CN115953414A - 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 - Google Patents
基于语义分割的低矮障碍物检测方法和自动驾驶车辆 Download PDFInfo
- Publication number
- CN115953414A CN115953414A CN202211528178.4A CN202211528178A CN115953414A CN 115953414 A CN115953414 A CN 115953414A CN 202211528178 A CN202211528178 A CN 202211528178A CN 115953414 A CN115953414 A CN 115953414A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- camera
- semantic segmentation
- image
- target area
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种基于语义分割的低矮障碍物检测方法及装置、设备、自动驾驶车辆和介质，涉及人工智能技术领域，尤其涉及图像处理、智能交通、自动驾驶技术领域。实现方案为：获取由相机采集的待检测图像；对所述待检测图像进行语义分割，以得到多个分割区域；以及响应于确定所述多个分割区域中存在包括障碍物的目标区域，基于所述相机的采集参数和所述目标区域在所述待检测图像中的位置信息，确定所述障碍物相对于所述相机的位置信息。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及图像处理、智能交通、自动驾驶技术领域，具体涉及一种障碍物检测方法、装置、电子设备、自动驾驶车辆、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在自动驾驶过程中，需要准确地感知车辆周围环境中的障碍物，基于此作出控制决策，以提升自动驾驶的安全性。目前对于低矮障碍物的检测效果不佳，无法在自动驾驶车辆的行驶过程中准确地获取周边低矮障碍物的信息，影响了自动驾驶车辆的决策。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种基于语义分割的低矮障碍物检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种基于语义分割的低矮障碍物检测方法，包括：获取由相机采集的待检测图像；对所述待检测图像进行语义分割，以得到多个分割区域；以及响应于确定所述多个分割区域中存在包括障碍物的目标区域，基于所述相机的采集参数和所述目标区域在所述待检测图像中的位置信息，确定所述障碍物相对于所述相机的位置信息。
根据本公开的另一方面，提供了一种自动驾驶车辆的决策方法，所述自动驾驶车辆包括相机，所述方法包括：利用如上所述的低矮障碍物检测方法检测预设范围内的障碍物；以及基于障碍物检测结果，确定车辆控制决策。
根据本公开的另一方面，提供了一种基于语义分割的低矮障碍物检测装置，包括：获取单元，被配置为获取由相机采集的待检测图像；分割单元，被配置为对所述待检测图像进行语义分割，以得到多个分割区域；以及第一确定单元，被配置为响应于确定所述多个分割区域中存在包括障碍物的目标区域，基于所述相机的采集参数和所述目标区域在所述待检测图像中的位置信息，确定所述障碍物相对于所述相机的位置信息。
根据本公开的另一方面，提供了一种自动驾驶车辆的决策装置，所述自动驾驶车辆包括相机，所述装置包括：如上所述的低矮障碍物检测装置，被配置为检测预设范围内的障碍物；以及第五确定单元，被配置为基于障碍物检测结果，确定车辆控制决策。
根据本公开的另一方面，提供了一种自动驾驶车辆，包括：相机；以及如上所述的自动驾驶车辆的决策装置。
根据本公开的另一方面，提供了一种电子设备，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指令，所述指令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上述任一的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时能够实现上述任一的方法。
根据本公开的一个或多个实施例，可以提升障碍物检测的准确度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开示例性实施例的低矮障碍物检测方法的流程图；
图3示出了根据本公开示例性实施例的低矮障碍物检测过程的示意图；
图4示出了根据本公开示例性实施例的单目相机成像模型的示意图；
图5示出了根据本公开示例性实施例的自动驾驶车辆的决策方法的流程图；
图6示出了根据本公开示例性实施例的低矮障碍物检测装置的结构框图；
图7示出了根据本公开示例性实施例的自动驾驶车辆的决策装置的结构框图；
图8示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，通常是采集路面点云数据，再基于点云数据来检测路面上存在的障碍物。但点云数据存在一定的三维误差，针对路面上低矮障碍物的检测准确度不佳。
基于此，本公开提供了一种障碍物检测方法，利用相机来采集路面的待检测图像，对图像进行语义分割以得到障碍物区域，基于该障碍物区域在待检测图像中的位置和相机的采集参数确定障碍物与相机的相对位置，从而实现简便高效的障碍物位置检测。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行障碍物检测方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来发送待检测图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类别的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类别和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类别的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类别。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类别的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开示例性实施例的基于语义分割的低矮障碍物检测方法100的流程图。如图2所示，方法200包括：
步骤S201、获取由相机采集的待检测图像；
步骤S202、对所述待检测图像进行语义分割，以得到多个分割区域；以及
步骤S203、响应于确定所述多个分割区域中存在包括障碍物的目标区域，基于所述相机的采集参数和所述目标区域在所述待检测图像中的位置信息，确定所述障碍物相对于所述相机的位置信息。
由此，能够利用相机来采集待检测图像，例如可以是车辆行驶方向前方的路面图像，对图像进行语义分割以得到障碍物区域，基于该障碍物区域在待检测图像中的位置和相机的采集参数确定障碍物与相机的相对位置，从而实现简便高效的障碍物位置检测。
在一些示例中，相机的采集参数可以包括相机的焦距、像素大小、畸变形状、相机内部结构尺寸等参数信息，从而能够利用相机的成像模型来确定所述障碍物相对于所述相机的位置信息。
根据一些实施例，步骤S202中所述对所述待检测图像进行分割，以得到多个分割区域包括：将所述待检测图像输入语义分割模型，以得到所述语义分割模型输出的多个分割区域，所述语义分割模型是通过如下方式进行训练得到的：获取包括障碍物的样本图像和所述样本图像中包括所述障碍物的真实目标区域；将所述样本图像输入所述语义分割模型，以得到所述语义分割模型输出的多个第一分割区域，所述多个第一分割区域包括第一预测目标区域，所述第一预测目标区域包括所述障碍物；将所述第一预测目标区域输入所述语义分割模型，以得到所述语义分割模型输出的多个第二分割区域，所述多个第二分割区域包括第二预测目标区域，所述第二预测目标区域包括所述障碍物；以及基于所述第二预测目标区域和所述真实目标区域，调整所述语义分割模型的参数。由此，通过采用二阶段的训练方式，先进行初步分割，再针对初步分割结果进行二次分割，以得到更好的训练效果，提升语义分割的准确度。
通常而言，路面障碍物的视觉特征具有较强的多样性，难以在训练用的样本图像中穷举。基于此，在一些示例中，用于训练所述语义分割模型的样本图像中所标注的区域类别可以包括：路面区域、机动车区域、行人区域、非机动车区域、其他区域等。由此，可以在障碍物检测过程中将语义分割模型所输出的其他区域作为可能包括障碍物的目标区域，进一步进行识别。
在实际应用场景中，存在以下可能：针对一些特定障碍物，例如挡板、锥桶等，车辆必须绕行才能安全通过。针对一些特定障碍物，例如塑料袋、纸袋等，车辆可以不减速碾压通过，以提升行驶效率。针对一些特定障碍物，例如钢条、树枝等，车辆需要减速碾压通过，以提升行驶安全性。因此，需要进一步确定障碍物的可通行系数，以为车辆的行驶决策提供数据支持。
基于此，根据一些实施例，方法200还包括：基于所述目标区域，确定所述障碍物的可通行系数，以指示当所述障碍物位于所述车辆的行驶方向的前方时所述车辆是否需要绕行。由此，能够针对语义分割所得到的目标区域进行识别，以得到障碍物的通行系数来指示车辆通过所述障碍物时是否需要绕行，为车辆决策提供数据支持。
在一些示例中，所述可通行系数可以是量化的连续评分形式，也可以是离散化的标签，例如可以包括“可碾压通过”、“需停车或绕行”、“需减速”等，对此不作限定。
根据一些实施例，所述基于所述目标区域，确定所述障碍物的通行系数包括：将所述目标区域输入图像分类模型，以得到所述图像分类模型输出的所述障碍物的类别，所述图像分类模型是利用标注有障碍物的类别的样本图像进行训练得到的；以及基于所述障碍物的类别，确定所述障碍物的通行系数。由此，能够利用分类模型对障碍物进行识别，得到障碍物类别，基于类别来确定该障碍物的通行系数。
在一些示例中，可以预先配置障碍物的类别和障碍物的可通行系数之间的映射关系，例如塑料袋类的障碍物可以对应“可碾压通过”的可通行系数标签、锥桶类的障碍物可以对应“需停车或绕行”的可通行系数标签。
在一些示例中，也可以是利用其他方式确定所述障碍物的通行系数，例如可以将所述目标区域输入可通行系数确定模型，以得到该模型所输出的所述障碍物的可通行系数，所述可通行系数确定模型是利用标注有障碍物的真实可用性系数的样本图像进行训练得到的。
根据一些实施例，所述相机安装在自动驾驶车辆上，方法200还包括：确定所述相机的安装位置信息；以及基于所述相机的安装位置信息和所述障碍物相对于所述相机的位置信息，确定所述障碍物相对于所述自动驾驶车辆的位置信息。由此，能够基于相机在车辆的安装位置和障碍物与相机的相对位置关系，通过几何关系结算来确定障碍物与车辆的相对位置，为车辆的行驶决策提供数据支持。
图3示出了根据本公开示例性实施例的低矮障碍物检测过程的示意图。在这一示例中，用于采集待检测图像的相机为单目相机。如图3所示，可以是将待检测图像输入语义分割模型，以基于语义分割结果确定包括障碍物的目标区域和目标区域在待检测图像中的位置信息。通过将所述目标区域输入图像分类模型，能够得到图像分类模型输出的障碍物的类别，再基于障碍物的类别，确定障碍物的通行系数。利用基于单目相机成像模型的计算单元，可以基于目标区域在待检测图像中的位置信息和单目相机的采集参数，确定障碍物相对于相机的位置信息。
图4示出了根据本公开示例性实施例的单目相机成像模型的示意图。
如图4所示，针对地面上的点P，可以基于该点对应的像素在待检测图像中的像素位置信息、单目相机的内参矩阵
和外旋转矩阵[r1 r2 t]，构建如下方程，以解算点P在相机坐标系中的位置(Xc,Yc,Zc)
基于此，可以得到路面平面相对于图像的转换矩阵H及其逆矩阵H-1：
根据矩阵的第三行计算得到Zc，即点P在相机坐标系下Z轴的坐标，进而计算得到X轴坐标Xc和Y轴坐标Yc：
根据本公开的另一方面，还提供一种自动驾驶车辆的决策方法，所述自动驾驶车辆包括相机。图5示出了根据本公开示例性实施例的自动驾驶车辆的决策方法500的流程图。如图5所示，方法500包括：
步骤S501、利用上述方法200检测预设范围内的障碍物；以及
步骤S502、基于障碍物检测结果，确定车辆控制决策。
由此，能够通过利用方法200更简便、高效地检测预设范围内的障碍物，基于此确定车辆控制决策，提升自动驾驶的安全性。
根据本公开的另一方面，还提供一种基于语义分割的低矮障碍物检测装置。图6示出了根据本公开示例性实施例的低矮障碍物检测装置600的结构框图，如图6所示，装置600包括：
获取单元601，被配置为获取由相机采集的待检测图像；
分割单元602，被配置为对所述待检测图像进行语义分割，以得到多个分割区域；以及
第一确定单元603，被配置为响应于确定所述多个分割区域中存在包括障碍物的目标区域，基于所述相机的采集参数和所述目标区域在所述待检测图像中的位置信息，确定所述障碍物相对于所述相机的位置信息。
根据一些实施例，分割单元602被配置为：将所述待检测图像输入语义分割模型，以得到所述语义分割模型输出的多个分割区域，所述语义分割模型是通过如下方式进行训练得到的：获取包括障碍物的样本图像和所述样本图像中包括所述障碍物的真实目标区域；将所述样本图像输入所述语义分割模型，以得到所述语义分割模型输出的多个第一分割区域，所述多个第一分割区域包括第一预测目标区域，所述第一预测目标区域包括所述障碍物；将所述第一预测目标区域输入所述语义分割模型，以得到所述语义分割模型输出的多个第二分割区域，所述多个第二分割区域包括第二预测目标区域，所述第二预测目标区域包括所述障碍物；以及基于所述第二预测目标区域和所述真实目标区域，调整所述语义分割模型的参数。
根据一些实施例，装置600还包括：第二确定单元，被配置为基于所述目标区域，确定所述障碍物的可通行系数，以指示当所述障碍物位于所述车辆的行驶方向的前方时所述车辆是否需要绕行。
根据一些实施例，所述第二确定单元包括：输入子单元，被配置为将所述目标区域输入图像分类模型，以得到所述图像分类模型输出的所述障碍物的类别，所述图像分类模型是利用标注有障碍物的类别的样本图像进行训练得到的；以及确定子单元，被配置为基于所述障碍物的类别，确定所述障碍物的通行系数。
根据一些实施例，所述相机安装在自动驾驶车辆上，装置600还包括：第三确定单元，被配置为确定所述相机的安装位置信息；以及第四确定单元，被配置为基于所述相机的安装位置信息和所述障碍物相对于所述相机的位置信息，确定所述障碍物相对于所述自动驾驶车辆的位置信息。
根据本公开的另一方面，还提供一种自动驾驶车辆的决策装置，所述自动驾驶车辆包括相机。图7示出了根据本公开示例性实施例的自动驾驶车辆的决策装置700的结构框图。如图7所示，装置700包括：
如上所述的低矮障碍物检测装置600，被配置为检测预设范围内的障碍物；以及
第五确定单元701，被配置为基于障碍物检测结果，确定车辆控制决策。
根据本公开的另一方面，还提供一种自动驾驶车辆，包括：相机；以及如上所述的自动驾驶车辆的决策装置700。
根据本公开的另一方面，还提供一种电子设备，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指令，所述指令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上述的障碍物检测方法和自动驾驶车辆的决策方法中的至少一者。
根据本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的障碍物检测方法和自动驾驶车辆的决策方法中的至少一者。
根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序再被处理器执行时实现上述的障碍物检测方法和自动驾驶车辆的决策方法中的至少一者方法。
参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类别的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类别的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801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。计算单元801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计算单元、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。计算单元801执行上文所描述的各个方法和处理，例如障碍物检测方法和自动驾驶车辆的决策方法中的至少一者。例如，在一些实施例中，障碍物检测方法和自动驾驶车辆的决策方法中的至少一者可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的障碍物检测方法和自动驾驶车辆的决策方法中的至少一者的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行障碍物检测方法和自动驾驶车辆的决策方法中的至少一者。
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、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)、互联网和区块链网络。
计算机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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (16)
1.一种基于语义分割的低矮障碍物检测方法，包括：
获取由相机采集的待检测图像；
对所述待检测图像进行语义分割，以得到多个分割区域；以及
响应于确定所述多个分割区域中存在包括障碍物的目标区域，基于所述相机的采集参数和所述目标区域在所述待检测图像中的位置信息，确定所述障碍物相对于所述相机的位置信息。
2.如权利要求1所述的方法，其中，所述对所述待检测图像进行分割，以得到多个分割区域包括：
将所述待检测图像输入语义分割模型，以得到所述语义分割模型输出的多个分割区域，所述语义分割模型是通过如下方式进行训练得到的：
获取包括障碍物的样本图像和所述样本图像中包括所述障碍物的真实目标区域；
将所述样本图像输入所述语义分割模型，以得到所述语义分割模型输出的多个第一分割区域，所述多个第一分割区域包括第一预测目标区域，所述第一预测目标区域包括所述障碍物；
将所述第一预测目标区域输入所述语义分割模型，以得到所述语义分割模型输出的多个第二分割区域，所述多个第二分割区域包括第二预测目标区域，所述第二预测目标区域包括所述障碍物；以及
基于所述第二预测目标区域和所述真实目标区域，调整所述语义分割模型的参数。
3.如权利要求1或2所述的方法，还包括：
基于所述目标区域，确定所述障碍物的可通行系数，以指示当所述障碍物位于所述车辆的行驶方向的前方时所述车辆是否需要绕行。
4.如权利要求3所述的方法，其中，所述基于所述目标区域，确定所述障碍物的通行系数包括：
将所述目标区域输入图像分类模型，以得到所述图像分类模型输出的所述障碍物的类别，所述图像分类模型是利用标注有障碍物的类别的样本图像进行训练得到的；以及
基于所述障碍物的类别，确定所述障碍物的通行系数。
5.如权利要求1-4中任一项所述的方法，所述相机安装在自动驾驶车辆上，所述方法还包括：
确定所述相机的安装位置信息；以及
基于所述相机的安装位置信息和所述障碍物相对于所述相机的位置信息，确定所述障碍物相对于所述自动驾驶车辆的位置信息。
6.一种自动驾驶车辆的决策方法，所述自动驾驶车辆包括相机，所述方法包括：
利用权利要求1-5中任一项所述的方法检测预设范围内的障碍物；以及
基于障碍物检测结果，确定车辆控制决策。
7.一种基于语义分割的低矮障碍物检测装置，包括：
获取单元，被配置为获取由相机采集的待检测图像；
分割单元，被配置为对所述待检测图像进行语义分割，以得到多个分割区域；以及
第一确定单元，被配置为响应于确定所述多个分割区域中存在包括障碍物的目标区域，基于所述相机的采集参数和所述目标区域在所述待检测图像中的位置信息，确定所述障碍物相对于所述相机的位置信息。
8.如权利要求7所述的装置，其中，所述分割单元被配置为：
将所述待检测图像输入语义分割模型，以得到所述语义分割模型输出的多个分割区域，所述语义分割模型是通过如下方式进行训练得到的：
获取包括障碍物的样本图像和所述样本图像中包括所述障碍物的真实目标区域；
将所述样本图像输入所述语义分割模型，以得到所述语义分割模型输出的多个第一分割区域，所述多个第一分割区域包括第一预测目标区域，所述第一预测目标区域包括所述障碍物；
将所述第一预测目标区域输入所述语义分割模型，以得到所述语义分割模型输出的多个第二分割区域，所述多个第二分割区域包括第二预测目标区域，所述第二预测目标区域包括所述障碍物；以及
基于所述第二预测目标区域和所述真实目标区域，调整所述语义分割模型的参数。
9.如权利要求7或8所述的装置，还包括：
第二确定单元，被配置为基于所述目标区域，确定所述障碍物的可通行系数，以指示当所述障碍物位于所述车辆的行驶方向的前方时所述车辆是否需要绕行。
10.如权利要求9所述的装置，其中，所述第二确定单元包括：
输入子单元，被配置为将所述目标区域输入图像分类模型，以得到所述图像分类模型输出的所述障碍物的类别，所述图像分类模型是利用标注有障碍物的类别的样本图像进行训练得到的；以及
确定子单元，被配置为基于所述障碍物的类别，确定所述障碍物的通行系数。
11.如权利要求7-10中任一项所述的装置，所述相机安装在自动驾驶车辆上，所述装置还包括：
第三确定单元，被配置为确定所述相机的安装位置信息；以及
第四确定单元，被配置为基于所述相机的安装位置信息和所述障碍物相对于所述相机的位置信息，确定所述障碍物相对于所述自动驾驶车辆的位置信息。
12.一种自动驾驶车辆的决策装置，所述自动驾驶车辆包括相机，所述装置包括：
权利要求7-11中任一项所述的装置，被配置为检测预设范围内的障碍物；以及
第五确定单元，被配置为基于障碍物检测结果，确定车辆控制决策。
13.一种自动驾驶车辆，包括：
相机；以及
如权利要求12所述的装置。
14.一种电子设备，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指令，所述指令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1-6中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。
16.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211528178.4A CN115953414A (zh) | 2022-11-30 | 2022-11-30 | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211528178.4A CN115953414A (zh) | 2022-11-30 | 2022-11-30 | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115953414A true CN115953414A (zh) | 2023-04-11 |
Family
ID=87295849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211528178.4A Pending CN115953414A (zh) | 2022-11-30 | 2022-11-30 | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953414A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710734A (zh) * | 2023-12-13 | 2024-03-15 | 北京百度网讯科技有限公司 | 用于获得语义数据的方法、装置、电子设备、介质 |
| CN117806334A (zh) * | 2024-02-29 | 2024-04-02 | 广东电网有限责任公司阳江供电局 | 一种基于人工智能的水下机器人避障路径规划方法及系统 |
-
2022
- 2022-11-30 CN CN202211528178.4A patent/CN115953414A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710734A (zh) * | 2023-12-13 | 2024-03-15 | 北京百度网讯科技有限公司 | 用于获得语义数据的方法、装置、电子设备、介质 |
| CN117806334A (zh) * | 2024-02-29 | 2024-04-02 | 广东电网有限责任公司阳江供电局 | 一种基于人工智能的水下机器人避障路径规划方法及系统 |
| CN117806334B (zh) * | 2024-02-29 | 2024-05-14 | 广东电网有限责任公司阳江供电局 | 一种基于人工智能的水下机器人避障路径规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115953414A (zh) | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 | |
| CN115578433B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| EP4123592A2 (en) | Human-object interaction detection method, neural network and training method therefor, device, and medium | |
| CN113256583A (zh) | 图像质量检测方法及装置、计算机设备和介质 | |
| CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
| CN113920174A (zh) | 点云配准方法、装置、设备、介质和自动驾驶车辆 | |
| CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
| CN113052174A (zh) | 车牌数据样本生成方法、装置、电子设备和存储介质 | |
| CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| US20220227374A1 (en) | Data processing | |
| CN113139542B (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
| CN115082757A (zh) | 伪标签生成方法、目标检测模型训练方法及装置 | |
| CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
| CN114693977A (zh) | 图像处理方法、模型训练方法、装置、设备及介质 | |
| CN112579587A (zh) | 数据清洗方法及装置、设备和存储介质 | |
| CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
| CN115100431B (zh) | 目标检测方法、神经网络及其训练方法、设备和介质 | |
| CN114926656B (zh) | 对象识别方法、装置、设备及介质 | |
| CN115601561A (zh) | 高精地图目标检测方法、装置、设备及介质 | |
| CN114255449A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN115170536A (zh) | 图像检测方法、模型的训练方法和装置 | |
| CN114842073A (zh) | 图像数据扩增方法、装置、设备、介质和计算机程序产品 | |
| CN115293264A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN115953354A (zh) | 高精地图中用于检测点云数据偏差的方法、设备和介质 |
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 |