CN117079236A - 目标检测方法、装置及电子设备、存储介质 - Google Patents
目标检测方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN117079236A CN117079236A CN202311048987.XA CN202311048987A CN117079236A CN 117079236 A CN117079236 A CN 117079236A CN 202311048987 A CN202311048987 A CN 202311048987A CN 117079236 A CN117079236 A CN 117079236A
- Authority
- CN
- China
- Prior art keywords
- target
- characteristic
- value
- existence
- matching pair
- 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 76
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000007477 logistic regression Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims description 41
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static 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
- G06V10/26—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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种目标检测方法、装置及电子设备、存储介质,所述方法包括:根据车辆上的多个传感器,确定目标关联匹配对;计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集;基于逻辑回归方法,根据所述特征集预测出目标存在的概率值;将所述目标存在的概率值满足预设条件的目标作为有效目标。本申请实现了交通道路场景下目标存在性概率计算,同时减少误检测,提高目标检测准确性。
Description
技术领域
本申请涉及自动驾驶技术、目标检测技术领域,尤其涉及一种目标检测方法、装置及电子设备、存储介质。
背景技术
环境感知是实现汽车自动驾驶功能的关键技术之一,由于各传感器的性质不同,单一传感器在获取环境信息识别目标等方面有很大的局限性。
比如,激光雷达的点云数据可以有效地检测目标的位置、类型、速度等信息,但对行人,锥桶等小障碍的识别效果不稳定,且容易发生误识别。比如,视觉传感器根据图像信息可以有效地识别出目标的类别信息,但对于目标的距离检测和速度估计有较大的误差。此外,毫米波雷达可准确检测目标速度信息,但对非金属目标检测效果差,多径反射问题带来很多误检目标。
因此,面对复杂多变的交通环境,快速准确识别出目标的存在性概率可以减少很多误检测和漏检测,从而为自动驾驶车辆的决策控制提供更可靠的信息。
发明内容
本申请实施例提供了一种目标检测方法、装置及电子设备、存储介质,以提高采用多传感器进行环境感知时的目标检测准确率。
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目标检测方法,其中,所述方法包括:
根据车辆上的多个传感器,确定目标关联匹配对;
计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集;
基于逻辑回归方法,根据所述特征集预测出目标存在的概率值;
将所述目标存在的概率值满足预设条件的目标作为有效目标。
在一些实施例中,所述预设维度至少包括如下之一:目标属性、场景信息、融合关系,所述计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集,包括:
计算所述目标关联匹配对在所述目标属性中的特征因素的第一特征值;
计算所述目标关联匹配对在所述场景信息中的特征因素的第二特征值;
计算所述目标关联匹配对在所述融合关系中的特征因素的第三特征值;
通过统计所述第一特征值、所述第二特征值以及所述第三特征值,得到所述特征集,其中,所述第一特征值与所述目标属性的检测结果相关,所述第二特征值与所述场景信息的场景类型相关,所述第三特征值与所述融合关系的发生次数相关。
在一些实施例中,基于逻辑回归方法,根据所述特征集预测出目标存在的概率,包括:
将所述特征集中的所述第一特征值、所述第二特征值以及所述第三特征值的进行归一化处理后,作为自变量;
将每个航迹中的目标存在性概率作为因变量;
基于逻辑回归模型建立所述自变量与所述因变量的对应关系,计算得到目标存在的概率值。
在一些实施例中,所述融合关系采用如下方式获取:将所述目标关联匹配对与未关联的目标序列进行轨迹跟踪,得到航迹跟踪和关联关系作为融合关系信息;
所述目标属性以及所述场景信息采用如下方式获取:通过所述多个传感器的检测得到目标信息中的距离、速度、角度、类型、传感器初始检测置信度、目标点云数量、目标点云强度,得到所述目标属性的信息;
通过所述多个传感器的输入的目标信息中的场景类型和语义分割结果,得到所述场景信息,所述多个传感器至少包括激光雷达、毫米波雷达、视觉传感器中的一种或多种。
在一些实施例中,所述根据车辆上的多个传感器,确定目标关联匹配对,包括:
根据所述多个传感器在车上的安装位置,将不同安装位置的位置坐标转换到相同的车体坐标系;
基于激光雷达目标序列、视觉传感器目标序列以及毫米波雷达目标序列,在同一帧的目标位置信息进行目标关联,找出符合关联关系的匹配对,确定所述目标关联匹配对。
在一些实施例中,所述方法还包括:
根据车辆上的多个传感器,检测目标信息,所述目标信息至少包括如下之一:时间戳、i d、位置、类型、类型概率值、速度、加速度、长度、宽度、高度。
在一些实施例中,将所述目标存在的概率值满足预设条件的目标作为有效目标,包括:
判断所述目标存在的概率值是否满足存在性概率阈值;
如果判断所述目标存在的概率值满足存在性概率阈值,则将所述目标作为有效目标并输出目标级别的融合结果。
第二方面,本申请实施例还提供一种目标检测装置,其中,所述装置包括:
确定模块,用于根据车辆上的多个传感器,确定目标关联匹配对;
特征集模块,用于计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集;
逻辑回归模块,用于基于逻辑回归方法,根据所述特征集预测出目标存在的概率值;
目标存在性模块,用于将所述目标存在的概率值满足预设条件的目标作为有效目标。
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上述方法。
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上述方法。
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:通过车辆上的多个传感器,确定目标关联匹配对。之后计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集。基于逻辑回归方法,根据所述特征集预测出目标存在的概率值,最后将所述目标存在的概率值满足预设条件的目标作为有效目标。通过多传感器融合,从而实现目标存在性属性的更新。相较于单一传感器误检目标经过多传感器融合之后再计算存在性概率可得到更准确的判别信息,减少误检测。同时融合系统复杂度小,实时性好,满足自动驾驶车载需求。
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为本申请实施例中目标检测方法的流程示意图;
图2为本申请实施例中目标检测装置的结构示意图;
图3为本申请实施例中目标检测方法中不同维度信息进行概率预测的示意图;
图4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目标检测方法,如图1所示,提供了本申请实施例中目标检测方法流程示意图,所述方法至少包括如下的步骤S110至步骤S140:
步骤S110,根据车辆上的多个传感器,确定目标关联匹配对。
通过在车辆的不同位置安装多个传感器,可以采集得到不同传感器中感知到的目标结果。多个传感器包括但不限于激光雷达、毫米波雷达以及相机,并且对于传感器的数量并不进行具体限定。
根据车辆上的多个传感器,可以得到激光雷达目标序列、毫米波雷达目标序列以及相机目标序列,之后通过设定时间戳可以找到在目标序列中匹配出相同帧下具有关联关系的目标关联匹配对。目标关联匹配对可以是指多个传感器中的任意两种不同类型的传感器的目标结果。比如,激光雷达目标序列、毫米波雷达目标序列。优选地,对激光雷达目标序列、毫米波雷达目标序列以及相机目标序列在同一帧的目标位置信息进行目标关联,找出符合关联关系的匹配对。
需要注意的是,通常在每帧数据有多个目标关联匹配对,每个目标关联匹配对以Track-measurement的形式体现。Track目标轨迹和measurement目标检测结果中包含了目标信息。
步骤S120,计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集。
根据上述步骤可以得到多个目标关联匹配对,计算出目标关联匹配对在预设维度的特征因素对应的特征值,这些特征值组成得到特征集。
需要注意的是,“预设维度”是指根据经验和实际场景设定的目标关联匹配对的维度信息,比如,维度信息包括目标属性、场景信息以及融合关系。
同时,为了更好地处理“预设维度”,还需要对“预设维度”中的每个特征因素计算出对应的特征值。即可以按照设定预设维度-获取特征因素-计算出特征值的顺序进行执行。通过基于多传感器融合目标检测的基础上,根据目标属性,场景信息,融合关系三个维度建立特征因素,提供多维度的目标检测信息。
示例性地,每个特征值有对应的计算方式,计算的方法可以基于先验的规则,比如对于目标属性的预设维度中的距离特征因素,如果距离越近,特征值越大。又比如目标属性的预设维度中的传感器初始检测置信度,如果传感器初始检测置信度越高,特征值越大。
类似的,比如对于场景描述(信息)的预设维度中的场景类型特征因素,如果场景类型为道路的特征值大,而场景类型为植被的特征值小。
类似的,比如对于融合关系的预设维度中的跟踪次数特征因素,对于跟踪次数多的目标特征值大,被多个传感器检测到的目标特征值大。
优选地,将特征值统一转换到{0-1}区间的数值范围内,便于之后计算概率。
优选地,对于所述特征集可以作为一维数组,每个元素代表计算出来的特征值(0-1),同样以距离这个目标属性举例,距离越近算出来的特征值越大,在特征集中就越接近1。
步骤S130,基于逻辑回归方法,根据所述特征集预测出目标存在的概率值。
采用逻辑回归方法可以计算出标存在性概率,从而提高目标类型识别的准确性,可靠性。
示例性地,将计算得到的每个特征因素的特征值并进行归一化,作为自变量。将每个航迹目标的存在性概率作为因变量g。在目标跟踪的过程中对于每个目标都会产生航迹,航迹目标即是指在航迹跟踪的过程中持续或非只需出现的目标。所以对航迹目标的存在性概率进行计算。
逻辑回归模型的形式如下:
z=β0+β1x1+…+βnxn
其中,x1,x2,...,xn为自变量的输入指标(对应预设维度“目标属性,场景信息,融合关系”的特征因素计算出的特征值),β1,β2,...,βn为回归系数通常是预设的锚定值,z为各个特征因子组成的线性函数。计算得到的目标存在的概率值介于0和1之间。
步骤S140,将所述目标存在的概率值满足预设条件的目标作为有效目标。
采用上述逻辑回归模型计算出的目标存在的概率值经过判断,如果目标存在的概率值满足预设条件的目标,则作为有效目标。这样,利用逻辑回归算法对目标的存在性概率计算,减小系统的复杂度,提高系统稳定性和实时性。
采用上述方法,对于单一传感器误检目标经过多传感器融合计算存在性概率可得到更准确的判别信息,减少误检测。通过计算目标关联匹配对在预设维度的特征因素的特征值得到特征集,再基于逻辑回归方法,根据所述特征集预测出目标存在的概率值。采用上述方法得到的有效目标(检测目标的存在性),可以优化在目标级别的融合。
采用上述方法,解决了交通道路场景下目标存在性概率计算问题,提高目标检测准确性。如果使用单一传感器,激光雷达对行人,锥桶等小障碍的识别效果不稳定,且容易发生误识别。而视觉传感器对于目标的距离检测和速度估计有较大的误差。另外,毫米波雷达对非金属目标检测效果差,多径反射问题带来很多误检目标。采用上述方法,可以根据目标属性,场景信息,融合关系三个维度建立特征因素,提供多维度的目标检测信息。从而可以减少由于单一传感器检测造成目标检测结果出现误检的情况,适用于目标的距离检测和速度估计,非金属目标比如行人、锥桶等小障碍的准确识别。
区别于相关技术中,采用基于证据理论的目标存在性检测,根据证据间的距离量化证据间的相似性与冲突度,以该结果作为衡量证据可信度的依据,给出目标存在性的置信概率的方法中,多传感器目标识别系统中使用证据理论方法不易确保证据的独立性,影响计算结果。通过采用上述方法,
区别于相关技术中,单一传感器在获取环境信息识别目标等方面有很大的局限性。而采用证据理论方法存在计算量大的问题,不利于车辆实时系统的实现。通过上述方法,通过计算目标关联匹配对在预设维度的特征因素的特征值,得到特征集;基于逻辑回归方法,根据所述特征集预测出目标存在的概率值,将目标存在的概率值满足预设条件的目标作为有效目标。
在本申请的一个实施例中,所述预设维度至少包括如下之一:目标属性、场景信息、融合关系,所述计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集,包括:计算所述目标关联匹配对在所述目标属性中的特征因素的第一特征值;计算所述目标关联匹配对在所述场景信息中的特征因素的第二特征值;计算所述目标关联匹配对在所述融合关系中的特征因素的第三特征值;通过统计所述第一特征值、所述第二特征值以及所述第三特征值,得到所述特征集,其中,所述第一特征值与所述目标属性的检测结果相关,所述第二特征值与所述场景信息的场景类型相关,所述第三特征值与所述融合关系的发生次数相关。
根据预先确定的预设维度:目标属性、场景信息、融合关系,分别计算目标关联匹配对在预设维度中的特征因素的特征值。
请参考图3,特征因素包括了多种特征,目标属性中包括了:距离、速度、角度、类型传感器初始检测置信度、目标点云数量、目标点云强度等。场景描述(信息)中包括了:场景类型:道路、路沿、植被、围栏。语义分割:前景目标、背景目标。对于场景描述以及目标属性可以根据多传感器检测得到。
融合关系中包括了:航迹跟踪:跟踪次数、丢失次数、初始位置信息、运动状态。关联关系:单传感器关联次数、关联状态。对于融合关系,则需要根据多传感器的目标航迹跟踪结果进行判断。
请参考图3,进一步地,对于特征值,计算方式不同。第一特征值与所述目标属性的检测结果相关,检测结果中的距离越远,特征值越大,反之则越小。第二特征值与所述场景信息的场景类型相关,场景类型为道路的特征值大,为植被的特征值小。第三特征值与所述融合关系的发生次数相关,融合关系的丢失次数越多,特征值越小,反之则越大。这里的特征值通常需要归一化处理到{0,1}之间。
在本申请的一个实施例中,基于逻辑回归方法,根据所述特征集预测出目标存在的概率,包括:将所述特征集中的所述第一特征值、所述第二特征值以及所述第三特征值的进行归一化处理后,作为自变量;将每个航迹中的目标存在性概率作为因变量;基于逻辑回归模型建立所述自变量与所述因变量的对应关系,计算得到目标存在的概率值。
构造符合逻辑回归模型的计算函数,将所述特征集中的所述第一特征值、所述第二特征值以及所述第三特征值的进行归一化处理后,作为自变量。将每个航迹中的目标存在性概率作为因变量。
逻辑回归模型的形式如下:
z=β0+β1x1+…+βnxn
其中,x1,x2,...,xn为自变量的输入指标(对应预设维度“目标属性,场景信息,融合关系”的特征因素计算出的特征值),β1,β2,...,βn为回归系数通常是预设的锚定值,z为各个特征因子组成的线性函数。计算得到的目标存在的概率值介于0和1之间。
在本申请的一个实施例中,所述融合关系采用如下方式获取:将所述目标关联匹配对与未关联的目标序列进行轨迹跟踪,得到航迹跟踪和关联关系作为融合关系信息;所述目标属性以及所述场景信息采用如下方式获取:通过所述多个传感器的检测得到目标信息中的距离、速度、角度、类型、传感器初始检测置信度、目标点云数量、目标点云强度,得到所述目标属性的信息;通过所述多个传感器的输入的目标信息中的场景类型和语义分割结果,得到所述场景信息,所述多个传感器至少包括激光雷达、毫米波雷达、视觉传感器中的一种或多种。
融合关系并不是直接获取,而是通过将所述目标关联匹配对与未关联的目标序列进行轨迹跟踪,得到的航迹跟踪和关联关系作为融合关系信息。即对目标关联匹配对和未关联的目标序列进行轨迹跟踪,得到跟踪次数,关联次数和关联关系等融合信息。需要注意的是,这里的目标关联匹配对是根据多传感器输出的激光雷达目标序列,视觉传感器目标序列和毫米波雷达目标序列在空间和时间上的对齐后匹配出的目标级检测结果。针对目标关联匹配对需要再与航迹目标轨迹进行处理得到跟踪次数,关联次数等信息。
在本申请的一个实施例中,所述根据车辆上的多个传感器,确定目标关联匹配对,包括:根据所述多个传感器在车上的安装位置,将不同安装位置的位置坐标转换到相同的车体坐标系;基于激光雷达目标序列、视觉传感器目标序列以及毫米波雷达目标序列,在同一帧的目标位置信息进行目标关联,找出符合关联关系的匹配对,确定所述目标关联匹配对。
根据至少三种传感器在车上的安装位置,转换到相同的车体坐标系,并查找三种传感器时间戳相近的目标,便于比较目标。根据同一帧的目标位置信息进行目标关联,找出符合关联关系的匹配对。最后,对关联匹配对和未关联的目标序列进行轨迹跟踪,得到跟踪次数,关联次数和关联关系等融合信息。
在本申请的一个实施例中,所述方法还包括:根据车辆上的多个传感器,检测目标信息,所述目标信息至少包括如下之一:时间戳、i d、位置、类型、类型概率值、速度、加速度、长度、宽度、高度。
具体实施时,目标检测的输入信息为激光雷达目标序列,视觉传感器目标序列和毫米波雷达目标序列。此外目标检测的输入的目标信息包括时间戳,i d,位置,类型,类型概率值,速度,加速度,长度,宽度,高度由多个传感器端检测并提供。
将所述激光雷达目标序列、毫米波雷达目标序列以及相机目标序列在空间时间上进行对齐,同时开始跟踪目标,建立目标生命周期管理。对于未关联上的航迹目标和测量结果会继续进行目标生命周期管理,对于关联上的匹配对,进行特征因素的特征值的计算。
在本申请的一个实施例中,所述将所述目标存在的概率值满足预设条件的目标作为有效目标,包括:判断所述目标存在的概率值是否满足存在性概率阈值;如果判断所述目标存在的概率值满足存在性概率阈值,则将所述目标作为有效目标并输出目标级别的融合结果。
判断符合存在性概率阈值的目标作为有效目标,作为融合输出结果。从而解决了交通道路场景下目标存在性概率计算问题,提高目标检测准确性。
需要注意的是,存在性概率阈值根据实际检测场景配置或选取,在本申请的实施例中并不进行具体限定。
本申请实施例还提供了目标检测装置200,如图2所示,提供了本申请实施例中目标检测装置的结构示意图,所述目标检测装置200至少包括:确定模块210、特征集模块220、逻辑回归模块230以及目标存在性模块240,其中:
在本申请的一个实施例中,所述确定模块210具体用于:根据车辆上的多个传感器,确定目标关联匹配对。
通过在车辆的不同位置安装多个传感器,可以采集得到不同传感器中感知到的目标结果。多个传感器包括但不限于激光雷达、毫米波雷达以及相机,并且对于传感器的数量并不进行具体限定。
根据车辆上的多个传感器,可以得到激光雷达目标序列、毫米波雷达目标序列以及相机目标序列,之后通过设定时间戳可以找到在目标序列中匹配出相同帧下具有关联关系的目标关联匹配对。目标关联匹配对可以是指多个传感器中的任意两种不同类型的传感器的目标结果。比如,激光雷达目标序列、毫米波雷达目标序列。优选地,对激光雷达目标序列、毫米波雷达目标序列以及相机目标序列在同一帧的目标位置信息进行目标关联,找出符合关联关系的匹配对。
需要注意的是,通常在每帧数据有多个目标关联匹配对,每个目标关联匹配对以Track-measurement的形式体现。Track目标轨迹和measurement目标检测结果中包含了目标信息。
在本申请的一个实施例中,所述特征集模块220具体用于:计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集。
根据上述步骤可以得到多个目标关联匹配对,计算出目标关联匹配对在预设维度的特征因素对应的特征值,这些特征值组成得到特征集。
需要注意的是,“预设维度”是指根据经验和实际场景设定的目标关联匹配对的维度信息,比如,维度信息包括目标属性、场景信息以及融合关系。
同时,为了更好地处理“预设维度”,还需要对“预设维度”中的每个特征因素计算出对应的特征值。即可以按照设定预设维度-获取特征因素-计算出特征值的顺序进行执行。通过基于多传感器融合目标检测的基础上,根据目标属性,场景信息,融合关系三个维度建立特征因素,提供多维度的目标检测信息。
示例性地,每个特征值有对应的计算方式,计算的方法可以基于先验的规则,比如对于目标属性的预设维度中的距离特征因素,如果距离越近,特征值越大。又比如目标属性的预设维度中的传感器初始检测置信度,如果传感器初始检测置信度越高,特征值越大。
类似的,比如对于场景描述(信息)的预设维度中的场景类型特征因素,如果场景类型为道路的特征值大,而场景类型为植被的特征值小。
类似的,比如对于融合关系的预设维度中的跟踪次数特征因素,对于跟踪次数多的目标特征值大,被多个传感器检测到的目标特征值大。
优选地,将特征值统一转换到{0-1}区间的数值范围内,便于之后计算概率。
优选地,对于所述特征集可以作为一维数组,每个元素代表计算出来的特征值(0-1),同样以距离这个目标属性举例,距离越近算出来的特征值越大,在特征集中就越接近1。
在本申请的一个实施例中,所述逻辑回归模块230具体用于:基于逻辑回归方法,根据所述特征集预测出目标存在的概率值。
采用逻辑回归方法可以计算出标存在性概率,从而提高目标类型识别的准确性,可靠性。
示例性地,将计算得到的每个特征因素的特征值并进行归一化,作为自变量。将每个航迹目标的存在性概率作为因变量g。在目标跟踪的过程中对于每个目标都会产生航迹,航迹目标即是指在航迹跟踪的过程中持续或非只需出现的目标。所以对航迹目标的存在性概率进行计算。
逻辑回归模型的形式如下:
z=β0+β1x1+…+βnxn
其中,x1,x2,...,xn为自变量的输入指标(对应预设维度“目标属性,场景信息,融合关系”的特征因素计算出的特征值),β1,β2,...,βn为回归系数通常是预设的锚定值,z为各个特征因子组成的线性函数。计算得到的目标存在的概率值介于0和1之间。
在本申请的一个实施例中,所述目标存在性模块240具体用于:将所述目标存在的概率值满足预设条件的目标作为有效目标。
采用上述逻辑回归模型计算出的目标存在的概率值经过判断,如果目标存在的概率值满足预设条件的目标,则作为有效目标。这样,利用逻辑回归算法对目标的存在性概率计算,减小系统的复杂度,提高系统稳定性和实时性。
能够理解,上述目标检测装置,能够实现前述实施例中提供的目标检测方法的各个步骤,关于目标检测方法的相关阐释均适用于目标检测装置,此处不再赘述。
图4是本申请的一个实施例电子设备的结构示意图。请参考图4,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4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,在逻辑层面上形成目标检测装置。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:
根据车辆上的多个传感器,确定目标关联匹配对;
计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集;
基于逻辑回归方法,根据所述特征集预测出目标存在的概率值;
将所述目标存在的概率值满足预设条件的目标作为有效目标。
上述如本申请图1所示实施例揭示的目标检测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中目标检测装置执行的方法,并实现目标检测装置在图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所示实施例中目标检测装置执行的方法,并具体用于执行:
根据车辆上的多个传感器,确定目标关联匹配对;
计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集;
基于逻辑回归方法,根据所述特征集预测出目标存在的概率值;
将所述目标存在的概率值满足预设条件的目标作为有效目标。
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)
1.一种目标检测方法,其中,所述方法包括:
根据车辆上的多个传感器,确定目标关联匹配对;
计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集;
基于逻辑回归方法,根据所述特征集预测出目标存在的概率值;
将所述目标存在的概率值满足预设条件的目标作为有效目标。
2.如权利要求1所述的方法,其中,所述预设维度至少包括如下之一:目标属性、场景信息、融合关系,所述计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集,包括:
计算所述目标关联匹配对在所述目标属性中的特征因素的第一特征值;
计算所述目标关联匹配对在所述场景信息中的特征因素的第二特征值;
计算所述目标关联匹配对在所述融合关系中的特征因素的第三特征值;
通过统计所述第一特征值、所述第二特征值以及所述第三特征值,得到所述特征集,其中,所述第一特征值与所述目标属性的检测结果相关,所述第二特征值与所述场景信息的场景类型相关,所述第三特征值与所述融合关系的发生次数相关。
3.如权利要求2所述的方法,其中,基于逻辑回归方法,根据所述特征集预测出目标存在的概率,包括:
将所述特征集中的所述第一特征值、所述第二特征值以及所述第三特征值的进行归一化处理后,作为自变量;
将每个航迹中的目标存在性概率作为因变量;
基于逻辑回归模型建立所述自变量与所述因变量的对应关系,计算得到目标存在的概率值。
4.如权利要求2所述的方法,其中,
所述融合关系采用如下方式获取:将所述目标关联匹配对与未关联的目标序列进行轨迹跟踪,得到航迹跟踪和关联关系作为融合关系信息;
所述目标属性以及所述场景信息采用如下方式获取:通过所述多个传感器的检测得到目标信息中的距离、速度、角度、类型、传感器初始检测置信度、目标点云数量、目标点云强度,得到所述目标属性的信息;
通过所述多个传感器的输入的目标信息中的场景类型和语义分割结果,得到所述场景信息,所述多个传感器至少包括激光雷达、毫米波雷达、视觉传感器中的一种或多种。
5.如权利要求1所述的方法,其中,所述根据车辆上的多个传感器,确定目标关联匹配对,包括:
根据所述多个传感器在车上的安装位置,将不同安装位置的位置坐标转换到相同的车体坐标系;
基于激光雷达目标序列、视觉传感器目标序列以及毫米波雷达目标序列,在同一帧的目标位置信息进行目标关联,找出符合关联关系的匹配对,确定所述目标关联匹配对。
6.如权利要求1所述的方法,其中,所述方法还包括:
根据车辆上的多个传感器,检测目标信息,所述目标信息至少包括如下之一:时间戳、id、位置、类型、类型概率值、速度、加速度、长度、宽度、高度。
7.如权利要求1所述的方法,其中,将所述目标存在的概率值满足预设条件的目标作为有效目标,包括:
判断所述目标存在的概率值是否满足存在性概率阈值;
如果判断所述目标存在的概率值满足存在性概率阈值,则将所述目标作为有效目标并输出目标级别的融合结果。
8.一种目标检测装置,其中,所述装置包括:
确定模块,用于根据车辆上的多个传感器,确定目标关联匹配对;
特征集模块,用于计算所述目标关联匹配对在预设维度的特征因素的特征值,得到特征集;
逻辑回归模块,用于基于逻辑回归方法,根据所述特征集预测出目标存在的概率值;
目标存在性模块,用于将所述目标存在的概率值满足预设条件的目标作为有效目标。
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所述权利要求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所述权利要求1~7之任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048987.XA CN117079236A (zh) | 2023-08-18 | 2023-08-18 | 目标检测方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048987.XA CN117079236A (zh) | 2023-08-18 | 2023-08-18 | 目标检测方法、装置及电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117079236A true CN117079236A (zh) | 2023-11-17 |
Family
ID=88703753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048987.XA Pending CN117079236A (zh) | 2023-08-18 | 2023-08-18 | 目标检测方法、装置及电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079236A (zh) |
-
2023
- 2023-08-18 CN CN202311048987.XA patent/CN117079236A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087510B (zh) | 交通监测方法及装置 | |
US9361702B2 (en) | Image detection method and device | |
CN111709975A (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
CN113804214B (zh) | 车辆定位方法、装置及电子设备、计算机可读存储介质 | |
CN115792945A (zh) | 一种浮空障碍物检测方法、装置和电子设备、存储介质 | |
CN117197796A (zh) | 一种车辆遮挡识别方法及相关装置 | |
KR102473272B1 (ko) | 목표 추적 방법 및 장치 | |
CN116758736A (zh) | 违停检测方法、装置及电子设备 | |
CN116740680A (zh) | 一种车辆定位方法、装置及电子设备 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN114397671B (zh) | 目标的航向角平滑方法、装置及计算机可读存储介质 | |
CN117079236A (zh) | 目标检测方法、装置及电子设备、存储介质 | |
CN116164763A (zh) | 目标航向角确定方法、装置及电子设备、存储介质 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN116106869A (zh) | 自动驾驶车辆的定位评价方法、装置及电子设备 | |
CN112015960A (zh) | 车载雷达测量数据的聚类方法、存储介质和电子装置 | |
CN116228820B (zh) | 一种障碍物检测方法、装置和电子设备、存储介质 | |
CN116625384B (zh) | 一种数据关联方法、装置及电子设备 | |
CN117572335B (zh) | 激光定位置信度的更新方法、装置及电子设备 | |
EP4060614A1 (en) | Method for determining noise statistics of object sensors | |
CN115270967A (zh) | 一种数据处理方法、设备和计算机可读存储介质 | |
CN116883973A (zh) | 点云目标检测方法、装置、电子设备 | |
CN116824574A (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
CN117009919A (zh) | 一种多传感器感知数据融合方法、装置及设备 |
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 |