CN117746386A - 目标对象的位置感知方法、装置及计算机程序产品 - Google Patents
目标对象的位置感知方法、装置及计算机程序产品 Download PDFInfo
- Publication number
- CN117746386A CN117746386A CN202311755490.1A CN202311755490A CN117746386A CN 117746386 A CN117746386 A CN 117746386A CN 202311755490 A CN202311755490 A CN 202311755490A CN 117746386 A CN117746386 A CN 117746386A
- Authority
- CN
- China
- Prior art keywords
- target object
- determining
- information
- dimensional attribute
- target
- 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 168
- 238000004590 computer program Methods 0.000 title claims description 16
- 238000001514 detection method Methods 0.000 claims abstract description 117
- 230000008447 perception Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 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
- 230000006978 adaptation Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种目标对象的位置感知方法、装置、电子设备、存储介质及程序产品，涉及人工智能技术领域，具体涉及机器视觉技术领域，可应用于自动驾驶场景下。具体实现方案为：通过目标检测网络，确定所获取的路侧感知图像中的目标对象；通过三维属性预测网络，预测目标对象的三维属性信息；根据三维属性信息确定目标对象对应的位置确定方法；采用位置确定方法，根据三维属性信息，确定目标对象的物理位置信息。本公开针对于不同的目标对象，采用不同的位置确定方法确定其物理位置信息，提高了所确定的物理位置信息的准确度。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及机器视觉技术领域，尤其涉及一种目标对象的位置感知方法、装置、电子设备、存储介质以及计算机程序产品，可应用于自动驾驶场景下。
背景技术
随着对自动驾驶技术的深入研究，单车智能自动驾驶的局限性也凸显出来；同时，考虑到车端传感器的安全冗余、传感器成本等因素，车路协同方案被再次提起。V2X(Vehicle-to-Everything，车辆网)路侧感知寄宿是实现车路协同的重要技术。路侧传感器得到的感知信息可以通过V2I(Vehicle-to-Infrastructure，车辆与基础设施的通信)通信传输给自动驾驶车辆。V2X路侧感知技术通过图像识别技术提取出图像中感兴趣的障碍物后，关键的一步是将图像中检测到的2D障碍物回归为三维坐标系下的3D障碍物。
发明内容
本公开提供了一种目标对象的位置感知方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面，提供了一种目标对象的位置感知方法，包括：通过目标检测网络，确定所获取的路侧感知图像中的目标对象；通过三维属性预测网络，预测目标对象的三维属性信息；根据三维属性信息确定目标对象对应的位置确定方法；采用位置确定方法，根据三维属性信息，确定目标对象的物理位置信息。
根据第二方面，提供了一种目标对象的位置感知装置，包括：检测单元，被配置成通过目标检测网络，确定所获取的路侧感知图像中的目标对象；预测单元，被配置成通过三维属性预测网络，预测目标对象的三维属性信息；第一确定单元，被配置成根据三维属性信息确定目标对象对应的位置确定方法；第二确定单元，被配置成采用位置确定方法，根据三维属性信息，确定目标对象的物理位置信息。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面，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，计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
根据本公开的技术，提供了一种目标对象的位置感知方法，结合目标检测网络和三维属性预测网络，预测目标对象的三维属性信息；根据三维属性信息确定目标对象对应的位置确定方法；采用位置确定方法，确定目标对象的物理位置信息，从而针对于不同的目标对象，采用不同的位置确定方法确定其物理位置信息，提高了所确定的物理位置信息的准确度。
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是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的目标对象的位置感知方法的一个实施例的流程图；
图3是根据本实施例的目标检测网络的结构示意图；
图4是根据本实施例的三维属性预测网络的结构示意图；
图5是根据本实施例的接地点信息的确定过程示意图；
图6是根据本实施例的目标对象的位置感知方法的应用场景的示意图；
图7是根据本公开的目标对象的位置感知方法的又一个实施例的流程图；
图8是根据本公开的目标对象的位置感知装置的一个实施例的结构图；
图9是适于用来实现本公开实施例的计算机系统的结构示意图。
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。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
图1示出了可以应用本公开的目标对象的位置感知方法及装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于图像采集设备、车载电脑、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如，获取终端设备101、102、103采集的路侧感知图像，结合目标检测网络和三维属性预测网络，预测目标对象的三维属性信息；根据三维属性信息确定目标对象对应的位置确定方法；采用位置确定方法，确定目标对象的物理位置信息的后台处理服务器。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本公开的实施例所提供的目标对象的位置感知方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，目标对象的位置感知装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当目标对象的位置感知方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括目标对象的位置感知方法运行于其上的电子设备(例如终端设备或服务器)。
请参考图2，图2为本公开实施例提供的一种目标对象的位置感知方法的流程图。其中，在流程200中，包括以下步骤：
步骤201，通过目标检测网络，确定所获取的路侧感知图像中的目标对象。
本实施例中，目标对象的位置感知方法的执行主体(例如，图1中的终端设备或服务器)可以通过有线网络连接方式或无线网络连接方式从远程，或从本地获取路侧感知图像，并通过目标检测网络，确定所获取的路侧感知图像中的目标对象。
路侧感知图像通过路侧感知设备(例如，设置在路侧的图像采集设备)采集，表征路侧感知设备所处位置的周围环境信息。例如，在自动驾驶场景中，路侧感知图像为设置于自动驾驶车辆的运行道路上的路侧感知设备采集的驾驶环境图像。
作为示例，上述执行主体可以将路侧感知图像输入预训练的目标检测模型，通过目标检测模型确定路侧感知图像中的目标对象和目标对象在路侧感知图像中的位置区域。其中，目标检测模型用于表征路侧感知图像和路侧感知图像中的目标对象、目标对象在路侧感知图像中的位置区域之间的对应关系。
目标检测模型可以是单阶段的目标检测模型，也可以是双阶段的目标检测模型。单阶段的目标检测模型旨在直接从路侧感知图像输出目标对象的检测框和目标对象的类别标签，例如是YOLO(You Only Look Once，你只需看一次)模型、SSD(Single Shot Multi-Box Detector，单次多盒探测器)模型、RetinaNet(视网膜网络)模型。
双阶段的目标检测模型通常分为两个阶段进行目标检测。
阶段一(候选框生成)：模型通过特征提取网络提取图像特征。然后，运用候选框生成算法来生成一系列潜在的候选目标框，这些候选目标框可能包含目标对象。其中，候选框生成算法例如是SS(Selective Search，选择性检索)或RPN(Region Proposal Network，区域候选网络)。
阶段二(目标分类与边界框回归)：候选目标框以及其与真实目标框的重叠情况(即IoU值)被输入到分类网络中，用于对目标对象进行分类和边界框回归。分类网络判断每个候选目标框是前景还是背景(通常使用softmax激活函数)，并为前景目标(如人、车等)分配类别标签。边界框回归网络对候选目标框的位置进行微调，以更准确地定位目标框。
双阶段的目标检测模型例如是Faster R-CNN(Region Convolutional NeuralNetworks，快速区域卷积神经网络)、R-CNN(Region Convolutional Neural Networks，区域卷积神经网络)、Mask R-CNN(Mask Region Convolutional Neural Networks，掩膜区域卷积神经网络)等模型。
继续参考图3，示出了目标检测网络的结构示意图。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤201：通过目标检测网络，确定路侧感知图像中的目标对象的类别、检测框和特征数据。
作为示例，上述执行主体可以将路侧感知图像输入目标检测网络，目标检测网络确定路侧感知图像中的每个目标对象的检测框，进而确定每个检测框中的目标对象的类别和特征数据。
本实现方式中，基于目标检测网络确定目标对象的类别、检测框和特征数据，为后续的三维属性预测网络提供了丰富的输入数据，有助于提高三维属性信息的预测准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述类别、检测框和特征数据的确定过程：
首先，通过目标检测网络中的特征提取子网络对路侧感知图像进行特征提取，得到图像特征。
继续参考图3，目标检测网络300中包括特征提取子网络301和目标检测子网络302。
特征提取子网络301作为目标检测网络中的主干网络，用于提取路侧感知图像的图像特征。特征提取子网络例如是残差网络、卷积神经网络、循环神经网络等。
然后，通过目标检测网络中的目标检测子网络，根据图像特征，在不同特征尺度下检测路侧感知图像中的目标对象，得到多个候选检测框。
目标检测子网络302可以采用特征金字塔网络。特征金字塔网络根据图像特征，在不同特征尺度下检测路侧感知图像中的目标对象，得到多个候选检测框。
然后，对多个候选检测框进行去重，确定检测框。
作为示例，上述执行主体可以采用NMS(Non-Maximum Suppression，非极大值抑制)方法对多个候选检测框进行去重。具体的，NMS方法的处理过程如下：
1、确定路侧感知图像中的多个候选检测框。每个候选检测框包括边界框(包围目标对象的矩形框)以及其对应的置信度得分。
2、根据实际的应用需求，设置一个置信度阈值，并筛选掉所有置信度得分低于置信度阈值的候选检测框，以去除不可靠的预测结果。
3、对于剩下的候选检测框，根据置信度得分进行排序，通常按照得分降序排列。
4、从得分最高的候选检测框开始，依次遍历每个候选检测框。对于当前的候选检测框，检查其与后续候选检测框的重叠程度。重叠程度一般采用IoU(Intersection overUnion，交并比)表征。
5、如果两个候选检测框之间的重叠程度超过了设定的重叠度阈值，则删除两个候选检测框中得分较低的候选检测框。否则，保留当前的候选检测框。
通过重复执行上述步骤4和步骤5，直到遍历完所有的候选检测框，并将保留的候选检测框确定为去重后的检测框。
最后，确定检测框对应的目标对象的类别和特征数据。
对于执行去重操作后的每个检测框，上述执行主体可以确定其中的目标对象的类别和特征数据。
本实现方式中，提供了目标检测网络的具体结构，和基于目标检测网络的数据处理过程，有助于提高所得到的类别、检测框和特征数据的准确度。
步骤202，通过三维属性预测网络，预测目标对象的三维属性信息。
本实施例中，上述执行主体可以通过三维属性预测网络，预测目标对象的三维属性信息。
三维属性信息包括但不限于是目标对象的长、宽、高等尺寸信息，目标对象的顶点、底面中心点等关键点信息，目标对象的朝向角信息，目标对象是否被遮挡、被截断。目标对象被遮挡表征目标对象的部分区域被路侧感知图像中的其他对象遮挡，目标对象被截断表征目标对象的部分对象超出路侧感知图像的边缘，而未呈现在路侧感知图像中。
作为示例，上述执行主体可以将路侧感知图像、路侧感知图像中的目标对象和目标对象在路侧感知图像中的位置区域，输入预训练的三维属性预测模型，三维属性预测模型根据目标对象、目标对象在路侧感知图像中的位置区域，对路侧感知图像中的每个目标对象进行特征提取，并根据提取到的特征进行三维属性信息预测，得到每个目标对象的三维属性信息。
三维属性预测网络可以是统一的三维属性预测网络，具有目标对象的各种三维属性信息的预测功能；也可以是由多个子模型组合而成的三维属性预测网络，每个子模型具有目标对象的一种三维属性信息的预测功能。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤202：通过三维属性预测网络，根据类别、检测框和特征数据，预测路侧感知图像中的目标对象的三维属性信息。
本实现方式中，对于路侧感知图像中的每个目标对象，根据该目标对象对应的类别、检测框和特征数据，预测该目标对象的三维属性信息，基于丰富的输入数据，提高了三维属性信息的预测准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行三维属性信息的预测过程：
通过三维属性预测网络中的多个属性预测头，根据类别、检测框和特征数据，预测多个属性预测头各自对应的三维属性信息。
继续参考图4，示出了三维属性预测网络的结构示意图。三维属性预测网络400包括特征尺度统一模块401、特征提取模块402和多个属性预测头403。
特征尺度统一模块401用于对利用ROI Align(Region of Interest Align，感兴趣区域对齐)操作将不同大小的特征缩放到统一的尺度；特征提取模块402包括两个级联bottleneck结构，用于对统一尺度后的特征进行进一步处理；每个属性预测头403用于根据处理后的特征预测所对应的三维属性信息。
本实现方式中，提供了三维属性预测网络的具体结构和基于三维属性预测网络的处理过程，进一步提高了三维属性信息的预测准确度。
步骤203，根据三维属性信息确定目标对象对应的位置确定方法。
本实施例中，上述执行主体可以根据三维属性信息确定目标对象对应的位置确定方法。
路侧感知图像中一般包括多个目标对象。对于路侧感知图像中的每个目标对象，上述执行主体可以根据该目标对象的三维属性信息，确定该目标对象对应的位置确定方法。
作为示例，上述执行主体可以根据目标对象的三维属性信息，确定出最能代表目标对象的目标关键点，进而确定适配于目标关键点的位置确定方法，以根据位置确定方法确定目标关键点的物理位置信息，作为目标对象的物理位置信息。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：
第一，根据三维属性信息，确定目标对象在预设类型划分标准下的目标类型。
预设类型划分标准可以根据实际情况具体设置，例如，预设类型划分标准将目标划分为第一预设类型、第二预设类型和第三预设类型。
其中，第一预设类型表征目标对象具有较为明显且规则的顶点特征，例如，机动车，电动三轮车、四轮车等非机动车，可近似为长方体，具有较为明显的八顶点特征。第二预设类型表征目标对象为被遮挡和/或被截断。第三预设类型表征目标对象为小体积的对象，一般不具有较为明显且规则的顶点特征，例如锥桶、三角牌、行人等对象。
对于路侧感知图像中的每个目标对象，上述执行主体可以分析该目标对象的三维属性信息，进而确定目标对象在预设类型划分标准下的目标类型。
第二，根据目标类型，确定目标对象对应的位置确定方法。
作为示例，上述执行主体或者与上述执行主体通信连接的电子设备中，预先设置目标类型和位置确定方法之间的对应关系，进而，上述执行主体可以根据目标对象在预设类型划分标准下的目标类型，确定适用于目标对象的位置确定方法。
本实现方式中，提供了一种基于预设类型划分标准划分目标对象所属的类型，进而根据类型确定目标对象适配的位置确定方法的具体实现方式，提高了位置确定方法与目标对象之间的适配度，有助于提高基于位置确定方法所确定的目标对象的物理位置信息的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第二步骤：
响应于确定目标类型为第一预设类型，确定目标对象对应的位置确定方法为第一位置确定方法。
其中，第一位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的顶点信息，确定目标对象的顶点的物理位置信息。
地面方程，又称为地平面方程，可以理解为：对于相机坐标系中的每个点[Xi，Yi，Zi]，通过图像采集设备的内参、外参和透视投影，将其映射到图像坐标系中的像素坐标[ui，vi，1]。同时，地面方程通过参数a,b,c,d来描述地面的几何性质，当一个点位于地面上时，代入地面方程应该满足等式成立。
通过求解地面方程，可以得到图像坐标系中的点[ui，vi，1]对应的相机坐标系中的点[Xi，Yi，Zi]；或者反过来，通过已知的相机坐标系中的点[Xi，Yi，Zi]，可以计算它在图像坐标系中的像素位置[ui，vi，1]。
对于图像坐标系下的每个顶点信息所表征的顶点坐标，将顶点坐标代入地面方程，计算得到该顶点信息在相机坐标系下对应的物理位置信息。
本实现方式，对于第一预设类型的目标对象，确定其位置确定方法为根据地面方程和三维属性信息中图像坐标系下的顶点信息，确定目标对象的顶点的物理位置信息，有助于提高第一预设类型的目标对象的物理位置信息的确定准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第二步骤：
响应于确定目标类型为第二预设类型，确定目标对象对应的位置确定方法为第二位置确定方法。
其中，第二位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的底面中心点信息，确定目标对象的底面中心点的物理位置信息。目标对象的底面一般为接触地面的一面。
对于图像坐标系下的底面中心点信息所表征的底面中心点坐标，将底面中心点信息代入地面方程，计算得到底面中心点信息在相机坐标系下对应的物理位置信息。
本实现方式，对于第二预设类型的目标对象，确定其位置确定方法为根据地面方程和三维属性信息中图像坐标系下的底面中心点信息，确定目标对象的底面中心点的物理位置信息，有助于提高第二预设类型的目标对象的物理位置信息的确定准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第二步骤：
响应于确定目标类型为第三预设类型，确定目标对象对应的位置确定方法为第三位置确定方法。
其中，第三位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的接地点信息，确定目标对象的接地点的物理位置信息，接地点为目标对象上距离路侧感知图像的采集设备最近的点。
对于图像坐标系下的接地点信息所表征的接地点坐标，将接地点坐标代入地面方程，计算得到接地点在相机坐标系下对应的物理位置信息。
本实现方式，对于第三预设类型的目标对象，确定其位置确定方法为根据地面方程和三维属性信息中图像坐标系下的接地点信息，确定目标对象的接地点的物理位置信息，有助于提高第三预设类型的目标对象的物理位置信息的确定准确度。
步骤204，采用位置确定方法，根据三维属性信息，确定目标对象的物理位置信息。
本实施例中，上述执行主体可以采用位置确定方法，根据三维属性信息，确定目标对象的物理位置信息。
路侧感知图像中一般包括多个目标对象。对于路侧感知图像中的每个目标对象，上述执行主体可以采用该目标对象对应的位置确定方法，根据该目标对象的三维属性信息，确定该目标对象的物理位置信息。
在确定路侧感知设备所采集的路侧感知图像中的目标对象的物理位置信息后，上述执行主体可以将基于路侧感知图像得到的路侧感知结果和基于自动驾驶车辆采集的自动驾驶图像得到的感知结果进行融合。
在本实施例的一些可选的实现方式中，对于第一预设类型的目标对象，上述执行主体可以通过如下方式执行上述步骤204：
首先，从三维属性信息中，确定出目标对象的多个顶点在图像坐标系下的顶点信息。
对于第一预设类型的目标对象，上述执行主体通过上述步骤202所得到的三维属性信息中包括目标对象的多个顶点在图像坐标系下的顶点信息。
然后，对于多个顶点中的每个顶点，根据地面方程和该顶点的顶点信息，确定该顶点的物理位置信息。
作为示例，地面方程如下所示：
其中，K是事先标定好的图像采集设备的内参数矩阵，大小为3×3。Xi,Yi,Zi是顶点在相机坐标系下的三维坐标，ui,vi是顶点在图像坐标系下的坐标，λ为系数。a,b,c,d为地面方程在相机坐标系下表示的系数。
对于多个顶点中的每个顶点，上述执行主体可以将该顶点的顶点信息(图像坐标系下的坐标)代入地面方程，确定该顶点的物理位置信息(相机坐标系下的三维坐标)。
本实现方式中，对于第一预设类型的目标对象，提供了通过地面方程确定顶点的物理位置信息，以作为目标对象的物理位置信息的具体实施方式，提高了所确定的目标对象的物理位置信息的准确度。
在本实施例的一些可选的实现方式中，对于第二预设类型的目标对象，上述执行主体可以通过如下方式执行上述步骤204：
首先，从三维属性信息中，确定出目标对象的底面中心点在图像坐标系下的底面中心点信息。
对于第二预设类型的目标对象，上述执行主体通过上述步骤202所得到的三维属性信息中包括目标对象的底面中心点在图像坐标系下的底面中心点信息。
然后，根据地面方程和底面中心点信息，确定底面中心点的物理位置信息。
作为示例，上述执行主体可以将底面中心点信息(底面中心点在图像坐标系下的坐标)代入地面方程，确定底面中心点的物理位置信息(相机坐标系下的三维坐标)。
本实现方式中，对于第二预设类型的目标对象，提供了通过地面方程确定底面中心点的物理位置信息，以作为目标对象的物理位置信息的具体实施方式，提高了所确定的目标对象的物理位置信息的准确度。
在本实施例的一些可选的实现方式中，对于第一预设类型的目标对象，上述执行主体可以通过如下方式执行上述步骤204：
首先，根据三维属性信息，确定目标对象上的接地点在图像坐标系下的接地点信息。
对于第三预设类型的目标对象，上述执行主体通过上述步骤202所得到的三维属性信息中包括目标对象的接地点在图像坐标系下的接地点心点信息。
然后，根据地面方程和接地点信息，确定接地点的物理位置信息。
作为示例，上述执行主体可以将接地点信息(接地点在图像坐标系下的坐标)代入地面方程，确定接地点的物理位置信息(相机坐标系下的三维坐标)。
本实现方式中，对于第三预设类型的目标对象，提供了通过地面方程确定接地点的物理位置信息，以作为目标对象的物理位置信息的具体实施方式，提高了所确定的目标对象的物理位置信息的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式，根据三维属性信息，确定目标对象上的接地点在图像坐标系下的接地点信息：
根据三维属性信息中目标对象的尺寸信息和朝向角信息，确定接地点在图像坐标系下的接地点信息。
继续参考图5，示出了接地点信息的确定过程示意图。其中，A、C分别为路侧感知图像中的目标对象的检测框左下角的端点和右下角的端点，B为接地点。
接地点信息的计算过程如下：
假设：B→b(Xb,Zb)
已知：∠boZ＝θ,∠ebf＝α,目标对象的长为L、宽为W,A→a(Xa,Za)
则可得：∠ebc＝ry,ry＝α-θ，其中，∠ebc即为朝向角信息。
进而可得接地点B：
本实现方式中，提供了一种接地点信息的具体确定方式，提高了接地点信息的确定准确度。
继续参见图6，图6是根据本实施例的目标对象的位置感知方法的应用场景的一个示意图600。在图6的应用场景中，路侧感知设备601实时采集周围的环境信息，得到路侧感知图像602，并将路侧感知图像上传至服务器603。服务器603首先通过目标检测网络604，确定所获取的路侧感知图像中的目标对象；然后，通过三维属性预测网络605，预测目标对象的三维属性信息；然后，根据三维属性信息确定目标对象对应的位置确定方法；最后，采用位置确定方法，根据三维属性信息，确定目标对象的物理位置信息。
本实施例中，提供了一种目标对象的位置感知方法，结合目标检测网络和三维属性预测网络，预测目标对象的三维属性信息；根据三维属性信息确定目标对象对应的位置确定方法；采用位置确定方法，确定目标对象的物理位置信息，从而针对于不同的目标对象，采用不同的位置确定方法确定其物理位置信息，提高了所确定的物理位置信息的准确度。
继续参考图7，示出了根据本公开的目标对象的位置感知方法的又一个实施例的示意性流程700。在流程700中，包括以下步骤：
步骤701，通过目标检测网络，确定路侧感知图像中的目标对象的类别、检测框和特征数据。
步骤702，通过三维属性预测网络，根据类别、检测框和特征数据，预测路侧感知图像中的目标对象的三维属性信息。
步骤703，根据三维属性信息，确定目标对象在预设类型划分标准下的目标类型。
步骤704，响应于确定目标类型为第一预设类型，确定目标对象对应的位置确定方法为第一位置确定方法。
其中，第一位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的顶点信息，确定目标对象的顶点的物理位置信息。
步骤705，从三维属性信息中，确定出目标对象的多个顶点在图像坐标系下的顶点信息。
步骤706，对于多个顶点中的每个顶点，根据地面方程和该顶点的顶点信息，确定该顶点的物理位置信息。
步骤707，响应于确定目标类型为第二预设类型，确定目标对象对应的位置确定方法为第二位置确定方法。
其中，第二位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的底面中心点信息，确定目标对象的底面中心点的物理位置信息。
步骤708，从三维属性信息中，确定出目标对象的底面中心点在图像坐标系下的底面中心点信息。
步骤709，根据地面方程和底面中心点信息，确定底面中心点的物理位置信息。
步骤710，响应于确定目标类型为第三预设类型，确定目标对象对应的位置确定方法为第三位置确定方法。
其中，第三位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的接地点信息，确定目标对象的接地点的物理位置信息，接地点为目标对象上距离路侧感知图像的采集设备最近的点。
步骤711，根据三维属性信息中目标对象的尺寸信息和朝向角信息，确定接地点在图像坐标系下的接地点信息。
步骤712，根据地面方程和接地点信息，确定接地点的物理位置信息。
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的目标对象的位置感知方法的流程700具体说明了各类型的目标对象的物理位置信息的确定过程，进一步提高了物理位置信息的准确度。
继续参考图8，作为对上述各图所示方法的实现，本公开提供了一种目标对象的位置感知装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，目标对象的位置感知装置800包括：检测单元801，被配置成通过目标检测网络，确定所获取的路侧感知图像中的目标对象；预测单元802，被配置成通过三维属性预测网络，预测目标对象的三维属性信息；第一确定单元803，被配置成根据三维属性信息确定目标对象对应的位置确定方法；第二确定单元804，被配置成采用位置确定方法，根据三维属性信息，确定目标对象的物理位置信息。
在本实施例的一些可选的实现方式中，第一确定单元803，进一步被配置成：根据三维属性信息，确定目标对象在预设类型划分标准下的目标类型；根据目标类型，确定目标对象对应的位置确定方法。
在本实施例的一些可选的实现方式中，第一确定单元803，进一步被配置成：响应于确定目标类型为第一预设类型，确定目标对象对应的位置确定方法为第一位置确定方法，其中，第一位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的顶点信息，确定目标对象的顶点的物理位置信息。
在本实施例的一些可选的实现方式中，第二确定单元804，进一步被配置成：从三维属性信息中，确定出目标对象的多个顶点在图像坐标系下的顶点信息；对于多个顶点中的每个顶点，根据地面方程和该顶点的顶点信息，确定该顶点的物理位置信息。
在本实施例的一些可选的实现方式中，第一确定单元803，进一步被配置成：响应于确定目标类型为第二预设类型，确定目标对象对应的位置确定方法为第二位置确定方法，其中，第二位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的底面中心点信息，确定目标对象的底面中心点的物理位置信息。
在本实施例的一些可选的实现方式中，第二确定单元804，进一步被配置成：从三维属性信息中，确定出目标对象的底面中心点在图像坐标系下的底面中心点信息；根据地面方程和底面中心点信息，确定底面中心点的物理位置信息。
在本实施例的一些可选的实现方式中，第一确定单元803，进一步被配置成：响应于确定目标类型为第三预设类型，确定目标对象对应的位置确定方法为第三位置确定方法，其中，第三位置确定方法表征，根据地面方程和三维属性信息中图像坐标系下的接地点信息，确定目标对象的接地点的物理位置信息，接地点为目标对象上距离路侧感知图像的采集设备最近的点。
在本实施例的一些可选的实现方式中，第二确定单元804，进一步被配置成：根据三维属性信息，确定目标对象上的接地点在图像坐标系下的接地点信息；根据地面方程和接地点信息，确定接地点的物理位置信息。
在本实施例的一些可选的实现方式中，第二确定单元804，进一步被配置成：根据三维属性信息中目标对象的尺寸信息和朝向角信息，确定接地点在图像坐标系下的接地点信息。
在本实施例的一些可选的实现方式中，检测单元801，进一步被配置成：通过目标检测网络，确定路侧感知图像中的目标对象的类别、检测框和特征数据。
在本实施例的一些可选的实现方式中，检测单元801，进一步被配置成：通过目标检测网络中的特征提取子网络对路侧感知图像进行特征提取，得到图像特征；通过目标检测网络中的目标检测子网络，根据图像特征，在不同特征尺度下检测路侧感知图像中的目标对象，得到多个候选检测框；对多个候选检测框进行去重，确定检测框；确定检测框对应的目标对象的类别和特征数据。
在本实施例的一些可选的实现方式中，预测单元802，进一步被配置成：通过三维属性预测网络，根据类别、检测框和特征数据，预测路侧感知图像中的目标对象的三维属性信息。
在本实施例的一些可选的实现方式中，预测单元802，进一步被配置成：通过三维属性预测网络中的多个属性预测头，根据类别、检测框和特征数据，预测多个属性预测头各自对应的三维属性信息。
本实施例中，提供了一种目标对象的位置感知装置，结合目标检测网络和三维属性预测网络，预测目标对象的三维属性信息；根据三维属性信息确定目标对象对应的位置确定方法；采用位置确定方法，确定目标对象的物理位置信息，从而针对于不同的目标对象，采用不同的位置确定方法确定其物理位置信息，提高了所确定的物理位置信息的准确度。
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的目标对象的位置感知方法。
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的目标对象的位置感知方法。
本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的目标对象的位置感知方法。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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、各种运行机器学习模型算法的计算单元、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901执行上文所描述的各个方法和处理，例如目标对象的位置感知方法。例如，在一些实施例中，目标对象的位置感知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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的目标对象的位置感知方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标对象的位置感知方法。
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，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，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷；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。
根据本公开实施例的技术方案，提供了一种目标对象的位置感知方法，结合目标检测网络和三维属性预测网络，预测目标对象的三维属性信息；根据三维属性信息确定目标对象对应的位置确定方法；采用位置确定方法，确定目标对象的物理位置信息，从而针对于不同的目标对象，采用不同的位置确定方法确定其物理位置信息，提高了所确定的物理位置信息的准确度。
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提供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 (29)
1.一种目标对象的位置感知方法，包括：
通过目标检测网络，确定所获取的路侧感知图像中的目标对象；
通过三维属性预测网络，预测所述目标对象的三维属性信息；
根据所述三维属性信息确定所述目标对象对应的位置确定方法；
采用所述位置确定方法，根据所述三维属性信息，确定所述目标对象的物理位置信息。
2.根据权利要求1所述的方法，其中，所述根据所述三维属性信息确定所述目标对象对应的位置确定方法，包括：
根据所述三维属性信息，确定所述目标对象在预设类型划分标准下的目标类型；
根据所述目标类型，确定所述目标对象对应的位置确定方法。
3.根据权利要求2所述的方法，其中，所述根据所述目标类型，确定所述目标对象对应的位置确定方法，包括：
响应于确定所述目标类型为第一预设类型，确定所述目标对象对应的位置确定方法为第一位置确定方法，其中，所述第一位置确定方法表征，根据地面方程和所述三维属性信息中图像坐标系下的顶点信息，确定所述目标对象的顶点的物理位置信息。
4.根据权利要求3所述的方法，其中，所述采用所述位置确定方法，根据所述三维属性信息，确定所述目标对象的物理位置信息，包括：
从所述三维属性信息中，确定出所述目标对象的多个顶点在所述图像坐标系下的顶点信息；
对于所述多个顶点中的每个顶点，根据所述地面方程和该顶点的顶点信息，确定该顶点的物理位置信息。
5.根据权利要求2所述的方法，其中，所述根据所述目标类型，确定所述目标对象对应的位置确定方法，包括：
响应于确定所述目标类型为第二预设类型，确定所述目标对象对应的位置确定方法为第二位置确定方法，其中，所述第二位置确定方法表征，根据地面方程和所述三维属性信息中图像坐标系下的底面中心点信息，确定所述目标对象的底面中心点的物理位置信息。
6.根据权利要求5所述的方法，其中，所述采用所述位置确定方法，根据所述三维属性信息，确定所述目标对象的物理位置信息，包括：
从所述三维属性信息中，确定出所述目标对象的底面中心点在所述图像坐标系下的底面中心点信息；
根据所述地面方程和所述底面中心点信息，确定所述底面中心点的物理位置信息。
7.根据权利要求2所述的方法，其中，所述根据所述目标类型，确定所述目标对象对应的位置确定方法，包括：
响应于确定所述目标类型为第三预设类型，确定所述目标对象对应的位置确定方法为第三位置确定方法，其中，所述第三位置确定方法表征，根据地面方程和所述三维属性信息中图像坐标系下的接地点信息，确定所述目标对象的接地点的物理位置信息，所述接地点为所述目标对象上距离所述路侧感知图像的采集设备最近的点。
8.根据权利要求7所述的方法，其中，所述采用所述位置确定方法，根据所述三维属性信息，确定所述目标对象的物理位置信息，包括：
根据所述三维属性信息，确定所述目标对象上的接地点在所述图像坐标系下的接地点信息；
根据所述地面方程和所述接地点信息，确定所述接地点的物理位置信息。
9.根据权利要求8所述的方法，其中，所述根据所述三维属性信息，确定所述目标对象上的接地点在所述图像坐标系下的接地点信息，包括：
根据所述三维属性信息中所述目标对象的尺寸信息和朝向角信息，确定所述接地点在所述图像坐标系下的接地点信息。
10.根据权利要求1所述的方法，其中，所述通过目标检测网络，确定所获取的路侧感知图像中的目标对象，包括：
通过所述目标检测网络，确定所述路侧感知图像中的目标对象的类别、检测框和特征数据。
11.根据权利要求10所述的方法，其中，所述通过所述目标检测网络，确定所述路侧感知图像中的目标对象的类别、检测框和特征数据，包括：
通过所述目标检测网络中的特征提取子网络对所述路侧感知图像进行特征提取，得到图像特征；
通过所述目标检测网络中的目标检测子网络，根据所述图像特征，在不同特征尺度下检测所述路侧感知图像中的目标对象，得到多个候选检测框；
对所述多个候选检测框进行去重，确定所述检测框；
确定所述检测框对应的目标对象的类别和特征数据。
12.根据权利要求10所述的方法，其中，所述通过三维属性预测网络，预测所述目标对象的三维属性信息，包括：
通过三维属性预测网络，根据所述类别、所述检测框和所述特征数据，预测所述路侧感知图像中的目标对象的三维属性信息。
13.根据权利要求12所述的方法，其中，所述通过三维属性预测网络，根据所述类别、所述检测框和所述特征数据，预测所述路侧感知图像中的目标对象的三维属性信息，包括：
通过所述三维属性预测网络中的多个属性预测头，根据所述类别、所述检测框和所述特征数据，预测所述多个属性预测头各自对应的三维属性信息。
14.一种目标对象的位置感知装置，包括：
检测单元，被配置成通过目标检测网络，确定所获取的路侧感知图像中的目标对象；
预测单元，被配置成通过三维属性预测网络，预测所述目标对象的三维属性信息；
第一确定单元，被配置成根据所述三维属性信息确定所述目标对象对应的位置确定方法；
第二确定单元，被配置成采用所述位置确定方法，根据所述三维属性信息，确定所述目标对象的物理位置信息。
15.根据权利要求14所述的装置，其中，所述第一确定单元，进一步被配置成：
根据所述三维属性信息，确定所述目标对象在预设类型划分标准下的目标类型；根据所述目标类型，确定所述目标对象对应的位置确定方法。
16.根据权利要求15所述的装置，其中，所述第一确定单元，进一步被配置成：
响应于确定所述目标类型为第一预设类型，确定所述目标对象对应的位置确定方法为第一位置确定方法，其中，所述第一位置确定方法表征，根据地面方程和所述三维属性信息中图像坐标系下的顶点信息，确定所述目标对象的顶点的物理位置信息。
17.根据权利要求16所述的装置，其中，所述第二确定单元，进一步被配置成：
从所述三维属性信息中，确定出所述目标对象的多个顶点在所述图像坐标系下的顶点信息；对于所述多个顶点中的每个顶点，根据所述地面方程和该顶点的顶点信息，确定该顶点的物理位置信息。
18.根据权利要求15所述的装置，其中，所述第一确定单元，进一步被配置成：
响应于确定所述目标类型为第二预设类型，确定所述目标对象对应的位置确定方法为第二位置确定方法，其中，所述第二位置确定方法表征，根据地面方程和所述三维属性信息中图像坐标系下的底面中心点信息，确定所述目标对象的底面中心点的物理位置信息。
19.根据权利要求18所述的装置，其中，所述第二确定单元，进一步被配置成：
从所述三维属性信息中，确定出所述目标对象的底面中心点在所述图像坐标系下的底面中心点信息；根据所述地面方程和所述底面中心点信息，确定所述底面中心点的物理位置信息。
20.根据权利要求15所述的装置，其中，所述第一确定单元，进一步被配置成：
响应于确定所述目标类型为第三预设类型，确定所述目标对象对应的位置确定方法为第三位置确定方法，其中，所述第三位置确定方法表征，根据地面方程和所述三维属性信息中图像坐标系下的接地点信息，确定所述目标对象的接地点的物理位置信息，所述接地点为所述目标对象上距离所述路侧感知图像的采集设备最近的点。
21.根据权利要求20所述的装置，其中，所述第二确定单元，进一步被配置成：
根据所述三维属性信息，确定所述目标对象上的接地点在所述图像坐标系下的接地点信息；根据所述地面方程和所述接地点信息，确定所述接地点的物理位置信息。
22.根据权利要求21所述的装置，其中，所述第二确定单元，进一步被配置成：
根据所述三维属性信息中所述目标对象的尺寸信息和朝向角信息，确定所述接地点在所述图像坐标系下的接地点信息。
23.根据权利要求14所述的装置，其中，所述检测单元，进一步被配置成：
通过所述目标检测网络，确定所述路侧感知图像中的目标对象的类别、检测框和特征数据。
24.根据权利要求23所述的装置，其中，所述检测单元，进一步被配置成：
通过所述目标检测网络中的特征提取子网络对所述路侧感知图像进行特征提取，得到图像特征；通过所述目标检测网络中的目标检测子网络，根据所述图像特征，在不同特征尺度下检测所述路侧感知图像中的目标对象，得到多个候选检测框；对所述多个候选检测框进行去重，确定所述检测框；确定所述检测框对应的目标对象的类别和特征数据。
25.根据权利要求23所述的装置，其中，所述预测单元，进一步被配置成：
通过三维属性预测网络，根据所述类别、所述检测框和所述特征数据，预测所述路侧感知图像中的目标对象的三维属性信息。
26.根据权利要求25所述的装置，其中，所述预测单元，进一步被配置成：
通过所述三维属性预测网络中的多个属性预测头，根据所述类别、所述检测框和所述特征数据，预测所述多个属性预测头各自对应的三维属性信息。
27.一种电子设备，其特征在于，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1-13中任一项所述的方法。
28.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-13中任一项所述的方法。
29.一种计算机程序产品，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1-13中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311755490.1A CN117746386A (zh) | 2023-12-20 | 2023-12-20 | 目标对象的位置感知方法、装置及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311755490.1A CN117746386A (zh) | 2023-12-20 | 2023-12-20 | 目标对象的位置感知方法、装置及计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117746386A true CN117746386A (zh) | 2024-03-22 |
Family
ID=90277026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311755490.1A Pending CN117746386A (zh) | 2023-12-20 | 2023-12-20 | 目标对象的位置感知方法、装置及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117746386A (zh) |
-
2023
- 2023-12-20 CN CN202311755490.1A patent/CN117746386A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
| CN113936256A (zh) | 一种图像目标检测方法、装置、设备以及存储介质 | |
| CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
| CN113837305B (zh) | 目标检测及模型训练方法、装置、设备和存储介质 | |
| 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 | |
| CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| EP4145408A1 (en) | Obstacle detection method and apparatus, autonomous vehicle, device and storage medium | |
| CN114677655A (zh) | 多传感器目标检测方法、装置、电子设备以及存储介质 | |
| CN112509126A (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
| CN115147831A (zh) | 三维目标检测模型的训练方法和装置 | |
| CN113627298A (zh) | 目标检测模型的训练方法及检测目标对象的方法、装置 | |
| CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN113516013B (zh) | 目标检测方法、装置、电子设备、路侧设备和云控平台 | |
| CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
| CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
| CN117746386A (zh) | 目标对象的位置感知方法、装置及计算机程序产品 | |
| CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN113902898A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
| CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
| CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
| CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN116168366B (zh) | 点云数据生成方法、模型训练方法、目标检测方法和装置 | |
| CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 |
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 |