CN117994756A - 障碍物检测方法、装置、电子设备及存储介质 - Google Patents
障碍物检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117994756A CN117994756A CN202311746074.5A CN202311746074A CN117994756A CN 117994756 A CN117994756 A CN 117994756A CN 202311746074 A CN202311746074 A CN 202311746074A CN 117994756 A CN117994756 A CN 117994756A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- point cloud
- feature vector
- obstacle detection
- cloud data
- 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 164
- 239000013598 vector Substances 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种障碍物检测方法、装置、电子设备及存储介质。该方法包括:获取待检测区域内的点云数据;基于所述待检测区域内的点云数据生成障碍物特征向量;确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量;基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。上述技术方案,通过障碍物特征向量与各障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,实现了对当前障碍物检测结果的校正,提升了障碍物检测精度。
Description
技术领域
本发明涉及无人驾驶技术领域,尤其涉及一种障碍物检测方法、装置、电子设备及存储介质。
背景技术
随着计算机视觉技术发展,障碍物检测方法已经成为无人驾驶领域重要的应用之一。
现有技术中,对于稀疏且形态相似的障碍物点云数据,目前的障碍物检测方法存在障碍物检测精度低的问题。
发明内容
本发明提供了一种障碍物检测方法、装置、电子设备及存储介质,以提升障碍物检测精度。
根据本发明的一方面,提供了一种障碍物检测方法,包括:
获取待检测区域内的点云数据;
基于所述待检测区域内的点云数据生成障碍物特征向量;
确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量;
基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
根据本发明的另一方面,提供了一种障碍物检测装置,包括:
点云数据获取模块,用于获取待检测区域内的点云数据;
特征向量生成模块,用于基于所述待检测区域内的点云数据生成障碍物特征向量;
相似度确定模块,用于确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量;
障碍物检测结果更新模块,用于基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的障碍物检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的障碍物检测方法。
本发明实施例的技术方案,通过障碍物特征向量与各障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,实现了对当前障碍物检测结果的校正,提升了障碍物检测精度。
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是根据本发明实施例一提供的一种障碍物检测方法的流程图;
图2是根据本发明实施例二提供的一种障碍物检测方法的流程图;
图3是根据本发明实施例三提供的一种障碍物检测方法的流程图;
图4是根据本发明实施例提供的一种基于障碍物点云特征匹配的物体检测方法的流程图;
图5是根据本发明实施例四提供的一种障碍物检测装置的结构示意图;
图6是实现本发明实施例的障碍物检测方法的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”、“当前”、“目标”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的一种障碍物检测方法的流程图,本实施例可适用于对障碍物进行类型检测的情况,该方法可以由障碍物检测装置来执行,该障碍物检测装置可以采用硬件和/或软件的形式实现,该障碍物检测装置可配置于终端和/服务器中。如图1所示,该方法包括:
S110、获取待检测区域内的点云数据。
本公开实施例中,待检测区域内的点云数据是指某一区域内的原始点云数据,例如该区域可以为当前行驶车辆的前方区域或者当前行驶车辆预设距离范围内的区域。
具体地,可以通过激光扫描仪或者相机等点云数据采集设备,对待检测区域进行采集,得到待检测区域内的点云数据;还可以从终端或服务器的预设存储路径获取预先存储的待检测区域内的点云数据,在此不做限定。
S120、基于所述待检测区域内的点云数据生成障碍物特征向量。
其中,障碍物特征向量是指描述某一障碍物的特征向量,障碍物特征向量的维度可以为一维或多维,在此不做限定。障碍物可以为行人或者锥桶等类型。
具体地,可以对待检测区域内的点云数据进行物体检测,得到障碍物检测结果,进而根据障碍物检测结果生成障碍物点云特征图,进而对障碍物点云特征图进行维度转换,得到障碍物特征向量。
S130、确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量。
本公开实施例中,障碍物特征向量模板中可以包括两种障碍物或两种障碍物以上的标准特征向量,标准特征向量是指预先生成的某一障碍物类型对应的典型特征向量。需要说明的是,各障碍物可以为形态相似的障碍物,例如形态相似的障碍物可以为行人和锥桶。
具体地,可以将障碍物特征向量,与预先生成的障碍物特征向量模板中各标准特征向量进行余弦相似度计算,从而得到障碍物特征向量与障碍物特征向量模板中各标准特征向量的相似度。
S140、基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
其中,障碍物检测结果是指对待检测区域中障碍物的检查结果,可以包括但不限于障碍物类别以及障碍物类别置信度等检测信息。
具体地,可以对障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度进行对比,进而可以根据相似度比对结果更新当前障碍物检测结果,得到目标障碍物检测结果。
需要说明的是,障碍物特征向量与某一障碍物对应的标准特征向量的相似度越大,表明当前障碍物的类型可能为该标准特征向量对应的障碍物类型。据此,可以根据障碍物特征向量与各障碍物对应的标准特征向量的相似度,对当前障碍物检测结果中的障碍物类型进行校正。
本发明实施例的技术方案,通过障碍物特征向量与各障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,实现了对当前障碍物检测结果的校正,提升了障碍物检测精度。
实施例二
图2为本发明实施例二提供的一种障碍物检测方法的流程图,本实施例的方法与上述实施例中提供的障碍物检测方法中各个可选方案可以结合。本实施例提供的障碍物检测方法进行了进一步优化。可选的,所述基于所述待检测区域内的点云数据生成障碍物特征向量,包括:将所述待检测区域内的点云数据输入至预先训练完成的障碍物检测模型中,得到障碍物检测结果;基于所述障碍物检测结果确定障碍物检测框内的点云数据;对所述障碍物检测框内的点云数据进行过滤,得到障碍物的目标点云数据;基于所述障碍物的目标点云数据生成障碍物点云特征图;对所述障碍物点云特征图进行维度转换,得到障碍物特征向量。
如图2所示,该方法包括:
S210、获取待检测区域内的点云数据。
S220、将所述待检测区域内的点云数据输入至预先训练完成的障碍物检测模型中,得到障碍物检测结果。
其中,障碍物检测模型可以包括但不限于基于深度神经网络的点云三维物体检测模型等,其可以输出障碍物类型、障碍物尺寸、障碍物位置、障碍物朝向等障碍物检测结果。
具体地,障碍物检测模型可以通过大量的点云样本数据训练得到,具体而言,可以将包含行人或者锥桶的点云样本数据输入至深度神经网络中,深度神经网络对包含行人或者锥桶的点云样本数据进行特征提取,进而根据提取的特征信息进行障碍物类型预测,根据预测得到的障碍物类型与真实的障碍物类型标签确定模型损失,基于模型损失对深度神经网络的模型参数进行调整,直至满足模型训练停止条件,得到训练完成的障碍物检测模型。
S230、基于所述障碍物检测结果确定障碍物检测框内的点云数据。
具体地,可以对障碍物检测结果进行后处理操作,得到障碍物的检测框以及障碍物检测框内的点云数据。
S240、对所述障碍物检测框内的点云数据进行过滤,得到障碍物的目标点云数据。
需要说明的是,对障碍物检测框内的点云数据进行过滤的目的是去除掉无法检测或者检测结果准确的点云数据,换言之,保留检测结果模糊或不准确的点云数据,以对该点云数据的检测结果进行精度提升。
可选地,对障碍物检测框内的点云数据进行过滤,得到障碍物的目标点云数据,包括:确定障碍物检测框内的点云数据的点云数量;若障碍物检测框内的点云数据的点云数量满足稀疏点云数量条件,则将障碍物检测框内的点云数据确定为障碍物的目标点云数据,其中,稀疏点云数量条件为点云数量大于第一点云数量且小于第二点云数量。
其中,第一点云数量和第二点云数量可以根据障碍物识别精度进行设定,在此不做限定。
示例性地,可以将障碍物检测框内点云数量小于10个以及大于40个对应的障碍物检测框内的点云数据保留,并作为障碍物的目标点云数据。需要说明的是,若障碍物检测框内点云数量小于10个,表明障碍物检测框内特征过少,无法进行障碍物识别;若障碍物检测框内点云数量大于40个,表明障碍物检测框内特征丰富,障碍物识别准确,无需进行优化。
S250、基于所述障碍物的目标点云数据生成障碍物点云特征图。
可选地,基于障碍物的目标点云数据生成障碍物点云特征图,包括:对障碍物的目标点云数据进行平面格栅划分,得到水平面特征图;对所述水平面特征图进行层次划分,得到障碍物点云特征图。
其中,平面格栅划分是指以预设分辨率和尺寸对点云数据划分的过程。层次划分是指对点云数据进行高度层划分的过程。
示例性地,在点云x-y平面上,基于0.1m分辨率,0.5m*0.5m尺寸对障碍物的目标点云数据进行平面格栅划分,得到5*5分辨率的水平面特征图,在z轴方向上,可以划分三层,从而得到5*5*3的障碍物点云特征图。
S260、对所述障碍物点云特征图进行维度转换,得到障碍物特征向量。
具体地,可以将障碍物点云特征图展开为一维或者其他维度的障碍物特征向量。
S270、确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量。
S280、基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
本发明实施例的技术方案,通过对障碍物检测框内的点云数据进行过滤,去除了无法检测或者检测结果准确的点云数据,实现了目标点云数据的保留,此外,通过对障碍物点云特征图进行维度转换,得到了满足进行相似度计算的障碍物特征向量。
实施例三
图3为本发明实施例三提供的一种障碍物检测方法的流程图,本实施例的方法与上述实施例中提供的障碍物检测方法中各个可选方案可以结合。本实施例提供的障碍物检测方法进行了进一步优化。可选的,所述目标障碍物检测结果包括障碍物类型置信度;相应的,所述基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果,包括:获取所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度中的最大相似度;将所述最大相似度输入至预先建立的障碍物类型置信度更新模型,得到更新后的障碍物类型置信度;基于所述更新后的障碍物类型置信度更新当前障碍物检测结果,得到目标障碍物检测结果。
如图3所示,该方法包括:
S310、获取待检测区域内的点云数据。
S320、基于所述待检测区域内的点云数据生成障碍物特征向量。
S330、确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量。
S340、获取所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度中的最大相似度。
具体地,对障碍物特征向量与各障碍物对应的标准特征向量的相似度进行比较,并取当中的最大相似度。
示例性地,将障碍物特征向量与行人对应的标准特征向量的相似度作为第一相似度,将障碍物特征向量与锥桶对应的标准特征向量的相似度作为第二相似度,若第一相似度大于第二相似度,则将行人对应的第一相似度作为最大相似度。
S350、将所述最大相似度输入至预先建立的障碍物类型置信度更新模型,得到更新后的障碍物类型置信度。
可选地,障碍物类型置信度更新模型为:
Supdate=β*Sorgin+(1-β)*Ssimilarity;
其中,Supdate表示更新后的障碍物类型置信度,Sorgin表示当前障碍物检测结果中的障碍物类型置信度,Ssimilarity表示最大相似度,β表示权重配置参数。
示例性地,可以将最大相似度代入障碍物类型置信度更新模型,以实现障碍物类型置信度的更新,进而更新障碍物检测结果的障碍物类型,其中,权重配置参数可以为0.5。
在一些可选实施例中,若障碍物特征向量与各障碍物对应的标准特征向量的相似度相同,则保持障碍物类型信息不变,并将障碍物类型置信度更新为min(Sorgin,0.5),即取当前障碍物检测结果中的障碍物类型置信度与0.5中的最小值作为更新后的障碍物类型置信度。
示例性的,当前障碍物检测结果中的障碍物类型置信度可以为0.6,若第一相似度与第二相似度相同,则保持障碍物类型信息不变,并取0.6与0.5中的最小值0.5作为更新后的障碍物类型置信度。
在一些可选实施例中,若障碍物检测结果的障碍物类型与最大相似度对应的障碍物类型相同,则障碍物类型保持不变。
S360、基于所述更新后的障碍物类型置信度更新当前障碍物检测结果,得到目标障碍物检测结果。
示例性地,图4是根据本发明实施例提供的一种基于障碍物点云特征匹配的物体检测方法的流程图。具体而言,可以从障碍物检测模型的训练集中提取行人和锥桶障碍物类型对应的点云数据,分别对行人障碍物类型对应的点云数据、锥桶障碍物类型对应的点云数据进行过滤,以将点云数量少于10个以及超过40的点云数据过滤掉。进一步地,根据过滤之后的行人、锥桶障碍物类型分别对应的点云数据生成基础特征图,其中,过滤之后的行人对应的点云数据的标注框的尺寸可以为0.5m*0.5m*2.1m,锥桶对应的点云数据的标注框的尺寸可以为0.5m*0.5m*1.2m;基础特征图的形状为5*5*3。进一步地,可以对于同种类别所有障碍物对应的基础特征图,将其展开为一维特征向量,对同种类型障碍物点云的特征向量按照维度做均值处理,得到包含行人以及锥桶的标准特征向量的障碍物特征向量模板。进一步地,将待检测区域内的点云数据输入至预先训练完成的障碍物检测模型中,得到当前障碍物检测结果,基于当前障碍物检测结果确定障碍物检测框内的点云数据,对障碍物检测框内的点云数据进行过滤,得到障碍物的目标点云数据,基于障碍物的目标点云数据生成障碍物点云特征图,对障碍物点云特征图进行维度转换,得到障碍物特征向量。进一步地,将障碍物特征向量与行人对应的标准特征向量的相似度作为第一相似度,将障碍物特征向量与锥桶对应的标准特征向量的相似度作为第二相似度,根据第一相似度与第二相似度中的最大相似度更新障碍物类型置信度,进而基于更新后的障碍物类型置信度更新当前障碍物检测结果中的障碍物类型,得到目标障碍物检测结果。上述技术方案,提高了具有相似点云形态障碍物的类别区分度,降低了类别误检情况的发生,提高了障碍物检测精度。
实施例四
图4为本发明实施例四提供的一种障碍物检测装置的结构示意图。如图4所示,该装置包括:
点云数据获取模块410,用于获取待检测区域内的点云数据;
特征向量生成模块420,用于基于所述待检测区域内的点云数据生成障碍物特征向量;
相似度确定模块430,用于确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量;
障碍物检测结果更新模块440,用于基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
本发明实施例的技术方案,通过障碍物特征向量与各障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,实现了对当前障碍物检测结果的校正,提升了障碍物检测精度。
在一些可选的实施方式中,特征向量生成模块420,包括:
障碍物检测单元,用于将所述待检测区域内的点云数据输入至预先训练完成的障碍物检测模型中,得到障碍物检测结果;
检测框点云数据确定单元,用于基于所述障碍物检测结果确定障碍物检测框内的点云数据;
点云数据过滤单元,用于对所述障碍物检测框内的点云数据进行过滤,得到障碍物的目标点云数据;
障碍物点云特征图生成单元,用于基于所述障碍物的目标点云数据生成障碍物点云特征图;
维度转换单元,用于对所述障碍物点云特征图进行维度转换,得到障碍物特征向量。
在一些可选的实施方式中,点云数据过滤单元,可以具体用于:
确定所述障碍物检测框内的点云数据的点云数量;
若所述障碍物检测框内的点云数据的点云数量满足稀疏点云数量条件,则将所述障碍物检测框内的点云数据确定为障碍物的目标点云数据,其中,所述稀疏点云数量条件为点云数量大于第一点云数量且小于第二点云数量。
在一些可选的实施方式中,障碍物点云特征图生成单元,可以具体用于:
对所述障碍物的目标点云数据进行平面格栅划分,得到水平面特征图;
对所述水平面特征图进行层次划分,得到障碍物点云特征图。
在一些可选的实施方式中,相似度确定模块430,可以具体用于:
将所述障碍物特征向量,与预先生成的障碍物特征向量模板中各标准特征向量进行余弦相似度计算,得到所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度。
在一些可选的实施方式中,所述目标障碍物检测结果包括障碍物类型置信度;
相应的,障碍物检测结果更新模块440,可以具体用于:
获取所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度中的最大相似度;
将所述最大相似度输入至预先建立的障碍物类型置信度更新模型,得到更新后的障碍物类型置信度;
基于所述更新后的障碍物类型置信度更新当前障碍物检测结果,得到目标障碍物检测结果。
在一些可选的实施方式中,所述障碍物类型置信度更新模型为:
Supdate=β*Sorgin+(1-β)*Ssimilarity
其中,Supdate表示更新后的障碍物类型置信度,Sorgin表示当前障碍物检测结果中的障碍物类型置信度,Ssimilarity表示最大相似度,β表示权重配置参数。
本发明实施例所提供的障碍物检测装置可执行本发明任意实施例所提供的障碍物检测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6示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,个人数字助理、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。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(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,例如障碍物检测方法,该方法包括:
获取待检测区域内的点云数据;
基于所述待检测区域内的点云数据生成障碍物特征向量;
确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量;
基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
在一些实施例中,障碍物检测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RAM13并由处理器11执行时,可以执行上文描述的障碍物检测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)而被配置为执行障碍物检测方法。
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)、系统级芯片(SOC)、复杂可编程逻辑设备(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)
1.一种障碍物检测方法,其特征在于,包括:
获取待检测区域内的点云数据;
基于所述待检测区域内的点云数据生成障碍物特征向量;
确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量;
基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待检测区域内的点云数据生成障碍物特征向量,包括:
将所述待检测区域内的点云数据输入至预先训练完成的障碍物检测模型中,得到障碍物检测结果;
基于所述障碍物检测结果确定障碍物检测框内的点云数据;
对所述障碍物检测框内的点云数据进行过滤,得到障碍物的目标点云数据;
基于所述障碍物的目标点云数据生成障碍物点云特征图;
对所述障碍物点云特征图进行维度转换,得到障碍物特征向量。
3.根据权利要求2所述的方法,其特征在于,所述对所述障碍物检测框内的点云数据进行过滤,得到障碍物的目标点云数据,包括:
确定所述障碍物检测框内的点云数据的点云数量;
若所述障碍物检测框内的点云数据的点云数量满足稀疏点云数量条件,则将所述障碍物检测框内的点云数据确定为障碍物的目标点云数据,其中,所述稀疏点云数量条件为点云数量大于第一点云数量且小于第二点云数量。
4.根据权利要求2所述的方法,其特征在于,所述基于所述障碍物的目标点云数据生成障碍物点云特征图,包括:
对所述障碍物的目标点云数据进行平面格栅划分,得到水平面特征图;
对所述水平面特征图进行层次划分,得到障碍物点云特征图。
5.根据权利要求1所述的方法,其特征在于,所述确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,包括:
将所述障碍物特征向量,与预先生成的障碍物特征向量模板中各标准特征向量进行余弦相似度计算,得到所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度。
6.根据权利要求1所述的方法,其特征在于,所述目标障碍物检测结果包括障碍物类型置信度;
相应的,所述基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果,包括:
获取所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度中的最大相似度;
将所述最大相似度输入至预先建立的障碍物类型置信度更新模型,得到更新后的障碍物类型置信度;
基于所述更新后的障碍物类型置信度更新当前障碍物检测结果,得到目标障碍物检测结果。
7.根据权利要求6所述的方法,其特征在于,所述障碍物类型置信度更新模型为:
Supdate=β*Sorgin+(1-β)*Ssimilarity;
其中,Supdate表示更新后的障碍物类型置信度,Sorgin表示当前障碍物检测结果中的障碍物类型置信度,Ssimilarity表示最大相似度,β表示权重配置参数。
8.一种障碍物检测装置,其特征在于,包括:
点云数据获取模块,用于获取待检测区域内的点云数据;
特征向量生成模块,用于基于所述待检测区域内的点云数据生成障碍物特征向量;
相似度确定模块,用于确定所述障碍物特征向量与障碍物特征向量模板中标准特征向量的相似度,其中,所述障碍物特征向量模板包括至少两种障碍物对应的标准特征向量;
障碍物检测结果更新模块,用于基于所述障碍物特征向量与各所述障碍物对应的标准特征向量的相似度更新当前障碍物检测结果,得到目标障碍物检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的障碍物检测方法。
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的障碍物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746074.5A CN117994756A (zh) | 2023-12-18 | 2023-12-18 | 障碍物检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746074.5A CN117994756A (zh) | 2023-12-18 | 2023-12-18 | 障碍物检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117994756A true CN117994756A (zh) | 2024-05-07 |
Family
ID=90891785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311746074.5A Pending CN117994756A (zh) | 2023-12-18 | 2023-12-18 | 障碍物检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994756A (zh) |
-
2023
- 2023-12-18 CN CN202311746074.5A patent/CN117994756A/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 | |
CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN114550177B (zh) | 图像处理的方法、文本识别方法及装置 | |
CN112597837A (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN113378712A (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN116071608B (zh) | 目标检测方法、装置、设备和存储介质 | |
CN116596750A (zh) | 一种点云处理方法、装置、电子设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN117994756A (zh) | 障碍物检测方法、装置、电子设备及存储介质 | |
CN112861811B (zh) | 目标识别方法、装置、设备、存储介质及雷达 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN115032615B (zh) | 一种激光雷达标定点确定方法、装置、设备及存储介质 | |
CN117351303A (zh) | 目标检测模型的训练方法、目标检测方法、装置及设备 | |
CN115830571A (zh) | 一种检测框的确定方法、装置、设备及存储介质 | |
CN116883654A (zh) | 语义分割模型的训练方法、语义分割方法、装置及设备 | |
CN117710459A (zh) | 三维信息的确定方法、装置及计算机程序产品 | |
CN116484207A (zh) | 一种多特征提取方法、装置、设备及存储介质 | |
CN116977524A (zh) | 一种三维地图构建方法、装置、电子设备及存储介质 | |
CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
CN115082884A (zh) | 一种车道线检测方法、装置、无人设备及存储介质 |
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 |