CN117710943A - 过分割识别方法、装置、电子设备、存储介质 - Google Patents
过分割识别方法、装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN117710943A CN117710943A CN202311755265.8A CN202311755265A CN117710943A CN 117710943 A CN117710943 A CN 117710943A CN 202311755265 A CN202311755265 A CN 202311755265A CN 117710943 A CN117710943 A CN 117710943A
- Authority
- CN
- China
- Prior art keywords
- data
- frame
- target detection
- frames
- behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005192 partition Methods 0.000 title description 4
- 238000001514 detection method Methods 0.000 claims abstract description 271
- 230000006399 behavior Effects 0.000 claims abstract description 187
- 230000004992 fission Effects 0.000 claims abstract description 86
- 230000008447 perception Effects 0.000 claims abstract description 68
- 238000001914 filtration Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 8
- 238000011045 prefiltration Methods 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012552 review Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开涉及自动驾驶技术领域,尤其涉及过分割识别方法、装置、电子设备、存储介质。具体实现方案为:将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为;将当前帧的感知数据与n个未来帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在裂变行为;根据裂变行为和合并行为判定感知数据中的目标对象是否被过分割。本公开可以有效提升过分割识别的准确率,减少欠分割样例的召回,省去人工复核步骤,提高构造过分割的评测集和训练集的效率。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及过分割识别方法、装置、电子设备、存储介质。
背景技术
在自动驾驶系统中通常配置多种感知模块,例如激光传感器、雷达、超声波传感器等,用于感知车辆周边环境。通过感知周围环境及目标(例如行人、绿化带、其它车辆等),可以完成目标识别,从而有效规避障碍物。在目标识别过程中,需要通过目标检测框对感知数据中的不同障碍物进行分割,而欠分割和过分割现象过会引起目标识别不准确,进而造成障碍物的判断失误,影响自动驾驶的安全性。
现有技术中难以准确识别出自动驾驶感知模块是否对障碍物进行过分割的问题,尤其针对大车障碍物,现有方案仍然存在相当的欠分割误召回,判断过分割的准确率较低。
发明内容
本公开提供了一种过分割识别方法、装置、电子设备、存储介质。
根据本公开的第一方面,提供了一种过分割识别方法,包括:
将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为;
将所述当前帧的感知数据与n个未来帧的感知数据进行比对,检测所述当前帧的感知数据中的目标检测框是否存在裂变行为;
根据所述裂变行为和所述合并行为判定所述感知数据中的目标对象是否被过分割。
根据本公开的第二方面,提供了一种过分割识别装置,包括:
第一检测模块,被配置为将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为;
第二检测模块,被配置为将所述当前帧的感知数据与n个未来帧的感知数据进行比对,检测所述当前帧的感知数据中的目标检测框是否存在裂变行为;
判定模块,被配置为根据所述裂变行为和所述合并行为判定所述感知数据中的目标对象是否被过分割。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述技术方案中任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述技术方案中任一项所述的方法。
根据本公开的第六方面,提供了一种自动驾驶车辆,包括上述技术方案中所述的电子设备。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例中的过分割识别方法的步骤示意图;
图2是本公开实施例中的过分割识别装置的原理框图;
图3是本公开实施例中的过分割识别方法的整体流程示意图;
图4是用来实现本公开实施例的过分割识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
现有的第一种方案,判断当前帧上,是否存在其它目标检测框(polygon框)与目标障碍物的目标检测框重合,如果当前帧存在与目标障碍物的目标检测框重合的目标检测框,则判定为过分割。该方案仅仅看感知数据当前帧的分割结果,容易导致边界不准、欠分割样例的误召回。同时缺乏对两个目标检测框重合度的设定,实验结果表明,准确率非常低。
现有的第二种方案在判定感知数据是否过分割时,先判定当前帧的感知数据,是否存在其它目标检测框与目标障碍物的目标检测框重合,如果当前帧有其它目标检测框存在重合,再判断上一帧感知数据中是否存在目标检测框,与当前帧上的两个目标检测框均有重叠,如果上一帧感知数据中存在与当前帧的两个目标检测框重叠的目标检测框,则判定为过分割。但是上一帧目标检测框到当前帧两个目标检测框的裂变行为(一个框变为两个框)并不一定是过分割,还有可能是因为上一帧主车感知视野受限,导致目标障碍物欠分割(原本应针对两个不同目标障碍物分割为两个目标检测框,少分割了一个目标检测框),而在视野恢复后,当前帧再次恢复为两个目标检测框。因此,该方案仍然存在相当的欠分割误召回,判断过分割的准确率较低。
针对上述技术问题,本公开提供了一种感知数据过分割识别方法,如图1所示,包括:
步骤S101,将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为;合并行为是指同一个历史帧的感知数据中的两个目标检测框合并为当前帧的同一个目标检测框。
步骤S102,将当前帧的感知数据与n个未来帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在裂变行为;其中,裂变行为是指当前帧的一个目标检测框在未来帧的感知数据中分裂为两个目标检测框。需要说明的是,步骤S101和步骤S102不分先后顺序,可以先执行步骤S101,也可以先执行步骤S102,也可以同时执行步骤S101和步骤S102。如图3所示,步骤S302挖掘合并行为和裂变行为包括步骤S101和步骤S102,两个步骤可以同时进行。
步骤S103,根据裂变行为和合并行为判定感知数据中的目标对象是否被过分割。
具体地,感知数据是指自动驾驶系统感知模块感知的结果,其可以包括但不限于激光雷达采集的点云数据、相机采集的图像数据等数据中的一种或者多种数据的结合。在对感知数据进行识别时,需要通过目标检测框对目标对象进行识别,通常针对一个目标对象生成一个对应的目标检测框,例如,针对主车前方的大车生成一个对应的目标检测框,某些情况下,系统会对大车这种大型障碍物识别时过分割,例如针对该大车的车头生成一个目标检测框,并针对大车的车尾又生成一个目标检测框,这样就会造成过分割。但是在某些情况下,一个目标检测框在下一帧分裂为两个目标检测框也并不一定是过分割,也有可能是因为上一帧自动驾驶系统的感知视野受限,导致欠分割的情况,例如将前方车辆和行人分割为同一个目标检测框,在当前帧恢复视野后,前方车辆和行人又重新分为两个目标检测框。如果采用现有技术的方案,仅检测到上一帧存在与当前帧上的两个目标检测框重叠的目标检测框即召回,可能会误召回大量的欠分割样例。
在本实施例中,可以挖掘获取的所有帧感知数据中的裂变行为和合并行为,挖掘裂变行为和合并行为时,需要对每一帧感知数据的前几帧和后几帧数据进行检测,在挖掘到所有的裂变行为和合并行为后,综合判定感知数据是否过分割,可以有效提升过分割识别的准确率,减少欠分割样例的召回,省去人工复核步骤,提高构造过分割的评测集和训练集的效率和准确率。
作为可选的实施方式,步骤S101,将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为之前,还包括:对获取的感知数据进行预过滤处理。
对获取的感知数据进行预过滤处理具体包括:
根据目标检测框对应的目标对象是否符合预设条件,将多帧感知数据中目标对象不符合预设条件的数据帧过滤。
具体地,预设条件至少包括以下一项:
(1)目标对象的在所有帧的感知数据中的平均长度和平均宽度是否达到预设长度和预设宽度;
(2)目标对象符合平均长度和平均宽度的帧在所有帧的占比是否达到预设比例;
(3)目标对象被感知的时间是否达到预设时间;
(4)目标对象距离主车的平均距离是否小于第一预设距离。
示例性地,本实施例在对感知数据进行预过滤时,筛选目标对象对应的数据帧需要符合上述全部条件。目标对象可以是一般对象,如大车、小车、VRU(易受伤害的道路使用者,vulnerableroadusers,是指以行人和骑行者为主的两类交通参与者)等。当目标对象为大车时,由于大车体积大,对主车传感器的视野要求较高,因此,常常出现将大车分割成2至3个对象这类过度分割的情况。本实施例将以大车过分割识别为例,展示具体流程和步骤。
如图3所示,当目标对象为大车时,在步骤S301预过滤的过程中,筛选符合要求的目标对象。遍历所有帧,获取所有障碍物信息,包括大车的长、宽、类型、是否大车等信息,并且只关注位于主车前方的大车。对于感知数据中的任意障碍物,需要同时符合以下条件才能判定为大车:(1)障碍物的平均长度大于8.0米,并且平均宽度大于2.4米。其中平均长度和平均宽度是指障碍物在获取的所有帧感知数据中的平均值,例如,障碍物在第1帧的长度为9米,在第2帧为8米,第3帧为7米,那么平均长度为8米。由于主车一直在运动,所以主车和障碍物之间的相对位置也在变化,障碍物在每一帧中的长度和宽度可能都是不同的。(2)目标对象符合平均长度和平均宽度的帧在所有帧的占比是否大于50%。例如获取了10帧感知数据,有几帧数据这个障碍物的尺寸特别小,比如其中有3帧数据长是2米,不符合判断为大车的条件,有7帧数据长是8米,符合判断为大车的条件,那这7帧数据占比是70%,障碍物符合大车尺寸的比例大于50%。(3)障碍物被感知的时间,大于5秒。如果感知时间太短,也可能导致结果不准确。(4)障碍物距离主车的平均距离小于50米,平均距离是指障碍物在所有帧中与主车的距离的平均值,例如获取了3帧数据分别为50m、40m、30m,那么距离主车的平均距离为40m,符合该条件。
根据上述条件可以对获取的原始的感知数据进行预过滤,将不符合条件的数据帧过滤掉,将距离主车太远的目标对象,或者尺寸不符合条件,感知时间过短的目标对象过滤,可以提升后续检测合并行为或裂变行为的准确性,同时也可以减少需要检测的数据帧,降低系统的计算量,提升检测效率。
作为可选的实施方式,步骤S101,将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为包括:
根据当前帧的感知数据中的第一目标检测框,分别检测每一个历史帧的感知数据中是否同时存在至少两个与第一目标检测框重叠的第二目标检测框;
响应于任意一个历史帧的感知数据中同时存在至少两个第二目标检测框,判定当前帧的感知数据存在合并行为。
具体地,在实际应用场景中,过分割通常是将一个目标对象分割成两个目标检测框,但并不排除生成两个以上目标检测框的可能性,本实施例中是以一个目标对象分割为两个目标检测框为例。示例性地,本实施例中的n=3,即检测每一帧是否存在合并行为,需要考虑历史3帧的感知数据。例如当前帧为第5帧,需要检测第2、3、4帧的感知数据,是否存在与当前帧的第一目标检测框A重叠的两个第二目标检测框B1、B2,需要注意的是,两个第二目标检测框B1、B2需要出现在同一个历史帧上,例如,检测到第3帧上存在与第一目标检测框A的两个第二目标检测框B1、B2,那么系统标记第5帧出现合并行为。
作为可选的实施方式,判定合并行为的具体判定条件包括:
第一目标检测框与至少两个第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个第二目标检测框之间的体积比不超过预设体积比。
示例性地,在历史3帧的感知数据中,存在两个第二目标检测框B1、B2和当前帧的第一目标检测框A的重叠度均大于0.7,且两个第二目标检测框B1、B2之间的重叠度不超过0.9,且两个第二目标检测框B1、B2之间的体积比不超过30。在判定合并行为时,不仅需要考虑目标检测框之间的重叠度,还需要考虑第二目标检测框B1和B2之间的体积比,如果体积相差过大,可能分割的并非同一个目标对象。例如,有行人经过前方大车时,针对行人生成一个第二目标检测框B1,针对大车生成另一个第二目标检测框B2,第二目标检测框B1和第二目标检测框B2虽然会重叠,但是两者并不属于过分割。因此,通过设置体积比的条件,可以减少这种误识别。
作为可选的实施方式,步骤S102,将当前帧的感知数据与n个未来帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在裂变行为包括:
根据当前帧的感知数据中的第一目标检测框,分别检测每一个未来帧的感知数据中是否同时存在至少两个与第一目标检测框重叠的第二目标检测框;
响应于任意一个未来帧的感知数据中同时存在至少两个第二目标检测框,判定当前帧的感知数据存在裂变行为。
具体地,在实际应用场景中,过分割通常是将一个目标对象分割成两个目标检测框,但并不排除生成两个以上目标检测框的可能性,本实施例中是以一个目标对象分割为两个目标检测框为例。示例性地,本实施例中的n=3,即检测每一帧是否存在裂变行为,需要考虑未来3帧的感知数据。例如当前帧为第5帧,需要检测第6、7、8帧的感知数据,是否存在与当前帧的第一目标检测框A重叠的两个第二目标检测框B3、B4,需要注意的是,两个第二目标检测框B3、B4需要出现在同一个未来帧上,例如,检测到第6帧上存在与第一目标检测框A的两个第二目标检测框B3、B4,那么系统标记第6帧出现裂变行为。
作为可选的实施方式,判定裂变行为的具体判定条件包括:
第一目标检测框与至少两个第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个第二目标检测框之间的体积比不超过预设体积比。
本实施例中判定裂变行为的条件和判定合并行为的条件相同。示例性地,在未来3帧的感知数据中,存在两个第二目标检测框B3、B4和当前帧的第一目标检测框A的重叠度均大于0.7,且两个第二目标检测框B3、B4之间的重叠度不超过0.9,且两个第二目标检测框B3、B4之间的体积比不超过30。在判定裂变行为时,也不仅需要考虑目标检测框之间的重叠度,还需要考虑第二目标检测框B3和B4之间的体积比,如果体积相差过大,可能分割的并非同一个目标对象。例如,有行人经过前方大车时,针对行人生成一个第二目标检测框B3,针对大车生成另一个第二目标检测框B4,第二目标检测框B3和第二目标检测框B4虽然会重叠,但是两者并不属于过分割,仍然是针对两个目标对象生成的两个目标检测框。因此,通过设置体积比的条件,可以减少这种误识别,提升过分割识别的准确率。
需要说明的是,在判定每一帧的合并行为或裂变行为时,n的取值可以是大于或等于2的正整数,本实施例中优选为3,即检测当前帧的历史3帧和未来3帧,n=3时,既可以有效提升过分割识别的准确率,同时也不会显著增加系统的计算量。
作为可选的实施方式,将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,判定当前帧的感知数据中的目标检测框是否存在合并行为之前,还包括:
判断每一帧的感知数据中,目标对象与主车的距离是否超过第二预设距离;
过滤掉感知数据中目标对象与主车的距离超过第二预设距离的数据帧。
在步骤S101和步骤S102挖掘合并行为和裂变行为之前,可以遍历获取的所有帧感知数据,若目标对象在某一帧距离主车超过70米,则过滤掉该帧。对于距离主车过远的目标对象,识别的准确率也相对较低,过滤掉这些帧,可以提升识别准确率,同时也可以减少计算量。
作为可选的实施方式,步骤S103,根据裂变行为和合并行为判定感知数据中的目标对象是否被过分割包括两种情形:
(1)检测得到的所有裂变行为和合并行为中,第一次出现裂变行为,最后一次出现合并行为;
(2)第一次出现合并行为,合并行为对应的两个第二目标检测框之间的重叠度大于0,并且最后一次出现裂变行为,裂变行为对应的两个第二目标检测框之间的重叠度大于第三预设重叠度。
具体地,在步骤S101和步骤S102之后,系统标记出了所有存在合并行为或裂变行为的帧,最后一步就是根据挖掘出的合并行为和裂变行为综合判定目标对象是否被过分割。例如,如果前方大车被过分割,我们应当看到当前帧的大车对应的目标检测框突然分成了两个目标检测框,这就是一次裂变行为,但是通常这种过分割状态不会一直持续,因此,在最后这两个目标检测框最终又会合二为一,恢复成一个大车的目标检测框,这就是“首次裂变,末次合并”被判定为过分割的依据。
但是在实验中,我们看到了一些例外,比如在首次检测到大车时就有两个目标检测框被分割出来,但是这种情况并不一定是过分割,也有可能是因为历史帧上被欠分割,区分是否过分割的依据就是这两个目标检测框是否有重叠。因此,对于第一次出现合并行为,同时两个第二目标检测框存在重叠(重叠度大于0即可),最后一次裂变行为两个第二目标检测框之间的重叠度达到第三预设重叠度(本实施例中优选为0.55)的情况,也可以判定为过分割。通过这种判定方式,能够减少欠分割导致的误召回。
示例性地,如图3所示,步骤S303中检测是否存在以下两种情形中的任意一种:在第(1)种情形中,检测到第一次行为是裂变行为,并且最后一次行为是合并行为,判定感知数据中的目标对象被过分割。例如总共获取10帧感知数据,检测到第5帧出现裂变行为,在第8帧出现合并行为。在第(2)种情形中,检测到第一次行为是合并行为,同时合并行为对应的两个第二目标检测框存在重叠(重叠度大于0即可),并且最后一次行为是裂变行为,同时裂变行为对应的两个第二目标检测框重叠度大于0.55,判定感知数据中的目标对象被过分割。例如,检测到第5帧出现合并行为,两个第二目标检测框存在重叠,在第8帧出现裂变行为,并且裂变行为对应的两个第二目标检测框重叠度大于0.55。如果两种情形都不存在,则判定不存在过分割。
本公开还提供了一种过分割识别装置200,如图2所示,包括:
第一检测模块201,被配置为将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为。其中,合并行为是指同一个历史帧的感知数据中的两个目标检测框合并为当前帧的同一个目标检测框。
第二检测模块202,被配置为将当前帧的感知数据与n个未来帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在裂变行为。其中,裂变行为是指当前帧的一个目标检测框在未来帧的感知数据中分裂为两个目标检测框。
判定模块203,被配置为根据裂变行为和合并行为判定感知数据中的目标对象是否被过分割。
具体地,感知数据是指自动驾驶系统感知模块感知的结果,其可以包括但不限于激光雷达采集的点云数据、相机采集的图像数据等数据中的一种或者多种数据的结合。在对感知数据进行识别时,需要通过目标检测框对目标对象进行识别,通常针对一个目标对象生成一个对应的目标检测框,例如,针对主车前方的大车生成一个对应的目标检测框,某些情况下,系统会对大车这种大型障碍物识别时过分割,例如针对该大车的车头生成一个目标检测框,并针对大车的车尾又生成一个目标检测框,这样就会造成过分割。但是在某些情况下,一个目标检测框在下一帧分裂为两个目标检测框也并不一定是过分割,也有可能是因为上一帧自动驾驶系统的感知视野受限,导致欠分割的情况,例如将前方车辆和行人分割为同一个目标检测框,在当前帧恢复视野后,前方车辆和行人又重新分为两个目标检测框。如果采用现有技术的方案,仅检测到上一帧存在与当前帧上的两个目标检测框重叠的目标检测框即召回,可能会误召回大量的欠分割样例。
在本实施例中,可以挖掘获取的所有帧感知数据中的裂变行为和合并行为,挖掘裂变行为和合并行为时,需要对每一帧感知数据的前几帧和后几帧数据进行检测,在挖掘到所有的裂变行为和合并行为后,综合判定感知数据是否过分割,可以有效提升过分割识别的准确率,减少欠分割样例的召回,省去人工复核步骤,提高构造过分割的评测集和训练集的效率和准确率。
作为可选的实施方式,装置还包括:
预过滤模块,被配置为第一检测模块201将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为之前,对获取的感知数据进行预过滤处理。
预过滤模块对获取的感知数据进行预过滤处理具体包括:
根据目标检测框对应的目标对象是否符合预设条件,将多帧感知数据中目标对象不符合预设条件的数据帧过滤。
具体地,预设条件至少包括以下一项:
(1)目标对象的在所有帧的感知数据中的平均长度和平均宽度是否达到预设长度和预设宽度;
(2)目标对象符合平均长度和平均宽度的帧在所有帧的占比是否达到预设比例;
(3)目标对象被感知的时间是否达到预设时间;
(4)目标对象距离主车的平均距离是否小于第一预设距离。
示例性地,本实施例在对感知数据进行预过滤时,筛选目标对象对应的数据帧需要符合上述全部条件。目标对象可以是一般对象,如大车、小车、VRU(易受伤害的道路使用者,vulnerableroadusers,是指以行人和骑行者为主的两类交通参与者)等。当目标对象为大车时,由于大车体积大,对主车传感器的视野要求较高,因此,常常出现将大车分割成2至3个对象这类过度分割的情况。本实施例将以大车过分割识别为例,展示具体流程和步骤。
当目标对象为大车时,在预过滤的过程中,筛选符合要求的目标对象。遍历所有帧,获取所有障碍物信息,包括大车的长、宽、类型、是否大车等信息,并且只关注位于主车前方的大车。对于感知数据中的任意障碍物,需要同时符合以下条件才能判定为大车:(1)障碍物的平均长度大于8.0米,并且平均宽度大于2.4米。其中平均长度和平均宽度是指障碍物在获取的所有帧感知数据中的平均值,例如,障碍物在第1帧的长度为9米,在第2帧为8米,第3帧为7米,那么平均长度为8米。由于主车一直在运动,所以主车和障碍物之间的相对位置也在变化,障碍物在每一帧中的长度和宽度可能都是不同的。(2)目标对象符合平均长度和平均宽度的帧在所有帧的占比是否大于50%。例如获取了10帧感知数据,有几帧数据这个障碍物的尺寸特别小,比如其中有3帧数据长是2米,不符合判断为大车的条件,有7帧数据长是8米,符合判断为大车的条件,那这7帧数据占比是70%,障碍物符合大车尺寸的比例大于50%。(3)障碍物被感知的时间,大于5秒。如果感知时间太短,也可能导致结果不准确。(4)障碍物距离主车的平均距离小于50米,平均距离是指障碍物在所有帧中与主车的距离的平均值,例如获取了3帧数据分别为50m、40m、30m,那么距离主车的平均距离为40m,符合该条件。
根据上述条件可以对获取的原始的感知数据进行预过滤,将不符合条件的数据帧过滤掉,将距离主车太远的目标对象,或者尺寸不符合条件,感知时间过短的目标对象过滤,可以提升后续检测合并行为或裂变行为的准确性,同时也可以减少需要检测的数据帧,降低系统的计算量,提升检测效率。
作为可选的实施方式,第一检测模块201将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为包括:
根据当前帧的感知数据中的第一目标检测框,分别检测每一个历史帧的感知数据中是否同时存在至少两个与第一目标检测框重叠的第二目标检测框;
响应于任意一个历史帧的感知数据中同时存在至少两个第二目标检测框,判定当前帧的感知数据存在合并行为。
具体地,在实际应用场景中,过分割通常是将一个目标对象分割成两个目标检测框,但并不排除生成两个以上目标检测框的可能性,本实施例中是以一个目标对象分割为两个目标检测框为例。示例性地,本实施例中的n=3,即检测每一帧是否存在合并行为,需要考虑历史3帧的感知数据。例如当前帧为第5帧,需要检测第2、3、4帧的感知数据,是否存在与当前帧的第一目标检测框A重叠的两个第二目标检测框B1、B2,需要注意的是,两个第二目标检测框B1、B2需要出现在同一个历史帧上,例如,检测到第3帧上存在与第一目标检测框A的两个第二目标检测框B1、B2,那么系统标记第5帧出现合并行为。
作为可选的实施方式,第一检测模块201判定合并行为的具体判定条件包括:
第一目标检测框与至少两个第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个第二目标检测框之间的体积比不超过预设体积比。
示例性地,在历史3帧的感知数据中,存在两个第二目标检测框B1、B2和当前帧的第一目标检测框A的重叠度均大于0.7,且两个第二目标检测框B1、B2之间的重叠度不超过0.9,且两个第二目标检测框B1、B2之间的体积比不超过30。在判定合并行为时,不仅需要考虑目标检测框之间的重叠度,还需要考虑第二目标检测框B1和B2之间的体积比,如果体积相差过大,可能分割的并非同一个目标对象。例如,有行人经过前方大车时,针对行人生成一个第二目标检测框B1,针对大车生成另一个第二目标检测框B2,第二目标检测框B1和第二目标检测框B2虽然会重叠,但是两者并不属于过分割。因此,通过设置体积比的条件,可以减少这种误识别。
作为可选的实施方式,第二检测模块202将当前帧的感知数据与n个未来帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在裂变行为包括:
根据当前帧的感知数据中的第一目标检测框,分别检测每一个未来帧的感知数据中是否同时存在至少两个与第一目标检测框重叠的第二目标检测框;
响应于任意一个未来帧的感知数据中同时存在至少两个第二目标检测框,判定当前帧的感知数据存在裂变行为。
具体地,在实际应用场景中,过分割通常是将一个目标对象分割成两个目标检测框,但并不排除生成两个以上目标检测框的可能性,本实施例中是以一个目标对象分割为两个目标检测框为例。示例性地,本实施例中的n=3,即检测每一帧是否存在裂变行为,需要考虑未来3帧的感知数据。例如当前帧为第5帧,需要检测第6、7、8帧的感知数据,是否存在与当前帧的第一目标检测框A重叠的两个第二目标检测框B3、B4,需要注意的是,两个第二目标检测框B3、B4需要出现在同一个未来帧上,例如,检测到第6帧上存在与第一目标检测框A的两个第二目标检测框B3、B4,那么系统标记第6帧出现裂变行为。
作为可选的实施方式,第二检测模块202判定裂变行为的具体判定条件包括:
第一目标检测框与至少两个第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个第二目标检测框之间的体积比不超过预设体积比。
本实施例中判定裂变行为的条件和判定合并行为的条件相同。示例性地,在未来3帧的感知数据中,存在两个第二目标检测框B3、B4和当前帧的第一目标检测框A的重叠度均大于0.7,且两个第二目标检测框B3、B4之间的重叠度不超过0.9,且两个第二目标检测框B3、B4之间的体积比不超过30。在判定裂变行为时,也不仅需要考虑目标检测框之间的重叠度,还需要考虑第二目标检测框B3和B4之间的体积比,如果体积相差过大,可能分割的并非同一个目标对象。例如,有行人经过前方大车时,针对行人生成一个第二目标检测框B3,针对大车生成另一个第二目标检测框B4,第二目标检测框B3和第二目标检测框B4虽然会重叠,但是两者并不属于过分割,仍然是针对两个目标对象生成的两个目标检测框。因此,通过设置体积比的条件,可以减少这种误识别,提升过分割识别的准确率。
需要说明的是,在判定每一帧的合并行为或裂变行为时,n的取值可以是大于或等于2的正整数,本实施例中优选为3,即检测当前帧的历史3帧和未来3帧,n=3时,既可以有效提升过分割识别的准确率,同时也不会显著增加系统的计算量。
作为可选的实施方式,装置还包括:
第二过滤模块,被配置为第一检测模块201将获取的每一帧感知数据分别与n个历史帧的感知数据进行比对,判定当前帧的感知数据中的目标检测框是否存在合并行为之前,判断每一帧的感知数据中,目标对象与主车的距离是否超过第二预设距离;
第二过滤模块过滤掉感知数据中目标对象与主车的距离超过第二预设距离的数据帧。
在第一检测模块201和第二检测模块202挖掘合并行为和裂变行为之前,可以遍历获取的所有帧感知数据,若目标对象在某一帧距离主车超过70米,则过滤掉该帧。对于距离主车过远的目标对象,识别的准确率也相对较低,过滤掉这些帧,可以提升识别准确率,同时也可以减少计算量。
作为可选的实施方式,判定模块203根据裂变行为和合并行为判定感知数据中的目标对象是否被过分割包括两种情形:
(1)检测得到的所有裂变行为和合并行为中,第一次出现裂变行为,最后一次出现合并行为;
(2)第一次出现合并行为,合并行为对应的两个第二目标检测框之间的重叠度大于0,并且最后一次出现裂变行为,裂变行为对应的两个第二目标检测框之间的重叠度大于第三预设重叠度。
具体地,在步骤S101和步骤S102之后,系统标记出了所有存在合并行为或裂变行为的帧,最后一步就是根据挖掘出的合并行为和裂变行为综合判定目标对象是否被过分割。例如,如果前方大车被过分割,我们应当看到当前帧的大车对应的目标检测框突然分成了两个目标检测框,这就是一次裂变行为,但是通常这种过分割状态不会一直持续,因此,在最后这两个目标检测框最终又会合二为一,恢复成一个大车的目标检测框,这就是“首次裂变,末次合并”被判定为过分割的依据。
但是在实验中,我们看到了一些例外,比如在首次检测到大车时就有两个目标检测框被分割出来,但是这种情况并不一定是过分割,也有可能是因为历史帧上被欠分割,区分是否过分割的依据就是这两个目标检测框是否有重叠。因此,对于第一次出现合并行为,同时两个第二目标检测框存在重叠(重叠度大于0即可),最后一次裂变行为两个第二目标检测框之间的重叠度达到第三预设重叠度(本实施例中优选为0.55)的情况,也可以判定为过分割。通过这种判定方式,能够减少欠分割导致的误召回。
示例性地,在第(1)种情形中,检测到第一次行为是裂变行为,并且最后一次行为是合并行为,判定感知数据中的目标对象被过分割。例如总共获取10帧感知数据,检测到第5帧出现裂变行为,在第8帧出现合并行为。在第(2)种情形中,检测到第一次行为是合并行为,同时合并行为对应的两个第二目标检测框存在重叠(重叠度大于0即可),并且最后一次行为是裂变行为,同时裂变行为对应的两个第二目标检测框重叠度大于0.55,判定感知数据中的目标对象被过分割。例如,检测到第5帧出现合并行为,两个第二目标检测框存在重叠,在第8帧出现裂变行为,并且裂变行为对应的两个第二目标检测框重叠度大于0.55。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品、自动驾驶车辆。其中,自动驾驶车辆可以包括上述电子设备,该电子设备可以用于执行上述过分割识别方法。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。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/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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。
计算单元401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。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习目标函数算法的计算单元、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。计算单元401执行上文所描述的各个方法和处理,例如过分割识别方法。例如,在一些实施例中,过分割识别方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM403并由计算单元401执行时,可以执行上文描述的过分割识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行过分割识别方法。
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、现场可编程门阵列(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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (26)
1.一种过分割识别方法,包括:
将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为;
将所述当前帧的感知数据与n个未来帧的感知数据进行比对,检测所述当前帧的感知数据中的目标检测框是否存在裂变行为;
根据所述裂变行为和所述合并行为判定所述感知数据中的目标对象是否被过分割。
2.根据权利要求1所述的方法,其中,所述将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为之前,还包括:
对获取的所述感知数据进行预过滤处理。
3.根据权利要求2所述的方法,其中,所述对获取的所述感知数据进行预过滤处理包括:
根据所述目标对象是否符合预设条件,将多帧所述感知数据中所述目标对象不符合所述预设条件的数据帧过滤。
4.根据权利要求3所述的方法,其中,所述预设条件至少包括以下一项:
所述目标对象的在所有帧的所述感知数据中的平均长度和平均宽度是否达到预设长度和预设宽度;
所述目标对象符合所述平均长度和所述平均宽度的帧在所有帧的占比是否达到预设比例;
所述目标对象被感知的时间是否达到预设时间;
所述目标对象距离主车的平均距离是否小于第一预设距离。
5.根据权利要求1所述的方法,其中,所述将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为包括:
根据所述当前帧的感知数据中的第一目标检测框,分别检测每一个所述历史帧的感知数据中是否同时存在至少两个与所述第一目标检测框重叠的第二目标检测框;
响应于任意一个所述历史帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述合并行为。
6.根据权利要求1所述的方法,其中,所述将所述当前帧的感知数据与n个未来帧的感知数据进行比对,检测所述当前帧的感知数据中的目标检测框是否存在裂变行为包括:
根据所述当前帧的感知数据中的第一目标检测框,分别检测每一个所述未来帧的感知数据中是否同时存在至少两个与所述第一目标检测框重叠的第二目标检测框;
响应于任意一个所述未来帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述裂变行为。
7.根据权利要求1或5或6所述的方法,其中,n为大于或等于2的正整数。
8.根据权利要求5所述的方法,其中,所述响应于任意一个所述历史帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述合并行为中的判定条件包括:
所述第一目标检测框与两个所述第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个所述第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个所述第二目标检测框之间的体积比不超过预设体积比。
9.根据权利要求6所述的方法,其中,所述响应于任意一个所述未来帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述裂变行为中的判定条件包括:
所述第一目标检测框与至少两个所述第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个所述第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个所述第二目标检测框之间的体积比不超过预设体积比。
10.根据权利要求1所述的方法,其中,所述将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,判定当前帧的感知数据中的目标检测框是否存在合并行为之前,还包括:
判断每一帧的所述感知数据中,所述目标对象与主车的距离是否超过第二预设距离;
过滤掉所述感知数据中所述目标对象与主车的距离超过所述第二预设距离的数据帧。
11.根据权利要求5或6所述的方法,其中,所述根据所述裂变行为和所述合并行为判定所述感知数据中的目标对象是否被过分割包括:
检测得到的所有所述裂变行为和所述合并行为中,第一次出现所述裂变行为,最后一次出现所述合并行为;或者
第一次出现所述合并行为,所述合并行为对应的两个所述第二目标检测框之间的重叠度大于0,并且最后一次出现所述裂变行为,所述裂变行为对应的两个所述第二目标检测框之间的重叠度大于第三预设重叠度。
12.一种过分割识别装置,包括:
第一检测模块,被配置为将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为;
第二检测模块,被配置为将所述当前帧的感知数据与n个未来帧的感知数据进行比对,检测所述当前帧的感知数据中的目标检测框是否存在裂变行为;
判定模块,被配置为根据所述裂变行为和所述合并行为判定所述感知数据中的目标对象是否被过分割。
13.根据权利要求12所述的装置,其中,还包括:
预过滤模块,被配置为所述第一检测模块将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为之前,对获取的所述感知数据进行预过滤处理。
14.根据权利要求13所述的装置,其中,所述预过滤模块对获取的所述感知数据进行预过滤处理包括:
根据所述目标对象是否符合预设条件,将多帧所述感知数据中所述目标对象不符合所述预设条件的数据帧过滤。
15.根据权利要求14所述的装置,其中,所述预设条件至少包括以下一项:
所述目标对象的在所有帧的所述感知数据中的平均长度和平均宽度是否达到预设长度和预设宽度;
所述目标对象符合所述平均长度和所述平均宽度的帧在所有帧的占比是否达到预设比例;
所述目标对象被感知的时间是否达到预设时间;
所述目标对象距离主车的平均距离是否小于第一预设距离。
16.根据权利要求12所述的装置,其中,所述第一检测模块将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,检测当前帧的感知数据中的目标检测框是否存在合并行为包括:
根据所述当前帧的感知数据中的第一目标检测框,分别检测每一个所述历史帧的感知数据中是否同时存在至少两个与所述第一目标检测框重叠的第二目标检测框;
响应于任意一个所述历史帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述合并行为。
17.根据权利要求12所述的装置,其中,所述第二检测模块将所述当前帧的感知数据与n个未来帧的感知数据进行比对,检测所述当前帧的感知数据中的目标检测框是否存在裂变行为包括:
根据所述当前帧的感知数据中的第一目标检测框,分别检测每一个所述未来帧的感知数据中是否同时存在至少两个与所述第一目标检测框重叠的第二目标检测框;
响应于任意一个所述未来帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述裂变行为。
18.根据权利要求12或16或17所述的装置,其中,n为大于或等于2的正整数。
19.根据权利要求16所述的装置,其中,所述第一检测模块响应于任意一个所述历史帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述合并行为中的判定条件包括:
所述第一目标检测框与至少两个所述第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个所述第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个所述第二目标检测框之间的体积比不超过预设体积比。
20.根据权利要求17所述的装置,其中,所述第二检测模块响应于任意一个所述未来帧的感知数据中同时存在至少两个所述第二目标检测框,判定所述当前帧的感知数据存在所述裂变行为中的判定条件包括:
所述第一目标检测框与至少两个所述第二目标检测框之间的重叠度大于第一预设重叠度;
至少两个所述第二目标检测框之间的重叠度不超过第二预设重叠度;
至少两个所述第二目标检测框之间的体积比不超过预设体积比。
21.根据权利要求12所述的装置,其中,还包括:
第二过滤模块,被配置为所述第一检测模块将获取的每一帧所述感知数据分别与n个历史帧的感知数据进行比对,判定当前帧的感知数据中的目标检测框是否存在合并行为之前,判断每一帧的所述感知数据中,所述目标对象与主车的距离是否超过第二预设距离;
所述第二过滤模块过滤掉所述感知数据中所述目标对象与主车的距离超过所述第二预设距离的数据帧。
22.根据权利要求16或17所述的装置,其中,所述判定模块根据所述裂变行为和所述合并行为判定所述感知数据中的目标对象是否被过分割包括:
检测得到的所有所述裂变行为和所述合并行为中,第一次出现所述裂变行为,最后一次出现所述合并行为;或者
第一次出现所述合并行为,所述合并行为对应的两个所述第二目标检测框之间的重叠度大于0,并且最后一次出现所述裂变行为,所述裂变行为对应的两个所述第二目标检测框之间的重叠度大于第三预设重叠度。
23.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
26.一种自动驾驶车辆,包括权利要求23所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755265.8A CN117710943A (zh) | 2023-12-19 | 2023-12-19 | 过分割识别方法、装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755265.8A CN117710943A (zh) | 2023-12-19 | 2023-12-19 | 过分割识别方法、装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117710943A true CN117710943A (zh) | 2024-03-15 |
Family
ID=90155050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311755265.8A Pending CN117710943A (zh) | 2023-12-19 | 2023-12-19 | 过分割识别方法、装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710943A (zh) |
-
2023
- 2023-12-19 CN CN202311755265.8A patent/CN117710943A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112526999B (zh) | 速度规划方法、装置、电子设备和存储介质 | |
CN112541475B (zh) | 感知数据检测方法及装置 | |
CN112966599B (zh) | 关键点识别模型的训练方法、关键点识别方法及装置 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
EP4145408A1 (en) | Obstacle detection method and apparatus, autonomous vehicle, device and storage medium | |
KR20220146670A (ko) | 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 | |
CN113052047B (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN117710943A (zh) | 过分割识别方法、装置、电子设备、存储介质 | |
CN115908816A (zh) | 基于人工智能的积水识别方法、装置、设备及存储介质 | |
CN114379587B (zh) | 自动驾驶中避让行人的方法与装置 | |
CN115891868A (zh) | 自动驾驶车辆的故障检测方法、装置、电子设备和介质 | |
CN116469073A (zh) | 目标识别方法、装置、电子设备、介质及自动驾驶车辆 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN114987515A (zh) | 驾驶策略的确定方法、装置及自动驾驶车辆 | |
CN113753076A (zh) | 判定有效障碍物的方法和装置、电子设备及自动驾驶车辆 | |
CN115861965A (zh) | 障碍物误检测的识别方法、装置、电子设备和介质 | |
CN113947945B (zh) | 车辆行驶的报警方法、装置、电子设备和可读存储介质 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114529768B (zh) | 确定对象类别的方法、装置、电子设备和存储介质 | |
CN113721235B (zh) | 对象状态确定方法、装置、电子设备以及存储介质 | |
CN116061911A (zh) | 误检刹车检测方法、装置、电子设备及自动驾驶车辆 | |
CN116246246A (zh) | 感知评估方法、装置、电子设备 | |
CN117876992A (zh) | 障碍物检测方法、装置、设备和自动驾驶车辆 | |
CN114228614A (zh) | 一种车辆报警方法、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 |