CN117132795A - 一种数据关联方法、装置、电子设备以及存储介质 - Google Patents

一种数据关联方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN117132795A
CN117132795A CN202311107909.2A CN202311107909A CN117132795A CN 117132795 A CN117132795 A CN 117132795A CN 202311107909 A CN202311107909 A CN 202311107909A CN 117132795 A CN117132795 A CN 117132795A
Authority
CN
China
Prior art keywords
sensor
coordinate system
image
determining
image sensor
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
CN202311107909.2A
Other languages
English (en)
Inventor
汤永俊
张伟伟
李兵
王秋
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.)
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Original Assignee
Faw Nanjing Technology Development Co ltd
FAW Group Corp
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 Faw Nanjing Technology Development Co ltd, FAW Group Corp filed Critical Faw Nanjing Technology Development Co ltd
Priority to CN202311107909.2A priority Critical patent/CN117132795A/zh
Publication of CN117132795A publication Critical patent/CN117132795A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/759—Region-based matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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

Abstract

本发明公开了一种数据关联方法、装置、电子设备以及存储介质。该方法包括：确定第一传感器的第一图像中的目标区域；根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域；其中，所述第一传感器为图像传感器，所述第二传感器为雷达传感器，或者，所述第一传感器为雷达传感器，所述第二传感器为图像传感器。本发明的技术方案可以实现点云数据和RGB图像数据的精确关联。

Description

一种数据关联方法、装置、电子设备以及存储介质
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种数据关联方法、装置、电子设备以及存储介质。
背景技术
自动驾驶车辆通过感知模块感知周围的环境信息，并结合地图模块、规划和控制模块，应对各种复杂的道路场景。雷达传感器和图像传感器是感知模块中的重要功能模块，雷达传感器可以获取3D点云数据，图像传感器可以获取RGB(Red Green Blue，红绿蓝)图像数据。随着自动驾驶技术的发展，感知融合成为自动驾驶技术中的重要课题。感知融合就是将多个传感器获取的数据、信息集中在一起进行综合分析，以便更加准确可靠地描述外界环境，从而提高系统决策的正确性。其中，如何实现雷达传感器和图像传感器之间的数据关联，是感知融合技术中亟待解决的问题。
发明内容
本发明提供了一种数据关联方法、装置、电子设备以及存储介质，以实现点云数据和RGB图像数据的精确关联。
第一方面，本发明实施例提供了一种数据关联方法，该方法包括
确定第一传感器的第一图像中的目标区域；
根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；
根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域；
其中，所述第一传感器为图像传感器，所述第二传感器为雷达传感器，或者，所述第一传感器为雷达传感器，所述第二传感器为图像传感器。
第二方面，本发明实施例还提供了一种数据关联装置，该装置包括：
目标区域确定模块，用于确定第一传感器的第一图像中的目标区域；
坐标转换模块，用于根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；
关联区域确定模块，用于根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域；
其中，所述第一传感器为图像传感器，所述第二传感器为雷达传感器，或者，所述第一传感器为雷达传感器，所述第二传感器为图像传感器。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的数据关联方法。
第四方面，本发明实施例还提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的数据关联方法。
本发明实施例的技术方案，通过预先设置第一传感器与第二传感器的坐标转换关系，对第一传感器获取的第一图像中的目标区域对应的目标点，根据坐标转换关系将其第一坐标转换为第二坐标，并根据第二坐标确定第二传感器获取的第二图像中的关联区域。实现了雷达传感器和图像传感器之间的数据关联，为感知融合提供了数据支撑。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种数据关联方法的流程图；
图2是本发明实施例二提供的一种数据关联方法的流程图；
图3是本发明实施例二提供的一种RGB图像和点云图像中包含的标识物区域的示意图；
图4是本发明实施例三提供的另一种数据关联方法的流程图；
图5是本发明实施例四提供的一种数据关联装置的结构示意图；
图6是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种数据关联方法的流程图，本实施例可适用于将车辆感知模块中的雷达传感器与图像传感器之间进行数据关联的情况，该方法可以由数据关联装置来执行，该数据关联装置可以采用硬件和/或软件的形式实现，该数据关联装置可配置于电子设备中，与雷达传感器和图像传感器配合使用。
如图1所示，该方法包括：
S110、确定第一传感器的第一图像中的目标区域。
其中，第一传感器既可以为图像传感器，也可以为雷达传感器。当第一传感器为图像传感器时，第一图像为RGB图像，第一坐标为图像坐标，第二传感器为雷达传感器，第二图像为点云图像，第二坐标为点云坐标。相应的，当第一传感器为雷达传感器时，第一图像为点云图像，第一坐标为点云坐标，第二传感器为图像传感器，第二图像为RGB图像，第二坐标为图像坐标。
目标区域为待检测目标对应的区域，在一个具体的示例中，当待检测目标为行人时，目标区域为检测得到的行人的外接矩形。在另一个具体的示例中，当待检测目标为路牌时，目标区域为检测得到的路牌轮廓组成的区域。本实施例对待检测目标的类型以及目标区域的形式不进行限制。
进一步的，S110可以包括：对第一传感器的第一图像进行目标检测，确定目标区域。
具体的，当第一传感器为图像传感器时，对图像传感器的RGB图像进行目标检测，确定目标区域。当第一传感器为雷达传感器时，对雷达传感器的点云图像进行目标检测，确定目标区域。
在本实施例中，目标检测可以基于传统的图像处理算法实现，也可以根据基于候选区域的例如RCNN(Region Convolution Neural Network，区域卷积神经网络)等模型实现，还可以根据基于回归方法的深度学习网络例如YOLO(You Only Look Once，只需要浏览一次)模型等实现，本实施例对目标检测的具体方式不进行限制。
S120、根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标。
其中，与所述目标区域匹配的目标点是用于标识目标区域的关键点，示例性的，目标点可以为目标区域的区域顶点，也可以为目标区域的中心点，还可以为在目标区域的轮廓上选择的像素点，本实施例对目标点的数量、形式以及选取方式不进行限制。第一传感器与第二传感器的坐标转换关系用于表示将第一传感器坐标系中的点的坐标转换至第二传感器坐标系中的点的坐标的转换方式，第二坐标是第二传感器获得的第二图像中与第一图像中的目标点具有相同语义特征的点的坐标。
在本实施例中，预先设置第一传感器与第二传感器的坐标转换关系，并将目标区域的目标点的第一坐标转换为第二坐标，这样设置的好处在于，在第一图像中检测得到目标区域之后，根据对目标区域的目标点的坐标转换，可以直接确定第二图像中目标对应的关联区域，不仅可以实现第一传感器和第二传感器之间的数据关联，还能直接根据第二图像中的关联区域进行后续的与第二传感器匹配的目标检测、特征提取等操作，提高目标检测的时效性。
进一步的，S120可以包括：根据目标区域的区域顶点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标。
本实施例以目标点为目标区域的区域顶点为例，对坐标转换过程进行说明。具体的，当第一传感器为图像传感器时，根据目标区域的区域顶点的图像坐标，以及预先设置的图像传感器与雷达传感器之间的坐标转换关系，确定点云坐标。当第一传感器为雷达传感器时，根据目标区域的区域顶点的点云坐标，以及预先设置的雷达传感器与图像传感器之间的坐标转换关系，确定图像坐标。
S130、根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域。
其中，关联区域是指第二图像中与第一图像中的目标区域具有相同语义信息和图像特征的区域，是第二图像中待检测目标对应的区域。
本实施例的技术方案，当多个传感器同时获取感知信息时，只需对一个传感器的图像进行目标检测，得到待检测目标对应的目标区域，对目标区域的目标点进行坐标转换，即可得到其它传感器的图像中待检测目标对应的区域，从而减少时效的浪费。
进一步的，S130可以包括：根据第二坐标，确定第二传感器的第二图像中关联区域的区域顶点。
当对目标区域的区域顶点进行坐标转换时，相应的，对区域顶点的第一坐标进行坐标转换后得到的第二坐标是第二图像中关联区域的区域顶点的坐标。具体的，当第一传感器为图像传感器时，根据点云坐标，确定雷达传感器的点云图像中关联区域的区域顶点。当第一传感器为雷达传感器时，根据图像坐标，确定图像传感器的RGB图像中关联区域的区域顶点。
本发明实施例的技术方案，通过预先设置第一传感器与第二传感器的坐标转换关系，对第一传感器获取的第一图像中的目标区域对应的目标点，根据坐标转换关系将其第一坐标转换为第二坐标，并根据第二坐标确定第二传感器获取的第二图像中的关联区域。实现了雷达传感器和图像传感器之间的数据关联，为感知融合提供了数据支撑。
实施例二
图2为本发明实施例二提供的一种数据关联方法的流程图，本发明实施例在上述实施例的基础上，对图像传感器和雷达传感器的坐标转换关系的设置过程和根据坐标转换关系进行数据关联的过程进行了进一步的具体化。
如图2所示，该方法包括：
S210、确定图像传感器坐标系和雷达传感器坐标系。
具体的，图像传感器坐标系的原点可以设置为图像传感器中心，x轴的正方向为垂直于车辆行进方向指向车辆右方，y轴的正方向为指向地心，z轴的正方向为车辆行进方向。雷达传感器坐标系的原点可以设置为雷达传感器中心，x轴的正方向为车辆行进方向，y轴的正方向为垂直于车辆行进方向指向车辆左方，z轴的正方向为地心指向为雷达传感器中心的方向。
需要进行说明的是，上述仅为图像传感器坐标系和雷达传感器坐标系的设置方式的示例，本实施例对图像传感器坐标系和雷达传感器坐标系的具体设置形式不进行限制。
S220、确定雷达传感器和图像传感器在车辆坐标系中的位置坐标。
具体的，可以根据雷达传感器和图像传感器在车辆上的理论安装位置，确定雷达传感器中心和图像传感器中心在车辆坐标系中的位置坐标。
S230、根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，以及雷达传感器坐标系，确定图像传感器在所述雷达传感器坐标系中的位置坐标。
在本实施例中，根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，可以确定雷达传感器和图像传感器之间的位置关系，再根据雷达传感器和图像传感器之间的位置关系，将图像传感器在车辆坐标系中的位置坐标转换至以雷达传感器中心为原点的雷达传感器坐标系中，得到图像传感器在雷达传感器坐标系中的位置坐标。
S240、根据图像传感器在所述雷达传感器坐标系中的位置坐标，确定图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵。
具体的，若图像传感器在雷达传感器坐标系中的位置坐标为(T1，T2，T3)，则图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵为T＝[T1，T2，T3]。
S250、根据图像传感器坐标系中的坐标轴方向和雷达传感器坐标系中的坐标轴方向，分别确定x轴旋转角度、y轴旋转角度以及z轴旋转角度。
可以理解的，由于安装误差等原因，图像传感器坐标系和雷达传感器坐标系的坐标轴方向可能与理论方向存在一定误差。具体的，可以通过对图像传感器获得的RGB图像进行标定，对雷达传感器获得的点云图像进行标定，确定图像传感器坐标系和雷达传感器坐标系的实际坐标轴方向，也可以通过确定图像传感器、雷达传感器的俯仰角、偏移角等方式，确定图像传感器坐标系和雷达传感器坐标系的实际坐标轴方向，本实施例对此不进行限制。
进一步的，根据图像传感器坐标系中的x坐标轴的实际方向和雷达传感器坐标系中x坐标轴的实际方向，可以确定得到图像传感器坐标系中的x坐标轴旋转至雷达传感器坐标系中x坐标轴所需要的x轴旋转角度。相应的，根据图像传感器坐标系中的y坐标轴的实际方向和雷达传感器坐标系中y坐标轴的实际方向，可以确定得到图像传感器坐标系中的y坐标轴旋转至雷达传感器坐标系中y坐标轴所需要的y轴旋转角度。根据图像传感器坐标系中的z坐标轴的实际方向和雷达传感器坐标系中z坐标轴的实际方向，可以确定得到图像传感器坐标系中的z坐标轴旋转至雷达传感器坐标系中z坐标轴所需要的z轴旋转角度。
S260、根据x轴旋转角度、y轴旋转角度以及z轴旋转角度，确定图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵。
进一步的，图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵可以通过以下公式进行表示：
；其中，R表示图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵，θ表示图像传感器坐标系的x轴旋转至雷达传感器坐标系的x轴所需要的x轴旋转角度，表示图像传感器坐标系的y轴旋转至雷达传感器坐标系的y轴所需要的y轴旋转角度，ψ表示图像传感器坐标系的z轴旋转至雷达传感器坐标系的z轴所需要的z轴旋转角度。
进一步的，本实施例可以通过标识物标定，对坐标转换矩阵和角度转换矩阵进行验证和修正。具体的，获取图像传感器对标识物进行拍摄得到的RGB图像，和雷达传感器对标识物进行探测得到的点云图像。其中，标识物可以为带有编码和圆形孔洞的标志板，但是，本实施例对标识物的表现形式不进行限制。分别截取RGB图像和点云图像中包含标识物的区域，如图3(a)和3(b)所示。在RGB图像中包含标识物的区域检测圆形区域，并确定四个圆形区域的中心点为关键点，确定关键点的图像坐标。根据坐标转换矩阵和角度转换矩阵，将RGB图像中的关键点的图像坐标转换为点云图像中的关键点的标定坐标。根据点云图像中包含标识物的区域中的各点的实际点云坐标与关键点的实际点云坐标之间的位置关系，以及转换得到的关键点的标定坐标，确定点云图像中包含标识物的区域中的各点的标定坐标。将点云图像中包含标识物的区域中的各点的实际点云坐标与标定坐标进行比对，根据比对结果判断是否需要对坐标转换矩阵和角度转换矩阵进行修正。进一步的，还可以获得多个同一时刻对应的RGB图像和点云图像，根据多个比对结果，判断是否需要对坐标转换矩阵和角度转换矩阵进行修正。当各点的实际点云坐标与标定坐标之间的相似度低于设定的阈值时，通过各点的实际点云坐标与标定坐标，对坐标转换矩阵和角度转换矩阵进行修正。
S270、将图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵和角度转换矩阵，作为图像传感器与雷达传感器之间的坐标转换关系。
在本实施例中，确定得到图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵T和角度转换矩阵R之后，将图像传感器获得的RGB图像中的某像素点的图像坐标，与坐标转换矩阵T和角度转换矩阵R相乘，即可得到雷达传感器获得的点云图像中与该像素点具有相同语义信息的点的点云坐标。
S280、对图像传感器的RGB图像进行目标检测，确定目标区域。
S290、根据目标区域的区域顶点的图像坐标，以及预先设置的图像传感器与雷达传感器之间的坐标转换关系，确定点云坐标。
S2100、根据点云坐标，确定雷达传感器的点云图像中关联区域的区域顶点。
在本实施例中，通过确定图像传感器坐标系和雷达传感器坐标系，确定图像传感器在雷达传感器坐标系中的位置坐标，从而确定坐标转换矩阵，并根据图像传感器坐标系和雷达传感器坐标系，确定角度转换矩阵，对图像传感器获得的RGB图像进行目标检测，得到目标区域，对目标区域顶点的图像坐标与坐标转换矩阵和角度转换矩阵相乘，得到点云坐标，作为雷达传感器获得的点云图像中关联区域的顶点坐标。本实施例的技术方案，实现了RGB图像坐标向点云坐标的转换。
实施例三
图4为本发明实施例三提供的另一种数据关联方法的流程图，本发明实施例在上述实施例的基础上，对雷达传感器和图像传感器的坐标转换关系的设置过程和根据坐标转换关系进行数据关联的过程进行了进一步的具体化。
如图4所示，该方法包括：
S310、确定图像传感器坐标系和雷达传感器坐标系。
S320、确定雷达传感器和图像传感器在车辆坐标系中的位置坐标。
坐标系的确定过程以及雷达传感器和图像传感器在车辆坐标系中的位置坐标的确定过程已在上述实施例中进行了说明，本实施例在此不再赘述。
S330、根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，以及图像传感器坐标系，确定雷达传感器在所述图像传感器坐标系中的位置坐标。
在本实施例中，根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，可以确定雷达传感器和图像传感器之间的位置关系，再根据雷达传感器和图像传感器之间的位置关系，将雷达传感器在车辆坐标系中的位置坐标转换至以图像传感器中心为原点的图像传感器坐标系中，得到雷达传感器在图像传感器坐标系中的位置坐标。
S340、根据雷达传感器在所述图像传感器坐标系中的位置坐标，确定雷达传感器坐标系转换至图像传感器坐标系的坐标转换矩阵。
具体的，若雷达传感器在图像传感器坐标系中的位置坐标为(T1’，T2’，T3’)，则图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵为T’
”’
＝[T1，T2，T3]。
S350、根据图像传感器坐标系中的坐标轴方向和雷达传感器坐标系中的坐标轴方向，分别确定x轴旋转角度、y轴旋转角度以及z轴旋转角度。
S360、根据x轴旋转角度、y轴旋转角度以及z轴旋转角度，确定图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵。
S370、将图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵的逆矩阵，作为雷达传感器坐标系转换至图像传感器坐标系的角度转换矩阵。
本实施例以预先确定得到图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵，再确定逆矩阵作为雷达传感器坐标系转换至图像传感器坐标系的角度转换矩阵为例。还可以采用与S250-S260相同的方式，直接确定逆矩阵作为雷达传感器坐标系转换至图像传感器坐标系的角度转换矩阵。具体的，根据雷达传感器坐标系中的x坐标轴的实际方向和图像传感器坐标系中x坐标轴的实际方向，确定雷达传感器坐标系中的x坐标轴旋转至图像传感器坐标系中x坐标轴所需要的x轴旋转角度。相应的，根据雷达传感器坐标系中的y坐标轴的实际方向和图像传感器坐标系中y坐标轴的实际方向，可以确定得到雷达传感器坐标系中的y坐标轴旋转至图像传感器坐标系中y坐标轴所需要的y轴旋转角度。根据雷达传感器坐标系中的z坐标轴的实际方向和图像传感器坐标系中z坐标轴的实际方向，可以确定得到雷达传感器坐标系中的z坐标轴旋转至图像传感器坐标系中z坐标轴所需要的z轴旋转角度。根据x轴旋转角度、y轴旋转角度以及z轴旋转角度，确定雷达传感器坐标系转换至雷达传感器坐标系的角度转换矩阵。
S380、将雷达传感器坐标系转换至图像传感器坐标系的坐标转换矩阵和角度转换矩阵，作为雷达传感器与图像传感器之间的坐标转换关系。
S390、对雷达传感器的点云图像进行目标检测，确定目标区域。
S3100、根据目标区域的区域顶点的点云坐标，以及预先设置的雷达传感器与图像传感器之间的坐标转换关系，确定图像坐标。
S31100、根据图像坐标，确定图像传感器的RGB图像中关联区域的区域顶点。
在本实施例中，通过确定图像传感器坐标系和雷达传感器坐标系，确定雷达传感器在图像传感器坐标系中的位置坐标，从而确定坐标转换矩阵，并根据雷达传感器坐标系和图像传感器坐标系，确定角度转换矩阵，对雷达传感器获得的点云图像进行目标检测，得到目标区域，对目标区域顶点的点云坐标与坐标转换矩阵和角度转换矩阵相乘，得到图像坐标，作为图像传感器获得的RGB图像中关联区域的顶点坐标。本实施例的技术方案，实现了点云坐标向RGB图像坐标的转换。
实施例四
图5为本发明实施例四提供的一种数据关联装置的结构示意图。如图5所示，该装置包括：目标区域确定模块410、坐标转换模块420以及关联区域确定模块430。其中：
目标区域确定模块410，用于确定第一传感器的第一图像中的目标区域；
坐标转换模块420，用于根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；
关联区域确定模块430，用于根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域；
其中，所述第一传感器为图像传感器，所述第二传感器为雷达传感器，或者，所述第一传感器为雷达传感器，所述第二传感器为图像传感器。
本发明实施例的技术方案，通过预先设置第一传感器与第二传感器的坐标转换关系，对第一传感器获取的第一图像中的目标区域对应的目标点，根据坐标转换关系将其第一坐标转换为第二坐标，并根据第二坐标确定第二传感器获取的第二图像中的关联区域。实现了雷达传感器和图像传感器之间的数据关联，为感知融合提供了数据支撑。
在上述实施例的基础上，所述装置，包括：
坐标系确定模块，用于确定图像传感器坐标系和雷达传感器坐标系；
坐标转换关系设置模块，用于根据图像传感器坐标系和雷达传感器坐标系，确定图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵和角度转换矩阵，作为图像传感器与雷达传感器之间的坐标转换关系，和/或，确定雷达传感器坐标系转换至图像传感器坐标系的坐标转换矩阵和角度转换矩阵，作为雷达传感器与图像传感器之间的坐标转换关系。
在上述实施例的基础上，坐标转换关系设置模块，包括：
位置坐标确定单元，用于确定雷达传感器和图像传感器在车辆坐标系中的位置坐标；
图像传感器位置坐标确定单元，用于根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，以及雷达传感器坐标系，确定图像传感器在所述雷达传感器坐标系中的位置坐标；
图像传感器坐标转换矩阵确定单元，用于根据图像传感器在所述雷达传感器坐标系中的位置坐标，确定图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵；
雷达传感器位置坐标确定单元，用于根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，以及图像传感器坐标系，确定雷达传感器在所述图像传感器坐标系中的位置坐标；
雷达传感器坐标转换矩阵确定单元，用于根据雷达传感器在所述图像传感器坐标系中的位置坐标，确定雷达传感器坐标系转换至图像传感器坐标系的坐标转换矩阵。
在上述实施例的基础上，坐标转换关系设置模块，包括：
旋转角度确定单元，用于根据图像传感器坐标系中的坐标轴方向和雷达传感器坐标系中的坐标轴方向，分别确定x轴旋转角度、y轴旋转角度以及z轴旋转角度；
图像传感器角度转换矩阵确定单元，用于根据x轴旋转角度、y轴旋转角度以及z轴旋转角度，确定图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵。
在上述实施例的基础上，图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵可以通过以下公式进行表示：
其中，R表示图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵，θ表示图像传感器坐标系的x轴旋转至雷达传感器坐标系的x轴所需要的x轴旋转角度，表示图像传感器坐标系的y轴旋转至雷达传感器坐标系的y轴所需要的y轴旋转角度，ψ表示图像传感器坐标系的z轴旋转至雷达传感器坐标系的z轴所需要的z轴旋转角度。
在上述实施例的基础上，坐标转换关系设置模块，包括：
雷达传感器角度转换矩阵确定单元，用于将图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵的逆矩阵，作为雷达传感器坐标系转换至图像传感器坐标系的角度转换矩阵。
在上述实施例的基础上，目标区域确定模块410，包括：
目标区域确定单元，用于对第一传感器的第一图像进行目标检测，确定目标区域；
坐标转换模块420，包括：
坐标转换单元，用于根据目标区域的区域顶点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；
关联区域确定模块430，包括：
关联区域顶点确定单元，用于根据第二坐标，确定第二传感器的第二图像中关联区域的区域顶点。
本发明实施例所提供的数据关联装置可执行本发明任意实施例所提供的数据关联方法，具备执行方法相应的功能模块和有益效果。
实施例五
图6出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11的一些示例包括但不限于中央处理单元(中央处理器)、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处理器、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。处理器11执行上文所描述的各个方法和处理，例如数据关联方法。
在一些实施例中，数据关联方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的数据关联方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据关联方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种数据关联方法，其特征在于，包括：
确定第一传感器的第一图像中的目标区域；
根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；
根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域；
其中，所述第一传感器为图像传感器，所述第二传感器为雷达传感器，或者，所述第一传感器为雷达传感器，所述第二传感器为图像传感器。
2.根据权利要求1所述的方法，其特征在于，所述第一传感器与第二传感器的坐标转换关系的设置过程，包括：
确定图像传感器坐标系和雷达传感器坐标系；
根据图像传感器坐标系和雷达传感器坐标系，确定图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵和角度转换矩阵，作为图像传感器与雷达传感器之间的坐标转换关系，和/或，确定雷达传感器坐标系转换至图像传感器坐标系的坐标转换矩阵和角度转换矩阵，作为雷达传感器与图像传感器之间的坐标转换关系。
3.根据权利要求2所述的方法，其特征在于，根据图像传感器坐标系和雷达传感器坐标系，确定图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵，包括：
确定雷达传感器和图像传感器在车辆坐标系中的位置坐标；
根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，以及雷达传感器坐标系，确定图像传感器在所述雷达传感器坐标系中的位置坐标；
根据图像传感器在所述雷达传感器坐标系中的位置坐标，确定图像传感器坐标系转换至雷达传感器坐标系的坐标转换矩阵；
根据图像传感器坐标系和雷达传感器坐标系，确定雷达传感器坐标系转换至图像传感器坐标系的坐标转换矩阵，包括：
确定雷达传感器和图像传感器在车辆坐标系中的位置坐标；
根据雷达传感器和图像传感器在车辆坐标系中的位置坐标，以及图像传感器坐标系，确定雷达传感器在所述图像传感器坐标系中的位置坐标；
根据雷达传感器在所述图像传感器坐标系中的位置坐标，确定雷达传感器坐标系转换至图像传感器坐标系的坐标转换矩阵。
4.根据权利要求2所述的方法，其特征在于，根据图像传感器坐标系和雷达传感器坐标系，确定图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵，包括：
根据图像传感器坐标系中的坐标轴方向和雷达传感器坐标系中的坐标轴方向，分别确定x轴旋转角度、y轴旋转角度以及z轴旋转角度；
根据x轴旋转角度、y轴旋转角度以及z轴旋转角度，确定图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵。
5.根据权利要求4所述的方法，其特征在于，图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵可以通过以下公式进行表示：
其中，R表示图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵，θ表示图像传感器坐标系的x轴旋转至雷达传感器坐标系的x轴所需要的x轴旋转角度，表示图像传感器坐标系的y轴旋转至雷达传感器坐标系的y轴所需要的y轴旋转角度，ψ表示图像传感器坐标系的z轴旋转至雷达传感器坐标系的z轴所需要的z轴旋转角度。
6.根据权利要求4所述的方法，其特征在于，根据图像传感器坐标系和雷达传感器坐标系，确定雷达传感器坐标系转换至图像传感器坐标系的角度转换矩阵，包括：
将图像传感器坐标系转换至雷达传感器坐标系的角度转换矩阵的逆矩阵，作为雷达传感器坐标系转换至图像传感器坐标系的角度转换矩阵。
7.根据权利要求1所述的方法，其特征在于，确定第一传感器的第一图像中的目标区域，包括：
对第一传感器的第一图像进行目标检测，确定目标区域；
根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标，包括：
根据目标区域的区域顶点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；
根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域，包括：
根据第二坐标，确定第二传感器的第二图像中关联区域的区域顶点。
8.一种数据关联装置，其特征在于，包括：
目标区域确定模块，用于确定第一传感器的第一图像中的目标区域；
坐标转换模块，用于根据与所述目标区域匹配的目标点的第一坐标，以及预先设置的第一传感器与第二传感器的坐标转换关系，确定第二坐标；
关联区域确定模块，用于根据第二坐标，确定第二传感器的第二图像中与所述目标区域匹配的关联区域；
其中，所述第一传感器为图像传感器，所述第二传感器为雷达传感器，或者，所述第一传感器为雷达传感器，所述第二传感器为图像传感器。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的数据关联方法。
10.一种存储计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的数据关联方法。
CN202311107909.2A 2023-08-30 2023-08-30 一种数据关联方法、装置、电子设备以及存储介质 Pending CN117132795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311107909.2A CN117132795A (zh) 2023-08-30 2023-08-30 一种数据关联方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311107909.2A CN117132795A (zh) 2023-08-30 2023-08-30 一种数据关联方法、装置、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN117132795A true CN117132795A (zh) 2023-11-28

Family

ID=88859632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311107909.2A Pending CN117132795A (zh) 2023-08-30 2023-08-30 一种数据关联方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN117132795A (zh)

Similar Documents

Publication Publication Date Title
EP3910543A2 (en) Method for training object detection model, object detection method and related apparatus
CN107239794B (zh) 点云数据分割方法和终端
CN108564082B (zh) 图像处理方法、装置、服务器和介质
CN110163087B (zh) 一种人脸姿态识别方法及系统
CN107240104B (zh) 点云数据分割方法和终端
CN112991459A (zh) 一种相机标定方法、装置、设备以及存储介质
CN113945937A (zh) 精度检测方法、装置及存储介质
CN113362420A (zh) 道路标注生成方法、装置、设备以及存储介质
CN116486126B (zh) 一种模版确定方法、装置、设备及存储介质
CN113436233A (zh) 自动驾驶车辆的配准方法、装置、电子设备和车辆
CN117078767A (zh) 激光雷达与相机标定方法、装置、电子设备及存储介质
CN117132795A (zh) 一种数据关联方法、装置、电子设备以及存储介质
CN113762397B (zh) 检测模型训练、高精度地图更新方法、设备、介质及产品
CN116152208A (zh) 缺陷检测方法、装置、设备及存储介质
CN115829929A (zh) 产品表面图像的缺陷检测方法、装置、设备及存储介质
CN115115793A (zh) 图像处理方法、装置、设备及存储介质
CN113902890A (zh) 用于视觉概念检测的自监督数据增强方法、系统、设备
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN115797934B (zh) 仪表示数方法、装置、电子设备以及存储介质
WO2023061355A1 (zh) 速度检测方法、装置、设备及可读存储介质
CN117589188B (zh) 行车路径规划方法、装置、电子设备和存储介质
CN116258714B (zh) 一种缺陷识别方法、装置、电子设备和存储介质
CN114049615B (zh) 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN116188502B (zh) 光伏板红外图像分割方法、存储介质以及电子设备
CN116071736A (zh) 一种仪表读数方法、装置、电子设备及存储介质

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