CN115457538A - 一种基于红外相机的3d目标检测方法 - Google Patents
一种基于红外相机的3d目标检测方法 Download PDFInfo
- Publication number
- CN115457538A CN115457538A CN202210962785.5A CN202210962785A CN115457538A CN 115457538 A CN115457538 A CN 115457538A CN 202210962785 A CN202210962785 A CN 202210962785A CN 115457538 A CN115457538 A CN 115457538A
- Authority
- CN
- China
- Prior art keywords
- target
- infrared camera
- preset
- image
- calibration
- 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 60
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000002372 labelling Methods 0.000 abstract description 20
- 230000004888 barrier function Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06V10/82—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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本公开是关于一种基于红外相机的3D目标检测方法。其中，该方法包括：通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像；基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。本公开采用在线的红外相机标定，可以减少标定成本，适合快速算法原型快速迭代；采用自动化标注方法可以加快数据标注速度、减少数据标注成本；采用单目3D检测算法进行障碍物检测，可以避免对激光雷达的依赖，减少方案传感器成本，实现目标的3D检测，预警前往障碍物距离。
Description
技术领域
本公开涉及目标检测领域，具体而言，涉及一种基于红外相机的3D 目标检测方法、装置、电子设备以及计算机可读存储介质。
背景技术
矿业生产正在加速走向智能化、无人化。智能驾驶作为矿业的刚性需求，在露天矿区迅猛发展。相比露天矿，井工矿的环境更为复杂，这里光照不足，无法有效利用卫星定位系统，也缺少有效的通信手段，因此井工矿难以一蹴而就地实现无人驾驶。可靠的智能辅助驾驶系统是提高生产安全性的主要发力点。
环境感知系统是井工矿辅助驾驶系统的重要组成部分，感知系统通过对井下车辆周围的障碍物进行感知预警，为驾驶员提供有效的决策依据。相比于露天矿，井工矿对传感器的安全等级要求更高，需要通过煤安认证。然而满足煤安要求的激光雷达还处于发展初期，导致其成本高昂，难以落地。相比之下，红外相机已在井下矿区得到大量应用，红外相机在弱光和强光下都可以正常工作，且成本较低，基于红外摄像头的感知系统成为井下辅助驾驶的可行的解决方案。然而，现有技术的红外相机检测方法，无法实现对障碍物的3D检测。
因此，需要一种或多种方法解决上述问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于红外相机的3D目标检测方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面，提供一种基于红外相机的3D目标检测方法，包括：
通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像；
基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；
根据所述深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例，基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。
在本公开的一种示例性实施例中，所述方法还包括：
在黑白棋盘格标定板中的预设方格中粘贴锡箔纸完成对黑白棋盘格标定板进行预设改进；
使用红外相机采集基于预设改进的黑白棋盘格标定板以完成红外相机的内参标定。
在本公开的一种示例性实施例中，所述方法还包括：
通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像时，同时记录所述红外相机相对目标的观测角。
在本公开的一种示例性实施例中，所述方法中所述预设3D数据采集算法为基于激光雷达和红外相机联合采集标定训练生成的预设3D数据采集算法。
在本公开的一种示例性实施例中，所述方法中所述预设3D数据采集算法包括：
基于激光雷达和红外相机获取目标数据；激光雷达和红外相机时间对齐；激光雷达和红外相机空间对齐；基于激光雷达点云对目标3D检测； 3D障碍物投影到图像；通过标定软件人工改进标注；3D数据采集算法训练。
在本公开的一种示例性实施例中，所述方法还包括：
通过标定软件对图像连续帧进行人工增量标注。
在本公开的一种示例性实施例中，所述方法中目标的3D物体框自由度参数包括空间坐标x、y、z，目标大小参数h、w、l，偏航角θ，其中：
空间坐标深度z＝μz+δzσz，其中，μz为预设平均深度距离，σz为预设深度方差，δz为深度偏移量；
空间坐标
其中，xc、yc为图像特征图中目标位置坐标，
为图像特征图中目标位置偏移量；
目标大小参数
其中，
为数据集目标大小平均参数，δh、δw、δt为相对数据集长宽高均值的缩放比例；
偏航角
其中，αz为红外相机相对目标的观测角。
在本公开的一个方面，提供一种基于红外相机的3D目标检测装置，包括：
目标图像采集模块，用于通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机；
特征值采集模块，用于基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；
自由度参数计算模块，用于根据所述深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例，基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。
在本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
本公开的示例性实施例中的一种基于红外相机的3D目标检测方法，其中，该方法包括：通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像；基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。本公开采用在线的红外相机标定，可以减少标定成本，适合快速算法原型快速迭代；采用自动化标注方法可以加快数据标注速度、减少数据标注成本；采用单目3D检测算法进行障碍物检测，可以避免对激光雷达的依赖，减少方案传感器成本，实现目标的3D检测，预警前往障碍物距离。
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
通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。
图1示出了根据本公开一示例性实施例的一种基于红外相机的3D 目标检测方法的流程图；
图2示出了根据本公开一示例性实施例的一种基于红外相机的3D 目标检测方法的改进的黑白棋盘格标定板示意图；
图3示出了根据本公开一示例性实施例的一种基于红外相机的3D 目标检测方法的3D数据采集算法流程图；
图4示出了根据本公开一示例性实施例的一种基于红外相机的3D 目标检测装置的示意框图；
图5示意性示出了根据本公开一示例性实施例的电子设备的框图；以及
图6示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例实施例中，首先提供了一种基于红外相机的3D目标检测方法；参考图1中所示，该一种基于红外相机的3D目标检测方法可以包括以下步骤：
步骤S110，通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像；
步骤S120，基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；
步骤S130，根据所述深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例，基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。
本公开的示例性实施例中的一种基于红外相机的3D目标检测方法，其中，该方法包括：通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像；基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。本公开采用在线的红外相机标定，可以减少标定成本，适合快速算法原型快速迭代；采用自动化标注方法可以加快数据标注速度、减少数据标注成本；采用单目3D检测算法进行障碍物检测，可以避免对激光雷达的依赖，减少方案传感器成本，实现目标的3D检测，预警前往障碍物距离。
本公开包括红外相机的内参标定、3D数据的采集和标注以及单目 3D检测算法三大部分。红外相机与普通RGB相机的成像原理不同，采用热成像方式成像，红外相机接收中长波信息，不接收可见光波段信息，在防眩光方面红外传感器具有天然优势。传统的黑白棋盘格无法获得满足红外相机标定要求的高质量成像，本方案提出一种新型低成本的标定方法对红外相机进行标定；3D数据采集和标注流程复杂，成本高昂，本方案利用现有激光雷达检测算法进行辅助标注，实现高效的3D数据标注。最后通过单目3D检测算法实现障碍物的3D检测。下面，将对本示例实施例中的一种基于红外相机的3D目标检测方法进行进一步的说明。
在步骤S110中，可以通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像。
在本示例的实施例中，所述方法还包括：
在黑白棋盘格标定板中的预设方格中粘贴锡箔纸完成对黑白棋盘格标定板进行预设改进；
使用红外相机采集基于预设改进的黑白棋盘格标定板以完成红外相机的内参标定。
在本示例的实施例中，所述方法还包括：
通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像时，同时记录所述红外相机相对目标的观测角。
在本示例的实施例中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须通过相机标定得到相机成像的几何模型参数，这些几何模型参数就是相机参数。相机标定的过程就是根据针孔相机模型计算相机参数的重投影误差，通过最小化重投影误差的方法，得到最优的相机参数。得到的相机参数通常包括相机外参、相机内参以及畸变参数。相机外参是指和相机外部的参数，即相机相对标定板的位姿，根据标定板摆放位置姿态的变化而变化。相机内参和畸变参数都是镜头内部参数，相机内参包括焦距和像素密度，畸变参数包括径向畸变和切向畸变。通过在标定板上粘贴锡箔纸的方法，利用锡箔纸和标定板材料特性不同的特点，改进普通的黑白棋盘格标定板如图所2 示。使用外界热源对标定板进行加热，棋盘格不同区域对热量的散热特性不同，可以产生更为清晰的红外成像图像。使用采集到的红外棋盘格标定图像对红外相机进行标定。
在步骤S120中，可以基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例。
在本示例的实施例中，所述方法中所述预设3D数据采集算法为基于激光雷达和红外相机联合采集标定训练生成的预设3D数据采集算法。
在本示例的实施例中，所述方法中所述预设3D数据采集算法包括：
基于激光雷达和红外相机获取目标数据；激光雷达和红外相机时间对齐；激光雷达和红外相机空间对齐；基于激光雷达点云对目标3D检测； 3D障碍物投影到图像；通过标定软件人工改进标注；3D数据采集算法训练。
在本示例的实施例中，为了训练一个3D检测算法，需要获取具有3D 标注的图像，然而现有的数据都是在基于RGB图像的进行的标注，为此本方案提出了一种激光雷达与红外相机联合采集和标注数据的范式，如图 3所示为采集与标定流程。
首先通过激光雷达和红外相机联合数据采集的方式，同时采集激光点云数据和红外图像数据。对采集得到的不同传感器数据首先进行时间同步对齐，之后利用现有的基于激光雷达点云的3D检测算法如PointPillars、 SECOND对点云进行目标检测，将得到的3D物体框根据激光雷达和相机的外参投影到红外相机坐标系下。
在本示例的实施例中，所述方法还包括：
通过标定软件对图像连续帧进行人工增量标注。
在本示例的实施例中，点云检测可以为大部分障碍物提供3D框预测，但是对于少量错误的误检和漏检，仍需进行人工数据精修，为了减轻人工标注的成本，针对激光雷达和相机开发了一个标注软件。该软件可以加载已有的标注，并将标注同时标记在点云和图像上，修改软件右侧的参数可以对标注进行同步修改。此外，通过连续帧的增量标注可以进一步减轻算法标注时间，标注效率提升10倍以上。
在步骤S130中，可以根据所述深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例，基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。
在本示例的实施例中，单目3D检测算法直接从图像回归障碍物的 3D信息，不需要复杂的前处理(比如图像反变换)和后处理(比如3D模型匹配)，也不需要精确的几何约束(比如2D物体框的每条边上都至少能找到一个3D物体框的角点)。这些方法只用到了少量的先验知识，比如各类物体实际大小的均值，以及由此得到的2D物体尺寸与深度的对应关系。这些先验知识定义了物体3D参数的初始值，而神经网络只需要回归与实际值的偏差即可，这就大大降低的搜索空间，也因此降低了网络学习的难度。
3D障碍物检测的定位方式采用基于关键点的深度学习检测方法，每个3D框在图像中由3D物体框的中心点在图像上的投影表示。类似 CenterNet的方法，将这八个点映射到下采样后的特征图的高斯核区域范围内，增加训练过程中正样本数量。在前向传播过程中，需要对神经网络得到的预测结果进行非极大值抑制(NMS)处理，与基于锚点的NMS不同，不需要对预测的框进行排序操作，而是计算八叉邻域的局部最大值，过滤掉重叠预测。
3D物体框需要9个自由度进行表示，3个自由度表示物体框的大小，3个自由度表示3D物体框中心在三维坐标中的位置，3个自由度表示横滚角(roll)、俯仰角(pitch)、偏航角(yaw)。为了简化模型，在车辆感知的应用场景下可以忽略横滚角、俯仰角，将横滚角、俯仰角假设为0。因此为了表达3D物体的位姿需要由7自由度表示，空间坐标x、y、z，大小h、w、 l，以及偏航角α。模型输出δz、
δh、δw、δl、sinα、cosα
其中：
δz表示深度的偏移量
δh、δw、δl是相对数据集长宽高均值的缩放比例
α是障碍物相对相机的观测角
通过类似CenterNet的结构从图像直接预测2D和3D信息。2D信息包括物体关键点(中心点和角点)在图像上的投影位置，3D信息包括中心点深度，尺寸和朝向。通过中心点的图像位置和深度，可以恢复物体的3D位置。再通过3D尺寸和朝向可以恢复各个角点的3D位置。
在本示例的实施例中，所述方法中目标的3D物体框自由度参数包括空间坐标x、y、z，目标大小参数h、w、l，偏航角θ，其中：
空间坐标深度z＝μz+δzσz，其中，μz为预设平均深度距离，σz为预设深度方差，δz为深度偏移量；
空间坐标
其中，xc、yc为图像特征图中目标位置坐标，
为图像特征图中目标位置偏移量；
目标大小参数
其中，
为数据集目标大小平均参数，δh、δw、δl为相对数据集长宽高均值的缩放比例；
偏航角其中，αz为红外相机相对目标的观测角。
在本示例的实施例中，
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种基于红外相机的3D目标检测装置。参照图4所示，该一种基于红外相机的3D目标检测装置400 可以包括：目标图像采集模块410、特征值采集模块420以及自由度参数计算模块430。其中：
目标图像采集模块410，用于通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机；
特征值采集模块420，用于基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；
自由度参数计算模块430，用于根据所述深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例，基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。
上述中各一种基于红外相机的3D目标检测装置模块的具体细节已经在对应的一种基于红外相机的3D目标检测方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了一种基于红外相机的3D 目标检测装置400的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施例的电子设备500。图 5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备 500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元 510)的总线530、显示单元540。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元510可以执行如图1中所示的步骤S110至步骤S130。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5203的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线550可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500 还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线550与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是 CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等) 执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图6所示，描述了根据本发明的实施例的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。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。
Claims (10)
1.一种基于红外相机的3D目标检测方法，其特征在于，所述方法包括：
通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像；
基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；
根据所述深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例，基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
在黑白棋盘格标定板中的预设方格中粘贴锡箔纸完成对黑白棋盘格标定板进行预设改进；
使用红外相机采集基于预设改进的黑白棋盘格标定板以完成红外相机的内参标定。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机采集目标图像时，同时记录所述红外相机相对目标的观测角。
4.如权利要求1所述的方法，其特征在于，所述方法中所述预设3D数据采集算法为基于激光雷达和红外相机联合采集标定训练生成的预设3D数据采集算法。
5.如权利要求4所述的方法，其特征在于，所述方法中所述预设3D数据采集算法包括：
基于激光雷达和红外相机获取目标数据；激光雷达和红外相机时间对齐；激光雷达和红外相机空间对齐；基于激光雷达点云对目标3D检测；3D障碍物投影到图像；通过标定软件人工改进标注；3D数据采集算法训练。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
通过标定软件对图像连续帧进行人工增量标注。
7.如权利要求3所述的方法，其特征在于，所述方法中目标的3D物体框自由度参数包括空间坐标x、y、z，目标大小参数h、w、l，偏航角θ，其中：
空间坐标深度z＝μz+δzσz，其中，μz为预设平均深度距离，σz为预设深度方差，δz为深度偏移量；
空间坐标
其中，xc、yc为图像特征图中目标位置坐标，
为图像特征图中目标位置偏移量；
目标大小参数
其中，
为数据集目标大小平均参数，δh、δw、δl为相对数据集长宽高均值的缩放比例；
偏航角
其中，αz为红外相机相对目标的观测角。
8.一种基于红外相机的3D目标检测装置，其特征在于，所述装置包括：
目标图像采集模块，用于通过基于预设改进的黑白棋盘格标定板进行内参标定的红外相机；
特征值采集模块，用于基于预设3D数据采集算法采集所述目标图像中的深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例；
自由度参数计算模块，用于根据所述深度偏移量、图像特征图中目标位置偏移量、相对数据集长宽高均值的缩放比例，基于预设单3D检测算法计算目标的3D物体框自由度参数，完成3D目标检测。
9.一种电子设备，其特征在于，包括
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210962785.5A CN115457538A (zh) | 2022-08-11 | 2022-08-11 | 一种基于红外相机的3d目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210962785.5A CN115457538A (zh) | 2022-08-11 | 2022-08-11 | 一种基于红外相机的3d目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115457538A true CN115457538A (zh) | 2022-12-09 |
Family
ID=84298437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210962785.5A Pending CN115457538A (zh) | 2022-08-11 | 2022-08-11 | 一种基于红外相机的3d目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457538A (zh) |
-
2022
- 2022-08-11 CN CN202210962785.5A patent/CN115457538A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112861653B (zh) | 融合图像和点云信息的检测方法、系统、设备及存储介质 | |
| CN109242903B (zh) | 三维数据的生成方法、装置、设备及存储介质 | |
| CN113486796B (zh) | 无人车位置检测方法、装置、设备、存储介质及车辆 | |
| CN110163930B (zh) | 车道线生成方法、装置、设备、系统及可读存储介质 | |
| US20200193832A1 (en) | Image generating apparatus, image generating method, and recording medium | |
| US10990836B2 (en) | Method and apparatus for recognizing object, device, vehicle and medium | |
| CN115082924B (zh) | 一种基于单目视觉和雷达伪图像融合的三维目标检测方法 | |
| CN112967283B (zh) | 基于双目摄像头的目标识别方法、系统、设备及存储介质 | |
| JP2022511990A (ja) | 情報補完方法、車線認識方法、インテリジェント走行方法及び関連製品 | |
| CN110555407B (zh) | 路面车辆空间识别方法及电子设备 | |
| KR20120072020A (ko) | 자율주행 시스템의 주행정보 인식 방법 및 장치 | |
| US20230005278A1 (en) | Lane extraction method using projection transformation of three-dimensional point cloud map | |
| TWI726278B (zh) | 行車偵測方法、車輛及行車處理裝置 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN115496923B (zh) | 一种基于不确定性感知的多模态融合目标检测方法及装置 | |
| Liu et al. | Vehicle-related distance estimation using customized YOLOv7 | |
| EP3671123A1 (en) | Positioning method, positioning apparatus of mobile device and electronic device | |
| CN112639822B (zh) | 一种数据处理方法及装置 | |
| Ouyang et al. | Dynamic depth fusion and transformation for monocular 3d object detection | |
| CN110727269B (zh) | 车辆控制方法及相关产品 | |
| CN116189150B (zh) | 基于融合输出的单目3d目标检测方法、装置、设备和介质 | |
| CN116215520A (zh) | 基于超声波和3d环视的车辆碰撞预警及处理方法、装置 | |
| CN111210411A (zh) | 图像中灭点的检测方法、检测模型训练方法和电子设备 | |
| Ahmed et al. | Lane marking detection using LiDAR sensor | |
| CN115457538A (zh) | 一种基于红外相机的3d目标检测方法 |
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 |