CN115631478A - 道路图像检测方法、装置、设备、计算机可读介质 - Google Patents
道路图像检测方法、装置、设备、计算机可读介质 Download PDFInfo
- Publication number
- CN115631478A CN115631478A CN202211533224.XA CN202211533224A CN115631478A CN 115631478 A CN115631478 A CN 115631478A CN 202211533224 A CN202211533224 A CN 202211533224A CN 115631478 A CN115631478 A CN 115631478A
- Authority
- CN
- China
- Prior art keywords
- image
- image frame
- road
- vehicle
- key
- 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 47
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06V20/50—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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- 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
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了道路图像检测方法、装置、设备、计算机可读介质。该方法的一具体实施方式包括:通过安装于车辆的图像采集设备,采集道路的图像帧序列;确定图像帧序列中的关键图像帧,以及确定图像帧序列中排在关键图像帧之前的第一数量个图像帧和排在关键图像帧之后的第二数量个图像帧;对于关联图像帧组中的每个图像帧,根据图像帧与关键图像帧之间的相似度,确定图像帧的融合权重;对关联图像帧组中的各个图像帧进行融合,得到融合图像;将融合图像输入道路目标检测模型,得到融合图像中所显示的对象的边界框和对象类别信息。该实施方式实现了在有效节约算力的同时提高检测准确率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及道路图像检测方法、装置、设备、计算机可读介质。
背景技术
现有驾驶辅助系统往往依赖于计算机视觉技术的发展。然而,发明人发现,上述辅助驾驶系统经常会存在如下技术问题:
第一,辅助驾驶系统在进行道路图像检测与识别时,往往逐一图像帧进行检测识别,由于图像采集设备不断采集大量的图像帧,因此会占用大量的计算资源。
第二,与直行路段相比,路口由于通行车辆多且车辆行驶方向多样,往往是事故高发地。目前车辆驾驶辅助系统中,往往基于单一车辆采集到的图像来进行车辆控制,对于路口这种特殊的场景,往往因为图像采集的范围有限,造成无法提前预测其他方向的车辆,往往会造成潜在的车辆事故风险;
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了道路图像检测方法、装置、设备、计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种道路图像检测方法,该方法包括:通过安装于车辆的图像采集设备,采集道路的图像帧序列;确定图像帧序列中的关键图像帧,以及确定图像帧序列中排在关键图像帧之前的第一数量个图像帧和排在关键图像帧之后的第二数量个图像帧,第一数量个图像帧和第二数量个图像帧组成关键图像帧对应的关联图像帧组;对于关联图像帧组中的每个图像帧,根据图像帧与关键图像帧之间的相似度,确定图像帧的融合权重;根据每个图像帧的融合权重,对关联图像帧组中的各个图像帧进行融合,得到融合图像;将融合图像输入道路目标检测模型,得到融合图像中所显示的对象的边界框和对象类别信息。
第二方面,本公开的一些实施例提供了一种道路图像检测装置,包括:采集单元,被配置成通过安装于车辆的图像采集设备,采集道路的图像帧序列;关键帧确定单元,被配置成确定图像帧序列中的关键图像帧,以及确定图像帧序列中排在关键图像帧之前的第一数量个图像帧和排在关键图像帧之后的第二数量个图像帧,第一数量个图像帧和第二数量个图像帧组成关键图像帧对应的关联图像帧组;权重确定单元,被配置成对于关联图像帧组中的每个图像帧,根据图像帧与关键图像帧之间的相似度,确定图像帧的融合权重;融合单元,被配置成根据每个图像帧的融合权重,对关联图像帧组中的各个图像帧进行融合,得到融合图像;检测单元,被配置成将融合图像输入道路目标检测模型,得到融合图像中所显示的对象的边界框和对象类别信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:在有效节约算力的同时提高检测准确率。具体来说,相关的辅助驾驶系统占用大量的计算资源的原因在于:逐一图像帧进行检测识别。实践中发现,相邻的若干张图像的内容相似度较高,重复检测会浪费大量的算力。基于此,本公开的一些实施例的道路图像检测方法,将关键图像帧前后的一定数量的图像帧进行融合,在此基础上,对得到的融合图像进行目标检测,由于融合图像是综合多个图像帧得到的,可以对相似的部分进行加强,从而可以提高检测的准确率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的道路图像检测方法的一些实施例的流程图;
图2是根据本公开的道路图像检测装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图;
图4是道路目标检测模型的示例性结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的道路图像检测方法的一些实施例的流程100。该道路图像检测方法,包括以下步骤:
步骤101,通过安装于车辆的图像采集设备,采集道路的图像帧序列。
在一些实施例中,道路图像检测方法执行主体可以是车辆控制系统。上述执行主体可以通过安装于车辆的图像采集设备,采集道路的图像帧序列。例如,图像帧序列可以是由图像采集设备在30ms内采集的多张图像帧组成的。其中,图像帧可以是图像,也可以是从视频中抽取的视频帧。
步骤102,确定图像帧序列中的关键图像帧,以及确定图像帧序列中排在关键图像帧之前的第一数量个图像帧和排在关键图像帧之后的第二数量个图像帧,第一数量个图像帧和第二数量个图像帧组成关键图像帧对应的关联图像帧组。
在一些实施例中,上述执行主体可以分析各个图像帧中物体运动的光流量,选择光流移动次数最少的图像帧作为关键图像帧。或者,利用背景差分法检测图像帧序列中的关键图像帧。
步骤103,对于关联图像帧组中的每个图像帧,根据图像帧与关键图像帧之间的相似度,确定图像帧的融合权重。
在一些实施例中,可以分别提取图像帧与关键图像帧的图像特征,通过计算二者的图像特征之间的距离,来确定图像帧与关键图像帧之间的相似度。相似度与图像特征之间的距离成反比。之后,根据相似度确定图像帧的融合权重,相似度越大的图像帧的融合权重也越大,反之,相似度越小的融合权重也越小。
步骤104,根据每个图像帧的融合权重,对关联图像帧组中的各个图像帧进行融合,得到融合图像。
在一些实施例中,上述执行主体可以根据融合权重,对关联图像帧组中的各个图像帧进行像素级加权,得到融合图像
步骤105,将融合图像输入道路目标检测模型,得到融合图像中所显示的对象的边界框和对象类别信息。
在一些实施例中,道路目标检测模型的结构如图4所示。道路目标检测模型包括多尺度特征提取网络401、特征融合网络402、特征融合网络403、预测网络404、预测网络405、预测网络406,多尺度特征提取网络401用于提取不同尺度的特征图。多尺度特征提取网络401包括切片网络、多个卷积块、多个特征融合网络、空间金字塔池化网络。其中,切片网络用于每个一个像素从输入图片中取一个值,得到多张信息完整且互补的图片。这样宽高的信息就集中在了通道中,输入的通道实现了扩张,最终得到带有全面信息的特征图。另外,特征融合网络402对特征融合网络1和特征融合网络2的输出特征图进行融合,特征融合网络403对特征融合网络2和特征融合网络3的输出进行融合,从而输出不同粒度的特征图,以用于后续不同大小的目标检测。其中,对特征图进行融合可以是通道融合,可以是像素级相加,在此过程中,对于大小不同的特征图可以利用上采样或下采样来使得特征图的尺寸一致。预测网络404、预测网络405、预测网络406分别用于对不同大小的目标进行检测。预测网络404用于检测第一尺寸目标,预测网络405用于检测第二尺寸目标、预测网络406用于检测第三尺寸目标,第一尺寸大于第二尺寸,第二尺寸大于第三尺寸。预测网络可以用于对特征图进行预测,生成边界框和类别,通过训练数据中目标的尺寸不同,可以使得不同的预测网络用于预测不同的尺寸目标的能力。
在一些实施例的一些可选的实现方式中,上述方法还包括:通过安装于车辆的距离传感器,确定车辆与融合图像中所显示的对象的距离;响应于确定距离小于预设距离阈值,通过安装于车辆的侧方的图像采集设备,采集车辆所在车道的相邻车道的车道图像;将车道图像输入变道信息生成模型,以得到表征车道图像对应的变道安全概率;基于变道安全概率和对象类别信息,调整车辆的行驶参数。
在一些实施例的一些可选的实现方式中,上述方法还包括:从预先建立的映射表中查询对象类别信息对应的避让级别;以及基于变道安全概率和对象类别信息,调整车辆的行驶参数,包括:响应于避让级别小于预设级别阈值,控制车辆在所在车道减速行驶;响应于避让级别大于预设级别阈值且变道安全概率大于预设概率阈值,控制车辆进行变道;响应于避让级别大于预设级别阈值且变道安全概率小于预设概率阈值,控制车辆在所在车道减速行驶。
在一些实施例的一些可选的实现方式中,目标检测模型的训练样本集是通过以下方式生成的:获取样本道路图像集,样本道路图像集中包括第一类别图像、第二类别图像、第三类别图像,其中,第一类别图像中显示有第一尺寸范围的对象,第二类别图像显示有第二尺寸范围的对象,第三类别图像显示有第三尺寸范围的对象;分别对样本道路图像集中各个样本道路图像进行标注,得到训练样本集。
本公开的一些实施例提供的方法,在有效节约算力的同时提高检测准确率。具体来说,相关的辅助驾驶系统占用大量的计算资源的原因在于:逐一图像帧进行检测识别。实践中发现,相邻的若干张图像的内容相似度较高,重复检测会浪费大量的算力。基于此,本公开的一些实施例的道路图像检测方法,将关键图像帧前后的一定数量的图像帧进行融合,在此基础上,对得到的融合图像进行目标检测,由于融合图像是综合多个图像帧得到的,可以对相似的部分进行加强,从而可以提高检测的准确率。
在一些实施例的一些可选的实现方式中,上述道路图像检测方法还包括以下步骤:
步骤一,响应于车辆的当前位置与路口之间的距离小于预设阈值,获取上述路口的通行指示信号信息,其中,通行指示信号信息包括通信指示类型和信号剩余时长;
步骤二,响应于上述通信指示类型表征允许通行,以及将上述距离与当前车辆的速率的比值作为目标时长,若目时长小于上述信号剩余时长,获取设置于路口的图像采集装置所采集的垂直车道的图像序列,垂直车道为与车辆所在车道垂直的车道;
步骤三、将垂直车道的图像序列输入车辆状态识别网络,得到表征车辆状态是否正常的识别信息。正常状态时,当上述车辆所在车道的通行信号信息指示表征允许通行时,垂直车辆的通行指示信号应该指示不允许通行。但是,实践中,经常遇到垂直车道的车辆由于车辆故障、驾驶员大意等非正常状态,未及时减速,进而引发安全事故。目标时间点与当前时间点的时间差等于目标时长。目标时间点是当前时间点之后的时间点。车辆状态识别网络以图像序列作为输出,输出表征车辆状态是否正常的识别信息。以大量的车道的图像序列为输入,以人工标记的识别信息为期望输出,对分类网络(例如RNN)进行训练,可以得到车辆状态识别网络。
步骤四、若识别信息保证车辆状态非正常,通过安装于路口的测速设备采集垂直车道的车辆的速度,根据该速度与目标时长的乘积确定垂直车道的车辆在目标时间点的位置信息,基于垂直车道的车辆在目标时间点的位置信息,确定垂直车道的车辆在目标时间点是否位于上述车辆所在的车道内,若是,控制车辆减速行驶,从而避免与垂直车道的车辆在目标时间点相撞。
上述内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“与直行路段相比,路口由于通行车辆多且车辆行驶方向多样,往往是事故高发地。目前车辆驾驶辅助系统中,往往基于单一车辆采集到的图像来进行车辆控制,对于路口这种特殊的场景,往往因为图像采集的范围有限,造成无法提前预测其他方向的车辆,往往会造成潜在的车辆事故风险”。具体来说,通过引入与车辆所在车道垂直的车道,即垂直车道的车道图像,并利用模型预测出目标时间点的垂直车道的位置,由此确定是否存在安全风险,从而避免与垂直车道的车辆相撞。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种道路图像检测装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的道路图像检测装置200包括:采集单元201被配置成通过安装于车辆的图像采集设备,采集道路的图像帧序列;关键帧确定单元202被配置成确定图像帧序列中的关键图像帧,以及确定图像帧序列中排在关键图像帧之前的第一数量个图像帧和排在关键图像帧之后的第二数量个图像帧,第一数量个图像帧和第二数量个图像帧组成关键图像帧对应的关联图像帧组;权重确定单元203被配置成对于关联图像帧组中的每个图像帧,根据图像帧与关键图像帧之间的相似度,确定图像帧的融合权重;融合单元204被配置成根据每个图像帧的融合权重,对关联图像帧组中的各个图像帧进行融合,得到融合图像;检测单元205被配置成将融合图像输入道路目标检测模型,得到融合图像中所显示的对象的边界框和对象类别信息。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机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。而在本公开的一些实施例中,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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:通过安装于车辆的图像采集设备,采集道路的图像帧序列;确定图像帧序列中的关键图像帧,以及确定图像帧序列中排在关键图像帧之前的第一数量个图像帧和排在关键图像帧之后的第二数量个图像帧,第一数量个图像帧和第二数量个图像帧组成关键图像帧对应的关联图像帧组;对于关联图像帧组中的每个图像帧,根据图像帧与关键图像帧之间的相似度,确定图像帧的融合权重;根据每个图像帧的融合权重,对关联图像帧组中的各个图像帧进行融合,得到融合图像;将融合图像输入道路目标检测模型,得到融合图像中所显示的对象的边界框和对象类别信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种道路图像检测方法,包括:
通过安装于车辆的图像采集设备,采集道路的图像帧序列;
确定所述图像帧序列中的关键图像帧,以及确定所述图像帧序列中排在所述关键图像帧之前的第一数量个图像帧和排在所述关键图像帧之后的第二数量个图像帧,所述第一数量个图像帧和所述第二数量个图像帧组成所述关键图像帧对应的关联图像帧组;
对于所述关联图像帧组中的每个图像帧,根据所述图像帧与所述关键图像帧之间的相似度,确定所述图像帧的融合权重;
根据每个图像帧的融合权重,对所述关联图像帧组中的各个图像帧进行融合,得到融合图像;
将所述融合图像输入道路目标检测模型,得到所述融合图像中所显示的对象的边界框和对象类别信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
通过安装于所述车辆的距离传感器,确定所述车辆与所述融合图像中所显示的对象的距离;
响应于确定所述距离小于预设距离阈值,通过安装于所述车辆的侧方的图像采集设备,采集所述车辆所在车道的相邻车道的车道图像;
将所述车道图像输入变道信息生成模型,以得到表征所述车道图像对应的变道安全概率;
基于所述变道安全概率和所述对象类别信息,调整所述车辆的行驶参数。
3.根据权利要求2所述的方法,其中,所述方法还包括:
从预先建立的映射表中查询所述对象类别信息对应的避让级别;以及
所述基于所述变道安全概率和所述对象类别信息,调整所述车辆的行驶参数,包括:
响应于所述避让级别低于预设级别阈值,控制所述车辆在所在车道减速行驶;
响应于所述避让级别高于预设级别阈值且所述变道安全概率大于预设概率阈值,控制所述车辆进行变道;
响应于所述避让级别高于预设级别阈值且所述变道安全概率小于预设概率阈值,控制所述车辆在所在车道减速行驶。
4.根据权利要求3所述的方法,其中,所述目标检测模型的训练样本集是通过以下方式生成的:
获取样本道路图像集,所述样本道路图像集中包括第一类别图像、第二类别图像、第三类别图像,其中,所述第一类别图像中显示有第一尺寸范围的对象,所述第二类别图像显示有第二尺寸范围的对象,所述第三类别图像显示有第三尺寸范围的对象;
分别对所述样本道路图像集中各个样本道路图像进行标注,得到训练样本集。
5.一种道路图像检测装置,包括:
采集单元,被配置成通过安装于车辆的图像采集设备,采集道路的图像帧序列;
关键帧确定单元,被配置成确定所述图像帧序列中的关键图像帧,以及确定所述图像帧序列中排在所述关键图像帧之前的第一数量个图像帧和排在所述关键图像帧之后的第二数量个图像帧,所述第一数量个图像帧和所述第二数量个图像帧组成所述关键图像帧对应的关联图像帧组;
权重确定单元,被配置成对于所述关联图像帧组中的每个图像帧,根据所述图像帧与所述关键图像帧之间的相似度,确定所述图像帧的融合权重;
融合单元,被配置成根据每个图像帧的融合权重,对所述关联图像帧组中的各个图像帧进行融合,得到融合图像;
检测单元,被配置成将所述融合图像输入道路目标检测模型,得到所述融合图像中所显示的对象的边界框和对象类别信息。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533224.XA CN115631478A (zh) | 2022-12-02 | 2022-12-02 | 道路图像检测方法、装置、设备、计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533224.XA CN115631478A (zh) | 2022-12-02 | 2022-12-02 | 道路图像检测方法、装置、设备、计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631478A true CN115631478A (zh) | 2023-01-20 |
Family
ID=84910844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211533224.XA Pending CN115631478A (zh) | 2022-12-02 | 2022-12-02 | 道路图像检测方法、装置、设备、计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631478A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2042399A2 (en) * | 2007-09-27 | 2009-04-01 | Hitachi Ltd. | Drive assist system |
CN104786933A (zh) * | 2015-03-04 | 2015-07-22 | 江苏大学 | 一种全景影像驾驶辅助装置及方法 |
WO2017158768A1 (ja) * | 2016-03-16 | 2017-09-21 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN110175597A (zh) * | 2019-06-04 | 2019-08-27 | 北方工业大学 | 一种融合特征传播与聚合的视频目标检测方法 |
CN111160304A (zh) * | 2019-12-31 | 2020-05-15 | 华中科技大学 | 一种局部帧差和多帧融合的地面动目标检测与跟踪方法 |
CN111307170A (zh) * | 2018-12-12 | 2020-06-19 | 比亚迪股份有限公司 | 无人驾驶车辆行驶规划方法、装置、设备及介质 |
CN111476314A (zh) * | 2020-04-27 | 2020-07-31 | 中国科学院合肥物质科学研究院 | 一种融合光流算法与深度学习的模糊视频检测方法 |
WO2020194015A1 (ja) * | 2019-03-27 | 2020-10-01 | 日産自動車株式会社 | 運転支援方法及び運転支援装置 |
CN111942282A (zh) * | 2019-05-17 | 2020-11-17 | 比亚迪股份有限公司 | 车辆及其驾驶盲区预警方法、装置、系统和存储介质 |
CN112937445A (zh) * | 2021-03-25 | 2021-06-11 | 深圳安智物联科技有限公司 | 360°车辆安全辅助方法及车载系统 |
CN113212451A (zh) * | 2021-05-31 | 2021-08-06 | 重庆工程职业技术学院 | 一种智能驾驶汽车用后视辅助系统 |
US20210312193A1 (en) * | 2021-06-15 | 2021-10-07 | Nauto, Inc. | Devices and methods for predicting intersection violations and/or collisions |
WO2022078463A1 (zh) * | 2020-10-16 | 2022-04-21 | 爱驰汽车(上海)有限公司 | 基于汽车的障碍物检测方法及装置 |
CN114407928A (zh) * | 2022-01-24 | 2022-04-29 | 中国第一汽车股份有限公司 | 车辆避让控制方法以及车辆避让控制装置 |
CN115205848A (zh) * | 2022-07-12 | 2022-10-18 | 小米汽车科技有限公司 | 目标检测方法、装置、车辆、存储介质及芯片 |
-
2022
- 2022-12-02 CN CN202211533224.XA patent/CN115631478A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2042399A2 (en) * | 2007-09-27 | 2009-04-01 | Hitachi Ltd. | Drive assist system |
CN104786933A (zh) * | 2015-03-04 | 2015-07-22 | 江苏大学 | 一种全景影像驾驶辅助装置及方法 |
WO2017158768A1 (ja) * | 2016-03-16 | 2017-09-21 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN111307170A (zh) * | 2018-12-12 | 2020-06-19 | 比亚迪股份有限公司 | 无人驾驶车辆行驶规划方法、装置、设备及介质 |
WO2020194015A1 (ja) * | 2019-03-27 | 2020-10-01 | 日産自動車株式会社 | 運転支援方法及び運転支援装置 |
CN111942282A (zh) * | 2019-05-17 | 2020-11-17 | 比亚迪股份有限公司 | 车辆及其驾驶盲区预警方法、装置、系统和存储介质 |
CN110175597A (zh) * | 2019-06-04 | 2019-08-27 | 北方工业大学 | 一种融合特征传播与聚合的视频目标检测方法 |
CN111160304A (zh) * | 2019-12-31 | 2020-05-15 | 华中科技大学 | 一种局部帧差和多帧融合的地面动目标检测与跟踪方法 |
CN111476314A (zh) * | 2020-04-27 | 2020-07-31 | 中国科学院合肥物质科学研究院 | 一种融合光流算法与深度学习的模糊视频检测方法 |
WO2022078463A1 (zh) * | 2020-10-16 | 2022-04-21 | 爱驰汽车(上海)有限公司 | 基于汽车的障碍物检测方法及装置 |
CN112937445A (zh) * | 2021-03-25 | 2021-06-11 | 深圳安智物联科技有限公司 | 360°车辆安全辅助方法及车载系统 |
CN113212451A (zh) * | 2021-05-31 | 2021-08-06 | 重庆工程职业技术学院 | 一种智能驾驶汽车用后视辅助系统 |
US20210312193A1 (en) * | 2021-06-15 | 2021-10-07 | Nauto, Inc. | Devices and methods for predicting intersection violations and/or collisions |
CN114407928A (zh) * | 2022-01-24 | 2022-04-29 | 中国第一汽车股份有限公司 | 车辆避让控制方法以及车辆避让控制装置 |
CN115205848A (zh) * | 2022-07-12 | 2022-10-18 | 小米汽车科技有限公司 | 目标检测方法、装置、车辆、存储介质及芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102523886B1 (ko) | 스몰 타깃 검출 방법 및 장치 | |
CN112598762A (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
US20240071215A1 (en) | Detection method and apparatus of abnormal vehicle, device, and storage medium | |
EP3951741B1 (en) | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform | |
CN110852258A (zh) | 物体检测方法、装置、设备及存储介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN115817463B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN110866524A (zh) | 车牌检测方法、装置、设备及存储介质 | |
US20230091574A1 (en) | Driving assistance processing method and apparatus, computer-readable medium, and electronic device | |
CN115546769B (zh) | 道路图像识别方法、装置、设备、计算机可读介质 | |
CN116012814A (zh) | 信号灯识别方法、装置、电子设备及计算机可读存储介质 | |
CN115061386B (zh) | 智能驾驶的自动化仿真测试系统及相关设备 | |
CN115631478A (zh) | 道路图像检测方法、装置、设备、计算机可读介质 | |
CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 | |
CN110796144A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
CN115731525B (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN116824348B (zh) | 隐患信息生成方法、装置、电子设备和计算机可读介质 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN118135348A (zh) | 目标模型的训练方法、目标检测方法及装置 | |
CN116580384A (zh) | 目标检测方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230120 |
|
RJ01 | Rejection of invention patent application after publication |