CN110110696B - 用于处理信息的方法和装置 - Google Patents
用于处理信息的方法和装置 Download PDFInfo
- Publication number
- CN110110696B CN110110696B CN201910413380.4A CN201910413380A CN110110696B CN 110110696 B CN110110696 B CN 110110696B CN 201910413380 A CN201910413380 A CN 201910413380A CN 110110696 B CN110110696 B CN 110110696B
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic signboard
- determining
- point data
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了用于处理信息的方法和装置。该方法的一具体实施方式包括:获取道路的点数据集合和图像;根据图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框;基于确定出的包围框,确定至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数;基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据最终描述参数确定的包围盒从点数据集合中确定用于描述该交通标识牌的点数据子集合。该实施方式实现了对点数据集合中的组合交通标识牌进行识别。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及用于处理信息的方法和装置。
背景技术
在计算机技术和信息科学高度发展的当今,电子地图发挥着无可替代的作用。举例来说,高精度地图是实现自动驾驶技术的关键技术之一。实践中,可以将激光雷达等作为数据采集的传感器,从而获得用于生成高精度地图的点云数据。为了获得高精度地图,需要获取高精度地图中重要组成部分之一的交通标识牌的信息。实际应用场景中,有时会出现两个或多个交通标识牌紧密排列的情况,这使得基于点云数据的交通标识牌提取方法,可能会将这两个或多个交通标识牌作为一个整体提取出来,从而造成准确率的降低。
发明内容
本公开实施例提出了用于处理信息的方法和装置。
第一方面,本公开实施例提供了一种用于处理信息的方法,该方法包括:获取道路的点数据集合和图像;根据上述图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框;基于确定出的包围框,确定上述至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数;基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据上述最终描述参数确定的包围盒从上述点数据集合中确定用于描述该交通标识牌的点数据子集合。
在一些实施例中,上述基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,包括:对上述点数据集合所在的三维空间进行网格划分,得到至少一个三维网格;将上述至少一个三维网格中的三维网格确定为空网格或非空网格;将每一个交通标识牌对应的包围盒的初始描述参数作为预先建立的目标函数的初始解,确定上述目标函数的最优解,其中,上述目标函数是基于包围盒所包含的点数据的数量、空网格数量和非空网格数量确定的;将确定的最优解作为该交通标识牌对应的包围盒的最终描述参数。
在一些实施例中,上述将上述至少一个三维网格中的三维网格确定为空网格或非空网格,包括:对于上述至少一个三维网格中的三维网格,确定该三维网格中包括的点数据的数量是否大于预设的数量阈值;响应于确定该三维网格中包括的点数据的数量大于预设的数量阈值,确定该三维网格为非空网格;响应于确定该三维网格中包括的点数据的数量小于或等于预设的数量阈值,确定该三维网格为空网格。
在一些实施例中,包围盒的描述参数包括中心点的坐标、长、宽、高、以及最大平面的法向量。
在一些实施例中,上述根据上述图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框,包括:将上述图像导入预先建立的交通标识牌识别模型,得到上述图像中包括的交通标识牌是否为组合交通标识牌的判断结果,以及上述图像中的每一个交通标识牌对应的包围框,其中,上述交通标识牌识别模型用于检测图像的交通标识牌对应的包围框,以及图像中的至少两个交通标识牌是否为组合交通标识牌。
第二方面,本公开实施例提供了一种用于处理信息的装置,上述装置包括:获取单元,被配置成获取道路的点数据集合和图像;识别单元,被配置成根据上述图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框;第一确定单元,被配置成基于确定出的包围框,确定上述至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数;第二确定单元,被配置成基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据上述最终描述参数确定的包围盒从上述点数据集合中确定用于描述该交通标识牌的点数据子集合。
在一些实施例中,上述第二确定单元包括:划分模块,被配置成对上述点数据集合所在的三维空间进行网格划分,得到至少一个三维网格;第一确定模块,被配置成将上述至少一个三维网格中的三维网格确定为空网格或非空网格;第二确定模块,被配置成将每一个交通标识牌对应的包围盒的初始描述参数作为预先建立的目标函数的初始解,确定上述目标函数的最优解,其中,上述目标函数是基于包围盒所包含的点数据的数量、空网格数量和非空网格数量确定的;第三确定模块,被配置成将确定的最优解作为该交通标识牌对应的包围盒的最终描述参数。
在一些实施例中,上述第一确定模块进一步被配置成:对于上述至少一个三维网格中的三维网格,确定该三维网格中包括的点数据的数量是否大于预设的数量阈值;响应于确定该三维网格中包括的点数据的数量大于预设的数量阈值,确定该三维网格为非空网格;响应于确定该三维网格中包括的点数据的数量小于或等于预设的数量阈值,确定该三维网格为空网格。
在一些实施例中,包围盒的描述参数包括中心点的坐标、长、宽、高、以及最大平面的法向量。
在一些实施例中,上述识别单元进一步被配置成:将上述图像导入预先建立的交通标识牌识别模型,得到上述图像中包括的交通标识牌是否为组合交通标识牌的判断结果,以及上述图像中的每一个交通标识牌对应的包围框,其中,上述交通标识牌识别模型用于检测图像的交通标识牌对应的包围框,以及图像中的至少两个交通标识牌是否为组合交通标识牌。
第三方面,本公开实施例提供了一种设备,该设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的用于处理信息的方法和装置,首先获取道路的点数据集合和图像。之后,根据图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框。然后,基于确定出的包围框,确定至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数。最后,基于每一个交通标识牌对应的包围盒的初始描述参数,确定该交通标识牌对应的包围盒的最终描述参数,并根据最终描述参数确定的包围盒从点数据集合中确定用于描述该交通标识牌的点数据子集合。从而实现了基于图像中组合交通标识牌的识别结果,对点数据集合中的组合交通标识牌进行识别,从而提高了点数据集合中组合交通标识牌的各个交通标识牌的识别准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于处理信息的方法的一个实施例的流程图;
图3a和图3b是根据本公开的用于处理信息的方法的一个应用场景的示意图;
图4是根据本公开的用于处理信息的方法的又一个实施例的流程图;
图5是根据本公开的用于处理信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开实施例的用于处理信息的方法或用于处理信息的装置的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如电子地图类应用、电子地图制作类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有点云数据和图像处理功能的各种电子设备,包括但不限于智能手机、平板电脑、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。其可以实现成多个软件或软件模块(例如用来提供分布式服务),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,例如对获取的道路的点数据集合和图像进行处理的后台服务器。后台服务器可以对获取的道路的点数据集合和图像进行各种分析处理,从而从点数据集合中确定用于描述交通标识牌的点数据子集合。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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),也可以实现成单个软件或软件模块。在此不做具体限定。
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。
需要说明的是,本公开实施例所提供的用于处理信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于处理信息的装置可以设置于终端设备101、102、103,也可以设置于服务器105中。
继续参考图2,示出了根据本公开的用于处理信息的方法的一个实施例的流程200。该用于处理信息的方法,包括以下步骤:
步骤201,获取道路的点数据集合和图像。
在本实施例中,用于处理信息的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以通过有线连接方式或者无线连接方式从用于采集点数据集合的数据采集设备(例如,激光雷达、三维激光扫描仪等等)获取道路的点数据集合。同时,从图像采集设备(例如,摄像头)获取道路的图像。这里,上述点数据集合和上述图像为同一时间、同一位置采集的。实践中,架设在采集车辆上的点数据采集设备和图像采集设备可以同时采集道路的点云数据和图像。这里,点云数据即为点数据集合。作为示例,点数据集合中的点数据可以包括三维坐标和激光反射强度。通常,点数据的三维坐标可以包括X轴、Y轴和Z轴上的信息。这里,激光反射强度可以是指激光反射能量与激光发射能量的比值。
步骤202,根据图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框。
在本实施例中,执行主体可以从图像中识别出由至少两个交通标识牌组成的组合交通标识牌,并确定组合交通标识牌中的每一个交通标识牌的包围框。其中,交通标识牌的包围框可以是指交通标识牌对应的最小矩形包围框。这里,上述组合交通标识牌可以包括至少两个交通标识牌,且上述至少两个交通标识牌中的相邻的交通标识牌之间的距离小于预设阈值。举例来说,假设组合交通标识牌由A、B、C三个交通标识牌组成,且A、B、C依次横向排列,即A和B相邻,B和C相邻,则A和B之间的距离小于预设阈值,B和C之间的距离小于预设阈值。作为示例,执行主体可以对图像进行目标检测,例如,基于SLIC(simple lineariterative clustering,简单的线性迭代聚类)算法,或者基于深度学习的目标检测技术等,识别出图像中的组合交通标识牌,并计算出组合交通标识牌中的每一个交通标识牌的包围框。
在本实施例的一些可选的实现方式中,上述步骤202可以具体如下进行:将图像导入预先建立的交通标识牌识别模型,得到图像中包括的交通标识牌是否为组合交通标识牌的判断结果,以及图像中的每一个交通标识牌对应的包围框。
在本实施例中,执行主体可以将上述图像导入预先建立的交通标识牌识别模型,从而得到上述图像中包括的交通标识牌是否为组合交通标识牌的判断结果,以及上述图像中的每一个交通标识牌对应的包围框。这里,交通标识牌识别模型可以用于检测图像的交通标识牌对应的包围框,以及图像中的至少两个交通标识牌是否为组合交通标识牌。这样,执行主体可以根据交通标识牌识别模型的输出结果,从图像中识别出由至少两个交通标识牌组成的组合交通标识牌,以及确定组合交通标识牌中的每一个交通标识牌的包围框。
作为示例,上述交通标识牌识别模型可以是基于深度学习网络训练得到的。该深度学习网络可以是一个多层的神经网络,可以包括卷积层、池化层、全连接层和分类器等等。实践中,可以基于不同的生产场景和数据的特点,设计由不同深度、不同数量的神经元、不同的卷积池化组织方式构成的深度学习网络。在训练该深度学习网络时,首先,需要获取训练样本集合,其中,训练样本可以包括道路图像,和道路图像中交通标识牌的标注包围框、以及道路图像中交通标识牌是否为组合交通标识牌的标注结果。之后,可以将训练样本集合中的道路图像作为输入,将与输入的道路图像对应的标注包围框和标注结果作为期望输出,训练得到交通标识牌识别模型。
步骤203,基于确定出的包围框,确定至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数。
在本实施例中,基于上述至少两个交通标识牌中的每一个交通标识牌的包围框,执行主体可以确定上述至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数。作为示例,对于上述至少两个交通标识牌中的每一个交通标识牌,执行主体首先可以根据现有的方法确定点数据集合到图像的投影矩阵。之后,根据所确定的投影矩阵将该交通标识牌的包围框进行反投影计算,得到该交通标识牌在三维空间上对应的包围盒的初始描述参数。这里,包围盒的描述参数可以用于描述包围盒的位置、大小等信息。一般,通过包围盒的描述参数可以唯一确定一个包围盒。交通标识牌在三维空间对应的包围盒可以是指交通标识牌对应的外接最小矩形。实践中,由于识别出的交通标识牌的包围框和确定的投影矩阵可能存在误差,所以,基于包围框和投影矩阵得到的交通标识牌对应的包围盒的初始描述参数可能不够准确,需要进一步的调整。
在本实施例的一些可选的实现方式中,交通标识牌对应的包围盒的描述参数可以包括中心点的坐标、长、宽、高、以及最大平面的法向量。
作为示例,对于任意一个交通标识牌对应的包围盒Signi,可以用其中心点坐标{Ctri:xi,yi,zi∈Ctri}、形状描述参数{Shpi:lengthi,widthi,heighti∈Shpi}和方向{Diri:dxi,dyi,dzi∈Diri}表示。其中,中心点坐标可以是指包围盒Signi的几何中心的坐标。形状描述参数可以用于描述包围盒的长、宽和高。方向可以用于描述包围盒中最大平面的法向量。
步骤204,基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据最终描述参数确定的包围盒从点数据集合中确定用于描述该交通标识牌的点数据子集合。
在本实施例中,对于上述至少两个交通标识牌中的每一个交通标识牌,执行主体可以基于该交通标识牌对应的包围盒的初始描述参数,确定该交通标识牌对应的包围盒的最终描述参数。作为示例,执行主体可以将该交通标识牌对应的包围盒的初始描述参数进行各种处理,例如加权、与设定值相加等等,从而得到该交通标识牌对应的包围盒的最终描述参数。之后,执行主体可以根据最终描述参数所确定的包围盒从点数据集合中确定用于描述该交通标识牌的点数据子集合。具体地,执行主体可以将点数据集合中的、最终描述参数所确定的包围盒所覆盖的点数据确定为点数据子集合。
继续参见图3a和3b,图3a和3b是根据本实施例的用于处理信息的方法的应用场景的一个示意图。在图3a和3b的应用场景中,图3a为电子设备获取的道路的图像301。电子设备首先获取道路的点数据集合和图像301。之后,电子设备从图像301中识别出三个交通标识牌组成的组合交通标识牌,以及确定组合交通标识牌中的每一个交通标识牌的包围框,得到包围框3011a、3012a和3013a。然后,基于三个交通标识牌的包围框3011a、3012a和3013a,确定三个交通标识牌在三维空间上对应的三个包围盒的初始描述参数。最后,对于三个交通标识牌中的每一个交通标识牌,基于该交通标识牌对应的包围盒的初始描述参数,确定该交通标识牌对应的包围盒的最终描述参数,并根据最终描述参数确定的包围盒从点数据集合中确定用于描述该交通标识牌的点数据子集合。其中,图3b中的3011b、3012b和3013b为三个交通标识牌对应的最终描述参数所确定的包围盒。
本公开的上述实施例提供的方法实现了基于图像中组合交通标识牌的识别结果,对点数据集合中的组合交通标识牌进行识别,从而提高了点数据集合中组合交通标识牌的各个交通标识牌的识别准确率。
进一步参考图4,其示出了用于处理信息的方法的又一个实施例的流程400。该用于处理信息的方法的流程400,包括以下步骤:
步骤401,获取道路的点数据集合和图像。
在本实施例中,步骤401与图2所示实施例的步骤201类似,此处不再赘述。
步骤402,根据图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框。
在本实施例中,步骤402与图2所示实施例的步骤202类似,此处不再赘述。
步骤403,基于确定出的交通标识牌的包围框,确定至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数。
在本实施例中,步骤403与图2所示实施例的步骤203类似,此处不再赘述。
步骤404,对点数据集合所在的三维空间进行网格划分,得到至少一个三维网格。
在本实施例中,上述执行主体可以对上述点数据集合所在的三维空间进行网格划分,从而得到至少一个三维网格。
步骤405,将至少一个三维网格中的三维网格确定为空网格或非空网格。
在本实施例中,对于上述至少一个三维网格中的每一个三维网格,执行主体可以根据该三维网格中所包含的点数据的数量,确定该三维网格为空网格或非空网格。需要说明的是,在本实施例具体实现时,步骤404和步骤405可以只执行一次。
在本实施例的一些可选的实现方式中,上述步骤405可以具体包括以下内容:
首先,对于至少一个三维网格中的三维网格,确定该三维网格中包括的点数据的数量是否大于预设的数量阈值。
在本实现方式中,对于上述至少一个三维网格中的每一个三维网格,执行主体可以确定该三维网格中包括的点数据的数量是否大于预设的数量阈值。这里,数据阈值可以根据实际需要进行设定。
然后,响应于确定该三维网格中包括的点数据的数量大于预设的数量阈值,确定该三维网格为非空网格。
在本实现方式中,如果确定该三维网格中包括的点数据的数量大于预设的数量阈值,则可以确定该三维网格为非空网格。
最后,响应于确定该三维网格中包括的点数据的数量小于或等于预设的数量阈值,确定该三维网格为空网格。
在本实现方式中,如果确定该三维网格中包括的点数据的数量小于或等于预设的数量阈值,则可以确定该三维网格为空网格。
步骤406,将每一个交通标识牌对应的包围盒的初始描述参数作为预先建立的目标函数的初始解,确定目标函数的最优解。
在本实施例中,执行主体可以预先定义一个目标函数,作为示例,目标函数可以是基于包围盒所包含的点数据的数量、空网格数量和非空网格数量确定的,举例来说,目标函数可以为其中,Npts为包围盒Signi包含的点数据的数量;No为包围盒Signi包含的非空网格的数量;Ne为包围盒Signi包含的空网格的数量。之后,执行主体可以将每一个交通标识牌对应的包围盒的初始描述参数作为目标函数的初始解,并通过最大化目标函数,求得最优的包围盒的描述参数,即求得目标函数的最优解。
步骤407,将确定的最优解作为该交通标识牌对应的包围盒的最终描述参数。
在本实施例中,执行主体可以将步骤406中确定的最优解作为该交通标识牌对应的包围盒的最终描述参数。
步骤408,根据最终描述参数确定的包围盒从点数据集合中确定用于描述该交通标识牌的点数据子集合。
在本实施例中,执行主体可以根据最终描述参数所确定的包围盒从点数据集合中确定用于描述该交通标识牌的点数据子集合。具体地,执行主体可以将点数据集合中的、最终描述参数所确定的包围盒所覆盖的点数据确定为点数据子集合。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于处理信息的方法的流程400突出了基于包围盒的初始描述参数和目标函数确定包围盒的最终描述参数的步骤。由此,可以使得到的最终描述参数更加准确,从而进一步提高了点数据集合中组合交通标识牌的各个交通标识牌的识别准确率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于处理信息的装置的一个实施例,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5所示,本实施例的用于处理信息的装置500包括:获取单元501、识别单元502、第一确定单元503和第二确定单元504。其中,获取单元501被配置成获取道路的点数据集合和图像;识别单元502被配置成根据上述图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框;第一确定单元503被配置成基于确定出的包围框,确定上述至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数;第二确定单元504被配置成基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据上述最终描述参数确定的包围盒从上述点数据集合中确定用于描述该交通标识牌的点数据子集合。
在本实施例中,用于处理信息的装置500的获取单元501、识别单元502、第一确定单元503和第二确定单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述第二确定单元504包括:划分模块(图中未示出),被配置成对上述点数据集合所在的三维空间进行网格划分,得到至少一个三维网格;第一确定模块(图中未示出),被配置成将上述至少一个三维网格中的三维网格确定为空网格或非空网格;第二确定模块(图中未示出),被配置成将每一个交通标识牌对应的包围盒的初始描述参数作为预先建立的目标函数的初始解,确定上述目标函数的最优解,其中,上述目标函数是基于包围盒所包含的点数据的数量、空网格数量和非空网格数量确定的;第三确定模块(图中未示出),被配置成将确定的最优解作为该交通标识牌对应的包围盒的最终描述参数。
在本实施例的一些可选的实现方式中,上述第一确定模块进一步被配置成:对于上述至少一个三维网格中的三维网格,确定该三维网格中包括的点数据的数量是否大于预设的数量阈值;响应于确定该三维网格中包括的点数据的数量大于预设的数量阈值,确定该三维网格为非空网格;响应于确定该三维网格中包括的点数据的数量小于或等于预设的数量阈值,确定该三维网格为空网格。
在本实施例的一些可选的实现方式中,包围盒的描述参数包括中心点的坐标、长、宽、高、以及最大平面的法向量。
在本实施例的一些可选的实现方式中,上述识别单元502进一步被配置成:将上述图像导入预先建立的交通标识牌识别模型,得到上述图像中包括的交通标识牌是否为组合交通标识牌的判断结果,以及上述图像中的每一个交通标识牌对应的包围框,其中,上述交通标识牌识别模型用于检测图像的交通标识牌对应的包围框,以及图像中的至少两个交通标识牌是否为组合交通标识牌。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取道路的点数据集合和图像;根据上述图像确定由至少两个交通标识牌组成的组合交通标识牌中的每一个交通标识牌的包围框;基于确定出的包围框,确定上述至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数;基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据上述最终描述参数确定的包围盒从上述点数据集合中确定用于描述该交通标识牌的点数据子集合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、识别单元、第一确定单元和第二确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取道路的点数据集合和图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于处理信息的方法,包括:
获取道路的点数据集合和图像;
将所述图像导入预先建立的交通标识牌识别模型,得到所述图像中包括的交通标识牌是否为组合交通标识牌的判断结果,以及基于简单的线性迭代聚类算法或基于深度学习的目标检测技术确定所述图像中的组合交通标识牌中每一个交通标识牌对应的包围框,其中,所述交通标识牌识别模型用于检测图像的交通标识牌对应的包围框,以及图像中的至少两个交通标识牌是否为组合交通标识牌,所述组合交通标识牌中的相邻的交通标识牌之间的距离小于预设阈值;
基于确定出的包围框,确定所述至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数;
基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据所述最终描述参数确定的包围盒从所述点数据集合中确定用于描述该交通标识牌的点数据子集合。
2.根据权利要求1所述的方法,其中,所述基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,包括:
对所述点数据集合所在的三维空间进行网格划分,得到至少一个三维网格;
将所述至少一个三维网格中的三维网格确定为空网格或非空网格;
将每一个交通标识牌对应的包围盒的初始描述参数作为预先建立的目标函数的初始解,确定所述目标函数的最优解,其中,所述目标函数是基于包围盒所包含的点数据的数量、空网格数量和非空网格数量确定的;
将确定的最优解作为该交通标识牌对应的包围盒的最终描述参数。
3.根据权利要求2所述的方法,其中,所述将所述至少一个三维网格中的三维网格确定为空网格或非空网格,包括:
对于所述至少一个三维网格中的三维网格,确定该三维网格中包括的点数据的数量是否大于预设的数量阈值;
响应于确定该三维网格中包括的点数据的数量大于预设的数量阈值,确定该三维网格为非空网格;
响应于确定该三维网格中包括的点数据的数量小于或等于预设的数量阈值,确定该三维网格为空网格。
4.根据权利要求1所述的方法,其中,包围盒的描述参数包括中心点的坐标、长、宽、高、以及最大平面的法向量。
5.一种用于处理信息的装置,包括:
获取单元,被配置成获取道路的点数据集合和图像;
识别单元,被配置成将所述图像导入预先建立的交通标识牌识别模型,得到所述图像中包括的交通标识牌是否为组合交通标识牌的判断结果,以及基于简单的线性迭代聚类算法或基于深度学习的目标检测技术确定所述图像中的组合交通标识牌中每一个交通标识牌对应的包围框,其中,所述交通标识牌识别模型用于检测图像的交通标识牌对应的包围框,以及图像中的至少两个交通标识牌是否为组合交通标识牌,所述组合交通标识牌中的相邻的交通标识牌之间的距离小于预设阈值;
第一确定单元,被配置成基于确定出的包围框,确定所述至少两个交通标识牌在三维空间上对应的至少两个包围盒的初始描述参数;
第二确定单元,被配置成基于每一个交通标识牌对应的包围盒的初始描述参数确定该交通标识牌对应的包围盒的最终描述参数,以及根据所述最终描述参数确定的包围盒从所述点数据集合中确定用于描述该交通标识牌的点数据子集合。
6.根据权利要求5所述的装置,其中,所述第二确定单元包括:
划分模块,被配置成对所述点数据集合所在的三维空间进行网格划分,得到至少一个三维网格;
第一确定模块,被配置成将所述至少一个三维网格中的三维网格确定为空网格或非空网格;
第二确定模块,被配置成将每一个交通标识牌对应的包围盒的初始描述参数作为预先建立的目标函数的初始解,确定所述目标函数的最优解,其中,所述目标函数是基于包围盒所包含的点数据的数量、空网格数量和非空网格数量确定的;
第三确定模块,被配置成将确定的最优解作为该交通标识牌对应的包围盒的最终描述参数。
7.根据权利要求6所述的装置,其中,所述第一确定模块进一步被配置成:
对于所述至少一个三维网格中的三维网格,确定该三维网格中包括的点数据的数量是否大于预设的数量阈值;
响应于确定该三维网格中包括的点数据的数量大于预设的数量阈值,确定该三维网格为非空网格;
响应于确定该三维网格中包括的点数据的数量小于或等于预设的数量阈值,确定该三维网格为空网格。
8.根据权利要求5所述的装置,其中,包围盒的描述参数包括中心点的坐标、长、宽、高、以及最大平面的法向量。
9.一种设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413380.4A CN110110696B (zh) | 2019-05-17 | 2019-05-17 | 用于处理信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910413380.4A CN110110696B (zh) | 2019-05-17 | 2019-05-17 | 用于处理信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110696A CN110110696A (zh) | 2019-08-09 |
CN110110696B true CN110110696B (zh) | 2022-07-05 |
Family
ID=67490789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910413380.4A Active CN110110696B (zh) | 2019-05-17 | 2019-05-17 | 用于处理信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110696B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450459B (zh) * | 2020-03-25 | 2024-03-22 | 北京四维图新科技股份有限公司 | 目标物的三维模型构建方法及装置 |
CN112034488B (zh) * | 2020-08-28 | 2023-05-02 | 京东科技信息技术有限公司 | 目标物体自动标注方法与装置 |
CN114136333A (zh) * | 2021-10-15 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 基于分层特征的高精地图道路数据生成方法、装置、设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101445739B1 (ko) * | 2012-11-13 | 2014-10-06 | 한국건설기술연구원 | 도로표지판의 위치검출 방법 |
CN103559507B (zh) * | 2013-11-18 | 2017-12-05 | 沈阳工业大学 | 基于颜色与形状特征相结合的交通标志检测方法 |
US10699142B2 (en) * | 2017-04-20 | 2020-06-30 | GM Global Technology Operations LLC | Systems and methods for traffic signal light detection |
CN108846333B (zh) * | 2018-05-30 | 2022-02-18 | 厦门大学 | 标志牌地标数据集生成及车辆定位方法 |
CN109559528B (zh) * | 2019-01-18 | 2023-03-21 | 吉林大学 | 一种基于3d激光雷达的自感知交互式交通信号控制装置 |
CN109753949B (zh) * | 2019-01-31 | 2022-08-12 | 南京邮电大学 | 一种基于深度学习的多视窗交通标志检测方法 |
-
2019
- 2019-05-17 CN CN201910413380.4A patent/CN110110696B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110110696A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117831B (zh) | 物体检测网络的训练方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN110110696B (zh) | 用于处理信息的方法和装置 | |
CN111414953B (zh) | 点云分类方法和装置 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN115457531A (zh) | 用于识别文本的方法和装置 | |
CN112258512A (zh) | 点云分割方法、装置、设备和存储介质 | |
CN109118456B (zh) | 图像处理方法和装置 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN111967467A (zh) | 图像目标检测方法、装置、电子设备和计算机可读介质 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN111340015B (zh) | 定位方法和装置 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和*** | |
CN113673446A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN112037305A (zh) | 对图像中的树状组织进行重建的方法、设备及存储介质 | |
CN116310349A (zh) | 基于深度学习的大规模点云分割方法、装置、设备及介质 | |
CN115061386B (zh) | 智能驾驶的自动化仿真测试***及相关设备 | |
CN110120075B (zh) | 用于处理信息的方法和装置 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN113255819B (zh) | 用于识别信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |