是否为异物。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种基于雷达图的地面异物检测方法、装置、设备和介质。
背景技术
数字交通是数字经济发展的重要领域,随着交通行业逐渐智能化、数字化、信息化发展。由地面异物引起的问题日益受到重视。例如在隧道公路等交通应用场景下,异物的存在,很容易引起一连串的交通事故,极大影响交通通行能力,带来严重的安全问题。如何精准、及时地识别并处理异物成为智慧交通安防领域重要的话题。
相关方案,针对道路上异物检测,利用扫描雷达生成全景雷达图来进行异物检测。但是,道路上的影像因素很多,会对雷达图中异物检测产生干扰,很难快速准确地检测出是否存在异物,也可能会出现对异物误判的问题,因此对于异物的准确检测越来越重要。
发明内容
本发明提供了一种基于雷达图的地面异物检测方法、装置、设备和介质,以解决如何通过雷达图像快速检测出异物的问题。
根据本发明的一方面,提供了一种基于雷达图的地面异物检测方法,所述方法包括:
获取雷达检测区域的当前雷达图像;
根据所述当前雷达图像得到当前轮廓边框信息库;其中,所述当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息;
根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测;其中,所述历史轮廓边框信息库根据所述历史雷达图像进行确定。
根据本发明的另一方面,提供了一种基于雷达图的地面异物检测装置,所述装置包括:
图像确定模块,用于获取雷达检测区域的当前雷达图像;
信息库确定模块,用于根据所述当前雷达图像得到当前轮廓边框信息库;其中,所述当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息;
检测模块,用于根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测;其中,所述历史轮廓边框信息库根据所述历史雷达图像进行确定。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于雷达图的地面异物检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于雷达图的地面异物检测方法。
本发明实施例的技术方案,通过获取的雷达检测区域的当前雷达图像准确得到当前轮廓边框信息库,其中,当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息,再根据待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测,其中,历史轮廓边框信息库根据历史雷达图像进行确定。本申请技术方案通过对当前雷达图像中各个像素点分析处理后,可获得准确的当前轮廓边框信息库,再将待检测目标的当前轮廓边框信息和历史轮廓边框信息库进行比对,以实现快速准确地检测出待检测目标是否存在异物。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于雷达图的地面异物检测方法的流程图;
图2是根据本发明实施例二提供的一种基于雷达图的地面异物检测方法的流程图;
图3是根据本发明实施例提供的矩形区域选取方法的示意图;
图4是根据本发明实施例三提供的一种基于雷达图的地面异物检测装置的结构示意图;
图5是实现本发明实施例的基于雷达图的地面异物检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为根据本发明实施例一提供的一种基于雷达图的地面异物检测方法的流程图,本实施例可适用于对内部空间环境相对固定的场景(如隧道)中的异物进行检测的情况,该方法可以由基于雷达图的异物检测装置来执行,该基于雷达图的地面异物检测装置可以采用硬件和/或软件的形式实现,该基于雷达图的地面异物检测装置可配置于基于雷达图的地面异物检测方法的电子设备中。如图1所示,该方法包括:
S110、获取雷达检测区域的当前雷达图像。
其中,当前雷达图像可以是车辆进入雷达检测区域后,雷达发射机向雷达检测区域发射无线电波,接收机接收散射回波所形成的雷达图像。当前雷达图像可以分割成若干个小方格,每个小方格可被称为一个像素点,通过对每个像素点的信息进行分析处理,就可以获取各个像素点对应的雷达检测区域中对应的各个检测位置点的信息特征,进而确定待检测目标的信息,例如,通过对当前雷达图像中各个像素点的位置、颜色和亮度等信息进行分析处理后,进而准确获得雷达检测区域对应的待检测目标的情况。
S120、根据所述当前雷达图像得到当前轮廓边框信息库;其中,所述当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息。
其中,当前轮廓边框信息库可以是用来存放对当前雷达图像分析处理后,所获得的待检测目标的当前轮廓边框信息的信息库。当前轮廓边框信息用于对当前雷达图像中待检测目标轮廓的边框信息进行描述,例如轮廓边框信息可以是当前轮廓边框包含轮廓并垂直边界的最小矩形的边界信息。
具体的,对当前雷达图像中的待检测目标进行轮廓提取,准确获取当前雷达图像中的待检测目标的当前轮廓边框信息,并放入当前轮廓边框信息库,可以确保对待检测目标进行异物检测更加准确。
S130、根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测;其中,所述历史轮廓边框信息库根据所述历史雷达图像进行确定。
其中,当前轮廓边框信息中包括轮廓边框位置信息。轮廓边框位置信息可以是用来表示目标所处的位置坐标信息。历史轮廓边框信息库中包括至少一条历史轮廓边框信息,历史轮廓边框信息中至少包括轮廓边框位置信息和轮廓边框属性信息;历史轮廓边框信息库可以是对历史雷达图像进行分析处理所获得的待检测目标的历史轮廓边框信息的信息库。其中,历史雷达图像可以是当前雷达图像的上一帧雷达图像。异物可以是抛洒物等可能对道路交通产生影响的物体。
在一个可行的实施例中,根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测,包括如下步骤A1-A4:
A1、对所述历史轮廓边框信息库中的历史轮廓边框信息进行遍历,根据所述轮廓边框位置信息依次确定所述历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的重合度。
A2、在所述当前轮廓边框信息库中确定与所述历史轮廓边框信息重合度最高的目标当前轮廓边框信息。
A3、根据所述重合度对所述历史轮廓边框信息的轮廓边框属性信息进行更新。
A4、根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测。
其中,轮廓边框位置信息为最小外接矩形边界框信息。
具体的,对历史轮廓边框信息库中的历史轮廓边框信息进行遍历,根据轮廓边框位置信息依次确定历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的重合度,可根据如下公式确定重合度:
依据确定的历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的重合度,找出在当前轮廓边框信息库中与历史轮廓边框信息重合度最高的目标当前轮廓边框信息,并根据重合度对历史轮廓边框信息的轮廓边框属性信息进行更新,以使历史轮廓边框信息库更加准确,可依据历史轮廓边框信息库中的轮廓边框属性信息准确的对待检测目标进行异物检测。
本技术方案,通过公式精确计算获得历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的重合度,并找出重合度最高的当前轮廓边框信息作为与历史轮廓边框信息对应的目标当前轮廓边框信息,从而依据重合度对历史轮廓边框信息的轮廓边框属性信息进行更新,使得历史轮廓边框信息的轮廓边框属性信息更能准确表示待检测目标,进而依据更新后的轮廓边框属性信息对目标当前轮廓边框信息对应的待检测目标进行异物检测,实现快速准确的检测出待检测目标是否为异物。
在一个可行的实施例中,根据所述重合度对所述历史轮廓边框信息的轮廓边框属性信息进行更新,可包括如下步骤B1-B2:
B1、若所述重合度大于或等于预设重合度阈值,则对所述连续静止帧数进行更新计数,对所述连续无目标关联帧数置零;
B2、若所述重合度小于预设重合度阈值,则对所述连续无目标关联帧数更新计数,对所述连续静止帧数置零。
其中,轮廓边框属性信息至少包括连续无目标关联帧数和连续静止帧数。连续无目标关联帧数φ可以是指与目标当前轮廓边框信息对应的待检测目标连续未出现的雷达图像帧数。连续静止帧数τ用于对待检测目标在运动过程中位置停止变化的帧数进行表征,可以用来判断目标停止运动的时间长度。预设重合度阈值T可以用来判断历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息相匹配的最小值。
具体的,获取历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的各个重合度,若重合度大于或等于预设重合度阈值,说明历史轮廓边框信息与对应的目标当前轮廓边框信息可以代表同一个目标,那么对连续静止帧数进行更新计数,即τ=τ+1,连续无目标关联帧数置零;若重合度小于预设重合度阈值,说明当前时刻目标已经不在雷达检测区域,那么对连续无目标关联帧数更新计数,即φ=φ+1,连续静止帧数置零。
本技术方案,通过重合度与预设重合度阈值进行判断,准确对历史轮廓边框信息的轮廓边框属性信息进行更新,有利于后续对目标是否为异物进行准确检测。
在一个可行的实施例中,根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测,包括:
若更新后的所述连续静止帧数大于预设连续静止帧数阈值,则确定所述目标当前轮廓边框信息对应的待检测目标为异物,并将所述目标当前轮廓边框信息从当前轮廓边框信息库进行删除。
其中,预设连续静止帧数阈值判断目标已经停止的最小连续静止帧数。
具体的,确定重合度大于或等于预设重合度阈值后,提取历史轮廓边框信息库中目标当前轮廓边框信息对应的待检测目标的历史轮廓边框信息的更新后轮廓边框属性信息,并判断更新后的连续静止帧数是否大于预设连续静止帧数阈值,若更新后的连续静止帧数大于预设连续静止帧数阈值,说明待检测目标已经停止,则确定目标当前轮廓边框信息对应的待检测目标为异物,并将目标当前轮廓边框信息从当前轮廓边框信息库进行删除;若更新后的连续静止帧数小于预设连续静止帧数阈值,说明待检测目标还未停止,继续对轮廓边框属性信息进行更新。
本技术方案,通过根据更新后的轮廓边框属性信息对目标当前轮廓边框信息对应的待检测目标进行异物检测,实现了准确且快速的对待检测目标是否为异物进行判断。
在一个可行的实施例中,在根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测之后,所述方法还包括:
若更新后的所述连续无目标关联帧数大于预设连续无目标关联帧数阈值,则将所述历史轮廓边框信息从历史轮廓边框信息库中删除。
其中,预设连续无目标关联帧数阈值用于判断目标是否仍存在于雷达检测区域。
具体的,确定重合度小于预设重合度阈值后,提取历史轮廓边框信息库中目标当前轮廓边框信息对应的待检测目标的历史轮廓边框信息的更新后轮廓边框属性信息,若更新后的连续无目标关联帧数大于预设连续无目标关联帧数阈值,说明物体已经不在雷达检测区域,待检测目标的历史轮廓边框信息为无效信息,则应将历史轮廓边框信息从历史轮廓边框信息库中删除。
本技术方案,通过判断更新后的连续无目标关联帧数是否大于预设连续无目标关联帧数阈值,以确定待检测目标的历史轮廓边框信息是否为无效信息,若为无效信息,则及时将历史轮廓边框信息从历史轮廓边框信息库中删除,以确保历史轮廓边框信息库的准确性。
在一个可行的实施例中,在根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测之后,所述方法还包括:
根据所述当前轮廓边框信息库中的剩余当前轮廓边框信息在所述历史轮廓边框信息库中添加新的历史轮廓边框信息,并对所述新的历史轮廓边框信息的轮廓边框属性信息进行初始化设置。
具体的,遍历当前轮廓边框信息库,若当前轮廓边框信息库中的仍存在当前轮廓边框信息,说明雷达检测区域出现了新的目标,则需要将当前轮廓边框信息库中的剩余当前轮廓边框信息在历史轮廓边框信息库中添加新的历史轮廓边框信息,确保历史轮廓边框信息库的丰富性,并对新的历史轮廓边框信息的轮廓边框属性信息进行初始化设置,即τ=0,φ=0。
示例性的,当前轮廓边框信息库C中包括C1、C2和C3三个当前轮廓边框信息,历史轮廓边框信息库S中包括S1、S2和S3三个历史轮廓边框信息,经过重合度计算,确定C1为与S1对应的目标当前轮廓边框信息,C2为与S2对应的目标当前轮廓边框信息,C3为与S3对应的目标当前轮廓边框信息,C1与S1的重合度大于预设重合度阈值,则对S1的轮廓边框属性信息进行更新,并将C1从当前轮廓边框信息库C中删除;C2与S2以及C3与S3的重合度小于预设重合度阈值,则直接对S2和S3的轮廓边框属性信息进行更新,并将C2和C3添加到历史轮廓边框信息库S中。
本技术方案,通过将当前轮廓边框信息库中的剩余当前轮廓边框信息在历史轮廓边框信息库中添加新的历史轮廓边框信息,扩充了历史轮廓边框信息库,确保了历史轮廓边框信息库的准确性,也避免了因为信息遗漏而导致对异物检测出现误判的情况,提高了异物检测的准确性。
在一个可行的实施例中,在确定所述目标当前轮廓边框信息对应的待检测目标为异物之后,所述方法还包括:
根据所述目标当前轮廓边框信息中的所述轮廓边框位置信息确定所述异物的位置信息。
具体的,可根据如下公式确定异物的位置信息:
其中,(x,y)表示异物的位置信息,(r,c)表示最小外接矩形边界框的中心位置信息,(rtl,ctl)和(rbr,cbr)分别表示所述最小外接矩形边界框的左上角位置信息和右下角位置信息。Δ表示当前雷达图像中像素点和实际区域的对应关系,P、Q分别表示当前雷达图像的行数和列数。
本技术方案,依据目标当前轮廓边框信息中的轮廓边框位置信息,通过公式精确计算获得异物的位置信息,可及时根据异物的位置信息对道路上的异物进行处理,确保了道路行驶安全。
本发明实施例的技术方案,通过获取雷达检测区域的当前雷达图像,并对当前雷达图像进行分析处理,进而准确得到当前轮廓边框信息库,其中,当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息,再根据轮廓边框位置信息依次确定历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的重合度,并依据重合度对历史轮廓边框信息的轮廓边框属性信息进行更新,以确保历史轮廓边框信息库的准确性,最后再根据更新后的轮廓边框属性信息对待检测目标进行异物检测,以实现快速准确地检测出待检测目标是否存在异物。
实施例二
图2为根据本发明实施例二提供的一种基于雷达图的地面异物检测方法的流程图,本实施例是对上述实施例中根据当前雷达图像得到当前轮廓边框信息库的详细描述。如图2所示,该方法包括:
S210、获取雷达检测区域的当前雷达图像,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
具体的,雷达检测区域设置在隧道场景中,内部空间环境相对固定的场景,不会随意发生变化,所以雷达图像中的背景较为简单,且由于受到隧道内部结构影响,在当前雷达图像中实际需要检测的隧道区域为一个矩形区域。例如,相对于隧道场景下雷达拍摄得到的雷达图像参见图3,图中圆形区域1为雷达可探测区域,矩形区域2为隧道所在的实际需要检测区域,示例性的,在雷达可探测区域中设定一个矩形区域,矩形区域以外的部分为隧道背景相对固定,不会对隧道路面上异物检测产生明显影响,所以实际雷达检测区域设定为该矩形区域,矩形区域以外的都可以作为背景,这样可以减少不必要的检测和计算,加快图像处理的过程。具体的,根据雷达图像中像素点与实际区域的对应关系,确定隧道路面区域对应在雷达可探测区域中的位置,进而得到对应的矩形区域作为最终的当前雷达图像。
此外,可以利用平均除背景方法对当前雷达图像的背景进行去除,以获得准确的背景去除后的目标雷达图像。同时,利用平均除背景方法去除当前雷达图像的背景,可以是大大减小计算量,并可以实现简单、快捷且准确对当前雷达图像进行背景去除。
在一个可行的实施例中,对所述当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,可包括如下步骤C1-C3:
步骤C1、确定采集当前雷达图像之前在雷达检测区域采集的预设数量的上一雷达图像;所述上一雷达图像包括在采集当前雷达图像之前邻近时间内采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像。
步骤C2、对预设数量的上一雷达图像进行图像累加平均,得到上一雷达图像对应的累加平均图像。
步骤C3、依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
其中,预设数量可以是根据实际需求确定的在采集当前雷达图像之前需要通过扫描雷达检测区域获取的雷达图像的个数。上一雷达图像可以是在采集当前雷达图像之前的临近时间内通过雷达扫描雷达检测区域所获得的所有雷达图像的集合;或者是对雷达检测区域进行封闭使得雷达检测区域内无车辆等干扰因素下通过雷达扫描雷达检测区域所采集的图像。其中,雷达为微波雷达,如毫米波雷达。
具体的,利用雷达扫描雷达检测区域获取预设数量的上一雷达图像,且每一个图像可记为F,再对预设数量的上一雷达图像进行图像累加平均,得到上一雷达图像的累加平均图像F,接下来,获取当前时刻通过雷达扫描雷达检测区域获取的当前雷达图像,因为当前雷达图像中的待检测目标并未出现在上一雷达图像中,所以上一雷达图像的累加平均图像F可以作为雷达图像的背景图,那可以依据上一雷达图像的累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
本技术方案,通过对预设数量的上一雷达图像进行图像累加平均,使得获得的上一雷达图像的累加平均图像更加准确,从而使依据上一雷达图像的累加平均图像对当前雷达图像中背景与前景进行分离,以获得准确的背景去除后的目标雷达图像,有利于后续更加准确地获取当前雷达图像的待检测目标区域的位置信息。
在一个可行的实施例中,依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,可包括如下步骤D1-D3:
步骤D1、将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,得到图像差值处理后图像。
步骤D2、通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
其中,图像差值处理可以是将两个类似的图像进行求差处理。二值化处理可以是图像上的每一个像素只有两种可能的取值或灰度等级状态,即图像中的任何像素点的灰度值均为0或者255,分别代表黑色和白色。
具体的,当对预设数量的上一雷达图像进行图像累加平均获得上一雷达图像的累加平均图像后,获取当前雷达图像F,并将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,获得图像差值处理后图像FΔ,可表示为:
其中,F为当前雷达图像的灰度图。
接下来对图像差值处理后图像FΔ进行二值化处理,即将FΔ中每个像素点的像素值转化为0或者255,且像素值为0的像素点为背景,像素值为255的像素点为前景,因此可以依据进过二值化处理的图像差值处理后图像,将当前雷达图像中的背景与前景进行分离,从而获得背景去除后的目标雷达图像。
可通过如下公式对图像差值处理后图像FΔ进行二值化处理:
其中,fij'为雷达图像经过二值化处理后的对应像素点的灰度值,为雷达图像中对应像素点的灰度值,T为预设灰度值,预设灰度值可以是雷达图像中对应像素点的灰度值转化为0或255的临界值,当雷达图像中对应像素点的灰度值大于或等于预设灰度值,对应像素点的灰度值转化为255,反之转化为0。
本技术方案,通过当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,以获得图像差值处理后图像,再通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,实现了将当前雷达图像的背景和前景准确分离,使背景去除后的目标雷达图像更加准确,可实现更加准确地获取待检测目标区域的位置信息。
S220、确定目标雷达图像中前景中包括的待检测目标区域的位置信息。
其中,待检测目标区域可以是目标雷达图像中的待检测目标的最小外接矩形区域。
具体的,只有准确获取目标雷达图像中前景中包括的待检测目标区域的位置信息,才能准确确定当前轮廓边框信息。
在一个可行的实施例中,确定所述目标雷达图像中前景中包括的待检测目标区域的位置信息,可包括如下步骤E1-E3:
步骤E1、对所述目标雷达图像进行形态学处理得到处理后雷达图像;目标雷达图像的前景中待检测目标区域介于发生前景与背景分离而被分割到不同子区域。
步骤E2、对处理后的雷达图像进行高斯平滑处理,并对高斯平滑后的处理后雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图。
步骤E3、对所述边缘检测图进行外边界拐点提取,得到所述目标雷达图像的前景中待检测目标区域的外边界拐点位置信息,作为所述待检测目标区域的位置信息。
具体的,由于在形成目标雷达图像的过程中,可能会出现待检测目标区域被分成不同子区域,所以为了消除待检测目标区域对应的不同子区域之间的内部空洞和/或近邻区域空隙,需对目标雷达图像进行形态学膨胀运算获得膨胀后雷达图像。由于膨胀之后区域会变大,所以对膨胀后雷达图像形态学腐蚀运算得到腐蚀后雷达图像,并作为处理后雷达图像,可以让区域面积恢复到膨胀之前,这样使得处理后雷达图像能够更加准确的表征待检测目标区域,由于雷达检测会产生一些噪声,所以需要对处理后的雷达图像进行高斯平滑处理,进一步的消除了因为雷达检测引起的部分小的噪声点,更加增强了图像的准确性,然后对高斯平滑后的处理后雷达图像进行边缘检测得到目标雷达图像的边缘检测图,最后对边缘检测图进行外边界拐点提取,得到目标雷达图像的前景中待检测目标区域的外边界拐点位置信息,作为待检测目标区域的位置信息。其中,对于外边界拐点提取方法可以采用现有技术中的任一种方法,在本发明实施例中并不限制。最后确定的待检测目标区域的位置信息可如下表示:
本技术方案,通过对目标雷达图像进行形态学处理得到处理后雷达图像,使得处理后雷达图像更能准确表示出待检测目标区域,此外,对处理后的雷达图像进行高斯平滑处理,进一步的消除了因为雷达检测引起的部分小的噪声点,更加增强了图像的准确性,然后对高斯平滑后的处理后雷达图像进行边缘检测得到目标雷达图像的边缘检测图,最后对边缘检测图进行外边界拐点提取,得到目标雷达图像的前景中待检测目标区域的外边界拐点位置信息,作为待检测目标区域的位置信息,有利于后续通过待检测目标区域的位置信息准确获取当前轮廓边框信息。
S230、根据待检测目标区域的位置信息确定待检测目标区域的最小外接矩形边界框信息为当前轮廓边框信息。
具体的,获取目标雷达图像中待检测目标区域的位置信息,即待检测目标区域的最小外接矩形的位置信息,通过对待检测目标区域的最小外接矩形的位置信息进行计算以获得检测目标区域的最小外接矩形边界框信息,并作为当前轮廓边框信息。当前轮廓边框信息可表示为:
S240、根据目标雷达图像中所有待检测目标区域的当前轮廓边框信息构建当前轮廓边框信息库。
具体的,获取目标雷达图像中所有待检测目标区域的当前轮廓边框信息,并将所有待检测目标区域的当前轮廓边框信息存入一个数据库中,以构建准确的当前轮廓边框信息库,便于后续通过当前轮廓边框信息库对历史轮廓边框信息库进行更新,以确保对异物检测的准确性。
S250、根据待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测。
本发明实施例的技术方案,通过获取雷达检测区域的当前雷达图像,并对当前雷达图像进行中背景与前景进行分离得到背景去除后的目标雷达图像,为了消除了目标雷达图像的区域内部空洞、近邻区域空隙和雷达引起的噪声,使得可以获得准确的前景中待检测目标区域,则对目标雷达图像进行形态学处理和高斯平滑处理,同时,对高斯平滑后的处理后雷达图像进行边缘检测得到目标雷达图像的边缘检测图,以确保可准确确定目标雷达图像中的待检测目标区域,最后对边缘检测图进行外边界拐点提取,得到目标雷达图像的前景中待检测目标区域的外边界拐点位置信息,作为待检测目标区域的位置信息,有利于通过待检测目标区域的位置信息准确获取当前轮廓边框信息。此外,将获取到的所有待检测目标区域的当前轮廓边框信息存入一个信息库中,以准确得到当前轮廓边框信息库,再根据待检测目标的当前轮廓边框信息和历史轮廓边框信息库对待检测目标进行异物检测,以实现快速准确地检测出待检测目标是否存在异物。
实施例三
图4为根据本发明实施例三提供的一种基于雷达图的地面异物检测装置的结构示意图。如图4所示,该装置包括:
图像确定模块310,用于获取雷达检测区域的当前雷达图像。
信息库确定模块320,用于根据所述当前雷达图像得到当前轮廓边框信息库;其中,所述当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息。
检测模块330,用于根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测;其中,所述历史轮廓边框信息库根据所述历史雷达图像进行确定。
其中,当前轮廓边框信息中包括轮廓边框位置信息;历史轮廓边框信息库中包括至少一条历史轮廓边框信息,历史轮廓边框信息中至少包括轮廓边框位置信息和轮廓边框属性信息。
可选的,检测模块,具体用于:
对所述历史轮廓边框信息库中的历史轮廓边框信息进行遍历,根据所述轮廓边框位置信息依次确定所述历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的重合度;
在所述当前轮廓边框信息库中确定与所述历史轮廓边框信息重合度最高的目标当前轮廓边框信息;
根据所述重合度对所述历史轮廓边框信息的轮廓边框属性信息进行更新;
根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测。
可选的,检测模块包括信息更新单元,具体用于:
若所述重合度大于或等于预设重合度阈值,则对所述连续静止帧数进行更新计数,对所述连续无目标关联帧数置零;
若所述重合度小于预设重合度阈值,则对所述连续无目标关联帧数更新计数,对所述连续静止帧数置零。
其中,轮廓边框属性信息至少包括连续无目标关联帧数和连续静止帧数。
可选的,检测模块包括第一判断单元,具体用于:
若更新后的所述连续静止帧数大于预设连续静止帧数阈值,则确定所述目标当前轮廓边框信息对应的待检测目标为异物,并将所述目标当前轮廓边框信息从当前轮廓边框信息库进行删除。
可选的,检测模块包括第二判断单元,具体用于:
若更新后的所述连续无目标关联帧数大于预设连续无目标关联帧数阈值,则将所述历史轮廓边框信息从历史轮廓边框信息库中删除。
可选的,检测模块包括信息新增单元,具体用于:
根据所述当前轮廓边框信息库中的剩余当前轮廓边框信息在所述历史轮廓边框信息库中添加新的历史轮廓边框信息,并对所述新的历史轮廓边框信息的轮廓边框属性信息进行初始化设置。
其中,轮廓边框位置信息为最小外接矩形边界框信息。
可选的,检测模块包括重合度确定单元,具体用于:
根据如下公式确定所述重合度:
可选的,检测模块还包括第一位置信息确定单元,具体用于:
根据所述目标当前轮廓边框信息中的所述轮廓边框位置信息确定所述异物的位置信息。
其中,轮廓边框位置信息为最小外接矩形边界框信息。
可选的,位置信息确定单元,具体用于:
根据如下公式确定所述异物的位置信息:
其中,(x,y)表示异物的位置信息,(r,c)表示最小外接矩形边界框的中心位置信息,(rtl,ctl)和(rbr,cbr)分别表示所述最小外接矩形边界框信息的左上角位置信息和右下角位置信息。Δ表示当前雷达图像中像素点和实际区域的对应关系,P、Q分别当前雷达图像的行数和列数。
可选的,信息库确定模块,具体用于:
对所述当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
确定所述目标雷达图像中前景中包括的待检测目标区域的位置信息;
根据待检测目标区域的位置信息确定所述待检测目标区域的最小外接矩形边界框信息为当前轮廓边框信息;
根据所述目标雷达图像中所有待检测目标区域的当前轮廓边框信息构建当前轮廓边框信息库。
可选的,信息库确定模块包括图像获取单元,具体用于:
确定采集当前雷达图像之前在雷达检测区域采集的预设数量的上一雷达图像;所述上一雷达图像包括在采集当前雷达图像之前邻近时间内采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像;
对预设数量的上一雷达图像进行图像累加平均,得到上一雷达图像对应的累加平均图像;
依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
可选的,图像获取单元包括图像处理单元,具体用于:
将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,得到图像差值处理后图像;
通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
可选的,信息库确定模块包括位置第二位置信息确定单元,具体用于:
对所述目标雷达图像进行形态学处理得到处理后雷达图像;目标雷达图像的前景中待检测目标区域介于发生前景与背景分离而被分割到不同子区域;
对处理后的雷达图像进行高斯平滑处理,并对高斯平滑后的处理后雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图;
对所述边缘检测图进行外边界拐点提取,得到所述目标雷达图像的前景中待检测目标区域的外边界拐点位置信息,作为所述待检测目标区域的位置信息。
本发明实施例所提供的基于雷达图的地面异物检测装置可执行本发明任意实施例所提供的基于雷达图的地面异物检测方法,具备执行方法相应的功能模块和有益效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定,且不违背公序良俗。
实施例四
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实现本发明实施例的基于雷达图的地面异物检测方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备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(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于雷达图的地面异物检测方法。
在一些实施例中,基于雷达图的地面异物检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于雷达图的地面异物检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于雷达图的地面异物检测方法。
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、现场可编程门阵列(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (16)
1.一种基于雷达图的地面异物检测方法,其特征在于,包括:
获取雷达检测区域的当前雷达图像;
根据所述当前雷达图像得到当前轮廓边框信息库;其中,所述当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息;
根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测;其中,所述历史轮廓边框信息库根据所述历史雷达图像进行确定。
2.根据权利要求1所述的方法,其特征在于,当前轮廓边框信息中包括轮廓边框位置信息;所述历史轮廓边框信息库中包括至少一条历史轮廓边框信息,所述历史轮廓边框信息中至少包括轮廓边框位置信息和轮廓边框属性信息;
相应的,根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测,包括:
对所述历史轮廓边框信息库中的历史轮廓边框信息进行遍历,根据所述轮廓边框位置信息依次确定所述历史轮廓边框信息与当前轮廓边框信息库中各当前轮廓边框信息的重合度;
在所述当前轮廓边框信息库中确定与所述历史轮廓边框信息重合度最高的目标当前轮廓边框信息;
根据所述重合度对所述历史轮廓边框信息的轮廓边框属性信息进行更新;
根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测。
3.根据权利要求2所述的方法,其特征在于,所述轮廓边框属性信息至少包括连续无目标关联帧数和连续静止帧数;
相应的,根据所述重合度对所述历史轮廓边框信息的轮廓边框属性信息进行更新,包括:
若所述重合度大于或等于预设重合度阈值,则对所述连续静止帧数进行更新计数,对所述连续无目标关联帧数置零;
若所述重合度小于预设重合度阈值,则对所述连续无目标关联帧数更新计数,对所述连续静止帧数置零。
4.根据权利要求3所述的方法,其特征在于,根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测,包括:
若更新后的所述连续静止帧数大于预设连续静止帧数阈值,则确定所述目标当前轮廓边框信息对应的待检测目标为异物,并将所述目标当前轮廓边框信息从当前轮廓边框信息库进行删除。
5.根据权利要求3所述的方法,其特征在于,在根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测之后,所述方法还包括:
若更新后的所述连续无目标关联帧数大于预设连续无目标关联帧数阈值,则将所述历史轮廓边框信息从历史轮廓边框信息库中删除。
6.根据权利要求4所述的方法,其特征在于,在根据更新后的轮廓边框属性信息对所述目标当前轮廓边框信息对应的待检测目标进行异物检测之后,所述方法还包括:
根据所述当前轮廓边框信息库中的剩余当前轮廓边框信息在所述历史轮廓边框信息库中添加新的历史轮廓边框信息,并对所述新的历史轮廓边框信息的轮廓边框属性信息进行初始化设置。
8.根据权利要求4所述的方法,其特征在于,在确定所述目标当前轮廓边框信息对应的待检测目标为异物之后,所述方法还包括:
根据所述目标当前轮廓边框信息中的所述轮廓边框位置信息确定所述异物的位置信息。
10.根据权利要求1所述的方法,其特征在于,根据所述当前雷达图像得到当前轮廓边框信息库,包括:
对所述当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
确定所述目标雷达图像中前景中包括的待检测目标区域的位置信息;
根据待检测目标区域的位置信息确定所述待检测目标区域的最小外接矩形边界框信息为当前轮廓边框信息;
根据所述目标雷达图像中所有待检测目标区域的当前轮廓边框信息构建当前轮廓边框信息库。
11.根据权利要求10所述的方法,其特征在于,对所述当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,包括:
确定采集当前雷达图像之前在雷达检测区域采集的预设数量的上一雷达图像;所述上一雷达图像包括在采集当前雷达图像之前邻近时间内采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像;
对预设数量的上一雷达图像进行图像累加平均,得到上一雷达图像对应的累加平均图像;
依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
12.根据权利要求11所述的方法,其特征在于,依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,包括:
将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,得到图像差值处理后图像;
通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
13.根据权利要求10所述的方法,其特征在于,确定所述目标雷达图像中前景中包括的待检测目标区域的位置信息,包括:
对所述目标雷达图像进行形态学处理得到处理后雷达图像;目标雷达图像的前景中待检测目标区域介于发生前景与背景分离而被分割到不同子区域;
对处理后的雷达图像进行高斯平滑处理,并对高斯平滑后的处理后雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图;
对所述边缘检测图进行外边界拐点提取,得到所述目标雷达图像的前景中待检测目标区域的外边界拐点位置信息,作为所述待检测目标区域的位置信息。
14.一种基于雷达图的地面异物检测装置,其特征在于,包括:
图像确定模块,用于获取雷达检测区域的当前雷达图像;
信息库确定模块,用于根据所述当前雷达图像得到当前轮廓边框信息库;其中,所述当前轮廓边框信息库中包括至少一条待检测目标的当前轮廓边框信息;
检测模块,用于根据所述待检测目标的当前轮廓边框信息和历史轮廓边框信息库对所述待检测目标进行异物检测;其中,所述历史轮廓边框信息库根据所述历史雷达图像进行确定。
15.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-13中任一项所述的基于雷达图的地面异物检测方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-13中任一项所述的基于雷达图的地面异物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060703.4A CN115359030A (zh) | 2022-08-31 | 2022-08-31 | 基于雷达图的地面异物检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060703.4A CN115359030A (zh) | 2022-08-31 | 2022-08-31 | 基于雷达图的地面异物检测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115359030A true CN115359030A (zh) | 2022-11-18 |
Family
ID=84003817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211060703.4A Pending CN115359030A (zh) | 2022-08-31 | 2022-08-31 | 基于雷达图的地面异物检测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359030A (zh) |
-
2022
- 2022-08-31 CN CN202211060703.4A patent/CN115359030A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451999B (zh) | 基于图像识别的异物检测方法和装置 | |
CN112749673A (zh) | 一种基于遥感影像智能提取储油罐库存的方法及装置 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN115436900A (zh) | 基于雷达图的目标检测方法、装置、设备和介质 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN115330841A (zh) | 基于雷达图的抛洒物检测方法、装置、设备和介质 | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN115359030A (zh) | 基于雷达图的地面异物检测方法、装置、设备和介质 | |
CN115546764A (zh) | 一种障碍物检测方法、装置、设备及存储介质 | |
CN109146893B (zh) | 油光区域分割方法、装置及移动终端 | |
CN115424441B (zh) | 基于微波雷达的道路弯道优化方法、装置、设备及介质 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN115410408B (zh) | 停车位状态变化的检测方法、装置、设备和介质 | |
CN110599456A (zh) | 一种医学图像的特定区域的提取方法 | |
CN115440057B (zh) | 基于雷达图的弯道车辆检测方法、装置、设备及介质 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN115032615B (zh) | 一种激光雷达标定点确定方法、装置、设备及存储介质 | |
CN115424442A (zh) | 基于雷达图的车辆行驶事件检测方法、装置、设备和介质 | |
CN116433702A (zh) | 一种输电线分割方法、装置、电子设备及存储介质 | |
CN116596941A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
Hou et al. | A centre-scale sorting local contrast method for infrared small target detection | |
CN115410370A (zh) | 一种异常停车检测方法、装置、电子设备及存储介质 | |
CN115359087A (zh) | 基于目标检测的雷达图背景去除方法、装置、设备及介质 | |
CN115375666A (zh) | 一种交通事故检测方法、装置、电子设备以及存储介质 |
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 |