CN116580367A - 数据处理方法、装置、电子设备和存储介质 - Google Patents
数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116580367A CN116580367A CN202211708978.4A CN202211708978A CN116580367A CN 116580367 A CN116580367 A CN 116580367A CN 202211708978 A CN202211708978 A CN 202211708978A CN 116580367 A CN116580367 A CN 116580367A
- Authority
- CN
- China
- Prior art keywords
- coordinates
- coordinate
- distance
- determining
- frame
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 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
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect 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
- 230000004297 night vision Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种数据处理方法、装置、电子设备和存储介质,涉及数据处理技术领域,尤其涉及人工智能、智慧交通、智慧公路养护领域。实现方案为:获取连续多帧图像;对每帧图像进行目标对象检测,以获取每帧图像中的目标对象;基于每帧图像对应的第一坐标,确定每个目标对象的第二坐标;将多帧图像中的第二坐标合并到同一坐标系中,以获取多个第二坐标;针对多个第二坐标中的第三坐标,确定多个第二坐标中距离第三坐标最近的预设数量的相邻坐标;基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值;确定第三坐标处的去重范围;以及对去重范围内的坐标相应的目标对象进行合并,以获取去重结果。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及人工智能、智慧交通、智慧公路养护领域,具体涉及一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
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。
在智慧公路养护巡检系统上,通过车载相机定距离拍摄,再由深度学习来识别沿线基础设施,进行盘点,是一种主要手段。传统的方法每次采集照片,相邻图片之间会存在重复的部分,使得结果中的同一个沿线设施(例如同一个灯杆、龙门架等)重复出现,进而影响数据分析以及最终沿线设施盘点汇总。
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
本公开提供了一种数据处理方法、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,提供了一种数据处理方法,包括:获取连续多帧图像,多帧图像是采集设备在沿道路移动过程中采集的,并且多帧图像中的每帧图像包括采集该图像时采集设备的第一坐标;针对多帧图像中的每帧图像,执行下述操作:对该帧图像进行目标对象检测,以获取该帧图像中的至少一个目标对象;以及基于该帧图像对应的第一坐标,确定至少一个目标对象相应的至少一个第二坐标;将多帧图像中每帧图像相应的至少一个第二坐标合并到同一坐标系中,以获取多个第二坐标;针对多个第二坐标中的第三坐标,确定多个第二坐标中距离第三坐标最近的预设数量的相邻坐标;基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值;基于第三坐标和第一距离阈值,确定第三坐标处的去重范围,以基于去重范围在多个第二坐标中确定多个第四坐标;以及对多个第四坐标相应的多个目标对象进行合并,以获取去重结果,去重结果包括合并所得的合并对象的坐标。
根据本公开的另一方面,提供了一种数据处理装置,包括:第一获取单元,被配置为获取连续多帧图像,多帧图像是采集设备在沿道路移动过程中采集的,并且多帧图像中的每帧图像包括采集该图像时采集设备的第一坐标;执行单元,被配置为针对多帧图像中的每帧图像,执行下述子单元的操作,执行单元包括:检测子单元,被配置为对该帧图像进行目标对象检测,以获取该帧图像中的至少一个目标对象;以及第一确定子单元,被配置为基于该帧图像对应的第一坐标,确定至少一个目标对象相应的至少一个第二坐标;第二获取单元,被配置为将多帧图像中每帧图像相应的至少一个第二坐标合并到同一坐标系中,以获取多个第二坐标;第一确定单元,被配置为针对多个第二坐标中的第三坐标,确定多个第二坐标中距离第三坐标最近的预设数量的相邻坐标;第二确定单元,被配置为基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值;第三确定单元,被配置为基于第三坐标和第一距离阈值,确定第三坐标处的去重范围,以基于去重范围在多个第二坐标中确定多个第四坐标;以及去重单元,被配置为对多个第四坐标相应的多个目标对象进行合并,以获取去重结果,去重结果包括合并所得的合并对象的坐标。
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;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述数据处理方法。
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,计算机指令用于使计算机执行上述数据处理方法。
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实现上述数据处理方法。
根据本公开的一个或多个实施例,能够实现对去重范围的距离阈值的动态确定,提升公路对象识别结果去重的准确度。
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示出了根据本公开的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示出了根据本公开的实施例的数据处理方法的流程图;
图3示出了本公开的示例性实施例的多帧图像的第二坐标分布图;
图4示出了根据本公开的实施例的数据处理装置的结构框图;
图5示出了能够用于实现本公开的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要素与另一要素区分开。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,基于深度学习的目标追踪方案可以通过神经网络对已识别到的对象进行识别,并预测哪些属于重复识别结果。但是,该方法由于通常多个公路设施(如多个路灯)均具有较为相似的特征,因此,基于神经网络无法对其进行准确识别。
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包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。
在本公开的实施例中,机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。
服务器120可以运行使得能够执行上述数据处理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。机动车辆110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。
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,以分析和合并从机动车辆110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,以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。
网络130可以是本领域技术人员熟知的任何类型的网络,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可以是卫星通信网络、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(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。
系统100还可以包括一个或多个数据库150。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150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。数据存储库150可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器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。数据存储库150可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。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150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型的数据库,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。
机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个:视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外,通过对视觉摄像头捕获的画面进行分析,可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周,用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置,用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置,用于检测物体边缘、形状信息,从而进行物体识别和追踪。由于多普勒效应,雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如,北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块,移动通信网络可以实施任何适合的通信技术,例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything,V2X)模块,被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle,V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure,V2I)通信的车与外界的通信。此外,通信装置112还可以具有被配置为例如通过使用IEEE502.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112,机动车辆110还可以经由网络130接入服务器120。
机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器,例如中央处理单元(CPU)或图形处理单元(GPU),或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动,而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如,可以使用车载处理器执行某一些处理,而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外,控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。
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。
根据本公开的实施例,如图2所示,提供了一种数据处理方法200,包括:步骤S201、获取连续多帧图像,多帧图像是采集设备在沿道路移动过程中采集的,并且多帧图像中的每帧图像包括采集该图像时采集设备的第一坐标;针对多帧图像中的每帧图像,执行下述操作:步骤S202、对该帧图像进行目标对象检测,以获取该帧图像中的至少一个目标对象;以及步骤S203、基于该帧图像对应的第一坐标,确定至少一个目标对象相应的至少一个第二坐标;步骤S204、将多帧图像中每帧图像相应的至少一个第二坐标合并到同一坐标系中,以获取多个第二坐标;步骤S205、针对多个第二坐标中的第三坐标,确定多个第二坐标中距离第三坐标最近的预设数量的相邻坐标;步骤S206、基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值;步骤S207、基于第三坐标和第一距离阈值,确定第三坐标处的去重范围,以基于去重范围在多个第二坐标中确定多个第四坐标;以及步骤S208、对多个第四坐标相应的多个目标对象进行合并,以获取去重结果,去重结果包括合并所得的合并对象的坐标。
由此,能够实现对去重范围的距离阈值的动态确定,提升公路对象识别结果去重的准确度。
在一些实施例中,采集设备例如可以为单目相机、双目相机、激光雷达等采集设备,上述采集设备可以被安装于载具上(如采集车、无人机等),并在载具沿道路的移动过程中,按照一定的采集频率或响应于检测到载具移动了一定距离,触发采集一帧道路图像,以获得连续多帧图像。其中,道路图像可以是RGB图像,也可以是点云图像。
在一些实施例中,当每次触发图像采集的同时,可以相应的记录采集触发时载具的所在位置信息,例如可以为载具在世界坐标系中的坐标信息(也即第一坐标)。在一些实施例中,上述坐标信息例如可以基于全球卫星导航系统(Global Navigation SatelliteSystem,GNSS)或变式旋转编码器获取。
在一些实施例中,当获取到连续多帧图像后,可以首先对每帧图像中的目标对象进行目标检测。
在一些实施例中,目标对象可以是道路沿线上的各类设施,例如路灯、龙门架、指示牌等。
在一些实施例中,可以应用经过训练的目标检测模型,针对每帧图像进行目标对象检测,并输出每帧图像中的目标对象的检测框。其中,上述目标检测模型可以是应用标注了目标对象的样本图像训练获得的。
在一些实施例中,当获取到每帧图像中的目标对象检测框后,可以进一步基于检测框在图像中的位置,以及该帧图像对应的第一坐标,确定每个目标对象在世界坐标系中的坐标信息(也即第二坐标)。
在一些实施例中,可以基于单目相机或双目相机各自相应的标定信息以及相机在采集该图像时的位置信息(也即第一坐标),将目标对象在图像坐标系中的坐标转换到世界坐标系中,从而获得该目标对象的第二坐标。
在一些实施例中,也可以基于点云数据中每个点所对应的坐标信息以及激光雷达在采集该图像时的位置信息(也即第一坐标),将目标对象在图像坐标系中的坐标转换到世界坐标系中,从而获得该目标对象的第二坐标。
在一些实施例中,可以以目标对象的检测框处的某个参考点(例如检测框的中心位置、检测框的底边上的某一点等)为基准,确定该目标对象在图像坐标系中的坐标。
在一些实施例中,在确定每帧图像中的每个目标对象的第二坐标后,可以将多帧图像中的所有第二坐标均整合到同一坐标系中。
图3示出了本公开的示例性实施例的多帧图像的第二坐标分布图。
如图3所示,其中整合了来自连续的3帧图像中的每帧图像的所有第二坐标,例如,坐标点301、坐标点302、坐标点303分别来自于不同的图像。
在一些实施例中,对于整合后的所有第二坐标,可以在其中任选一个坐标点(即第三坐标),并遍历其他坐标点,从而确定其中距离该第三坐标最近的预设数量的相邻坐标点。
根据一些实施例,预设数量可以为N-1,其中,N为多帧图像的图像数量。由此,能够通过控制相邻坐标的数量,避免获取到不合理的去重范围,进而提升了去重的准确度。
在一些示例性实施例中,参考图3,可以将坐标点301作为第三坐标,并基于上述方法确定两个相邻坐标点分别为坐标点302和坐标点303。
随后,可以基于第三坐标和每个相邻坐标之间的距离,确定第一距离阈值,以用于确定去重范围的半径。在一些实施例中,可以将第三坐标和每个相邻坐标之间的距离的均值,作为第一距离阈值。
根据一些实施例,基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值可以包括:基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定距离均值和距离标准差;以及基于距离均值和距离标准差,确定第一距离阈值。
由此,通过距离均值和标准差确定去重范围的距离阈值,从而实现对距离阈值的动态确定的同时,提升距离阈值的准确性,以避免将其他目标对象的坐标框入去重范围。
在一些实施例中,可以分别计算得到第三坐标和每个相邻坐标之间的距离的均值μ以及距离的标准差σ,并基于距离均值μ以及距离标准差σ确定第一距离阈值。例如,可以通过计算距离均值μ以及距离标准差σ的总和确定第一距离阈值。
根据一些实施例,基于距离均值和距离标准差,确定第一距离阈值包括:确定距离标准差的影响因子;以及基于距离均值、距离标准差和影响因子,确定第一距离阈值。
在一些实施例中,可以通过下述公式计算第一预设距离S:
S=μ+factor*σ
其中,factor表示距离标准差的影响因子,其取值范围可以为(0,1)。
通过上述方式计算得到的第一距离阈值符合高斯分布,基于该第一距离阈值确定的去重范围能够有效避免将一些离群点(例如可能为其他目标对象识别结果的坐标点)排除在该去重范围之外,从而避免误去重的情况,提升结果去重的准确度;同时,通过设置影响因子,能够调整对于离群坐标的敏感程度,从而提升不同场景的适应性。
在一些实施例中,确定第一距离阈值后,即可基于第一距离阈值和第三坐标,确定去重范围,例如图3中所示的,以坐标点301及其相应的第一距离阈值,即可确定去重范围304。
在一些实施例中,可以直接将去重范围中的各个坐标点合并为一个合并对象,并基于去重范围中的各个坐标点的均值确定该合并对象的位置信息,并将其记录在合并结果中。在一些实施例中,也可以对去重范围中的坐标点进行进一步判断,从而确定合并的方式。
根据一些实施例,对多个第四坐标相应的多个目标对象进行合并,以获取去重结果可以包括:响应于多个第四坐标分别来源于多帧图像中的不同图像,将多个坐标的均值确定为合并对象的坐标。
由此,通过判断去重范围内的坐标对应的目标对象是否分别来自不同的图像,从而避免对距离较近的多个目标对象进行误去重。
在一些实施例中,当判断一个去重范围内的每个坐标点分别来自不同的图像时,则可以确定该去重范围内的多个坐标点对应的目标对象为同一个目标对象,则可以直接将去重范围中的各个坐标点合并为一个合并对象,并基于去重范围中的各个坐标点的均值确定该合并对象的位置信息,并将其记录在合并结果中。
在一些实施例中,可以通过判断去重范围中所包含的坐标点的数量与多帧图像的图像数量之间的关系,来确定去重范围内的每个坐标点是否分别来自不同的图像。当去重范围中所包含的坐标点的数量小于或等于多帧图像的图像数量时,可以判断去重范围内的每个坐标点分别来自不同的图像。由此,能够在保证准确率的同时,进一步简化去重步骤中的计算。
根据一些实施例,去重结果还可以包括合并对象的第一数量,对多个第四坐标相应的多个目标对象进行合并,以获取去重结果还包括:响应于多个第四坐标中包括来源于多帧图像中的同一帧图的至少两个坐标,基于至少两个坐标的数量,确定第一数量;以及基于多个第四坐标的均值,确定合并对象的坐标。
在实际场景中,由于存在多个目标对象之间的距离非常小的情况,例如存在灯杆和交通标志杆紧挨着设置的情况,因此,通过上述方式确定的去重范围,会将不同的多个目标对象的每个目标对象对应的至少一个坐标点均包含在内。
在一些实施例中,当判断一个去重范围内的多个坐标点中,存在来自同一图像的多个坐标点时,则可以确定该去重范围内的多个坐标点对应的目标对象对应实际场景中的多个目标对象。对于这种情况,则可以首先判断其中;来自于同一图像的坐标点的数量,并基于坐标点的数量确定该去重范围内所包含的目标对象的数量。例如,参考图3,另一去重范围305中包含5个坐标点,其中,坐标点306、坐标点307来自同一图像,坐标点308、坐标点309来自同一图像,坐标点310、坐标点311来自同一图像,则可以确定该去重范围305中的多个坐标点分别对应两个目标对象,从而即可确定该去重范围中的合并对象的数量为2个。
在一些实施例中,可以直接基于去重范围中的各个坐标点的均值确定该合并对象的位置信息,并通过上述方式确定合并对象的数量,将上述两个信息记录在合并结果中,从而完成对该处识别结果的去重。
由此,通过确定去重范围内来自同一图像的坐标的数量,确定距离较近的多个目标对象的数量,并在该去重结果中记录目标对象的数量以及其共用的合并坐标,从而能够在避免误去重的同时,通过将距离较近的目标对象通过同一坐标进行表示,保证去重准确性的同时,简化去重过程中的计算。
在一些实施例中,可以通过判断去重范围中所包含的坐标点的数量与多帧图像的图像数量之间的关系,来确定去重范围内的每个坐标点是否分别来自不同的图像。当去重范围中所包含的坐标点的数量大于多帧图像的图像数量时,则可以确定去重范围内的多个坐标点对应不同的多个目标对象,并且可以进一步基于坐标点的数量和图像数量的关系,确定目标对象的数量,例如,在一个去重范围内,坐标点的数量为5个,图像数量为3帧,则判断该去重范围内包含2个目标对象。由此,能够在保证准确率的同时,进一步简化去重步骤中的计算。
在一些实施例中,当一个去重范围内可能包含多个目标对象时,也可以进一步在这个去重范围内,重新任选一个坐标点,并执行与上述数据处理方法类似的操作,从而在该去重范围中重新确定更加精确的去重范围,以使每个去重范围中所包含的坐标点均只对应一个目标对象,并基于重新确定的去重范围获取去重结果。由此,能够进一步提升去重结果的精确度。
根据一些实施例,如图4所示,还提供了一种数据处理装置400,包括:第一获取单元410,被配置为获取连续多帧图像,多帧图像是采集设备在沿道路移动过程中采集的,并且多帧图像中的每帧图像包括采集该图像时采集设备的第一坐标;执行单元420,被配置为针对多帧图像中的每帧图像,执行下述子单元的操作,执行单元420包括:检测子单元421,被配置为对该帧图像进行目标对象检测,以获取该帧图像中的至少一个目标对象;以及第一确定子单元422,被配置为基于该帧图像对应的第一坐标,确定至少一个目标对象相应的至少一个第二坐标;第二获取单元430,被配置为将多帧图像中每帧图像相应的至少一个第二坐标合并到同一坐标系中,以获取多个第二坐标;第一确定单元440,被配置为针对多个第二坐标中的第三坐标,确定多个第二坐标中距离第三坐标最近的预设数量的相邻坐标;第二确定单元450,被配置为基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值;第三确定单元460,被配置为基于第三坐标和第一距离阈值,确定第三坐标处的去重范围,以基于去重范围在多个第二坐标中确定多个第四坐标;以及去重单元470,被配置为对多个第四坐标相应的多个目标对象进行合并,以获取去重结果,去重结果包括合并所得的合并对象的坐标。
其中,数据处理装置400中的单元410-单元470以及子单元421、子单元422的操作与上述方法200中的步骤S201-步骤S208的操作类似,在此不做赘述。
根据一些实施例,第二确定单元可以包括:第二确定子单元,被配置为基于第三坐标和预设数量的相邻坐标中每个相邻坐标之间的距离,确定距离均值和距离标准差;以及第三确定子单元,被配置为基于距离均值和距离标准差,确定第一距离阈值。
根据一些实施例,第三确定子单元可以包括:第一确定模块,被配置为确定距离标准差的影响因子;以及第二确定模块,被配置为基于距离均值、距离标准差和影响因子,确定第一距离阈值。
根据一些实施例,去重单元可以包括:第四确定子单元,被配置为响应于多个第四坐标分别来源于多帧图像中的不同图像,将多个坐标的均值确定为合并对象的坐标。
根据一些实施例,去重结果还可以包括合并对象的第一数量,去重单元还可以包括:第五确定子单元,被配置为响应于多个第四坐标中包括来源于多帧图像中的同一帧图的至少两个坐标,基于至少两个坐标的数量,确定第一数量;以及第六确定子单元,被配置为基于多个第四坐标的均值,确定合并对象的坐标。
根据一些实施例,预设数量可以为N-1,其中,N为多帧图像的图像数量。
根据本公开的实施例,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。
参考图5,现将描述可以作为本公开的服务器或客户端的电子设备500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5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备,输入单元506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507可以是能呈现信息的任何类型的设备,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508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500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,例如蓝牙设备、502.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501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501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501执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
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)、负载可编程逻辑设备(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)和互联网。
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 (15)
1.一种数据处理方法,包括:
获取连续多帧图像,所述多帧图像是采集设备在沿道路移动过程中采集的,并且所述多帧图像中的每帧图像包括采集该图像时所述采集设备的第一坐标;
针对所述多帧图像中的每帧图像,执行下述操作:
对该帧图像进行目标对象检测,以获取该帧图像中的至少一个目标对象;以及
基于该帧图像对应的第一坐标,确定所述至少一个目标对象相应的至少一个第二坐标;
将所述多帧图像中每帧图像相应的至少一个第二坐标合并到同一坐标系中,以获取多个第二坐标;
针对所述多个第二坐标中的第三坐标,确定所述多个第二坐标中距离所述第三坐标最近的预设数量的相邻坐标;
基于所述第三坐标和所述预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值;
基于所述第三坐标和所述第一距离阈值,确定所述第三坐标处的去重范围,以基于所述去重范围在所述多个第二坐标中确定多个第四坐标;以及
对所述多个第四坐标相应的多个目标对象进行合并,以获取去重结果,所述去重结果包括合并所得的合并对象的坐标。
2.根据权利要求1所述的方法,其中,所述基于所述第三坐标和所述预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值包括:
基于所述第三坐标和所述预设数量的相邻坐标中每个相邻坐标之间的距离,确定距离均值和距离标准差;以及
基于所述距离均值和所述距离标准差,确定所述第一距离阈值。
3.根据权利要求2所述的方法,其中,所述基于所述距离均值和所述距离标准差,确定所述第一距离阈值包括:
确定所述距离标准差的影响因子;以及
基于所述距离均值、所述距离标准差和所述影响因子,确定所述第一距离阈值。
4.根据权利要求1-3中任一项所述的方法,其中,所述对所述多个第四坐标相应的多个目标对象进行合并,以获取去重结果包括:
响应于所述多个第四坐标分别来源于所述多帧图像中的不同图像,将所述多个坐标的均值确定为所述合并对象的坐标。
5.根据权利要求1-4中任一项所述的方法,其中,所述去重结果还包括所述合并对象的第一数量,所述对所述多个第四坐标相应的多个目标对象进行合并,以获取去重结果还包括:
响应于所述多个第四坐标中包括来源于所述多帧图像中的同一帧图的至少两个坐标,基于所述至少两个坐标的数量,确定所述第一数量;以及
基于所述多个第四坐标的均值,确定所述合并对象的坐标。
6.根据权利要求1-5中任一项所述的方法,其中,所述预设数量为N-1,其中,N为所述多帧图像的图像数量。
7.一种数据处理装置,包括:
第一获取单元,被配置为获取连续多帧图像,所述多帧图像是采集设备在沿道路移动过程中采集的,并且所述多帧图像中的每帧图像包括采集该图像时所述采集设备的第一坐标;
执行单元,被配置为针对所述多帧图像中的每帧图像,执行下述子单元的操作,所述执行单元包括:
检测子单元,被配置为对该帧图像进行目标对象检测,以获取该帧图像中的至少一个目标对象;以及
第一确定子单元,被配置为基于该帧图像对应的第一坐标,确定所述至少一个目标对象相应的至少一个第二坐标;
第二获取单元,被配置为将所述多帧图像中每帧图像相应的至少一个第二坐标合并到同一坐标系中,以获取多个第二坐标;
第一确定单元,被配置为针对所述多个第二坐标中的第三坐标,确定所述多个第二坐标中距离所述第三坐标最近的预设数量的相邻坐标;
第二确定单元,被配置为基于所述第三坐标和所述预设数量的相邻坐标中每个相邻坐标之间的距离,确定第一距离阈值;
第三确定单元,被配置为基于所述第三坐标和所述第一距离阈值,确定所述第三坐标处的去重范围,以基于所述去重范围在所述多个第二坐标中确定多个第四坐标;以及
去重单元,被配置为对所述多个第四坐标相应的多个目标对象进行合并,以获取去重结果,所述去重结果包括合并所得的合并对象的坐标。
8.根据权利要求7所述的装置,其中,所述第二确定单元包括:
第二确定子单元,被配置为基于所述第三坐标和所述预设数量的相邻坐标中每个相邻坐标之间的距离,确定距离均值和距离标准差;以及
第三确定子单元,被配置为基于所述距离均值和所述距离标准差,确定所述第一距离阈值。
9.根据权利要求8所述的装置,其中,所述第三确定子单元包括:
第一确定模块,被配置为确定所述距离标准差的影响因子;以及
第二确定模块,被配置为基于所述距离均值、所述距离标准差和所述影响因子,确定所述第一距离阈值。
10.根据权利要求7-9中任一项所述的装置,其中,所述去重单元包括:
第四确定子单元,被配置为响应于所述多个第四坐标分别来源于所述多帧图像中的不同图像,将所述多个坐标的均值确定为所述合并对象的坐标。
11.根据权利要求7-10中任一项所述的装置,其中,所述去重结果还包括所述合并对象的第一数量,所述去重单元还包括:
第五确定子单元,被配置为响应于所述多个第四坐标中包括来源于所述多帧图像中的同一帧图的至少两个坐标,基于所述至少两个坐标的数量,确定所述第一数量;以及
第六确定子单元,被配置为基于所述多个第四坐标的均值,确定所述合并对象的坐标。
12.根据权利要求7-12中任一项所述的装置,其中,所述预设数量为N-1,其中,N为所述多帧图像的图像数量。
13.一种电子设备,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。
14.一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根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,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 |
---|---|---|---|
CN202211708978.4A CN116580367A (zh) | 2022-12-29 | 2022-12-29 | 数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211708978.4A CN116580367A (zh) | 2022-12-29 | 2022-12-29 | 数据处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116580367A true CN116580367A (zh) | 2023-08-11 |
Family
ID=87541854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211708978.4A Pending CN116580367A (zh) | 2022-12-29 | 2022-12-29 | 数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580367A (zh) |
-
2022
- 2022-12-29 CN CN202211708978.4A patent/CN116580367A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
CN114179832B (zh) | 用于自动驾驶车辆的变道方法 | |
CN115019060A (zh) | 目标识别方法、目标识别模型的训练方法及装置 | |
CN114047760B (zh) | 路径规划方法、装置、电子设备及自动驾驶车辆 | |
CN115082690B (zh) | 目标识别方法、目标识别模型训练方法及装置 | |
CN113850909B (zh) | 点云数据处理方法、装置、电子设备及自动驾驶设备 | |
CN117035032A (zh) | 融合文本数据和自动驾驶数据进行模型训练的方法和车辆 | |
CN114394111B (zh) | 用于自动驾驶车辆的变道方法 | |
CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
CN115556769A (zh) | 障碍物状态量确定方法及装置、电子设备和介质 | |
CN113920174A (zh) | 点云配准方法、装置、设备、介质和自动驾驶车辆 | |
CN116580367A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
CN116311943B (zh) | 交叉路口的平均延误时间的估算方法及装置 | |
CN114333368B (zh) | 语音提醒方法、装置、设备和介质 | |
CN114179834B (zh) | 车辆停靠方法、装置、电子设备、介质及自动驾驶车辆 | |
CN113869214A (zh) | 交通信号灯图像的处理方法、装置和边缘计算设备 | |
CN117710939A (zh) | 信号灯检测方法、装置、系统及自动驾驶车辆 | |
CN116469069A (zh) | 用于自动驾驶的场景编码模型训练方法、装置及介质 | |
CN116466685A (zh) | 针对自动驾驶感知算法的评测方法及装置、设备和介质 | |
CN116363604A (zh) | 目标交通事件识别方法、装置、设备及介质 | |
US20230024799A1 (en) | Method, system and computer program product for the automated locating of a vehicle | |
US20230391362A1 (en) | Decision-making for autonomous vehicle | |
CN115830558A (zh) | 车道线修正方法、装置、电子设备及存储介质 | |
CN116844134A (zh) | 目标检测方法、装置、电子设备、存储介质及车辆 |
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 |