CN117169919A - 目标检测结果的确定方法、装置、计算机设备及存储介质 - Google Patents
目标检测结果的确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117169919A CN117169919A CN202311153542.8A CN202311153542A CN117169919A CN 117169919 A CN117169919 A CN 117169919A CN 202311153542 A CN202311153542 A CN 202311153542A CN 117169919 A CN117169919 A CN 117169919A
- Authority
- CN
- China
- Prior art keywords
- detection
- determining
- detection frame
- area
- point cloud
- 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 434
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000015654 memory Effects 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000000295 complement effect Effects 0.000 abstract description 4
- 230000001788 irregular Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本公开涉及自动驾驶领域,公开了目标检测结果的确定方法、装置、计算机设备及存储介质,该方法包括:获取激光雷达下待检测的目标对象对应的点云数据;利用第一检测算法对点云数据进行检测,得到第一检测框;利用第二检测算法对点云数据进行检测,得到第二检测框;根据第一检测框和第二检测框,确定对目标对象的目标检测结果。本公开对第一检测算法得出的第一检测框和第二检测算法得出的第二检测框相融合、结合,使这两种检测算法相互取长补短,从而得到高质量的激光雷达目标对象检测结果输出,减少了误检、漏检、检测不准确的情况发生,从而解决相关技术在对驾驶周围环境中的物体进行检测识别时,均存在检测结果不准确的问题。
Description
技术领域
本公开涉及自动驾驶领域,具体涉及目标检测结果的确定方法、装置、计算机设备及存储介质。
背景技术
随着技术的迭代和发展,自动驾驶应用场景正不断扩大,全新的商业模式逐渐形成,为产业链内各企业带来多样的机遇与挑战。交通道路环境感知是自动驾驶、先进辅助驾驶系统中的关键环节,是后续车辆控制和决策的基础,精确、快速地感知交通场景可以提高自动驾驶汽车的安全性。
在当前的感知技术中,通常采用两种对象检测技术来感知驾驶周围环境的变化,比如基于传统规则聚类3D目标检测和基于深度学习的激光雷达目标检测,但是基于传统规则聚类3D目标检测会出现同一物体被检测为多个物体或者两个物体检测为同一物体等情况,准确度不高,效果不理想,鲁棒性较差,从而影响整个感知结果;深度学习的激光雷达目标检测易受天气影响,进而影响激光雷达的效果,从而影响三维地图的构建,同时由于深度学习中利用检测模型来实现的目标检测,这时也会由于检测模型训练样本、模型参数等影响,导致对目标物体的漏检、空检、检测不准确的情况。
因此,相关技术在对驾驶周围环境中的物体进行检测识别时,均存在检测结果不准确的问题。
发明内容
有鉴于此,本公开提供了一种目标检测结果的确定方法、装置、计算机设备及存储介质,以解决相关技术在对驾驶周围环境中的物体进行检测识别时,均存在检测结果不准确的问题。
第一方面,本公开提供了一种目标检测结果的确定方法,该方法包括:
获取激光雷达下待检测的目标对象对应的点云数据;
利用第一检测算法对所述点云数据进行检测,得到第一检测框;
利用第二检测算法对所述点云数据进行检测,得到第二检测框;
根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果。
在本公开实施例中,通过获取激光雷达下待检测的目标对象对应的点云数据;利用第一检测算法对所述点云数据进行检测,得到第一检测框;利用第二检测算法对所述点云数据进行检测,得到第二检测框;根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果。由于本公开对第一检测算法得出的第一检测框和第二检测算法得出的第二检测框相融合、结合,使这两种检测算法相互取长补短,从而得到高质量的激光雷达目标对象检测结果输出,减少了误检、漏检、检测不准确的情况发生,从而解决相关技术在对驾驶周围环境中的物体进行检测识别时,均存在检测结果不准确的问题。
在一种可选的实施方式中,根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果,包括:
获取所述第一检测框内的点云数据与所述第二检测框内的点云数据之间的重合区域;
根据所述重合区域,确定所述目标检测结果;
或者,
根据所述重合区域,获取所述第二检测框的第二面积以及所述第二检测框内包含所述第一检测框的第一面积;
根据所述第一面积和所述第二面积,确定所述目标检测结果。
在本公开实施例中,根据第一检测框内的点云数据和第二检测框内的点云数据之间的重合区域即可得到目标检测结果,或者根据第二检测框的第二面积以及所述第二检测框内包含所述第一检测框的第一面积,确定目标检测结果,这样解决两种检测算法各自的不足,取长补短,输出准确、稳定的目标检测结果。
在一种可选的实施方式中,根据所述重合区域,确定所述目标检测结果,包括:
确定所述重合区域内的重合点云数量;
根据所述重合点云数量和所述第一检测框内的点云数量,确定点云占比;
根据所述点云占比,确定所述目标检测结果。
在本公开实施例中,判定重合区域内的重合点云数量占第一检测框内的点云数量的点云占比,即可得出以哪个检测框作为最终的目标检测结果,得到的目标检测结果较为稳定且准确。
在一种可选的实施方式中,根据所述点云占比,确定所述目标检测结果,包括:
在所述点云占比小于第一阈值的情况下,删除所述第二检测框,输出所述第一检测框,并将所述第一检测框作为所述目标检测结果。
在本公开实施例中,以点云占比与第一阈值的比较情况作为输出目标检测结果的依据,同时结合第一检测算法和第二检测算法的各自不足,最终得到较为准确的目标检测结果。
在一种可选的实施方式中,根据所述重合区域,获取所述第二检测框的第二面积以及所述第二检测框内包含所述第一检测框的第一面积,包括:
根据所述重合区域,确定所述点云占比;
在所述点云占比大于或者等于第一阈值的情况下,获取在所述第二检测框内所包含的多个所述第一检测框;
确定多个所述第一检测框的面积之和,得到所述第一面积;
确定所述第二检测框的所述第二面积。
在本公开实施例中,在点云占比与第一阈值的比较情况为点云占比大于或者等于第一阈值时,为了进一步确认出准确的目标检测结果,这时还会得到第二检测框内包含所述第一检测框的第一面积,以及第二检测框的第二面积,作为得到高质量的激光雷达目标检测结果的参数。
在一种可选的实施方式中,根据所述第一面积和所述第二面积,确定所述目标检测结果,包括:
根据所述第一面积和所述第二面积,确定面积占比;
将所述面积占比与第二阈值进行比较,得到比较结果;
根据所述比较结果,确定所述目标检测结果。
在本公开实施例中,为了得到较为准确的目标检测结果,将第一检测框与第二检测框相融合的同时,还根据面积占比与第二阈值的比较结果,确定目标检测结果,这样规避了相关技术中检测不准确的问题,获得一个准确的、稳定的目标检测结果。
在一种可选的实施方式中,根据所述比较结果,确定所述目标检测结果,包括:
在所述面积占比小于所述第二阈值的情况下,删除所述第二检测框,输出所述第一检测框,并将所述第一检测框作为所述目标检测结果;
在所述面积占比大于或者等于所述第二阈值的情况下,删除所述第一检测框,输出所述第二检测框,并将所述第二检测框作为所述目标检测结果。
在本公开实施例中,以面积占比与第二阈值之间的比较结果灵活确定最终的目标检测结果,保证目标检测结果的准确性。
第二方面,本公开提供了一种目标检测结果的确定装置,该装置包括:
获取模块,用于获取激光雷达下待检测的目标对象对应的点云数据;
第一检测模块,用于利用第一检测算法对所述点云数据进行检测,得到第一检测框;
第二检测模块,用于利用第二检测算法对所述点云数据进行检测,得到第二检测框;
确定模块,用于根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果。
第三方面,本公开提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的目标检测结果的确定方法。
第四方面,本公开提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的目标检测结果的确定方法。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施方式,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是根据本公开实施例的目标检测结果的确定方法的流程示意图;
图2是根据本公开实施例的目标检测结果的确定方法中重合区域示意图;
图3是根据本公开实施例的目标检测结果的确定方法中第二检测框内包含第一检测框的示意图;
图4是根据本公开实施例的目标检测结果的确定方法的整体流程示意图;
图5是根据本公开实施例的目标检测结果的确定装置的结构框图;
图6是本公开实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
在当前的感知技术中,通常采用两种对象检测技术来感知驾驶周围环境的变化,比如基于传统规则聚类3D目标检测,例如相关技术公开一种基于欧式聚类的激光雷达目标检测方法及系统,根据实际打在障碍物上的点云数据分析计算当前距离区间内的点云聚类阈值,使得不同距离区间内的聚类阈值能够灵活变化,解决点云数据分布不均匀的问题,快速准确地检测出近处及远处的障碍物和基于深度学习的激光雷达目标检测,但是该聚类方法存在同一物体被检测为多个物体或者两个物体检测为同一物体等情况;还有一种是基于深度学习的激光雷达目标检测,例如相关技术公开一种基于深度学习的激光雷达目标检测方法及装置,将三维空间的点云数据投影到二维栅格平面中,并以有效栅格为单位计算点云的栅格特征,提高网络性能上限,能够达到自动驾驶要求的实时性处理的要求,并采用传统卷积网络提取栅格特征,达到检测目标的目的,但是该深度学习方式较为依赖模型,模型训练的好坏直接影响目标物体检测的精准度,同时激光雷达易受天气影响,从而影响三维地图的构建,影响检测结果。
所以为了解决上述问题,本公开实施例提供了一种目标检测结果的确定方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种目标检测结果的确定方法,图1是根据本公开实施例的目标检测结果的确定方法的流程图,如图1所示,该方法可以应用于服务器侧,该方法流程包括如下步骤:
步骤S101,获取激光雷达下待检测的目标对象对应的点云数据。
可选地,在本公开实施例中,利用激光雷达扫描当前路况下道路内包含的目标对象(比如行人、车辆),得到对应的点云数据。其中,目标对象的数量可以是至少一个。
步骤S102,利用第一检测算法对点云数据进行检测,得到第一检测框。
可选地,在本公开实施例中,先利用第一检测算法(比如常规的规则聚类算法)对激光雷达扫描后得到的点云数据进行检测,可以基于欧式距离、k-means等聚类算法得到多个类簇,进而得到第一检测框。由于聚类算法得到的类簇所形成的的形状并不是规范的矩形形状,因此,该第一检测框的形状可以是一不规则框。
步骤S103,利用第二检测算法对点云数据进行检测,得到第二检测框。
可选地,在本公开实施例中,再利用第二检测算法(比如深度学习目标检测算法)对激光雷达扫描后得到的点云数据进行检测,输出第二检测框,需要说明的是,这里的第二检测算法通常是一些常用的目标检测算法,如R-CNN(Region with CNN Feature,区域卷积神经网络)、pointpillars(基于点云的快速目标检测网络)算法等。
将点云数据输入用于目标检测的第二检测算法中,输出第二检测框,其中,第二检测框通常是一矩形框。
步骤S104,根据第一检测框和第二检测框,确定对目标对象的目标检测结果。
可选地,由于第一检测算法对点云数据检测后,输出的有第一检测框,第二检测算法对点云数据检测后,输出的有第二检测框,所以在本公开实施例中,要以第一检测框和第二检测框相结合的方式进而确定出目标对象的目标检测结果。
在本公开实施例中,通过获取激光雷达下待检测的目标对象对应的点云数据;利用第一检测算法对点云数据进行检测,得到第一检测框;利用第二检测算法对点云数据进行检测,得到第二检测框;根据第一检测框和第二检测框,确定对目标对象的目标检测结果。由于本公开对第一检测算法得出的第一检测框和第二检测算法得出的第二检测框相融合、结合,使这两种检测算法相互取长补短,从而得到高质量的激光雷达目标对象检测结果输出,减少了误检、漏检、检测不准确的情况发生,从而解决相关技术在对驾驶周围环境中的物体进行检测识别时,均存在检测结果不准确的问题。
在一些可选的实施方式中,根据第一检测框和第二检测框,确定对目标对象的目标检测结果,包括:
获取第一检测框内的点云数据与第二检测框内的点云数据之间的重合区域;
根据重合区域,确定目标检测结果;
或者,
根据重合区域,获取第二检测框的第二面积以及第二检测框内包含第一检测框的第一面积;
根据第一面积和第二面积,确定目标检测结果。
可选地,在输出的第一检测框和第二检测框之间存在交叉时,需要分别获取各个检测框内的点云数据,获取点云数据之间的重合区域,该重合区域可以是第一检测框内的点云数据包含在第二检测框内的区域。然后根据该重合区域得到对目标对象的目标检测结果。
如果仅根据重合区域无法直接确定出目标检测结果时,可以获取到第二检测框对应的第二面积,以及第二检测框内所包含的第一检测框的第一面积,然后根据第二面积和第一面积就可以得到目标检测结果了。
在本公开实施例中,根据第一检测框内的点云数据和第二检测框内的点云数据之间的重合区域即可得到目标检测结果,或者根据第二检测框的第二面积以及第二检测框内包含第一检测框的第一面积,确定目标检测结果,这样解决两种检测算法各自的不足,取长补短,输出准确、稳定的目标检测结果。
在一些可选的实施方式中,根据重合区域,确定目标检测结果,包括:
确定重合区域内的重合点云数量;
根据重合点云数量和第一检测框内的点云数量,确定点云占比;
根据点云占比,确定目标检测结果。
可选地,如图2所示,在图2中的重合区域内出现了预设个重合点云数量(比如N个重合点云),然后计算重合点云数量N与第一检测框内的点云数量(比如M个点云)的比值N/M,将N/M设为点云占比。
然后根据点云占比确定目标检测结果。
在本公开实施例中,判定重合区域内的重合点云数量占第一检测框内的点云数量的点云占比,即可得出以哪个检测框作为最终的目标检测结果,得到的目标检测结果较为稳定且准确。
在一些可选的实施方式中,根据点云占比,确定目标检测结果,包括:
在点云占比小于第一阈值的情况下,删除第二检测框,输出第一检测框,并将第一检测框作为目标检测结果。
可选地,在本公开实施例中,设定一第一阈值,该第一阈值优选值为0.2,然后将点云占比与该第一阈值进行数值比较,在点云占比小于第一阈值的情况下,说明重合区域内的重合点云数量占第一检测框内的点云数量特别少的比值,这种属于异常情况,所以考虑到第二检测算法的易漏检、误检的问题,这时以第一检测算法输出的第一检测框作为目标检测结果,删除第二检测框。
在本公开实施例中,以点云占比与第一阈值的比较情况作为输出目标检测结果的依据,同时结合第一检测算法和第二检测算法的各自不足,最终得到较为准确的目标检测结果。
在一些可选的实施方式中,根据重合区域,获取第二检测框的第二面积以及第二检测框内包含第一检测框的第一面积,包括:
根据重合区域,确定点云占比;
在点云占比大于或者等于第一阈值的情况下,获取在第二检测框内所包含的多个第一检测框;
确定多个第一检测框的面积之和,得到第一面积;
确定第二检测框的第二面积。
可选地,在基于上述实施例,根据重合区域得到点云占比之后,若点云占比大于或者等于第一阈值,说明重合区域内的重合点云数量占第一检测框内的点云数量较多或者正常的比值,这时再进一步地获取第二检测框的第二面积S2以及第二检测框内所包含的属于第一检测框的面积,若第一检测框数量大于1,将这些第一检测框的面积进行求和,得到第一面积S1,如图3所示的S1和S2。
在本公开实施例中,在点云占比与第一阈值的比较情况为点云占比大于或者等于第一阈值时,为了进一步确认出准确的目标检测结果,这时还会得到第二检测框内包含第一检测框的第一面积,以及第二检测框的第二面积,作为得到高质量的激光雷达目标检测结果的参数。
在一些可选的实施方式中,根据第一面积和第二面积,确定目标检测结果,包括:
根据第一面积和第二面积,确定面积占比;
将面积占比与第二阈值进行比较,得到比较结果;
根据比较结果,确定目标检测结果。
可选地,计算出第一面积和第二面积之间的比值,即将S1/S2作为面积占比。然后将面积占比与设定的一第二阈值(优选值为0.3)进行数值大小的比较,得到比较结果。需要说明的是,该第二阈值为判定第二检测框内是否正常包含了多个第一检测框的数值。
根据该比较结果,确定目标检测结果。
在本公开实施例中,为了得到较为准确的目标检测结果,将第一检测框与第二检测框相融合的同时,还根据面积占比与第二阈值的比较结果,确定目标检测结果,这样规避了相关技术中检测不准确的问题,获得一个准确的、稳定的目标检测结果。
在一些可选的实施方式中,根据比较结果,确定目标检测结果,包括:
在面积占比小于第二阈值的情况下,删除第二检测框,输出第一检测框,并将第一检测框作为目标检测结果;
在面积占比大于或者等于第二阈值的情况下,删除第一检测框,输出第二检测框,并将第二检测框作为目标检测结果。
可选地,由于第二阈值为判定第二检测框内是否正常包含了多个第一检测框的数值,所以如果面积占比小于第二阈值,则认为第二检测框内包含了较少的第一检测框,这时考虑到第二检测算法的易漏检、误检的问题,这时以第一检测算法输出的第一检测框作为目标检测结果,删除第二检测框。
若面积占比大于或者等于第二阈值,认为第二检测框内包含了正常数量的第一检测框,所以认为第二检测算法检测的较为准确,这时以第二检测算法输出的第二检测框作为目标检测结果,删除第一检测框。
在本公开实施例中,以面积占比与第二阈值之间的比较结果灵活确定最终的目标检测结果,保证目标检测结果的准确性。
在一些可选的实施方式中,如图4所示,图4是根据本公开实施例的目标检测结果的确定方法的整体流程示意图,具体流程如下:
当获取到点云数据输入以后,基于规则检测方法和基于深度学习检测方法对点云数据进行检测;基于规则检测方法输出目标检测不规则框,基于深度学习检测方法输出目标检测矩形框;判断不规则框内是否有矩形框,在不存在的情况下,直接输出不规则框,判断矩形框内是否有不规则框,在不存在的情况下,直接输出矩形框;在不规则框内有矩形框或者矩形框内有不规则框时,判断点的占比,在占比小于第一阈值时,输出不规则框,删除矩形框;在占比大于第一阈值时,获取矩形框内不规则框面积和,判断面积和占矩形框占比,在大于等于第二阈值时,删除不规则框,输出矩形框,在面积和占矩形框占比小于第二阈值时,输出不规则框,删除矩形框。
需要说明的是,本公开实施例中的不规则框即是上述各个实施例中的第一检测框,矩形框即是上述各个实施例中的第二检测框。
在本实施例中还提供了一种目标检测结果的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种目标检测结果的确定装置,如图5所示,包括:
获取模块501,用于获取激光雷达下待检测的目标对象对应的点云数据;
第一检测模块502,用于利用第一检测算法对点云数据进行检测,得到第一检测框;
第二检测模块503,用于利用第二检测算法对点云数据进行检测,得到第二检测框;
确定模块504,用于根据第一检测框和第二检测框,确定对目标对象的目标检测结果。
在本公开实施例中,通过获取激光雷达下待检测的目标对象对应的点云数据;利用第一检测算法对所述点云数据进行检测,得到第一检测框;利用第二检测算法对所述点云数据进行检测,得到第二检测框;根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果。由于本公开对第一检测算法得出的第一检测框和第二检测算法得出的第二检测框相融合、结合,使这两种检测算法相互取长补短,从而得到高质量的激光雷达目标对象检测结果输出,减少了误检、漏检、检测不准确的情况发生,从而解决相关技术在对驾驶周围环境中的物体进行检测识别时,均存在检测结果不准确的问题。
在一些可选的实施方式中,确定模块504包括:
第一获取单元,用于获取第一检测框内的点云数据与第二检测框内的点云数据之间的重合区域;
第一确定单元,用于根据重合区域,确定目标检测结果;
或者,
第二获取单元,用于根据重合区域,获取第二检测框的第二面积以及第二检测框内包含第一检测框的第一面积;
第二确定单元,用于根据第一面积和第二面积,确定目标检测结果。
在一些可选的实施方式中,第一确定单元包括:
第一确定子模块,用于确定重合区域内的重合点云数量;
第二确定子模块,用于根据重合点云数量和第一检测框内的点云数量,确定点云占比;
第三确定子模块,用于根据点云占比,确定目标检测结果。
在一些可选的实施方式中,第三确定子模块包括:
第一输出子单元,用于在点云占比小于第一阈值的情况下,删除第二检测框,输出第一检测框,并将第一检测框作为目标检测结果。
在一些可选的实施方式中,第二获取单元包括:
第四确定子模块,用于根据重合区域,确定点云占比;
获取子模块,用于在点云占比大于或者等于第一阈值的情况下,获取在第二检测框内所包含的多个第一检测框;
第五确定子模块,用于确定多个第一检测框的面积之和,得到第一面积;
第六确定子模块,用于确定第二检测框的第二面积。
在一些可选的实施方式中,第二确定单元包括:
第七确定子模块,用于根据第一面积和第二面积,确定面积占比;
比较子模块,用于将面积占比与第二阈值进行比较,得到比较结果;
第八确定子模块,用于根据比较结果,确定目标检测结果。
在一些可选的实施方式中,第八确定子模块包括:
第二输出子单元,用于在面积占比小于第二阈值的情况下,删除第二检测框,输出第一检测框,并将第一检测框作为目标检测结果;
第三输出子单元,用于在面积占比大于或者等于第二阈值的情况下,删除第一检测框,输出第二检测框,并将第二检测框作为目标检测结果。
本实施例中的目标检测结果的确定装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本公开实施例还提供一种计算机设备,具有上述图5所示的目标检测结果的确定装置。
请参阅图6,图6是本公开可选实施例提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本公开实施例还提供了一种计算机可读存储介质,上述根据本公开实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本公开的实施例,但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种目标检测结果的确定方法,其特征在于,所述方法包括:
获取激光雷达下待检测的目标对象对应的点云数据;
利用第一检测算法对所述点云数据进行检测,得到第一检测框;
利用第二检测算法对所述点云数据进行检测,得到第二检测框;
根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果,包括:
获取所述第一检测框内的点云数据与所述第二检测框内的点云数据之间的重合区域;
根据所述重合区域,确定所述目标检测结果;
或者,
根据所述重合区域,获取所述第二检测框的第二面积以及所述第二检测框内包含所述第一检测框的第一面积;
根据所述第一面积和所述第二面积,确定所述目标检测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述重合区域,确定所述目标检测结果,包括:
确定所述重合区域内的重合点云数量;
根据所述重合点云数量和所述第一检测框内的点云数量,确定点云占比;
根据所述点云占比,确定所述目标检测结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述点云占比,确定所述目标检测结果,包括:
在所述点云占比小于第一阈值的情况下,删除所述第二检测框,输出所述第一检测框,并将所述第一检测框作为所述目标检测结果。
5.根据权利要求3所述的方法,其特征在于,所述根据所述重合区域,获取所述第二检测框的第二面积以及所述第二检测框内包含所述第一检测框的第一面积,包括:
根据所述重合区域,确定所述点云占比;
在所述点云占比大于或者等于第一阈值的情况下,获取在所述第二检测框内所包含的多个所述第一检测框;
确定多个所述第一检测框的面积之和,得到所述第一面积;
确定所述第二检测框的所述第二面积。
6.根据权利要求2或5所述的方法,其特征在于,所述根据所述第一面积和所述第二面积,确定所述目标检测结果,包括:
根据所述第一面积和所述第二面积,确定面积占比;
将所述面积占比与第二阈值进行比较,得到比较结果;
根据所述比较结果,确定所述目标检测结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述比较结果,确定所述目标检测结果,包括:
在所述面积占比小于所述第二阈值的情况下,删除所述第二检测框,输出所述第一检测框,并将所述第一检测框作为所述目标检测结果;
在所述面积占比大于或者等于所述第二阈值的情况下,删除所述第一检测框,输出所述第二检测框,并将所述第二检测框作为所述目标检测结果。
8.一种目标检测结果的确定装置,其特征在于,所述装置包括:
获取模块,用于获取激光雷达下待检测的目标对象对应的点云数据;
第一检测模块,用于利用第一检测算法对所述点云数据进行检测,得到第一检测框;
第二检测模块,用于利用第二检测算法对所述点云数据进行检测,得到第二检测框;
确定模块,用于根据所述第一检测框和所述第二检测框,确定对所述目标对象的目标检测结果。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的目标检测结果的确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的目标检测结果的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153542.8A CN117169919A (zh) | 2023-09-07 | 2023-09-07 | 目标检测结果的确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153542.8A CN117169919A (zh) | 2023-09-07 | 2023-09-07 | 目标检测结果的确定方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117169919A true CN117169919A (zh) | 2023-12-05 |
Family
ID=88935185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153542.8A Pending CN117169919A (zh) | 2023-09-07 | 2023-09-07 | 目标检测结果的确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169919A (zh) |
-
2023
- 2023-09-07 CN CN202311153542.8A patent/CN117169919A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210190513A1 (en) | Navigation map updating method and apparatus and robot using the same | |
CN110458854B (zh) | 一种道路边缘检测方法和装置 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN108629763B (zh) | 一种视差图的评判方法、装置及终端 | |
CN112802092B (zh) | 一种障碍物感知方法、装置以及电子设备 | |
JPWO2008020544A1 (ja) | 車両検知装置,車両検知方法並びに車両検知プログラム | |
CN111666797B (zh) | 车辆定位方法、装置和计算机设备 | |
CN113240756B (zh) | 车载bsd摄像头的位姿变动检测方法、设备和存储介质 | |
CN114998856B (zh) | 一种多相机图像的3d目标检测方法、装置、设备及介质 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN112598922A (zh) | 车位检测方法、装置、设备及存储介质 | |
CN111213154A (zh) | 一种车道线检测方法、设备、移动平台及存储介质 | |
CN112906471A (zh) | 一种交通信号灯识别方法及装置 | |
CN112529011A (zh) | 目标检测方法及相关装置 | |
CN114943954B (zh) | 一种车位检测方法、装置和系统 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN115311522A (zh) | 用于自动驾驶的目标检测方法及装置、电子设备及介质 | |
CN117169919A (zh) | 目标检测结果的确定方法、装置、计算机设备及存储介质 | |
CN115170679A (zh) | 路侧相机的标定方法、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 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 | |
CN114118188A (zh) | 针对待检测图像中移动对象的处理系统、方法和存储介质 | |
CN117237924B (zh) | 一种障碍物可见性分析方法、装置、智能终端及存储介质 | |
CN114694112B (zh) | 交通信号灯的识别方法、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 |