CN117671642A - 车辆检测方法、装置、设备及介质 - Google Patents

车辆检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN117671642A
CN117671642A CN202311735282.5A CN202311735282A CN117671642A CN 117671642 A CN117671642 A CN 117671642A CN 202311735282 A CN202311735282 A CN 202311735282A CN 117671642 A CN117671642 A CN 117671642A
Authority
CN
China
Prior art keywords
vehicle
key points
vehicles
grounding
lane
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
CN202311735282.5A
Other languages
English (en)
Inventor
李淼淼
严晨旭
陆书轩
衡阳
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.)
Geely Automobile Research Institute Ningbo Co Ltd
Original Assignee
Geely Automobile Research Institute Ningbo 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 Geely Automobile Research Institute Ningbo Co Ltd filed Critical Geely Automobile Research Institute Ningbo Co Ltd
Priority to CN202311735282.5A priority Critical patent/CN117671642A/zh
Publication of CN117671642A publication Critical patent/CN117671642A/zh
Pending legal-status Critical Current

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车辆检测方法、装置、设备及介质,属于自动驾驶的技术领域。在本申请中,首先,检测拍摄到的道路图像中的车道线,并检测该道路图像中的车辆以及各车辆的接地关键点,并矫正处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;然后,根据各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。通过选用车轮接地点的关键点,且对同一车道内的车辆的关键点进行矫正,实现在自动驾驶过程中通过二维图像对车辆进行目标检测,进而得到车辆准确的车辆行驶信息。

Description

车辆检测方法、装置、设备及介质
技术领域
本申请涉及自动驾驶的技术领域,尤其涉及一种车辆检测方法、车辆检测装置、车辆检测设备及计算机可读存储介质。
背景技术
目前,在自动驾驶过程中,关于车辆的目标检测很少通过常规相机拍摄的二维图像实现,更多的是通过采用高精度的激光雷达传感器的点云数据来实现对车辆的目标检测,但是该激光雷达方案所需要的成本较高。
发明内容
本申请的主要目的在于提供一种车辆检测方法、车辆检测装置、车辆检测设备及计算机可读存储介质,旨在在自动驾驶过程中通过二维图像实现对车辆的目标检测。
为实现上述目的,本申请提供一种车辆检测方法,所述方法包括:
获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;
基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;
根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
示例性的,所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤之前,包括:
获取用于训练的道路图像,并在所述用于训练的道路图像上,读取各车辆的车身检测信息和轮胎检测信息;其中,所述各车辆的车身检测信息包括各车辆的车身检测框的角点坐标和宽高数据,所述各车辆的轮胎检测信息包括各车辆的轮胎接地点的坐标以及所述各车辆的轮胎接地点是否可见,当轮胎被车身遮挡时,被车身遮挡的轮胎的轮胎接地点被标注为不可见,当轮胎未被车身遮挡时,未被车身遮挡的轮胎的轮胎接地点被标注为可见;
基于各车辆的车身检测信息和轮胎检测信息,训练得到车辆检测模型;
所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,包括:
根据所述车辆检测模型,检测所述道路图像中的车辆以及各车辆的接地关键点。
示例性的,所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,还包括:
根据所述车辆检测模型,检测所述道路图像中各车辆的接地关键点的置信度;
所述矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
示例性的,所述根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
确定处于同一车道内的各车辆在同一侧各车轮的接地关键点的置信度,并确定所述处于同一车道内的各车辆在当前车道的基准关键点,其中,所述基准关键点为所述各车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
示例性的,所述确定所述处于同一车道内的各车辆在当前车道的基准关键点的步骤,包括:
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点的平均置信度,其中,所述平均置信度根据在同一侧各车轮的车轮数量和在同一侧各车轮的接地关键点的总置信度计算得到;
确定所述处于同一车道内的各车辆在当前车道的基准关键点为所述处于同一车道内的各车辆中最高所述平均置信度对应的基准关键点。
示例性的,所述基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
基于所述处于同一车道内的各车辆在当前车道的基准关键点的坐标,确定当前车道对应的基准角度;
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点中的定点,以及各车辆的车身检测框;其中,所述定点为任一车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述基准角度和所述定点确定与所述车身检测框的交点,并将所述交点作为所述定点对应的车辆在矫正后的接地关键点。
示例性的,所述根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息的步骤,包括:
根据相邻帧中矫正后的同一接地关键点的绝对位置,确定车辆的行驶速度;
根据同一帧中矫正后的多个接地关键点的相对位置,确定车辆的行驶方向。
本申请还提供一种车辆检测装置,所述车辆检测装置包括:
初始模块,用于获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;
矫正模块,用于基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;
确定模块,用于根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
本申请还提供一种车辆检测设备,所述车辆检测设备包括:存储器、处理器、及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的车辆检测方法的步骤。
本申请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上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的车辆检测方法的步骤。
本申请实施例提出的一种车辆检测方法、车辆检测装置、车辆检测设备及计算机可读存储介质,获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
目前,在自动驾驶过程中,关于车辆的目标检测很少通过常规相机拍摄的二维图像实现,更多的是通过采用高精度的激光雷达传感器的点云数据来实现对车辆的目标检测,但是该激光雷达方案所需要的成本较高,却在绝大多数场景下仍然会采用激光雷达方案,其原因在于通过二维图像实现对车辆的目标检测的方案不够准确,其检测到的关键点往往不可用。
因此,在申请中,首先,检测拍摄到的道路图像中的车道线,并检测该道路图像中的车辆以及各车辆的接地关键点,并矫正处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;然后,根据各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。其中,考虑到车辆轮胎的接地关键点的特征明显,检测到的车轮关键点的准确性能有所保障,从而采用车轮接地点来实现车辆检测;另外,通过对处于同一车道内的车辆进行矫正,可以进一步降低采用不同车道的车辆的关键点带来的误差,进一步提升关键点的可用性;而且,矫正处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点,基于矫正后的接地关键点确定得到的各车辆的车辆行驶信息,其关键点的准确性得到进一步提升。以上,通过选用车轮接地点的关键点,且对同一车道内的车辆的关键点进行矫正,实现在自动驾驶过程中通过二维图像对车辆进行目标检测,进而得到车辆准确的车辆行驶信息。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的运行设备的结构示意图;
图2为本申请实施例方案涉及的车辆检测方法一实施例的流程示意图;
图3为本申请实施例方案涉及的车辆检测方法一实施例的关键点示意图;
图4为本申请实施例方案涉及的车辆检测方法一实施例的矫正示意图;
图5为本申请实施例方案涉及的车辆检测装置的示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的运行设备结构示意图。
如图1所示,该运行设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对运行设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序。
在图1所示的运行设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请运行设备中的处理器1001、存储器1005可以设置在运行设备中,所述运行设备通过处理器1001调用存储器1005中存储的计算机程序,并执行以下操作:
获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;
基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;
根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤之前,包括:
获取用于训练的道路图像,并在所述用于训练的道路图像上,读取各车辆的车身检测信息和轮胎检测信息;其中,所述各车辆的车身检测信息包括各车辆的车身检测框的角点坐标和宽高数据,所述各车辆的轮胎检测信息包括各车辆的轮胎接地点的坐标以及所述各车辆的轮胎接地点是否可见,当轮胎被车身遮挡时,被车身遮挡的轮胎的轮胎接地点被标注为不可见,当轮胎未被车身遮挡时,未被车身遮挡的轮胎的轮胎接地点被标注为可见;
基于各车辆的车身检测信息和轮胎检测信息,训练得到车辆检测模型;
所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,包括:
根据所述车辆检测模型,检测所述道路图像中的车辆以及各车辆的接地关键点。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,还包括:
根据所述车辆检测模型,检测所述道路图像中各车辆的接地关键点的置信度;
所述矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
确定处于同一车道内的各车辆在同一侧各车轮的接地关键点的置信度,并确定所述处于同一车道内的各车辆在当前车道的基准关键点,其中,所述基准关键点为所述各车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述确定所述处于同一车道内的各车辆在当前车道的基准关键点的步骤,包括:
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点的平均置信度,其中,所述平均置信度根据在同一侧各车轮的车轮数量和在同一侧各车轮的接地关键点的总置信度计算得到;
确定所述处于同一车道内的各车辆在当前车道的基准关键点为所述处于同一车道内的各车辆中最高所述平均置信度对应的基准关键点。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
基于所述处于同一车道内的各车辆在当前车道的基准关键点的坐标,确定当前车道对应的基准角度;
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点中的定点,以及各车辆的车身检测框;其中,所述定点为任一车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述基准角度和所述定点确定与所述车身检测框的交点,并将所述交点作为所述定点对应的车辆在矫正后的接地关键点。
在一实施例中,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息的步骤,包括:
根据相邻帧中矫正后的同一接地关键点的绝对位置,确定车辆的行驶速度;
根据同一帧中矫正后的多个接地关键点的相对位置,确定车辆的行驶方向。
本申请实施例提供了一种车辆检测方法,参照图2,在车辆检测方法的一实施例中,所述方法包括:
步骤S10,获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;
拍摄到的道路图像是指包含道路的图像,其中在道路上存在车辆,可以是由车辆搭载的摄像头拍摄到的道路图像,用于车辆的自动驾驶,还可以是道路两旁或道路上方的摄像头如电子眼拍摄到的道路图像,用于车辆的监测。
检测到的道路图像中的车道线包括实线、虚线、黄线、白线等一条或多条相同或不同颜色、大小等属性的车道标识线条或线段,该车道线用于划分车道。在一实施例中,通过融入车道线检测算法LLDNet检测道路图像中的车道线,其中,LLDNet算法的框架由三部分组成,包括特征提取阶段、卷积注意力模块部分和Decoder解码部分。在特征提取阶段由编码器分支提取必要的特征,并从大小为80×160像素的RGB图像生成低级到高级的特征图。然后,将编码器部分生成的特征传递给卷积注意力模块,以获得高级特征。其中,注意力机制的主要目的是更多地关注图像中的道路部分,而忽略图像中的其他对象(如天空、树木、行人等),从而加快模型的性能并节省处理时间。最后,解码器部分重建从编码器和注意模块中提取的特征图,生成与输入图像具有精确分辨率的预测图像。
检测道路图像中的车辆包括各种轮式驱动车辆,并且不限定车辆的车轮数量。在一实施例中,可以通过YOLOX模型检测道路图像中的车辆。进一步的,在检测到道路图像中的车辆的基础上,可以检测该车辆的接地关键点,该接地关键点是指车辆车轮与地面接触的接地点。也就是说,在通过YOLOX模型检测道路图像中的车辆的基础上,如车辆位置和大小之外,增加对车辆各轮胎关键点的检测,即通过增加车辆关键点检测来获取更多车辆信息,如车辆驾驶速度和车辆驾驶方向,满足除基于车身检测的基础自动驾驶之外的基于关键点的高阶自动驾驶。
在一种可实施方式中,设置了一种基于YOLOX模型的车辆关键点检测模型,该模型在YOLOX解耦头的三个输出上,对其中的obj_output和reg_output进行更改,得到接地关键点的预测结果。
步骤S20,基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;
目前,关键点检测的结果往往会出现检测不准的情况,比如一般情况下车轮两侧的车轮接地关键点同侧分别连接起来得到的两条与车辆同向的线段应该是平行的,但由于检测不准,偶尔会出现两条线段不平行的情况。因此,在本申请中,提出一种融合车道线检测的关键点矫正方案。通过车道线确定处于同一车道内的车辆,并矫正处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点,以此实现对接地关键点的准确矫正。
步骤S30,根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
在得到各车辆矫正后的接地关键点之后,便可以根据各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。例如,将关键点检测用于车辆的检测中,可以在获取目标车辆位置以及大小的基础上,通过接地关键点确定得到目标车辆的方向信息等。以此,对车辆采用接近3D的2.5D检测,可有效节约检测成本。
示例性的,所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤之前,包括:
获取用于训练的道路图像,并在所述用于训练的道路图像上,读取各车辆的车身检测信息和轮胎检测信息;其中,所述各车辆的车身检测信息包括各车辆的车身检测框的角点坐标和宽高数据,所述各车辆的轮胎检测信息包括各车辆的轮胎接地点的坐标以及所述各车辆的轮胎接地点是否可见,当轮胎被车身遮挡时,被车身遮挡的轮胎的轮胎接地点被标注为不可见,当轮胎未被车身遮挡时,未被车身遮挡的轮胎的轮胎接地点被标注为可见;
基于各车辆的车身检测信息和轮胎检测信息,训练得到车辆检测模型;
所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,包括:
根据所述车辆检测模型,检测所述道路图像中的车辆以及各车辆的接地关键点。
在检测道路图像中的车辆以及各车辆的接地关键点之前,需要训练得到一个用于检测道路图像中的车辆以及各车辆的接地关键点的车辆检测模型。通过获取用于训练的道路图像,并在该道路图像上读取各车辆预先标注的车身检测信息和轮胎检测信息,然后根据各车辆的车身检测信息和轮胎检测信息,训练得到车辆检测模型,并进一步基于该车联检测模型检测道路图像中的车辆以及各车辆的接地关键点。可以理解的是,其中的车身检测信息用于检测车辆的车身,轮胎检测信息用于检测车辆的车轮接地关键点。
在一种可实施方式中,在原本的YOLOX模型的训练过程中,读取的是标签json文件中真实框的左上角点、右下角点和真实框的宽高,本实施例中的YOLOX关键点模型在此基础上,额外读取12个值,分别为车辆左前轮胎接地点、车辆右前轮胎接地点,车辆右后轮胎接地点这四个关键点的横纵坐标以及这四个关键点是否可见,即被车身遮挡的车轮的关键点被设置为不可见,不参与模型训练,如果可见,则令变量v=1,反之变量v=0。接着将这16个值全部传入变量bbox中,进行后续处理。
在YOLOX的预测部分,模型会输出三个分支,分别是用于输出目标类别的cls_output,用于判断目标是前景还是背景,并经过sigmoid处理过的obj_output以及用于预测目标坐标信息的bbox_output。在对YOLOX模型添加关键点检测得到本实施例中的YOLOX关键点模型时,类别并未改变,因此不对cls_output进行处理;在obj_output用于判断目标是前景还是背景的基础上,将四个对应关键点是否可见的变量v传入,这样obj_output就可以在判断目标是否是前景背景的功能基础上,判断四个关键点分别是否可见;在bbox_output预测目标坐标信息的基础上,令四个关键点的坐标也一同参与预测,这样就可以在预测目标框坐标信息的基础上,对四个关键点的坐标也一同进行预测。
另外,在YOLOX中加入关键点检测,并将加入关键点检测的YOLOX模型迁移到MMDetection框架中,通过将该模型迁移到MMDetection框架中,在提高模型训练速度的同时,对模型的修改也更加方便。
示例性的,所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,还包括:
根据所述车辆检测模型,检测所述道路图像中各车辆的接地关键点的置信度;
所述矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
在根据车辆检测模型检测道路图像中的车辆以及各车辆的接地关键点的同时,还会由车辆检测模型检测到道路图像中各车辆的接地关键点的置信度,该置信度是指模型检测出来的关键点为接地关键点的可信程度。接着,根据处于同一车道内的车辆的接地关键点的置信度,矫正处于同一车道内的车辆的接地关键点,以此得到各车辆矫正后的更为准确的接地关键点。
示例性的,所述根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
确定处于同一车道内的各车辆在同一侧各车轮的接地关键点的置信度,并确定所述处于同一车道内的各车辆在当前车道的基准关键点,其中,所述基准关键点为所述各车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
在根据处于同一车道内的车辆的接地关键点的置信度,矫正处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点时,确定处于同一车道内的各车辆在同一侧各车轮的接地关键点的置信度,其中同一侧各车轮均为可见车轮,均未被车身遮挡且可被检测到,另外,车辆同一侧也可以存在有多个车轮。然后,确定处于同一车道内的各车辆在当前车道的基准关键点为各车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点。其中,基准关键点的选取标准,可以是最高平均置信度,也可以是某个接地关键点单独的最高置信度,也可以是在最高平均置信度的差值处于预设差值阈值范围内时,取置信度方差最小对应的车辆的一组接地关键点。
在一实施例中,参照图3,以四个车轮的车辆为例,在其靠近虚线车道线一侧各车轮的接地关键点的置信度中,以车辆A在靠近虚线一侧各车轮的接地关键点的置信度最高,因此,选取车辆A在靠近虚线一侧的两车轮的两个接地关键点作为车辆A所在车道的基准关键点。
然后根据当前车道的基准关键点,矫正处于当前同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
在一实施例中,参照图3,进一步根据基准关键点,即根据车辆A在靠近虚线一侧的两车轮的两个接地关键点,对车辆A所在车道的另外两辆车辆:车辆B和车辆C进行关键点矫正,得到车辆B和车辆C矫正后的接地关键点。
示例性的,所述确定所述处于同一车道内的各车辆在当前车道的基准关键点的步骤,包括:
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点的平均置信度,其中,所述平均置信度根据在同一侧各车轮的车轮数量和在同一侧各车轮的接地关键点的总置信度计算得到;
确定所述处于同一车道内的各车辆在当前车道的基准关键点为所述处于同一车道内的各车辆中最高所述平均置信度对应的基准关键点。
在确定处于同一车道内的各车辆在当前车道的基准关键点时,根据在同一侧各车轮的车轮数量和在同一侧各车轮的接地关键点的总置信度,计算得到处于同一车道内的各车辆在同一侧各车轮的接地关键点的平均置信度,然后,确定处于同一车道内的各车辆在当前车道的基准关键点为处于同一车道内的各车辆中最高所述平均置信度对应的基准关键点。
在一实施例中,参照图3,车辆A在靠近虚线一侧两车轮的接地关键点的总置信度为a,其平均置信度为a/2,同理,得到车辆B和车辆C在靠近虚线一侧两车轮的接地关键点的平均置信度分别为b/2和c/2,若a>b>c,则确定车辆A、车辆B和车辆C所在车道的基准关键点为车辆A在靠近虚线一侧两车轮的接地关键点。
示例性的,所述基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
基于所述处于同一车道内的各车辆在当前车道的基准关键点的坐标,确定当前车道对应的基准角度;
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点中的定点,以及各车辆的车身检测框;其中,所述定点为任一车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述基准角度和所述定点确定与所述车身检测框的交点,并将所述交点作为所述定点对应的车辆在矫正后的接地关键点。
在基于当前车道的基准关键点矫正处于同一车道内的车辆的接地关键点时,首先,根据基准关键点的坐标确定当前车道对应的基准角度;然后,确定各车辆在同一侧各车轮的接地关键点中的定点以及各车辆的车身检测框;最后,基于基准角度和定点确定与车身检测框的交点,并将交点作为定点对应的车辆在矫正后的接地关键点。
在一实施例中,参照图4,在确定车辆A、车辆B和车辆C所在车道的基准关键点为车辆A在靠近虚线一侧两车轮的接地关键点之后,首先,根据车辆A在靠近虚线一侧两车轮的接地关键点的坐标,确定当前车道对应的基准角度α;然后,确定各车辆在同一侧各车轮的接地关键点中的定点以及各车辆的车身检测框,例如车辆B在靠近虚线一侧两车轮的接地关键点的置信度分别b1和b2,且b1>b2,则车辆B的定点为置信度为b1对应的接地关键点;最后,基于基准角度α和定点b1确定与车辆B的车身检测框的交点V,并将交点V作为定点b1对应的车辆B在矫正后的接地关键点。车辆C的矫正与车辆B同理,在此不再赘述。
示例性的,所述根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息的步骤,包括:
根据相邻帧中矫正后的同一接地关键点的绝对位置,确定车辆的行驶速度;
根据同一帧中矫正后的多个接地关键点的相对位置,确定车辆的行驶方向。
在矫正处于同一车道内的车辆的接地关键点得到各车辆矫正后的接地关键点之后,便可以基于各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息,其中,车辆行驶信息包括车辆的行驶速度以及车辆的行驶方向。
进一步的,根据相邻帧中矫正后的同一接地关键点的绝对位置,确定车辆的行驶速度,也就是说,根据相邻的不同帧的矫正后的同一接地关键点的绝对位置,计算得到车辆的行驶速度。另外,根据同一帧中矫正后的多个接地关键点的相对位置,确定车辆的行驶方向,也就是说,根据同一帧中矫正后的多个接地关键点的相对位置的大小,如横纵坐标的大小,可以确定车辆的行驶方向。
在本申请种车辆检测方法的一应用场景中,根据关键点的坐标与车道线检测结果,将各个车道线的车辆进行划分,然后在同一个车道线内进行矫正。首先,获取每个目标车辆侧边两个轮胎即两个关键点的坐标,然后分别对该车道线下所有目标的两个关键点的置信度进行相加再求平均,得到平均值最高的那辆车辆的两个关键点,并认为平均值最高的那辆车辆的两个关键点是检测效果最好的,然后以这两个关键点为基准,连接两个关键点且计算这两个关键点连接的线段与当前帧图像y轴的夹角(根据夹角也可计算斜率,得到夹角和斜率中的一个即可),然后对这条车道线上其他车辆检测结果的两个关键点,以置信度较高的那个关键点为其他车辆的定点(即不需要矫正的点),根据前述计算得到的夹角或者斜率会得到从定点出发的一条射线,然后这条射线与经过加入了关键点检测的YOLOX模型检测得到的车辆bbox(车身检测框)会有一个交点,这个交点就是矫正后的关键点。
参照图5,此外,本申请实施例还提供一种车辆检测装置,所述车辆检测装置包括:
初始模块M1,用于获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;
矫正模块M2,用于基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;
确定模块M3,用于根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
示例性的,所述初始模块还用于:
所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤之前,
获取用于训练的道路图像,并在所述用于训练的道路图像上,读取各车辆的车身检测信息和轮胎检测信息;其中,所述各车辆的车身检测信息包括各车辆的车身检测框的角点坐标和宽高数据,所述各车辆的轮胎检测信息包括各车辆的轮胎接地点的坐标以及所述各车辆的轮胎接地点是否可见,当轮胎被车身遮挡时,被车身遮挡的轮胎的轮胎接地点被标注为不可见,当轮胎未被车身遮挡时,未被车身遮挡的轮胎的轮胎接地点被标注为可见;
基于各车辆的车身检测信息和轮胎检测信息,训练得到车辆检测模型;
所述初始模块还用于:
根据所述车辆检测模型,检测所述道路图像中的车辆以及各车辆的接地关键点。
示例性的,所述初始模块还用于:
根据所述车辆检测模型,检测所述道路图像中各车辆的接地关键点的置信度;
所述矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
示例性的,所述初始模块还用于:
确定处于同一车道内的各车辆在同一侧各车轮的接地关键点的置信度,并确定所述处于同一车道内的各车辆在当前车道的基准关键点,其中,所述基准关键点为所述各车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
示例性的,所述初始模块还用于:
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点的平均置信度,其中,所述平均置信度根据在同一侧各车轮的车轮数量和在同一侧各车轮的接地关键点的总置信度计算得到;
确定所述处于同一车道内的各车辆在当前车道的基准关键点为所述处于同一车道内的各车辆中最高所述平均置信度对应的基准关键点。
示例性的,所述初始模块还用于:
基于所述处于同一车道内的各车辆在当前车道的基准关键点的坐标,确定当前车道对应的基准角度;
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点中的定点,以及各车辆的车身检测框;其中,所述定点为任一车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述基准角度和所述定点确定与所述车身检测框的交点,并将所述交点作为所述定点对应的车辆在矫正后的接地关键点。
示例性的,所述确定模块还用于:
根据相邻帧中矫正后的同一接地关键点的绝对位置,确定车辆的行驶速度;
根据同一帧中矫正后的多个接地关键点的相对位置,确定车辆的行驶方向。
本申请提供的车辆检测装置,采用上述实施例中的车辆检测方法,旨在在自动驾驶过程中通过二维图像实现对车辆的目标检测。与常规技术相比,本申请实施例提供的车辆检测装置的有益效果与上述实施例提供的车辆检测方法的有益效果相同,且车辆检测装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
此外,本申请实施例还提供一种车辆检测设备,所述车辆检测设备包括:存储器、处理器、及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的车辆检测方法的步骤。
此外,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上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的车辆检测方法的步骤。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对常规技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种车辆检测方法,其特征在于,所述方法包括:
获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;
基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;
根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
2.如权利要求1所述的车辆检测方法,其特征在于,所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤之前,包括:
获取用于训练的道路图像,并在所述用于训练的道路图像上,读取各车辆的车身检测信息和轮胎检测信息;其中,所述各车辆的车身检测信息包括各车辆的车身检测框的角点坐标和宽高数据,所述各车辆的轮胎检测信息包括各车辆的轮胎接地点的坐标以及所述各车辆的轮胎接地点是否可见,当轮胎被车身遮挡时,被车身遮挡的轮胎的轮胎接地点被标注为不可见,当轮胎未被车身遮挡时,未被车身遮挡的轮胎的轮胎接地点被标注为可见;
基于各车辆的车身检测信息和轮胎检测信息,训练得到车辆检测模型;
所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,包括:
根据所述车辆检测模型,检测所述道路图像中的车辆以及各车辆的接地关键点。
3.如权利要求2所述的车辆检测方法,其特征在于,所述检测所述道路图像中的车辆以及各车辆的接地关键点的步骤,还包括:
根据所述车辆检测模型,检测所述道路图像中各车辆的接地关键点的置信度;
所述矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
4.如权利要求3所述的车辆检测方法,其特征在于,所述根据所述处于同一车道内的车辆的接地关键点的置信度,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
确定处于同一车道内的各车辆在同一侧各车轮的接地关键点的置信度,并确定所述处于同一车道内的各车辆在当前车道的基准关键点,其中,所述基准关键点为所述各车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点。
5.如权利要求4所述的车辆检测方法,其特征在于,所述确定所述处于同一车道内的各车辆在当前车道的基准关键点的步骤,包括:
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点的平均置信度,其中,所述平均置信度根据在同一侧各车轮的车轮数量和在同一侧各车轮的接地关键点的总置信度计算得到;
确定所述处于同一车道内的各车辆在当前车道的基准关键点为所述处于同一车道内的各车辆中最高所述平均置信度对应的基准关键点。
6.如权利要求4所述的车辆检测方法,其特征在于,所述基于所述处于同一车道内的各车辆在当前车道的基准关键点,矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点的步骤,包括:
基于所述处于同一车道内的各车辆在当前车道的基准关键点的坐标,确定当前车道对应的基准角度;
确定所述处于同一车道内的各车辆在同一侧各车轮的接地关键点中的定点,以及各车辆的车身检测框;其中,所述定点为任一车辆在同一侧各车轮的接地关键点中最高置信度的基准关键点;
基于所述基准角度和所述定点确定与所述车身检测框的交点,并将所述交点作为所述定点对应的车辆在矫正后的接地关键点。
7.如权利要求1所述的车辆检测方法,其特征在于,所述根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息的步骤,包括:
根据相邻帧中矫正后的同一接地关键点的绝对位置,确定车辆的行驶速度;
根据同一帧中矫正后的多个接地关键点的相对位置,确定车辆的行驶方向。
8.一种车辆检测装置,其特征在于,所述车辆检测装置包括:
初始模块,用于获取拍摄到的道路图像,检测所述道路图像中的车道线,并检测所述道路图像中的车辆以及各车辆的接地关键点;
矫正模块,用于基于所述车道线确定处于同一车道内的车辆,并矫正所述处于同一车道内的车辆的接地关键点,得到各车辆矫正后的接地关键点;
确定模块,用于根据所述各车辆矫正后的接地关键点,确定各车辆的车辆行驶信息。
9.一种车辆检测设备,其特征在于,所述车辆检测设备包括:存储器、处理器、及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的车辆检测方法的步骤。
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程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的车辆检测方法的步骤。
CN202311735282.5A 2023-12-15 2023-12-15 车辆检测方法、装置、设备及介质 Pending CN117671642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311735282.5A CN117671642A (zh) 2023-12-15 2023-12-15 车辆检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311735282.5A CN117671642A (zh) 2023-12-15 2023-12-15 车辆检测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117671642A true CN117671642A (zh) 2024-03-08

Family

ID=90066002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311735282.5A Pending CN117671642A (zh) 2023-12-15 2023-12-15 车辆检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117671642A (zh)

Similar Documents

Publication Publication Date Title
US10860870B2 (en) Object detecting apparatus, object detecting method, and computer program product
WO2020097840A1 (en) Systems and methods for correcting a high-definition map based on detection of obstructing objects
US11657319B2 (en) Information processing apparatus, system, information processing method, and non-transitory computer-readable storage medium for obtaining position and/or orientation information
CN111376895B (zh) 一种环视泊车感知方法、装置、自动泊车系统和车辆
CN111950426A (zh) 目标检测方法、装置及运载工具
CN111213153A (zh) 目标物体运动状态检测方法、设备及存储介质
CN111681285B (zh) 一种标定方法、装置、电子设备及存储介质
CN113744256A (zh) 一种深度图空洞填充方法、装置、服务器及可读存储介质
CN112528807A (zh) 行驶轨迹的预测方法、装置、电子设备及存储介质
CN112597846A (zh) 车道线检测方法、装置、计算机设备和存储介质
CN112927309A (zh) 一种车载相机标定方法、装置、车载相机及存储介质
CN114919584A (zh) 机动车定点目标测距方法、装置及计算机可读存储介质
CN113569812A (zh) 未知障碍物的识别方法、装置和电子设备
CN112529011A (zh) 目标检测方法及相关装置
CN117671642A (zh) 车辆检测方法、装置、设备及介质
CN112270693B (zh) 一种飞行时间深度相机运动伪差检测方法和装置
CN114898321A (zh) 道路可行驶区域检测方法、装置、设备、介质及系统
US11227166B2 (en) Method and device for evaluating images, operating assistance method, and operating device
CN110796084A (zh) 车道线识别方法、装置、设备和计算机可读存储介质
CN112183413B (zh) 一种车位检测方法、装置、存储介质及车辆
CN115063772B (zh) 一种车辆编队后车检测方法、终端设备及存储介质
CN114779271B (zh) 目标检测方法和装置、电子设备和存储介质
US20240112363A1 (en) Position estimation system, position estimation method, and program
CN117830967A (zh) 图像处理方法、装置和设备
CN116985783A (zh) 车辆控制方法、装置、设备及可读存储介质

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