CN110135323A - 图像标注方法、装置、***及存储介质 - Google Patents
图像标注方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN110135323A CN110135323A CN201910385692.9A CN201910385692A CN110135323A CN 110135323 A CN110135323 A CN 110135323A CN 201910385692 A CN201910385692 A CN 201910385692A CN 110135323 A CN110135323 A CN 110135323A
- Authority
- CN
- China
- Prior art keywords
- image
- precision map
- imaging sensor
- sensor
- coordinate system
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像标注方法、装置、***及存储介质,该方法,包括:获取图像传感器在高精度地图中的位置信息;根据所述位置信息,确定所述高精度地图中的目标物;根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像。从而实现了通过高精度地图中的目标物,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像标注方法、装置、***及存储介质。
背景技术
近年来,辅助驾驶、自动驾驶技术得到了飞速发展,车道线检测、标识牌识别等静态目标检测是其中最重要的技术之一。而这些技术往往采用神经网络模型,在神经网络的训练过程中通常需要大量的标注数据,标注数据数量越多,模型的训练效果越好。
目前,通用的方法是通过车载摄像头在道路上采集图像,然后人工对采集后的图像进行标注。
但是,神经网络的训练过程中有的需要几万、几十万甚至几百万的标注数据。这种人工标注的方式,费时费力,效率比较低,而且由于人的主观因素,可能会存在标注错误的情况。
发明内容
本发明提供一种图像标注方法、装置、***及存储介质,以实现通过高精度地图中的静态目标,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。
第一方面,本发明实施例提供一种图像标注方法,包括:
获取图像传感器在高精度地图中的位置信息;
根据所述位置信息,确定所述高精度地图中的目标物;
根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像。
第二方面,本发明实施例提供一种图像标注装置,包括:
获取模块,用于获取图像传感器在高精度地图中的位置信息;
确定模块,用于根据所述位置信息,确定所述高精度地图中的目标物;
处理模块,用于根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像。
第三方面,本发明实施例提供一种图像标注***,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的图像标注方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现第一方面中任一项所述的图像标注方法。
本发明提供一种图像标注方法、装置、***及存储介质,通过获取图像传感器在高精度地图中的位置信息;根据所述位置信息,确定所述高精度地图中的目标物;根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像。从而实现了通过高精度地图中的目标物,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一应用场景的原理示意图;
图2为本发明实施例一提供的图像标注方法的流程图;
图3为本发明实施例一提供的图像标注方法的坐标转换示意图;
图4为本发明实施例一提供的图像标注方法的原始图像;
图5为本发明实施例一提供的图像标注方法的车道线标注示意图;
图6为本发明实施例二提供的图像标注方法的流程图;
图7为本发明实施例三提供的图像标注装置的结构示意图;
图8为本发明实施例四提供的图像标注装置的结构示意图;
图9为本发明实施例五提供的图像标注平台的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
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”、“第三”“第四”等(如果存在)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例如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、***、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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
基于卷积神经网络的深度学习方法依赖于大量的标注数据来进行训练,标注数量越多,训练的模型效果越好。而标注数据的获取主要是通过人工标注的方法,费时费力。在辅助驾驶、自动驾驶领域,可靠的车道线是至关重要的。为了能够实现可靠的车道线检测方法,目前通用的方法是通过车载摄像头在道路上采集图像,然后人工对采集后的图像进行标注。这样就造成了效率低下,而且浪费人力物力。
具体地,以车道线检测为例,车道线的检测方法都是基于卷积神经网络的方法,因此通常需要大量的标注数据,有的需要几万、几十万甚至几百万的数据。而这些数据的标注信息通常是由人工进行标注,效率比较低,而且由于人的主观因素,可能会存在标注错误的情况。
针对上述问题,本发明实施例提供一种图像标注方法、装置、***及存储介质,以实现目标物(例如车道线)的自动标注,从而节省人力物力,提高标注精度以及效率。
对于高精度地图而言,拥有地图定位精度高、信息量大、道路信息细化(包含车道线、交通标志等详细交通信息)、车道与车道间的拓扑关系等优点。而高精度地图中的车道线信息可以为车道线检测模型训练提供标注信息,从而省略人工标注的步骤,能够获取大量的标注数据。
为了能够将高精度地图中的车道线信息提取出来,并变换到图像中,首先需要的是图像传感器(摄像头)相对于高精度地图的位姿信息,即对图像传感器进行标定,获得标定信息。其次,需要获知图像传感器在高精度地图中的位置(可以采用具有高精度定位功能的GPS,或者IMU来获得图像传感器在高精度地图中的位置)。最后,将高精度地图中的车道线信息通过透视投影变换,转换到图像中,完成车道线的自动标注,并生成标注信息,保存原图片和标注信息。
图1为本发明一应用场景的原理示意图,如图1所示,高精度地图主要包括了道路层,车道层和定位数据层,具有地图定位精度高、信息量大、道路信息细化(包含车道线、交通标识牌、红绿灯、护栏等静态目标物的详细位置信息)、车道与车道间的拓扑关系等优点。本发明提取高精度地图中的目标物信息,完成对图像传感器拍摄的图像进行自动标注,为神经网络训练提供了高质量的标注数据。
应用上述方法,可以实现通过高精度地图中的目标物,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
实施例一
图2为本发明实施例一提供的图像标注方法的流程图,如图2所示,本实施例中的方法可以包括:
S101、获取图像传感器在高精度地图中的位置信息。
本实施例中,由于图像传感器被预先安装在车辆上,因此,可以根据车辆周围的环境或者车辆GPS***确定的经纬度信息,确定图像传感器在高精度地图中的位置信息。
S102、根据位置信息,确定高精度地图中的目标物。
本实施例中,由于图像传感器的位置被确定,因此,图像传感器拍摄到的图像必然与高精度地图中该传感器位置视野范围内的物体对应,从而可以将图像中识别出的特定物体作为目标物(例如:车道、护栏等等)。
S103、根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像。
本实施例中,由于图像传感器拍摄的原始图像的坐标系与高精度地图的坐标系不同,因此为了将目标物对应的坐标转换到图像传感器拍摄的原始图像上,就需要进行坐标系的转换。具体地,每个图像传感器都有各自的坐标系,为了将各坐标***进行转换,首先需要获取图像传感器的参数。通过图像传感器的标定可以获得图像传感器的参数,通过图像传感器的参数进行坐标系的转换。图3为本发明实施例一提供的图像标注方法的坐标转换示意图,如图3所示,高精度地图的坐标系O-XYZ为与图像传感器所拍摄的原始图像的坐标系O’-X’Y’Z’为不同的坐标系,为了能够使目标物点P能够在两个坐标系之间互相转换,则需要坐标系O-XYZ到坐标系O’-X’Y’Z’之间的旋转与平移参数,即[R,T]。即目标物P通过旋转R和平移T,则可以转换到坐标系O’-X’Y’Z’获得目标物的转换坐标P’。最后,通过透视投影变换,将目标物的转换坐标P’变换为原始图像的二维坐标,根据二维坐标,标注目标物在所述原始图像上的投影位置,对投影位置进行标注之后,即得到标注的目标图像。以车道线标注为例,图4为本发明实施例一提供的图像标注方法的原始图像,图5为本发明实施例一提供的图像标注方法的车道线标注示意图。参见图4和图5所示,本发明中的方法可以准确的标注出图像中的车道线。
具体地,为了能够充分利用已经生成好的高精度地图,针对需要获取车道线的路段,还可以通过摄像头采集视频图像,然后将视频图像中的路段与高精度地图中的路段进行匹配,确定视频图像在高精度地图中的起始点,基于该起始点位置,确定每一帧视频图像中的路段在高精度地图中的位置信息。然后根据位置信息,确定高精度地图中的车道线信息,这样就可以将已经生成好的高精度地图中的车道线信息通过透视投影变换,将其投影到视频图像中,得到标注有车道线的视频图像。
本实施例,通过获取图像传感器在高精度地图中的位置信息;根据位置信息,确定高精度地图中的目标物;根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像。从而实现了通过高精度地图中的目标物,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。
可选地,在实施例一中,步骤S101还可以采用如下任一方式:
方式一:可以将图像传感器拍摄的视频图像中的路段与高精度地图中的路段进行匹配,得到匹配路段;并根据该匹配路段在高精度地图上的位置信息,确定图像传感器在高精度地图中的位置信息。具体地,首先提取视频图像中的路段信息(例如可以根据视频图像中的路牌、建筑物等等获取出该视频图像的路段名称和路段位置),从高精度地图中获取与该路段信息匹配的路段;将综合匹配度最高的路段作为匹配路段,根据该匹配路段在高精度地图上的位置信息(例如坐标信息或者经纬度信息)确定图像传感器在高精度地图中的位置信息。因此,视频中的每一帧图像都可以与高精度地图中的信息一一对应,从而获得每一帧图像对应的图像传感器在高精度地图中的位置信息。
方式二:可以直接根据定位传感器获得图像传感器在高精度地图中的位置信息。具体地,获取图像传感器的位置信息,可以通过定位传感器获得车辆或者图像传感器的实时位置。
需要说明的是,本实施例不限定图像传感器在高精度地图上确定位置的具体方式,除了上述两种方式以外,还可以通过标志性建筑物进行定位,例如图像传感器拍摄到包含标志性建筑物的图像时,可以通过该标志性建筑物在高精度地图上的位置来确定图像传感器的位置。
可选地,在步骤S102中,可以根据图像传感器在高精度地图中的位置,确定与图像传感器视野范围对应的位于高精度地图上的目标物,目标物包括:车道线、交通标识牌、红绿灯、护栏。
可选地,在步骤S103中,可以根据换算参数[R,T](R为坐标系变换旋转参数,T为坐标系变换平移参数),将目标物的坐标从高精度地图的坐标系转换到图像传感器所拍摄的原始图像的坐标系,得到目标物的转换坐标;根据透视投影变换,将目标物的转换坐标变换为原始图像上的二维坐标;根据二维坐标,标注目标物在所述原始图像上的投影位置,得到标注的目标图像。
实施例二
图6为本发明实施例二提供的图像标注方法的流程图,如图6所示,本实施例中的方法可以包括:
S201、获取图像传感器相对于高精度地图的位姿信息;根据位姿信息,获得高精度地图的坐标系与图像传感器所拍摄的原始图像的坐标系之间的换算参数[R,T]。
本实施例中,R为坐标系变换旋转参数,T为坐标系变换平移参数。为了能够将高精度地图中的车道线信息提取出来,投影到图像中,首先需要获得图像传感器相对于高精度地图的位姿信息。高精度地图在进行制作时,有多种传感器进行数据收集,比如激光雷达、摄像头、GPS、IMU等,这些收集数据的传感器需要在同一个坐标系下工作,需要进行多传感器的标定,将传感器都统一到相同的坐标系下,这样每个传感器的数据都可以通过标定获得的参数来进行转换。这样就可以获得图像传感器相对于高精度地图的位姿信息。
具体地,计算机视觉的基本任务之一是从摄像机获取的图像信息出发计算三维空间中物体的几何信息,并由此重建和识别物体,而空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系是由摄像机成像的几何模型决定的,这些几何模型参数就是摄像机参数。在大多数条件下,这些参数必须通过实验与计算才能得到,这个过程被称为摄像机定标(或称为标定)。标定过程就是确定摄像机的几何和光学参数,摄像机相对于世界坐标系的方位。摄像机参数标定的方法已经比较成熟,首先需要标定板,标定板为平面棋盘格,作为标定物。然后,通过调整标定板的方向,使用待标定的摄像头为标定板拍摄不同角度的图片。从照片中提取棋盘格角点,使用MATLAB,OpenCV等软件对摄像头进行标定,获取摄像头的内参K和外参[R,T]。
S202、获取图像传感器在高精度地图中的位置信息。
S203、根据位置信息,确定高精度地图中的目标物。
S204、根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像。
本实施例中,步骤S202~步骤S204的具体实现过程和技术原理请参见图2所示的方法中步骤S101~步骤S103中的相关描述,此处不再赘述。
S205、建立数据库,分别保存原始图像以及标注的目标图像。
本实施例中,可以将原始图像和标注的目标图像进行保存,以备后续使用或修改。
本实施例,通过获取图像传感器在高精度地图中的位置信息;根据位置信息,确定高精度地图中的目标物;根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像。从而实现了通过高精度地图中的目标物,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。另外,本实施例还可以将原始图像和标注的目标图像进行保存。
实施例三
图7为本发明实施例三提供的图像标注装置的结构示意图,如图7所示,本实施例的图像标注装置可以包括:
获取模块31,用于获取图像传感器在高精度地图中的位置信息;
确定模块32,用于根据位置信息,确定高精度地图中的目标物;
处理模块33,用于根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像。
在一种可能的设计中,确定模块32,具体用于:
根据图像传感器在高精度地图中的位置,确定与图像传感器视野范围对应的位于高精度地图上的目标物,目标物包括:车道线、交通标识牌、红绿灯、护栏。
在一种可能的设计中,处理模块33,具体用于:
根据换算参数[R,T],将目标物的坐标从高精度地图的坐标系转换到图像传感器所拍摄的原始图像的坐标系,得到目标物的转换坐标;
根据透视投影变换,将目标物的转换坐标投影到原始图像中,得到标注的目标图像。
在一种可能的设计中,获取模块31,具体用于:
方式一:将图像传感器拍摄的视频图像中的路段与高精度地图中的路段进行匹配,得到匹配路段;根据匹配路段在高精度地图上的位置信息,确定所述图像传感器在高精度地图中的位置信息;
方式二:根据定位传感器获得图像传感器在高精度地图中的位置信息。
本实施例,通过获取图像传感器在高精度地图中的位置信息;根据位置信息,确定高精度地图中的目标物;根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像。从而实现了通过高精度地图中的目标物,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。
本实施例的图像标注装置,可以执行图2所示方法中的技术方案,其具体实现过程和技术原理参见图2所示方法中的相关描述,此处不再赘述。
图8为本发明实施例四提供的图像标注装置的结构示意图,如图8所示,本实施例的图像标注装置在图7所示装置的基础上,还可以包括:
标定模块34,用于在获取图像传感器在高精度地图中的位置信息之前,获取图像传感器相对于高精度地图的位姿信息;根据位姿信息,获得高精度地图的坐标系与图像传感器所拍摄的原始图像的坐标系之间的换算参数[R,T];其中,R为坐标系变换旋转参数,T为坐标系变换平移参数。
保存模块35,用于在根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像之后,建立数据库,分别保存原始图像以及标注的目标图像。
本实施例,通过获取图像传感器在高精度地图中的位置信息;根据位置信息,确定高精度地图中的目标物;根据透视投影变换,将目标物投影到图像传感器拍摄的原始图像中,得到标注的目标图像。从而实现了通过高精度地图中的目标物,完成图像自动标注的目的,节省人力、物力,提高标注的效率和准确性,提升了标注数据的质量。另外,本实施例还可以将原始图像和标注的目标图像进行保存。
本实施例的图像标注装置,可以执行图2、图6所示方法中的技术方案,其具体实现过程和技术原理参见图2、图6所示方法中的相关描述,此处不再赘述。
图9为本发明实施例五提供的图像标注平台的结构示意图,如图9所示,本实施例的图像标注平台40可以包括:处理器41和存储器42。
存储器42,用于存储计算机程序(如实现上述图像标注方法的应用程序、功能模块等)、计算机指令等;
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
处理器41,用于执行存储器42存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器41和存储器42可以是独立结构,也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时,存储器42、处理器41可以通过总线43耦合连接。
需要说明的是,本实施例不限定图像标注平台的具体类别,本实施例中的图像标注平台可以是云平台,利用云服务完成图像的标注。也可以是具备计算功能的后台服务器,通过后台服务器完成图像的标注。
本实施例的服务器可以执行图2、图6所示方法中的技术方案,其具体实现过程和技术原理参见图2、图6所示方法中的相关描述,此处不再赘述。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当用户设备的至少一个处理器执行该计算机执行指令时,用户设备执行上述各种可能的方法。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
本申请还提供一种程序产品,程序产品包括计算机程序,计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的图像标注方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种图像标注方法,其特征在于,包括:
获取图像传感器在高精度地图中的位置信息;
根据所述位置信息,确定所述高精度地图中的目标物;
根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像。
2.根据权利要求1所述的方法,其特征在于,在获取图像传感器在高精度地图中的位置信息之前,还包括:
获取所述图像传感器相对于所述高精度地图的位姿信息;
根据所述位姿信息,获得所述高精度地图的坐标系与所述图像传感器所拍摄的原始图像的坐标系之间的换算参数[R,T];其中,R为坐标系变换旋转参数,T为坐标系变换平移参数。
3.根据权利要求1所述的方法,其特征在于,根据所述位置信息,确定所述高精度地图中的目标物,包括:
根据所述图像传感器在所述高精度地图中的位置,确定与所述图像传感器视野范围对应的位于所述高精度地图上的目标物,所述目标物包括:车道线、交通标识牌、红绿灯、护栏。
4.根据权利要求2所述的方法,其特征在于,根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像,包括:
根据所述换算参数[R,T],将所述目标物的坐标从所述高精度地图的坐标系转换到所述图像传感器所拍摄的原始图像的坐标系,得到所述目标物的转换坐标;
根据透视投影变换,将所述目标物的转换坐标变换为所述原始图像上的二维坐标;
根据所述二维坐标,标注所述目标物在所述原始图像上的投影位置,得到标注的目标图像。
5.根据权利要求1所述的方法,其特征在于,在根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像之后,还包括:
建立数据库,分别保存所述原始图像以及标注的目标图像。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述获取图像传感器在高精度地图中的位置信息,包括以下任一方式:
方式一:将图像传感器拍摄的视频图像中的路段与高精度地图中的路段进行匹配,得到匹配路段;根据所述匹配路段在高精度地图上的位置信息,确定所述图像传感器在所述高精度地图中的位置信息;
方式二:根据定位传感器获得图像传感器在所述高精度地图中的位置信息。
7.一种图像标注装置,其特征在于,包括:
获取模块,用于获取图像传感器在高精度地图中的位置信息;
确定模块,用于根据所述位置信息,确定所述高精度地图中的目标物;
处理模块,用于根据透视投影变换,将所述目标物投影到所述图像传感器拍摄的原始图像中,得到标注的目标图像。
8.根据权利要求7所述的装置,其特征在于,还包括:
标定模块,用于在获取图像传感器在高精度地图中的位置信息之前,获取所述图像传感器相对于所述高精度地图的位姿信息;根据所述位姿信息,获得所述高精度地图的坐标系与所述图像传感器所拍摄的原始图像的坐标系之间的换算参数[R,T];其中,R为坐标系变换旋转参数,T为坐标系变换平移参数。
9.一种图像标注平台,其特征在于,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-6中任一项所述的图像标注方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述的图像标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385692.9A CN110135323A (zh) | 2019-05-09 | 2019-05-09 | 图像标注方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385692.9A CN110135323A (zh) | 2019-05-09 | 2019-05-09 | 图像标注方法、装置、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135323A true CN110135323A (zh) | 2019-08-16 |
Family
ID=67577020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910385692.9A Pending CN110135323A (zh) | 2019-05-09 | 2019-05-09 | 图像标注方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135323A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111546985A (zh) * | 2020-04-26 | 2020-08-18 | 东风汽车集团有限公司 | 一种基于高精度地图的360度全景影像增强*** |
CN111873995A (zh) * | 2020-08-04 | 2020-11-03 | 禾多科技(北京)有限公司 | 高速公路自动驾驶上下匝道的***及方法 |
CN111999752A (zh) * | 2020-08-25 | 2020-11-27 | 北京百度网讯科技有限公司 | 确定道路信息数据的方法、装置和计算机存储介质 |
CN112667837A (zh) * | 2019-10-16 | 2021-04-16 | 上海商汤临港智能科技有限公司 | 图像数据自动标注方法及装置 |
CN113542800A (zh) * | 2021-06-28 | 2021-10-22 | 宜宾中星技术智能***有限公司 | 视频画面定标方法、装置、终端设备 |
CN113643226A (zh) * | 2020-04-27 | 2021-11-12 | 成都术通科技有限公司 | 标注方法、装置、设备及介质 |
CN113763513A (zh) * | 2021-08-17 | 2021-12-07 | 国家能源集团江西电力有限公司万安水力发电厂 | 一种图像中目标物的交互式标记方法 |
CN114531580A (zh) * | 2020-11-23 | 2022-05-24 | 北京四维图新科技股份有限公司 | 图像处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971589A (zh) * | 2013-01-28 | 2014-08-06 | 腾讯科技(深圳)有限公司 | 将地图的兴趣点信息添加于街景图像中的处理方法及装置 |
WO2018075053A1 (en) * | 2016-10-21 | 2018-04-26 | Siemens Aktiengesellschaft | Object pose based on matching 2.5d depth information to 3d information |
CN108073648A (zh) * | 2016-11-15 | 2018-05-25 | 北京四维图新科技股份有限公司 | 电子地图信息标注方法、装置及*** |
CN108876900A (zh) * | 2018-05-11 | 2018-11-23 | 重庆爱奇艺智能科技有限公司 | 一种与现实场景融合的虚拟目标投射方法和*** |
CN108955525A (zh) * | 2018-07-26 | 2018-12-07 | 广东工业大学 | 透视投影式机器学习图像数据标注***及方法 |
-
2019
- 2019-05-09 CN CN201910385692.9A patent/CN110135323A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971589A (zh) * | 2013-01-28 | 2014-08-06 | 腾讯科技(深圳)有限公司 | 将地图的兴趣点信息添加于街景图像中的处理方法及装置 |
WO2018075053A1 (en) * | 2016-10-21 | 2018-04-26 | Siemens Aktiengesellschaft | Object pose based on matching 2.5d depth information to 3d information |
CN108073648A (zh) * | 2016-11-15 | 2018-05-25 | 北京四维图新科技股份有限公司 | 电子地图信息标注方法、装置及*** |
CN108876900A (zh) * | 2018-05-11 | 2018-11-23 | 重庆爱奇艺智能科技有限公司 | 一种与现实场景融合的虚拟目标投射方法和*** |
CN108955525A (zh) * | 2018-07-26 | 2018-12-07 | 广东工业大学 | 透视投影式机器学习图像数据标注***及方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667837A (zh) * | 2019-10-16 | 2021-04-16 | 上海商汤临港智能科技有限公司 | 图像数据自动标注方法及装置 |
WO2021073656A1 (zh) * | 2019-10-16 | 2021-04-22 | 上海商汤临港智能科技有限公司 | 图像数据自动标注方法及装置 |
CN111546985A (zh) * | 2020-04-26 | 2020-08-18 | 东风汽车集团有限公司 | 一种基于高精度地图的360度全景影像增强*** |
CN113643226A (zh) * | 2020-04-27 | 2021-11-12 | 成都术通科技有限公司 | 标注方法、装置、设备及介质 |
CN113643226B (zh) * | 2020-04-27 | 2024-01-19 | 成都术通科技有限公司 | 标注方法、装置、设备及介质 |
CN111873995A (zh) * | 2020-08-04 | 2020-11-03 | 禾多科技(北京)有限公司 | 高速公路自动驾驶上下匝道的***及方法 |
CN111999752A (zh) * | 2020-08-25 | 2020-11-27 | 北京百度网讯科技有限公司 | 确定道路信息数据的方法、装置和计算机存储介质 |
US11783570B2 (en) | 2020-08-25 | 2023-10-10 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for determining road information data and computer storage medium |
CN111999752B (zh) * | 2020-08-25 | 2024-03-26 | 阿波罗智能技术(北京)有限公司 | 确定道路信息数据的方法、装置和计算机存储介质 |
CN114531580A (zh) * | 2020-11-23 | 2022-05-24 | 北京四维图新科技股份有限公司 | 图像处理方法及装置 |
CN114531580B (zh) * | 2020-11-23 | 2023-11-21 | 北京四维图新科技股份有限公司 | 图像处理方法及装置 |
CN113542800A (zh) * | 2021-06-28 | 2021-10-22 | 宜宾中星技术智能***有限公司 | 视频画面定标方法、装置、终端设备 |
CN113763513A (zh) * | 2021-08-17 | 2021-12-07 | 国家能源集团江西电力有限公司万安水力发电厂 | 一种图像中目标物的交互式标记方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135323A (zh) | 图像标注方法、装置、***及存储介质 | |
US11030525B2 (en) | Systems and methods for deep localization and segmentation with a 3D semantic map | |
CN111830953B (zh) | 车辆自定位方法、装置及*** | |
Wolcott et al. | Visual localization within lidar maps for automated urban driving | |
CN104766058B (zh) | 一种获取车道线的方法和装置 | |
CN112667837A (zh) | 图像数据自动标注方法及装置 | |
CN109141444B (zh) | 定位方法、装置、存储介质及移动设备 | |
CN105844624A (zh) | 动态标定***、动态标定***中的联合优化方法及装置 | |
JP7440005B2 (ja) | 高精細地図の作成方法、装置、デバイス及びコンピュータプログラム | |
CN112465970B (zh) | 导航地图构建方法、装置、***、电子装置和存储介质 | |
CN112419512B (zh) | 一种基于语义信息的空中三维模型修复***及方法 | |
CN111160360B (zh) | 图像识别方法、装置及*** | |
CN109711242A (zh) | 车道线的修正方法、装置和存储介质 | |
CN111932627B (zh) | 一种标识物绘制方法及*** | |
CN113139031B (zh) | 用于自动驾驶的交通标识的生成方法及相关装置 | |
KR20230003803A (ko) | 라이다 좌표계와 카메라 좌표계의 벡터 정합을 통한 자동 캘리브레이션 방법 | |
CN114119682A (zh) | 一种激光点云和图像配准方法及配准*** | |
CN112132754B (zh) | 一种车辆移动轨迹修正方法及相关装置 | |
CN111758118B (zh) | 一种视觉定位方法、装置、设备及可读存储介质 | |
CN111754388B (zh) | 一种建图方法及车载终端 | |
CN116295463A (zh) | 一种导航地图元素的自动标注方法 | |
CN115496873A (zh) | 一种基于单目视觉的大场景车道建图方法及电子设备 | |
CN115345944A (zh) | 外参标定参数确定方法、装置、计算机设备和存储介质 | |
JP2012099010A (ja) | 画像処理装置及び画像処理プログラム | |
AU2020103993A4 (en) | Mobile augmented reality service apparatus and method using deep learning based positioning technology |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |