CN115984824A - 基于轨迹信息的场景信息筛选方法、电子设备及存储介质 - Google Patents
基于轨迹信息的场景信息筛选方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115984824A CN115984824A CN202310171759.5A CN202310171759A CN115984824A CN 115984824 A CN115984824 A CN 115984824A CN 202310171759 A CN202310171759 A CN 202310171759A CN 115984824 A CN115984824 A CN 115984824A
- Authority
- CN
- China
- Prior art keywords
- information
- frame
- track
- target object
- screening
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及自动驾驶技术领域,具体提供一种基于轨迹信息的场景信息筛选方法、电子设备及存储介质,旨在解决现有的场景信息筛选方法对应的筛选效率较低的技术问题。为此目的,本发明的基于轨迹信息的场景信息筛选方法包括:获取车辆的车载传感器采集的多帧图像,所述图像包括至少一个目标对象的标注框信息;基于标注框信息确定每个目标对象的轨迹类型;基于轨迹类型和标注框信息筛选场景信息。如此,获得了较为均衡的场景信息,减小了筛选成本,在保证精准度的同时,提高了筛选效率。
Description
技术领域
本发明涉及自动驾驶技术领域,具体提供一种基于轨迹信息的场景信息筛选方法、电子设备及存储介质。
背景技术
目前,高级辅助驾驶的功能越来越受到大家的关注,而且使用的场景随着传感器和信息技术的进步,功能体验也进一步提升。
对于高级辅助驾驶而言,由于车辆所属的场景与大多数自然场景区别较大,因而一些开源数据集对于自动驾驶算法的价值并不大。如果直接使用车辆采集数据再从中筛选出有价值的场景信息,需要消耗巨大的人力和物力,筛选效率较低。
相应地,本领域需要一种新的基于轨迹信息的场景信息筛选方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决上述技术问题。本发明提供了一种基于轨迹信息的场景信息筛选方法、电子设备及存储介质。
在第一方面,本发明提供一种基于轨迹信息的场景信息筛选方法,所述方法包括:获取车辆的车载传感器采集的多帧图像,所述图像包括至少一个目标对象的标注框信息;基于所述标注框信息确定每个所述目标对象的轨迹类型;基于所述轨迹类型和所述标注框信息筛选场景信息。
在一个实施方式中,所述基于所述标注框信息确定每个所述目标对象的轨迹类型,包括:基于所述标注框信息确定每个所述目标对象的轨迹信息;基于所述轨迹信息确定每个所述目标对象的轨迹类型。
在一个实施方式中,所述标注框信息至少包括标注框的顶点坐标和所述目标对象的轨迹ID;所述基于所述标注框信息确定每个所述目标对象的轨迹信息,包括:基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息;基于同一个所述轨迹ID在不同帧对应标注框信息的中心点坐标确定每个所述目标对象的轨迹信息,其中所述中心点坐标基于所述标注框的顶点坐标得到。
在一个实施方式中,所述基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息,包括:从每帧所述图像中提取所述标注框信息;对所述标注框信息按照时间顺序进行排序;从排序后的所有标注框信息中获取所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息。
在一个实施方式中,所述从排序后的所有目标对象的标注框信息中获取所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息,包括:采用滑动窗口,从排序后的所有标注框信息中获取预设长度的所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息。
在一个实施方式中,所述轨迹类型包括第一轨迹类型和第二轨迹类型;所述基于所述轨迹信息确定每个所述目标对象的轨迹类型,包括:判断所述轨迹信息的有效帧数是否满足预设条件;若是,基于所述目标对象的轨迹信息确定目标对象的状态参数;基于所述状态参数确定所述目标对象的第一轨迹类型,所述第一轨迹类型包括直行、静止、转弯和掉头中的任意一种;和/或
基于所述目标对象的轨迹信息、所述车辆的轨迹信息和所述目标对象与车辆的位置关系确定所述目标对象的第二轨迹类型,所述第二轨迹类型包括切入所述车辆所在车道和切出所述车辆所在车道中的任意一种。
在一个实施方式中,所述基于所述轨迹类型和所述标注框信息筛选场景信息,包括:获取场景筛选规则;基于所述场景筛选规则、所述轨迹类型和所述标注框信息从所述多帧图像中筛选场景信息。
在一个实施方式中,在基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息之后,以及基于同一个所述轨迹ID在不同帧对应标注框信息的中心点确定每个所述目标对象的轨迹信息之前,所述方法还包括:基于所述车辆的定位信息确定坐标变换矩阵;基于所述坐标变换矩阵将所述历史帧标注框信息和未来帧标注框信息转换至当前帧对应的车辆坐标系下。
在第二方面,提供一种电子设备,该电子设备包括至少一个处理器和至少一个存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行前述任一项所述的基于轨迹信息的场景信息筛选方法。
在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行前述任一项所述的基于轨迹信息的场景信息筛选方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明中的基于轨迹信息的场景信息筛选方法,获取车辆的车载传感器采集的多帧图像,所述图像包括至少一个目标对象的标注框信息;基于标注框信息确定每个目标对象的轨迹类型;基于轨迹类型和标注框信息筛选场景信息。如此,获得了较为均衡的场景信息,减小了筛选成本,在保证精准度的同时,提高了筛选效率。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。此外,图中类似的数字用以表示类似的部件,其中:
图1是根据本发明的一个实施例的基于轨迹信息的场景信息筛选方法的主要步骤流程示意图;
图2是一个实施例中基于标注框信息确定轨迹信息的流程示意图;
图3是一个实施例中基于轨迹信息确定轨迹类型的流程示意图;
图4是一个实施例中基于轨迹类型和标注框信息筛选场景信息的流程示意图;
图5是一个实施例中基于轨迹信息的场景信息筛选方法的完整流程示意图;
图6是一个实施例中数据类别平衡前后分别对应的模型效果示意图;
图7是一个实施例中电子设备的结构示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
目前对于高级辅助驾驶而言,由于车辆所属的场景与大多数自然场景区别较大,因而一些开源数据集对于自动驾驶算法的价值并不大。如果直接使用车辆采集数据再从中筛选出有价值的场景信息,需要消耗巨大的人力和物力,筛选效率较低。
为此,本申请提出了一种基于轨迹信息的场景信息筛选方法、电子设备及存储介质,获取车辆的车载传感器采集的多帧图像,所述图像包括至少一个目标对象的标注框信息;基于标注框信息确定每个目标对象的轨迹类型;基于轨迹类型和标注框信息筛选场景信息。如此,获得了较为均衡的场景信息,减小了筛选成本,在保证精准度的同时,提高了筛选效率。
参阅附图1,图1是根据本发明的一个实施例的基于轨迹信息的场景信息筛选方法的主要步骤流程示意图。
如图1所示,本发明实施例中的基于轨迹信息的场景信息筛选方法主要包括下列步骤S101-步骤S103。
步骤S101:获取车辆的车载传感器采集的多帧图像,所述图像包括至少一个目标对象的标注框信息。
应当注意的是,本申请中的车辆均指的是自车。目标对象指的是自车以外的其它对象,在一个实施例中,自车以外的其它车辆可以作为所述目标对象的一个示例,但不限于此。
在一个实施例中,摄像机或者雷达等均可以作为所述车载传感器的示例,但不限于此。
当所述车载传感器是摄像机时,所述图像可以是摄像头拍摄的视频帧图像。当所述车载相机是雷达时,所述图像可以是雷达采集的点云图像。
步骤S102:基于所述标注框信息确定每个所述目标对象的轨迹类型。
具体来说,可以采用网络模型对所述标注框信息进行识别以得到所述目标对象的轨迹类型,也可以通过基于标注框信息得到的轨迹信息进一步确定目标对象的轨迹类型,但不限于此。
步骤S103:基于所述轨迹类型和所述标注框信息筛选场景信息。
场景信息指的是在某一场景下从所述多帧图像中获得的与目标对象或车辆有关的信息。
基于上述步骤S101-步骤S103,获取车辆的车载传感器采集的多帧图像,所述图像包括至少一个目标对象的标注框信息;基于标注框信息确定每个目标对象的轨迹类型;基于轨迹类型和标注框信息筛选场景信息。如此,获得了较为均衡的场景信息,减小了筛选成本,在保证精准度的同时,提高了筛选效率。
下面分别对上述步骤S102至步骤S103作进一步说明。
具体地,上述步骤S102可通过下述步骤S1021至步骤S1022实现。
步骤S1021:基于所述标注框信息确定每个所述目标对象的轨迹信息。
在一个具体实施方式中,所述标注框信息至少包括标注框的顶点坐标和所述目标对象的轨迹ID;所述基于所述标注框信息确定每个所述目标对象的轨迹信息,包括:基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息;基于同一个所述轨迹ID在不同帧对应标注框信息的中心点坐标确定每个所述目标对象的轨迹信息,其中所述中心点坐标基于所述标注框的顶点坐标得到。
标注框信息是由人工逐帧标注得到的,标注框信息至少包括标注框的顶点坐标和目标对象的轨迹ID。利用标注框的顶点坐标计算标注框的中心点坐标。基于轨迹ID指的是每个目标对象的轨迹编号,不同帧图像之间、相同的目标对象具有相同的轨迹ID。另外,标注框信息还包括所述目标对象的位置信息、目标对象的类型和朝向角等,但不限于此。
历史帧标注框信息和未来帧标注框信息都是相对于当前帧标注框信息来说的。例如,对于一段视频来说,当前播放的帧图像中的标注框为当前帧标注框信息,位于当前播放帧图像之前的帧图像中的标注框信息为历史帧标注框信息,位于当前播放帧图像之后的帧图像中的标注框信息为未来帧标注框信息。
具体来说,在该实施例中,首先基于标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息,构成一组对应于当前帧的时间序列,接着将同一个轨迹ID在不同帧对应标注框信息的中心点连接即可得到每个所述目标对象的轨迹信息。
在一个具体实施方式中,所述基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息,包括:从每帧所述图像中提取所述标注框信息;对所述标注框信息按照时间顺序进行排序;从排序后的所有标注框信息中获取所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息。
在一个具体实施方式中,所述从排序后的所有目标对象的标注框信息中获取所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息,包括:采用滑动窗口,从排序后的所有标注框信息中获取预设长度的所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息。
具体来说,在一个实施方式中,首先将每帧图像中的所有标注框信息提取出来,并对其按照时间顺序进行排序,并采用滑动窗口从排序后的所有标注框信息中获取预设长度的历史帧标注框信息、当前帧标注框信息和未来帧标注框信息。
具体地,设置历史帧和未来帧的长度,从而确定滑动窗口的长度。例如,设置历史帧为2帧、当前帧为1帧、未来帧为5帧,那么滑动窗口长度为8帧。滑动窗口每向后滑动一帧,都会生成一组对应于当前帧的时间序列。
在一个具体实施方式中,在基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息之后,以及基于同一个所述轨迹ID在不同帧对应标注框信息的中心点确定每个所述目标对象的轨迹信息之前,所述方法还包括:基于所述车辆的定位信息确定坐标变换矩阵;基于所述坐标变换矩阵将所述历史帧标注框信息和未来帧标注框信息转换至当前帧对应的车辆坐标系下。
车辆上安装有定位装置,能够获取车辆在世界坐标系下的定位信息,所述定位信息包括位置和姿态。
利用历史帧车辆在世界坐标系下的定位信息和当前帧车辆在世界坐标系下的定位信息,确定历史帧变换到当前帧的坐标变换矩阵。从而可以将历史帧标注框信息转换至当前帧对应的车辆坐标系下。
将未来帧标注框信息转换至当前帧对应的车辆坐标系下与前述将历史帧标注框信息转换至当前帧对应的车辆坐标系下的原理相同,此处不赘述。如此,能够形成统一格式的标注框信息,有利于信息的进一步处理。
具体如图2所示,在一个实施例中,首先基于标注框信息构建时间序列,接着对时间序列进行坐标变换,以将历史帧标注框信息和未来帧标注框信息转换至当前帧对应的车辆坐标系下,并基于此确定每个目标对象的轨迹信息。另外,还可以将每个目标对象的轨迹信息转换至以目标对象为中心的坐标系,从而统一目标对象的轨迹形式。
步骤S1022:基于所述轨迹信息确定每个所述目标对象的轨迹类型。
轨迹类型包括直行、静止、左转、右转、左转掉头、右转掉头、切入车辆所在车道(cut-in),切出车辆所在车道(cut-out)、起步、刹停等。
在一个实施例中,第一轨迹类型包括直行、静止、转弯和掉头中的任意一种,第二轨迹类型包括切入车辆所在车道(cut-in),切出车辆所在车道(cut-out)、起步、刹停中的任意一种。
具体来说,可以采用机器学习模型对所述轨迹信息进行识别以得到所述目标对象的轨迹类型,也可以通过逻辑判断进一步确定目标对象的轨迹类型,但不限于此。
下述实施例可以作为通过逻辑判断进一步确定目标对象的轨迹类型的一个示例,但不限于此。
在一个优选实施方式中,所述轨迹类型包括第一轨迹类型和第二轨迹类型;所述基于所述轨迹信息确定每个所述目标对象的轨迹类型,包括:判断所述轨迹信息的有效帧数是否满足预设条件;若是,基于所述目标对象的轨迹信息确定目标对象的状态参数;基于所述状态参数确定所述目标对象的第一轨迹类型,所述第一轨迹类型包括直行、静止、转弯和掉头中的任意一种;和/或
基于所述目标对象的轨迹信息、所述车辆的轨迹信息和所述目标对象与车辆的位置关系确定所述目标对象的第二轨迹类型,所述第二轨迹类型包括切入所述车辆所在车道和切出所述车辆所在车道中的任意一种。
有效帧数是根据经验进行设置的。示例性地,对于2帧历史帧图像、1帧当前帧图像和5帧未来帧图像,在一些情况下,某一目标对象在这8帧图像中可能不会全部出现,设置目标对象出现图像帧数的最小值,比如说3帧作为有效帧数。
对于在连续8帧图像的时间窗口内,目标对象出现次数大于3帧,则确定所述目标对象的轨迹信息的有效帧数满足预设条件,否则仅凭少数帧无法判断目标对象的轨迹类型。
具体来说,在一个实施方式中,首先判断轨迹信息的有效帧数是否满足预设条件,若是,进一步基于轨迹信息确定目标对象在该段轨迹对应时间范围内的位移、速度、朝向角变化等状态参数。
示例性地,通过朝向角变化大于朝向角阈值以及位移大于位移阈值来确定目标对象的轨迹类型是否为左转或右转。
具体如图3所示,由于目标对象有多个,如果所有目标对象都确定为第一轨迹类型,则结束,若还有剩余部分目标对象不是第一轨迹类型,则进一步通过目标对象与车辆的位置关系、目标对象的轨迹信息、车辆的轨迹信息等确定其是否为第二轨迹类型。
示例性地,目标对象位于车辆的右前方较近位置,且目标对象的轨迹与车辆的轨迹越来越接近,说明目标对象有驶入本车道的预兆,则确定该目标对象的轨迹类型为切入所述车辆所在车道。
以上是对步骤S102的进一步说明,下面继续对步骤S103作进一步说明。
在一个具体实施方式中,具体如图4所示,所述基于所述轨迹类型和所述标注框信息筛选场景信息,包括:获取场景筛选规则;基于所述场景筛选规则、所述轨迹类型和所述标注框信息从所述多帧图像中筛选场景信息。
场景筛选规则可以是用户根据需求自定义的规则。
在一个实施例中,用户可以根据车辆的轨迹类型、目标对象的轨迹类型以及车辆与目标对象的距离等定义所述场景筛选规则。例如,车辆轨迹类型为左转、目标对象的轨迹类型为左转,目标对象位于所述车辆正前方10米范围内作为所述场景筛选规则的一个示例。利用该场景筛选规则进行筛选,可以筛选出符合条件的场景信息。
在另一个实施例中,用户还可以根据场景连续出现的帧数进一步定义所述场景筛选规则。例如,根据场景需求,定义车辆的轨迹类型为左转、目标车辆在自车的正前方30m范围内,目标车辆朝向自车车头,同时目标对象的轨迹类型也为左转,场景连续出现的帧数大于4帧作为所处场景筛选规则的一个示例。利用该场景筛选规则进行筛选,逐帧判断是否满足场景规则,然后将连续4帧以上满足筛选规则的场景信息或事件筛选出来。
在一个实施例中,如图5所示,基于多帧图像的标注框信息,依次可以通过构建目标对象的轨迹信息、标注轨迹类型、获得场景筛选规则进一步来确定场景信息。
基于此筛选的不同场景下的场景信息,还能进一步解决现有技术中场景信息单一问题,很大程度上均衡了场景信息单一对轨迹预测模型的影响,以及利用所述轨迹类别获得的场景信息能够进一步提高轨迹预测模型的训练效果,从而提高轨迹预测模型的预测能力。图6可以作为场景信息类别平衡前后分别对应的模型效果示意图的一个示例,但不限于此。由图6可以看出,未平衡类别的信息训练出来的模型预测得到的轨迹为一条直线。平衡场景信息后,模型可以预测出更加合理的弧线轨迹。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种电子设备。在根据本发明的一个电子设备实施例中,具体如图7所示,电子设备包括至少一个处理器71和至少一个存储装置72,存储装置可以被配置成存储执行上述方法实施例的基于轨迹信息的场景信息筛选方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的基于轨迹信息的场景信息筛选方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。
在本发明实施例中电子设备可以是包括各种设备形成的控制装置设备。在一些可能的实施方式中,电子设备可以包括多个存储装置和多个处理器。而执行上述方法实施例基于轨迹信息的场景信息筛选方法的程序可以被分割成多段子程序,每段子程序分别可以由处理器加载并运行以执行上述方法实施例的基于轨迹信息的场景信息筛选方法的不同步骤。具体地,每段子程序可以分别存储在不同的存储装置中,每个处理器可以被配置成用于执行一个或多个存储装置中的程序,以共同实现上述方法实施例的基于轨迹信息的场景信息筛选方法,即每个处理器分别执行上述方法实施例的基于轨迹信息的场景信息筛选方法的不同步骤,来共同实现上述方法实施例的基于轨迹信息的场景信息筛选方法。
上述多个处理器可以是部署于同一个设备上的处理器,例如上述电子设备可以是由多个处理器组成的高性能设备,上述多个处理器可以是该高性能设备上配置的处理器。此外,上述多个处理器也可以是部署于不同设备上的处理器,例如上述电子设备可以是服务器集群,上述多个处理器可以是服务器集群中不同服务器上的处理器。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的基于轨迹信息的场景信息筛选方法的程序,该程序可以由处理器加载并运行以实现上述基于轨迹信息的场景信息筛选方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于轨迹信息的场景信息筛选方法,其特征在于,所述方法包括:
获取车辆的车载传感器采集的多帧图像,所述图像包括至少一个目标对象的标注框信息;
基于所述标注框信息确定每个所述目标对象的轨迹类型;
基于所述轨迹类型和所述标注框信息筛选场景信息。
2.根据权利要求1所述的基于轨迹信息的场景信息筛选方法,其特征在于,所述基于所述标注框信息确定每个所述目标对象的轨迹类型,包括:
基于所述标注框信息确定每个所述目标对象的轨迹信息;
基于所述轨迹信息确定每个所述目标对象的轨迹类型。
3.根据权利要求2所述的基于轨迹信息的场景信息筛选方法,其特征在于,所述标注框信息至少包括标注框的顶点坐标和所述目标对象的轨迹ID;
所述基于所述标注框信息确定每个所述目标对象的轨迹信息,包括:
基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息;
基于同一个所述轨迹ID在不同帧对应标注框信息的中心点坐标确定每个所述目标对象的轨迹信息,其中所述中心点坐标基于所述标注框的顶点坐标得到。
4.根据权利要求3所述的基于轨迹信息的场景信息筛选方法,其特征在于,所述基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息,包括:
从每帧所述图像中提取所述标注框信息;
对所述标注框信息按照时间顺序进行排序;
从排序后的所有标注框信息中获取所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息。
5.根据权利要求4所述的基于轨迹信息的场景信息筛选方法,其特征在于,所述从排序后的所有目标对象的标注框信息中获取所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息,包括:采用滑动窗口,从排序后的所有标注框信息中获取预设长度的所述历史帧标注框信息、当前帧标注框信息和未来帧标注框信息。
6.根据权利要求2所述的基于轨迹信息的场景信息筛选方法,其特征在于,所述轨迹类型包括第一轨迹类型和第二轨迹类型;
所述基于所述轨迹信息确定每个所述目标对象的轨迹类型,包括:
判断所述轨迹信息的有效帧数是否满足预设条件;
若是,基于所述目标对象的轨迹信息确定目标对象的状态参数;基于所述状态参数确定所述目标对象的第一轨迹类型,所述第一轨迹类型包括直行、静止、转弯和掉头中的任意一种;和/或
基于所述目标对象的轨迹信息、所述车辆的轨迹信息和所述目标对象与车辆的位置关系确定所述目标对象的第二轨迹类型,所述第二轨迹类型包括切入所述车辆所在车道和切出所述车辆所在车道中的任意一种。
7.根据权利要求1所述的基于轨迹信息的场景信息筛选方法,其特征在于,所述基于所述轨迹类型和所述标注框信息筛选场景信息,包括:
获取场景筛选规则;
基于所述场景筛选规则、所述轨迹类型和所述标注框信息从所述多帧图像中筛选场景信息。
8.根据权利要求3所述的基于轨迹信息的场景信息筛选方法,其特征在于,在基于所述标注框信息获取历史帧标注框信息、当前帧标注框信息和未来帧标注框信息之后,以及基于同一个所述轨迹ID在不同帧对应标注框信息的中心点坐标确定每个所述目标对象的轨迹信息之前,所述方法还包括:
基于所述车辆的定位信息确定坐标变换矩阵;
基于所述坐标变换矩阵将所述历史帧标注框信息和未来帧标注框信息转换至当前帧对应的车辆坐标系下。
9.一种电子设备,包括至少一个处理器和至少一个存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的基于轨迹信息的场景信息筛选方法。
10.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的基于轨迹信息的场景信息筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171759.5A CN115984824A (zh) | 2023-02-28 | 2023-02-28 | 基于轨迹信息的场景信息筛选方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171759.5A CN115984824A (zh) | 2023-02-28 | 2023-02-28 | 基于轨迹信息的场景信息筛选方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984824A true CN115984824A (zh) | 2023-04-18 |
Family
ID=85968287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310171759.5A Pending CN115984824A (zh) | 2023-02-28 | 2023-02-28 | 基于轨迹信息的场景信息筛选方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984824A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664964A (zh) * | 2023-07-31 | 2023-08-29 | 福思(杭州)智能科技有限公司 | 数据筛选方法、装置、车载设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210053570A1 (en) * | 2019-08-23 | 2021-02-25 | Zoox, Inc. | Yield behavior modeling and prediction |
CN113298723A (zh) * | 2020-07-08 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 视频处理方法、装置、电子设备及计算机存储介质 |
CN114064971A (zh) * | 2021-11-22 | 2022-02-18 | 中国民航大学 | 一种基于深度学习的机坪视频语义检索方法及检索系统 |
CN114489079A (zh) * | 2022-01-27 | 2022-05-13 | 重庆长安汽车股份有限公司 | 一种基于信号规则的自动驾驶前车切入场景提取方法 |
CN115222779A (zh) * | 2021-09-17 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种车辆切入检测方法、装置及存储介质 |
CN115439922A (zh) * | 2021-06-01 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 对象行为识别方法、装置、设备及介质 |
-
2023
- 2023-02-28 CN CN202310171759.5A patent/CN115984824A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210053570A1 (en) * | 2019-08-23 | 2021-02-25 | Zoox, Inc. | Yield behavior modeling and prediction |
CN113298723A (zh) * | 2020-07-08 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 视频处理方法、装置、电子设备及计算机存储介质 |
CN115439922A (zh) * | 2021-06-01 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 对象行为识别方法、装置、设备及介质 |
CN115222779A (zh) * | 2021-09-17 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种车辆切入检测方法、装置及存储介质 |
CN114064971A (zh) * | 2021-11-22 | 2022-02-18 | 中国民航大学 | 一种基于深度学习的机坪视频语义检索方法及检索系统 |
CN114489079A (zh) * | 2022-01-27 | 2022-05-13 | 重庆长安汽车股份有限公司 | 一种基于信号规则的自动驾驶前车切入场景提取方法 |
Non-Patent Citations (1)
Title |
---|
龙学军等: "高速公路车辆换道行为预测", 中国交通信息化, no. 261, pages 130 - 133 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664964A (zh) * | 2023-07-31 | 2023-08-29 | 福思(杭州)智能科技有限公司 | 数据筛选方法、装置、车载设备和存储介质 |
CN116664964B (zh) * | 2023-07-31 | 2023-10-20 | 福思(杭州)智能科技有限公司 | 数据筛选方法、装置、车载设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879959B (zh) | 生成数据集的方法及装置、利用其的测试方法及测试装置 | |
CN109919008A (zh) | 运动目标检测方法、装置、计算机设备及存储介质 | |
US20180373980A1 (en) | Method for training and refining an artificial intelligence | |
KR101589711B1 (ko) | 비디오 데이터의 처리 방법 및 시스템 | |
CN112528807B (zh) | 行驶轨迹的预测方法、装置、电子设备及存储介质 | |
CN113553482B (zh) | 停留点识别和出行链构建系统、算法、设备及存储介质 | |
CN111582189A (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
CN115984824A (zh) | 基于轨迹信息的场景信息筛选方法、电子设备及存储介质 | |
CN112200142A (zh) | 一种识别车道线的方法、装置、设备及存储介质 | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
KR20210015861A (ko) | 스마트 주행 기기의 주행 상태 인식 방법 및 장치, 기기 | |
CN111429512B (zh) | 图像处理方法和装置、存储介质及处理器 | |
CN117994987B (zh) | 基于目标检测技术的交通参数提取方法及相关装置 | |
CN111191607A (zh) | 确定车辆的转向信息的方法、设备和存储介质 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 | |
CN118247359A (zh) | 鱼眼摄像机自动标定方法、装置、计算机设备及存储介质 | |
Xiong et al. | Distortion map-guided feature rectification for efficient video semantic segmentation | |
CN116259047A (zh) | 一种基于改进双向加权特征金字塔的城市树木检测方法 | |
CN115631482A (zh) | 驾驶感知信息采集方法、装置、电子设备和可读介质 | |
CN115909305A (zh) | 一种车辆信息识别方法、装置、设备及存储介质 | |
CN114973173A (zh) | 驾驶场景数据的分类方法、装置、电子设备及存储介质 | |
CN112258602A (zh) | 一种停止线生成方法、装置、电子设备及存储介质 | |
CN116909169B (zh) | 运行控制模型的训练方法、运行控制方法、设备及介质 | |
CN115923847B (zh) | 自动驾驶车辆的感知信息的预处理方法、装置及车辆 |
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 |