CN116597416A - 车辆定位方法、装置及电子设备、计算机可读存储介质 - Google Patents

车辆定位方法、装置及电子设备、计算机可读存储介质 Download PDF

Info

Publication number
CN116597416A
CN116597416A CN202310544627.2A CN202310544627A CN116597416A CN 116597416 A CN116597416 A CN 116597416A CN 202310544627 A CN202310544627 A CN 202310544627A CN 116597416 A CN116597416 A CN 116597416A
Authority
CN
China
Prior art keywords
vehicle target
image
vehicle
target image
road
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
Application number
CN202310544627.2A
Other languages
English (en)
Inventor
张上鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202310544627.2A priority Critical patent/CN116597416A/zh
Publication of CN116597416A publication Critical patent/CN116597416A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/58—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车辆定位方法、装置及电子设备、计算机可读存储介质，该方法包括：获取路侧相机采集的道路图像，利用第一预设目标检测模型对道路图像进行车辆目标检测；根据车辆目标检测结果和道路图像生成车辆目标图像，确定车辆目标图像与道路图像之间的尺寸变换关系；根据车辆目标图像确定车辆目标图像中的车辆目标接地点信息；根据车辆目标接地点信息及车辆目标图像与道路图像之间的尺寸变换关系，确定车辆目标的绝对位置。本申请基于现有的2D目标检测结果进行处理，从而得到更精准的车辆目标在图像中的接地点位置，提高基于2D目标检测实现的车辆定位精度，且增加的处理逻辑不会破坏和抛弃原有的2D目标检测数据以及处理流程，可应用性更强。

Description

车辆定位方法、装置及电子设备、计算机可读存储介质
技术领域
本申请涉及车辆定位技术领域，尤其涉及一种车辆定位方法、装置及电子设备、计算机可读存储介质。
背景技术
目前路侧实现目标检测的技术主要是基于深度学习实现的2D目标检测技术，虽然也会采用3D目标检测技术，但2D目标检测技术相对成熟，数据易标注，且2D目标检测通常计算量低，容易在路侧的运算设备上部署运行。
由于路侧对车辆目标进行检测的最终目的是要输出车辆目标在世界坐标系下的定位信息，因此如果使用2D目标检测，通常会将检测出的图像中的2D矩形框的某个点根据事先标点好的坐标系变换关系转换到世界坐标系下，坐标系变换关系是图像坐标系与世界地面坐标系之间的变换关系，但是由于路侧相机设备固定，对车辆目标进行检测得到的矩形框往往是包含车辆目标最大边缘的矩形框，无法直接确定哪一个点是车辆目标的接地点，如图1所示，提供了现有技术中一种车辆目标检测结果示意图。
现有的方案是直接将图像中矩形框的底边中心点位置转换到世界坐标系下作为车辆目标的最终定位结果，但是当车辆目标不在路侧相机拍摄的图像中间区域，而是在图像两侧如边缘车道的情况下，矩形框底边中心位置转换到世界坐标系下得到的位置与实际的车辆目标位置将存在较大偏差，从而影响最终的车辆定位精度。
发明内容
本申请实施例提供了一种车辆定位方法、装置及电子设备、计算机可读存储介质，以提高基于图像检测进行车辆定位的定位精度。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种车辆定位方法，其中，所述方法包括：
获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果；
根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系；
根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息；
根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
可选地，所述根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系包括：
根据所述车辆目标检测结果对所述道路图像进行裁剪，得到所述车辆目标图像；
根据所述车辆目标图像的大小和所述道路图像的大小，确定所述车辆目标图像与所述道路图像之间的尺寸变换关系。
可选地，所述根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息包括：
根据所述车辆目标图像确定所述车辆目标图像中的车头区域信息或车尾区域信息；
根据所述车辆目标图像中的车头区域信息或车尾区域信息确定所述车辆目标图像中的车辆目标接地点信息。
可选地，所述根据所述车辆目标图像确定所述车辆目标图像中的车头区域信息或车尾区域信息包括：
利用预设语义分割模型对所述车辆目标图像进行语义分割，得到所述车辆目标图像中的车头区域信息或车尾区域信息；和/或，
利用第二预设目标检测模型对所述车辆目标图像进行车头和/或车尾检测，得到所述车辆目标图像中的车头区域信息或车尾区域信息。
可选地，所述根据所述车辆目标图像中的车头区域信息或车尾区域信息确定所述车辆目标图像中的车辆目标接地点信息包括：
根据所述车辆目标图像中的车头区域信息确定所述车辆目标图像对应的图像坐标系下的车头接地点信息，或者根据所述车辆目标图像中的车尾区域信息确定所述车辆目标图像对应的图像坐标系下的车尾接地点信息；
将所述车辆目标图像对应的图像坐标系下的车头接地点信息或车尾接地点信息作为车辆目标接地点信息。
可选地，所述根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置包括：
根据所述车辆目标图像与所述道路图像之间的尺寸变换关系，将所述车辆目标图像中的车辆目标接地点信息映射到所述道路图像中，得到所述道路图像中的车辆目标接地点信息；
根据道路图像对应的图像坐标系与世界坐标系之间的变换关系，将所述道路图像中的车辆目标接地点信息变换至世界坐标系下，得到所述车辆目标的绝对位置。
可选地，所述根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置包括：
根据所述车辆目标图像中的车辆目标接地点信息、所述车辆目标图像与所述道路图像之间的尺寸变换关系以及所述道路图像对应的图像坐标系与世界坐标系之间的变换关系，确定世界坐标系下的车辆目标接地点信息；
确定车辆目标的当前航向角和车辆目标类型；
根据所述世界坐标系下的车辆目标接地点信息以及所述车辆目标的当前航向角和车辆目标类型，确定世界坐标系下的车辆目标的底面中心位置，作为所述车辆目标的绝对位置。
第二方面，本申请实施例还提供一种车辆定位装置，其中，所述装置包括：
目标检测单元，用于获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果；
生成单元，用于根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系；
第一确定单元，用于根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息；
第二确定单元，用于根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
第三方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例的车辆定位方法，先获取路侧相机采集的道路图像，并利用第一预设目标检测模型对道路图像进行车辆目标检测，得到车辆目标检测结果；然后根据车辆目标检测结果和道路图像生成车辆目标图像，并确定车辆目标图像与道路图像之间的尺寸变换关系；之后根据车辆目标图像确定车辆目标图像中的车辆目标接地点信息；最后根据车辆目标图像中的车辆目标接地点信息以及车辆目标图像与道路图像之间的尺寸变换关系，确定车辆目标的绝对位置。本申请实施例基于现有的2D目标检测结果进行处理，从而得到更精准的车辆目标在图像中的接地点位置，进而提高基于2D目标检测实现的车辆定位精度，并且本申请实施例增加的处理逻辑不会破坏和抛弃原有的2D目标检测数据以及处理流程，可应用性更强。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为现有技术中一种车辆目标检测结果示意图；
图2为本申请实施例中一种车辆定位方法的流程示意图；
图3为本申请实施例中一种车尾区域的语义分割结果示意图；
图4为本申请实施例中一种车尾区域的目标检测结果示意图；
图5为本申请实施例中一种车辆定位装置的结构示意图；
图6为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种车辆定位方法，如图2所示，提供了本申请实施例中一种车辆定位方法的流程示意图，所述方法至少包括如下的步骤S210至步骤S240：
步骤S210，获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果。
本申请实施例的车辆定位方法可以由路侧设备来执行，在进行车辆定位时，需要先获取路侧相机当前采集到的道路图像，然后利用现有的2D目标检测模型对道路图像中的车辆目标进行检测，从而得到车辆目标检测结果，主要包括车辆目标对应的矩形框在图像中的位置。这里的2D目标检测模型例如可以采取YOLO、SSD等模型实现，具体如何进行车辆目标检测，本领域技术人员可以结合现有技术灵活确定，在此不作具体限定。
步骤S220，根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系。
在得到车辆目标检测结果后，可以根据车辆目标矩形框在道路图像中的位置从道路图像中分割出车辆目标图像，由于车辆目标矩形框往往是包含车辆目标最大边缘的矩形框，因此以此分割出的车辆目标图像可以看作是恰好覆盖完整的车辆目标的图像。
由于车辆目标图像是从道路图像中分割出来的，因此还可以根据道路图像和车辆目标图像的尺寸大小确定出二者之间的尺寸变换关系。
步骤S230，根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息。
车辆目标接地点即为车辆目标与地面的接触点，本申请实施例可以将车头或者车尾的中心点与地面的接触点作为车辆目标接地点，而车头或者车尾的中心点则可以进一步从车辆目标图像检测或者分割出来。
步骤S240，根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
由于车辆目标接地点信息是在车辆目标图像对应的图像坐标系下的，因此需要结合前述步骤确定出的目标图像与道路图像之间的尺寸变换关系将该车辆目标接地点信息映射回道路图像中，再基于道路图像对应的图像坐标系与世界坐标系的变换关系，确定车辆目标的绝对位置。
本申请实施例基于现有的2D目标检测结果进行处理，从而得到更精准的车辆目标在图像中的接地点位置，进而提高基于2D目标检测实现的车辆定位精度，并且本申请实施例增加的处理逻辑不会破坏和抛弃原有的2D目标检测数据以及处理流程，可应用性更强。
在本申请的一些实施例中，所述根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系包括：根据所述车辆目标检测结果对所述道路图像进行裁剪，得到所述车辆目标图像；根据所述车辆目标图像的大小和所述道路图像的大小，确定所述车辆目标图像与所述道路图像之间的尺寸变换关系。
车辆目标检测结果包含了车辆目标矩形框的四个角点的具体位置，因此可以根据车辆目标矩形框的四个角点的具体位置将车辆目标矩形框对应的图像区域从道路图像中裁剪下来，从而得到车辆目标图像。
由于车辆目标矩形框的四个角点在道路图像中的具体位置已经确定，因此可以根据四个角点在道路图像中的具体位置确定出车辆目标图像的尺寸大小，包括车辆目标图像的长和宽，而道路图像的尺寸大小也可以实现根据路侧相机的参数设置确定，因此结合车辆目标图像的长宽尺寸和道路图像的长宽尺寸可以计算出车辆目标图像与道路图像之间的尺寸变换关系，该尺寸变换关系的作用是可以将车辆目标图像中任意一个像素点的位置通过该尺寸变换关系映射至原来的道路图像中。
在本申请的一些实施例中，所述根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息包括：根据所述车辆目标图像确定所述车辆目标图像中的车头区域信息或车尾区域信息；根据所述车辆目标图像中的车头区域信息或车尾区域信息确定所述车辆目标图像中的车辆目标接地点信息。
本申请实施例确定的车辆目标图像中的车辆目标接地点信息主要可以基于从车辆目标图像中检测出的车头区域或车尾区域来确定，由于车辆目标出现在路侧相机视野内的角度不同，因此路侧相机可能只拍摄到车头，也可能只拍摄到车尾，因此是根据车辆目标图像中的车头区域信息确定车辆目标接地点信息，还是根据车尾区域信息来确定，主要取决于实际的车头/车尾区域的检测结果。
在本申请的一些实施例中，所述根据所述车辆目标图像确定所述车辆目标图像中的车头区域信息或车尾区域信息包括：利用预设语义分割模型对所述车辆目标图像进行语义分割，得到所述车辆目标图像中的车头区域信息或车尾区域信息；和/或，利用第二预设目标检测模型对所述车辆目标图像进行车头和/或车尾检测，得到所述车辆目标图像中的车头区域信息或车尾区域信息。
本申请实施例对于车头区域/车尾区域的确定可以采用两种方式来实现，一种是利用事先训练好的语义分割模型如基于U-Net或者FCN(Fully Convolutional Networks，全卷积网络)等网络实现的语义分割模型对车辆目标图像进行语义分割处理，从而分割出车辆目标图像中的车头区域或车尾区域，如图3所示，提供了本申请实施例中一种车尾区域的语义分割结果示意图，图中的灰色区域即为分割出的车尾区域。当然，具体如何进行语义分割，本领域技术人员可以结合现有技术灵活确定，在此不作具体限定。
另一种方式是利用事先训练好的目标检测模型如前述基于YOLO等网络实现的2D目标检测模型对车辆目标图像中的车头/车尾目标进行二次检测，从而得到车头/车尾的目标检测结果，具体可以包括车辆目标图像中的车头/车尾目标的矩形框。如图4所示，提供了本申请实施例中一种车尾区域的目标检测结果示意图，图中的矩形框区域即为检测出的车尾区域。当然，具体如何进行目标检测，本领域技术人员可以结合现有技术灵活确定，在此不作具体限定。
当然，为了进一步提高车头/车尾区域确定的准确性，也可以同时采取上述两个方式，对分割结果和检测结果进行融合，从而确定最终的车头区域信息或车尾区域信息。
在本申请的一些实施例中，所述根据所述车辆目标图像中的车头区域信息或车尾区域信息确定所述车辆目标图像中的车辆目标接地点信息包括：根据所述车辆目标图像中的车头区域信息确定所述车辆目标图像对应的图像坐标系下的车头接地点信息，或者根据所述车辆目标图像中的车尾区域信息确定所述车辆目标图像对应的图像坐标系下的车尾接地点信息；将所述车辆目标图像对应的图像坐标系下的车头接地点信息或车尾接地点信息作为车辆目标接地点信息。
如果从车辆目标图像中确定出了车头区域信息，则可以根据车辆目标图像中的车头区域信息确定出车辆目标图像对应的图像坐标系下的车头接地点信息，车头接地点可以定义为车头区域与地面的接触点，具体可以将检测或者分割出的车头区域底边中心点作为车头接地点。
车头区域底边中心点的横坐标可以根据车头区域对应的最大横坐标和最小横坐标的平均值确定，车头区域底边中心点的横坐标可以根据车头区域对应的最大纵坐标确定，因为图像坐标系通常是以图像左上角为原点，横轴水平向右，纵轴水平向下建立的，因此车头区域对应的最大纵坐标的像素点也是最接近地面的像素点。同样，如果从车辆目标图像中确定出了车尾区域信息，也可以按照上述流程确定出车尾接地点信息。
在本申请的一些实施例中，所述根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置包括：根据所述车辆目标图像与所述道路图像之间的尺寸变换关系，将所述车辆目标图像中的车辆目标接地点信息映射到所述道路图像中，得到所述道路图像中的车辆目标接地点信息；根据道路图像对应的图像坐标系与世界坐标系之间的变换关系，将所述道路图像中的车辆目标接地点信息变换至世界坐标系下，得到所述车辆目标的绝对位置。
在确定出车辆目标接地点信息后，需要将车辆目标接地点信息从图像坐标系变换到世界坐标系下，从而得到相应的绝对位置，而由于车辆目标图像与道路图像对应的是不同的图像坐标系，而事先标定的图像坐标系与世界坐标系的变换关系则是路侧相机原始拍摄的道路图像对应的图像坐标系与世界坐标系的变换关系。
基于此，本申请实施例可以先根据车辆目标图像与道路图像之间的尺寸变换关系，将车辆目标图像中的车辆目标接地点信息映射回原来的道路图像中，从而确定出道路图像中的目标接地点位置，最后再根据道路图像对应的图像坐标系与世界坐标系之间的变换关系，将道路图像中的车辆目标接地点信息变换到世界坐标系下，从而得到车辆目标接地点的绝对位置。
在本申请的一些实施例中，所述根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置包括：根据所述车辆目标图像中的车辆目标接地点信息、所述车辆目标图像与所述道路图像之间的尺寸变换关系以及所述道路图像对应的图像坐标系与世界坐标系之间的变换关系，确定世界坐标系下的车辆目标接地点信息；确定车辆目标的当前航向角和车辆目标类型；根据所述世界坐标系下的车辆目标接地点信息以及所述车辆目标的当前航向角和车辆目标类型，确定世界坐标系下的车辆目标的底面中心位置，作为所述车辆目标的绝对位置。
如前述实施例，可以根据车辆目标图像中的车辆目标接地点信息、车辆目标图像与道路图像之间的尺寸变换关系以及道路图像对应的图像坐标系与世界坐标系之间的变换关系，确定出车辆目标接地点的绝对位置。为了进一步提高车辆定位精度，本领域实施例还可以结合车辆目标的当前航向角和车辆目标类型等信息将车头/车尾接地点位置补偿到车辆目标的底面中心位置。
具体地，根据路侧相机的朝向与车辆目标的当前航向角可以得到当前车辆目标的矩形框是属于车辆目标的正面、反面还是侧面，例如车辆目标运动方向和相机朝向接近180度，说明目标在该路侧相机的拍摄视野中被检测到的是正面，如果车辆目标运动方向和路侧相机朝向接近，则车辆目标在该路侧相机的拍摄视野中被检测到的是反面，除此此外都可以看作是车辆目标的侧面。
如果检测到的是车辆目标的正面或反面，可以根据检测到的车辆目标类型(如大巴或小汽车等)将车头/车尾接地点位置往相机朝向方向偏移固定距离如半个车身长度的距离。如果检测到的是车辆目标的侧面，可以根据检测到的车辆目标类型将车头/车尾接地点位置往相机朝向方向偏移固定距离如半个车身宽度的距离。也即将检测到的车头/车尾接地点位置根据朝向不同以及目标类型的不同而以不同大小向靠近车辆目标的实际中心位置进行补偿。
本申请实施例提供了一种车辆定位装置500，如图5所示，提供了本申请实施例中一种车辆定位装置的结构示意图，所述装置500包括：目标检测单元510、生成单元520、第一确定单元530以及第二确定单元540，其中：
目标检测单元510，用于获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果；
生成单元520，用于根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系；
第一确定单元530，用于根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息；
第二确定单元540，用于根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
在本申请的一些实施例中，所述生成单元520具体用于：根据所述车辆目标检测结果对所述道路图像进行裁剪，得到所述车辆目标图像；根据所述车辆目标图像的大小和所述道路图像的大小，确定所述车辆目标图像与所述道路图像之间的尺寸变换关系。
在本申请的一些实施例中，所述第一确定单元530具体用于：根据所述车辆目标图像确定所述车辆目标图像中的车头区域信息或车尾区域信息；根据所述车辆目标图像中的车头区域信息或车尾区域信息确定所述车辆目标图像中的车辆目标接地点信息。
在本申请的一些实施例中，所述第一确定单元530具体用于：利用预设语义分割模型对所述车辆目标图像进行语义分割，得到所述车辆目标图像中的车头区域信息或车尾区域信息；和/或，利用第二预设目标检测模型对所述车辆目标图像进行车头和/或车尾检测，得到所述车辆目标图像中的车头区域信息或车尾区域信息。
在本申请的一些实施例中，所述第一确定单元530具体用于：根据所述车辆目标图像中的车头区域信息确定所述车辆目标图像对应的图像坐标系下的车头接地点信息，或者根据所述车辆目标图像中的车尾区域信息确定所述车辆目标图像对应的图像坐标系下的车尾接地点信息；将所述车辆目标图像对应的图像坐标系下的车头接地点信息或车尾接地点信息作为车辆目标接地点信息。
在本申请的一些实施例中，所述第二确定单元540具体用于：根据所述车辆目标图像与所述道路图像之间的尺寸变换关系，将所述车辆目标图像中的车辆目标接地点信息映射到所述道路图像中，得到所述道路图像中的车辆目标接地点信息；根据道路图像对应的图像坐标系与世界坐标系之间的变换关系，将所述道路图像中的车辆目标接地点信息变换至世界坐标系下，得到所述车辆目标的绝对位置。
在本申请的一些实施例中，所述第二确定单元具体用于：根据所述车辆目标图像中的车辆目标接地点信息、所述车辆目标图像与所述道路图像之间的尺寸变换关系以及所述道路图像对应的图像坐标系与世界坐标系之间的变换关系，确定世界坐标系下的车辆目标接地点信息；确定车辆目标的当前航向角和车辆目标类型；根据所述世界坐标系下的车辆目标接地点信息以及所述车辆目标的当前航向角和车辆目标类型，确定世界坐标系下的车辆目标的底面中心位置，作为所述车辆目标的绝对位置。
能够理解，上述车辆定位装置，能够实现前述实施例中提供的车辆定位方法的各个步骤，关于车辆定位方法的相关阐释均适用于车辆定位装置，此处不再赘述。
图6是本申请的一个实施例电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成车辆定位装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果；
根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系；
根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息；
根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
上述如本申请图1所示实施例揭示的车辆定位装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中车辆定位装置执行的方法，并实现车辆定位装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中车辆定位装置执行的方法，并具体用于执行：
获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果；
根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系；
根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息；
根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种车辆定位方法，其中，所述方法包括：
获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果；
根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系；
根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息；
根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
2.如权利要求1所述方法，其中，所述根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系包括：
根据所述车辆目标检测结果对所述道路图像进行裁剪，得到所述车辆目标图像；
根据所述车辆目标图像的大小和所述道路图像的大小，确定所述车辆目标图像与所述道路图像之间的尺寸变换关系。
3.如权利要求1所述方法，其中，所述根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息包括：
根据所述车辆目标图像确定所述车辆目标图像中的车头区域信息或车尾区域信息；
根据所述车辆目标图像中的车头区域信息或车尾区域信息确定所述车辆目标图像中的车辆目标接地点信息。
4.如权利要求3所述方法，其中，所述根据所述车辆目标图像确定所述车辆目标图像中的车头区域信息或车尾区域信息包括：
利用预设语义分割模型对所述车辆目标图像进行语义分割，得到所述车辆目标图像中的车头区域信息或车尾区域信息；和/或，
利用第二预设目标检测模型对所述车辆目标图像进行车头和/或车尾检测，得到所述车辆目标图像中的车头区域信息或车尾区域信息。
5.如权利要求3所述方法，其中，所述根据所述车辆目标图像中的车头区域信息或车尾区域信息确定所述车辆目标图像中的车辆目标接地点信息包括：
根据所述车辆目标图像中的车头区域信息确定所述车辆目标图像对应的图像坐标系下的车头接地点信息，或者根据所述车辆目标图像中的车尾区域信息确定所述车辆目标图像对应的图像坐标系下的车尾接地点信息；
将所述车辆目标图像对应的图像坐标系下的车头接地点信息或车尾接地点信息作为车辆目标接地点信息。
6.如权利要求1所述方法，其中，所述根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置包括：
根据所述车辆目标图像与所述道路图像之间的尺寸变换关系，将所述车辆目标图像中的车辆目标接地点信息映射到所述道路图像中，得到所述道路图像中的车辆目标接地点信息；
根据道路图像对应的图像坐标系与世界坐标系之间的变换关系，将所述道路图像中的车辆目标接地点信息变换至世界坐标系下，得到所述车辆目标的绝对位置。
7.如权利要求1所述方法，其中，所述根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置包括：
根据所述车辆目标图像中的车辆目标接地点信息、所述车辆目标图像与所述道路图像之间的尺寸变换关系以及所述道路图像对应的图像坐标系与世界坐标系之间的变换关系，确定世界坐标系下的车辆目标接地点信息；
确定车辆目标的当前航向角和车辆目标类型；
根据所述世界坐标系下的车辆目标接地点信息以及所述车辆目标的当前航向角和车辆目标类型，确定世界坐标系下的车辆目标的底面中心位置，作为所述车辆目标的绝对位置。
8.一种车辆定位装置，其中，所述装置包括：
目标检测单元，用于获取路侧相机采集的道路图像，并利用第一预设目标检测模型对所述道路图像进行车辆目标检测，得到车辆目标检测结果；
生成单元，用于根据所述车辆目标检测结果和所述道路图像生成车辆目标图像，并确定所述车辆目标图像与所述道路图像之间的尺寸变换关系；
第一确定单元，用于根据所述车辆目标图像确定所述车辆目标图像中的车辆目标接地点信息；
第二确定单元，用于根据所述车辆目标图像中的车辆目标接地点信息以及所述车辆目标图像与所述道路图像之间的尺寸变换关系，确定所述车辆目标的绝对位置。
9.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行权利要求1～7之任一所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行权利要求1～7之任一所述方法。
CN202310544627.2A 2023-05-15 2023-05-15 车辆定位方法、装置及电子设备、计算机可读存储介质 Pending CN116597416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310544627.2A CN116597416A (zh) 2023-05-15 2023-05-15 车辆定位方法、装置及电子设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310544627.2A CN116597416A (zh) 2023-05-15 2023-05-15 车辆定位方法、装置及电子设备、计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116597416A true CN116597416A (zh) 2023-08-15

Family

ID=87603992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310544627.2A Pending CN116597416A (zh) 2023-05-15 2023-05-15 车辆定位方法、装置及电子设备、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116597416A (zh)

Similar Documents

Publication Publication Date Title
CN113658256B (zh) 基于激光雷达的目标检测方法、装置及电子设备
CN114705121B (zh) 车辆位姿测量方法、装置及电子设备、存储介质
US20230386076A1 (en) Target detection method, storage medium, electronic device, and vehicle
CN110751040A (zh) 一种三维物体的检测方法和装置、电子设备、存储介质
CN115546315A (zh) 自动驾驶车辆的传感器在线标定方法、装置及存储介质
CN114973198A (zh) 目标车辆的航向角预测方法、装置及电子设备、存储介质
CN116189123A (zh) 目标检测模型的训练方法、装置及目标检测方法、装置
CN116990776A (zh) 激光雷达点云补偿方法、装置及电子设备、存储介质
CN115100621A (zh) 基于深度学习网络的地面场景检测方法和系统
CN114966632A (zh) 激光雷达标定方法、装置及电子设备、存储介质
CN114066958A (zh) 目标的深度信息预测方法和装置、电子设备和存储介质
CN114897987B (zh) 一种确定车辆地面投影的方法、装置、设备及介质
CN116309628A (zh) 车道线识别方法和装置、电子设备和计算机可读存储介质
CN116597416A (zh) 车辆定位方法、装置及电子设备、计算机可读存储介质
CN115079202B (zh) 激光雷达建图方法、装置及电子设备、存储介质
CN115661014A (zh) 一种点云数据处理方法、装置和电子设备、存储介质
CN115014332A (zh) 激光slam建图方法、装置及电子设备、计算机可读存储介质
CN116071421A (zh) 一种图像处理方法、装置及计算机可读存储介质
CN116449347B (zh) 路侧激光雷达的标定方法、装置及电子设备
CN116843888A (zh) 目标定位方法、装置及电子设备
CN116580095A (zh) 一种目标定位方法和装置、电子设备和存储介质
CN118247357A (zh) 路侧相机的标定方法和装置、目标定位方法和装置
CN116610766A (zh) 地图更新方法、装置及电子设备、计算机可读存储介质
CN116894834A (zh) 用于景区的路侧检测方法、装置及电子设备、存储介质
CN113689422B (zh) 一种图像处理方法、装置及电子设备

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