CN110287832A - 高速自动驾驶场景障碍物感知评测方法及装置 - Google Patents

高速自动驾驶场景障碍物感知评测方法及装置 Download PDF

Info

Publication number
CN110287832A
CN110287832A CN201910510550.0A CN201910510550A CN110287832A CN 110287832 A CN110287832 A CN 110287832A CN 201910510550 A CN201910510550 A CN 201910510550A CN 110287832 A CN110287832 A CN 110287832A
Authority
CN
China
Prior art keywords
obstacles
obstacle
type
target
matched
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
Application number
CN201910510550.0A
Other languages
English (en)
Inventor
赵晓健
向旭东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910510550.0A priority Critical patent/CN110287832A/zh
Publication of CN110287832A publication Critical patent/CN110287832A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种高速自动驾驶场景障碍物感知评测方法及装置，该方法包括：根据视觉感知算法对路测图像进行处理，得到算法输出数据，所述算法输出数据包括第一障碍物的位置和类型，所述路测图像是自动驾驶车辆在道路上行驶时采集得到的；对路测图像中的障碍物进行标注处理，得到真值标注数据，所述真值标注数据包括第二障碍物的位置和类型；根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果。本发明实施例提供的高速自动驾驶场景障碍物感知评测方法及装置，能够解决现有障碍物感知评测方法路测成本高，且在实际道路测试中存在一定危险的问题。

Description

高速自动驾驶场景障碍物感知评测方法及装置
技术领域
本发明实施例涉及自动驾驶领域，尤其涉及一种高速自动驾驶场景障碍物感知评测方法及装置。
背景技术
自动驾驶汽车又称无人驾驶汽车，是一种综合感知***驱动，计算机软件控制实现的无人驾驶的智能车辆。它是未来智能交通的重要组成部分，拥有十分光明的前景，是当前车辆工程领域研究的热点之一。
在自动驾驶领域，视觉感知障碍物对无人车辆的驾驶决策具有重要的影响。在具体实现过程中，通过摄像头采集图像信息，然后对该图像信息进行算法处理，输出自动驾驶场景的视觉感知障碍物，然后对视觉感知障碍物和其他传感器信息进行信息融合，输出当前环境信息。现有验证无人驾驶场景视觉感知障碍物的输出效果的好坏，主要是直接进行道路测试来观察实际的路测效果，通过记录前方遇到障碍物时自动驾驶车辆的表现来评测视觉感知算法是否满足自动驾驶场景的需求。
然而，现有的障碍物感知评测方法，不仅路测成本高，而且在实际的道路测试中测试人员也会存在一定的危险。
发明内容
本发明实施例提供一种高速自动驾驶场景障碍物感知评测方法及装置，以解决现有障碍物感知评测方法路测成本高，且在实际道路测试中存在一定危险的问题。
第一方面，本发明实施例提供一种高速自动驾驶场景障碍物感知评测方法，包括：
根据视觉感知算法对路测图像进行处理，得到算法输出数据，所述算法输出数据包括第一障碍物的位置和类型，所述路测图像是自动驾驶车辆在道路上行驶时采集得到的；
对路测图像中的障碍物进行标注处理，得到真值标注数据，所述真值标注数据包括第二障碍物的位置和类型；
根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果。
在一种可能的设计中，所述根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果，包括：
根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率；
若所述重叠率大于预设阈值，则根据所述第一障碍物的类型和所述第二障碍物的类型，获取类型匹配结果；
根据所述重叠率和所述类型匹配结果，获取所述视觉感知算法的评测结果。
在一种可能的设计中，所述根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率，包括：
根据所述第一障碍物的位置，获取预测框，以及根据所述第二障碍物的位置，获取标注框；所述预测框覆盖所述第一障碍物，所述标注框覆盖所述第二障碍物；
根据所述标注框和所述预测框，得到第一面积和第二面积，所述第一面积为所述标注框和所述预测框的交集面积，所述第二面积为所述标注框和所述预测框的并集面积；
根据所述第一面积和所述第二面积得到所述重叠率。
在一种可能的设计中，所述根据所述重叠率，获取所述视觉感知算法的评测结果，包括：
针对所有的所述第一障碍物，根据各所述第一障碍物以及各所述第一障碍物各自对应的第二障碍物的重叠率，获取与所述第二障碍物的重叠率大于预设阈值的目标障碍物的数量；
根据所有的所述第一障碍物的数量和所述目标障碍物的数量，得到总体检测准确率；
根据所有的所述第二障碍物的数量和所述目标障碍物的数量，得到总体检测召回率。
在一种可能的设计中，所述根据所述类型匹配结果，获取所述视觉感知算法的评测结果，包括：
针对所有的所述第一障碍物，根据各所述第一障碍物的类型以及各所述第一障碍物各自对应的第二障碍物的类型，获取与各所述第二障碍物的类型匹配的目标障碍物的数量；
根据所述类型匹配的目标障碍物的数量以及所有的所述第一障碍物的数量，得到总体分类准确率；
根据所述类型匹配的目标障碍物的数量以及所有的所述第二障碍物的数量，得到总体分类召回率。
在一种可能的设计中，所述根据所述类型匹配结果，获取所述视觉感知算法的评测结果，包括：
在类型匹配的所述第一障碍物和所述第二障碍物中，获取属于目标类型的第一障碍物的数量和第二障碍物的数量；
根据所述属于目标类型的第一障碍物的数量以及所述类型匹配的且属于目标类型的第一障碍物的数量，确定所述目标类型对应的分类准确率；
根据所述属于目标类型的第二障碍物的数量以及所述类型匹配的且属于目标类型的第二障碍物的数量，确定所述目标类型对应的分类召回率。
在一种可能的设计中，所述根据所述类型匹配结果，获取所述视觉感知算法的评测结果，包括：
在位置匹配的所述第一障碍物和所述第二障碍物中，获取位置匹配的且属于目标分类组的第一障碍物的数量和位置匹配的且属于目标分类组的第二障碍物的数量；
根据属于目标分类组的第一障碍物的数量以及所述位置匹配的且属于目标分类组的第一障碍物的数量，确定所述目标分类组对应的分类准确率；
根据属于目标分类组的第二障碍物的数量以及所述位置匹配的且属于目标分类组的第二障碍物的数量，确定所述目标分类组对应的分类召回率。
第二方面，本发明实施例提供一种高速自动驾驶场景障碍物感知评测装置，包括：
第一处理模块，用于根据视觉感知算法对路测图像进行处理，得到算法输出数据，所述算法输出数据包括第一障碍物的位置和类型，所述路测图像是自动驾驶车辆在道路上行驶时采集得到的；
第二处理模块，用于对路测图像中的障碍物进行标注处理，得到真值标注数据，所述真值标注数据包括第二障碍物的位置和类型；
评测模块，用于根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果。
在一种可能的设计中，所述评测模块具体用于：
根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率；
若所述重叠率大于预设阈值，则根据所述第一障碍物的类型和所述第二障碍物的类型，获取类型匹配结果；
根据所述重叠率和所述类型匹配结果，获取所述视觉感知算法的评测结果。
在一种可能的设计中，所述评测模块还用于：
根据所述第一障碍物的位置，获取预测框，以及根据所述第二障碍物的位置，获取标注框；所述预测框覆盖所述第一障碍物，所述标注框覆盖所述第二障碍物；
根据所述标注框和所述预测框，得到第一面积和第二面积，所述第一面积为所述标注框和所述预测框的交集面积，所述第二面积为所述标注框和所述预测框的并集面积；
根据所述第一面积和所述第二面积得到所述重叠率。
在一种可能的设计中，所述评测模块具体用于：
针对所有的所述第一障碍物，根据各所述第一障碍物以及各所述第一障碍物各自对应的第二障碍物的重叠率，获取与所述第二障碍物的重叠率大于预设阈值的目标障碍物的数量；
根据所有的所述第一障碍物的数量和所述目标障碍物的数量，得到总体检测准确率；
根据所有的所述第二障碍物的数量和所述目标障碍物的数量，得到总体检测召回率。
在一种可能的设计中，所述评测模块具体用于：
针对所有的所述第一障碍物，根据各所述第一障碍物的类型以及各所述第一障碍物各自对应的第二障碍物的类型，获取与各所述第二障碍物的类型匹配的目标障碍物的数量；
根据所述类型匹配的目标障碍物的数量以及所有的所述第一障碍物的数量，得到总体分类准确率；
根据所述类型匹配的目标障碍物的数量以及所有的所述第二障碍物的数量，得到总体分类召回率。
在一种可能的设计中，所述评测模块具体用于：
在类型匹配的所述第一障碍物和所述第二障碍物中，获取属于目标类型的第一障碍物的数量和第二障碍物的数量；
根据所述属于目标类型的第一障碍物的数量以及所述类型匹配的且属于目标类型的第一障碍物的数量，确定所述目标类型对应的分类准确率；
根据所述属于目标类型的第二障碍物的数量以及所述类型匹配的且属于目标类型的第二障碍物的数量，确定所述目标类型对应的分类召回率。
在一种可能的设计中，所述评测模块具体用于：
在位置匹配的所述第一障碍物和所述第二障碍物中，获取位置匹配的且属于目标分类组的第一障碍物的数量和位置匹配的且属于目标分类组的第二障碍物的数量；
根据属于目标分类组的第一障碍物的数量以及所述位置匹配的且属于目标分类组的第一障碍物的数量，确定所述目标分类组对应的分类准确率；
根据属于目标分类组的第二障碍物的数量以及所述位置匹配的且属于目标分类组的第二障碍物的数量，确定所述目标分类组对应的分类召回率。
第三方面，本发明实施例提供一种高速自动驾驶场景障碍物感知评测设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任一项所述的高速自动驾驶场景障碍物感知评测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的高速自动驾驶场景障碍物感知评测方法。
本发明实施例提供的高速自动驾驶场景障碍物感知评测方法及装置，首先根据视觉感知算法对路测图像进行处理，得到算法输出数据，然后对路测图像中的障碍物进行标注处理，得到真值标注数据，最后根据算法输出数据中第一障碍物的位置和类型，以及真值标注数据中第二障碍物的位置和类型进行障碍物匹配，得到视觉感知算法的评测结果，本发明实施例提供的评测方法，在自动驾驶车辆在道路上行驶时，无需测试人员在车辆上进行观察，能够节约路测成本和避免危险，同时通过对障碍物的位置和类型多维度进行评测，提高了评测的有效性。
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为本发明实施例提供的高速自动驾驶场景障碍物感知评测的应用场景示意图；
图2为本发明实施例提供的高速自动驾驶场景障碍物感知评测方法的流程示意图；
图3为本发明实施例提供的障碍物匹配的流程示意图；
图4为本发明实施例提供的获取IOU矩阵元素的示意图；
图5为本发明实施例提供获取重叠率的示意图；
图6为本发明实施例提供的总体障碍物的检测结果的获取流程示意图；
图7为本发明实施例提供的总体障碍物的分类结果的获取流程示意图；
图8为本发明实施例提供的目标分类组的评测结果的获取流程示意图；
图9为本发明实施例提供的高速自动驾驶场景障碍物感知评测装置的结构示意图；
图10为本发明实施例提供的高速自动驾驶场景障碍物感知评测设备的硬件结构示意图。
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。
图1为本发明实施例提供的高速自动驾驶场景障碍物感知评测的应用场景示意图，如图1所示，包括自动驾驶车辆11、服务器12和客户端13，自动驾驶车辆11和服务器12之间通过无线网络连接，服务器12和客户端13之间通过有线或无线网络连接。
自动驾驶车辆11是一种通过电脑***实现无人驾驶的智能汽车，集环境感知和规划决策等功能于一体。自动驾驶车辆11上安装有雷达传感器和监控装置，实现对周围环境和交通状况的获取。
对视觉感知算法进行评测时，自动驾驶车辆11在道路上行驶，其上的监控装置例如摄像头来采集路测图像并进行存储，发送给服务器12。服务器12调用视觉感知算法，对路测图像进行相应的处理，得到视觉感知算法识别出的障碍物并输出。具体的，视觉感知算法可以以静态链接库的形式运行，服务器12通过测试程序来调用静态链接库的视觉感知算法，编译通过后生成识别的障碍物结果。
客户端13获取到识别的障碍物结果，标注人员通过标注工具来对识别出的障碍物进行校正和补标，得到障碍物的实际位置和类型，发送给服务器12。最后服务器12对视觉感知算法识别出的障碍物和障碍物的实际位置类型，来进行匹配处理，得到评测结果。
下面以具体的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。
图2为本发明实施例提供的高速自动驾驶场景障碍物感知评测方法的流程示意图，如图2所示，包括：
S21，根据视觉感知算法对路测图像进行处理，得到算法输出数据，所述算法输出数据包括第一障碍物的位置和类型，所述路测图像是自动驾驶车辆在道路上行驶时采集得到的；
障碍物是指自动驾驶车辆在道路上行驶时可能会对行驶产生影响和阻碍的物体，障碍物在道路有多种不同的类型，同时障碍物在道路上的位置也各不相同。一些常见的障碍物包括花坛、树木、垃圾桶、禁停牌、货车、卡车、小轿车、人和自行车等等，这些障碍物的类型各不相同。
自动驾驶车辆在道路上行驶时，其雷达传感器会不断获取周围的环境和障碍物的信息，监控装置也会对自动驾驶车辆的行驶过程进行相应的记录，得到路测图像。路测图像中，包括自动驾驶车辆在道路上行驶的各项信息。
由于路测图像可能不止一幅，本发明实施例以其中的一幅为例进行说明，多幅路测图像的处理与此类似。得到路测图像后，根据视觉感知算法对路测图像进行处理，即根据视觉感知算法对路测图像中的障碍物进行识别，得到第一障碍物的位置和类型，该第一障碍物即为视觉感知算法对路测图像感应识别到的障碍物，该自动驾驶车辆在道路上行驶的时候，也是根据第一障碍物的位置和类型进行驾驶决策的。
S22，对路测图像中的障碍物进行标注处理，得到真值标注数据，所述真值标注数据包括第二障碍物的位置和类型；
得到路测图像以及第一障碍物的位置和类型后，标注人员需要对路测图像中的障碍物进行人工标注。对实际障碍物的标注可以借助标注工具完成，得到包含有第二障碍物的位置和类型的真值标注数据。
S23，根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果。
真值标注数据中的第二障碍物作为实际障碍物的结果。根据算法输出数据和真值标注数据进行障碍物匹配，即对第一障碍物和第二障碍物进行匹配，匹配的内容包括障碍物的位置和类型。通过第一障碍物和第二障碍物的位置的匹配，得到视觉感知算法的检测结果，通过第一障碍物和第二障碍物的类型的匹配，得到视觉感知算法的分类结果，其中，只对位置匹配的第一障碍物和第二障碍物进行类型匹配，来评判视觉感知算法对障碍物的类型的识别效果。最后，根据检测结果和分类结果来得到视觉感知算法的评测结果。
本发明实施例提供的高速自动驾驶场景障碍物感知评测方法，首先根据视觉感知算法对路测图像进行处理，得到算法输出数据，然后对路测图像中的障碍物进行标注处理，得到真值标注数据，最后根据算法输出数据中第一障碍物的位置和类型，以及真值标注数据中第二障碍物的位置和类型进行障碍物匹配，得到视觉感知算法的评测结果，本发明实施例提供的评测方法，在自动驾驶车辆在道路上行驶时，无需测试人员在车辆上进行观察，能够节约路测成本和避免危险，同时通过对障碍物的位置和类型多维度进行评测，提高了评测的有效性。
下面结合图3，并采用具体的实施例，对图2实施例中的障碍物匹配的过程进行详细说明。图3为本发明实施例提供的障碍物匹配的流程示意图，如图3所示，包括：
S31，根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率。
图像的重叠率是指两个图像的交集占两个图像的并集的比例，由于障碍物的大小形状各不相同，面积不方便统计，因此本发明实施例中以矩形框来代替各个障碍物的面积，矩形框用于覆盖障碍物。
具体的，首先读取真值标注数据和算法输出数据，解析得到第一障碍物以及第二障碍物的类型和位置信息，障碍物的位置是指在同一图像坐标系下起始点坐标和宽高，然后根据第一障碍物以及第二障碍物的类型和位置，计算每一张路测图像中第一障碍物和第二障碍物的交并比(Intersection Over Union，以下简称IOU)矩阵。
图4为本发明实施例提供的获取IOU矩阵元素的示意图，如图4所示，假设单帧图像f∈F在应用上述过滤规则后有M个第二障碍物和N个第一障碍物。定义矩阵OM×N，其元素omn(m≤M,n≤N)表示第m个第二障碍物的标注框42和第n个第一障碍物预测框41之间的重叠率：
其中GTm为第二障碍物的标注框42的面积，PDn为第一障碍物的预测框41的面积，omn(m≤M,n≤N)用于衡量第一障碍物和第二障碍物的位置的匹配程度。
应用匈牙利算法将矩阵OM×N作为输入，求解第一障碍物与第二障碍物的匹配问题，目标是最大化单帧匹配的IOU，并保证同一个检测框(标注框)不会匹配上多个标注框(检测框)，最后，得到障碍物匹配索引。其中，障碍物匹配索引指示了第一障碍物和第二障碍物中对应的匹配关系，即第一障碍物中的每一个障碍物分别与第二障碍物中的哪一个障碍物进行比对。
最大化单帧匹配的IOU后，根据第一障碍物的位置，获取预测框，以及根据对应的第二障碍物的位置，获取标注框；预测框覆盖第一障碍物，标注框覆盖对应的第二障碍物。
根据标注框和预测框，得到第一面积和第二面积，第一面积为标注框和预测框的交集面积，第二面积为标注框和预测框的并集面积。
最后根据第一面积和第二面积得到重叠率。
为了更清楚的说明重叠率的计算过程，下面结合图5来说明。图5为本发明实施例提供获取重叠率的示意图，如图5所示，包括第一障碍物50和与第一障碍物50对应的第二障碍物51。
首先根据第一障碍物50的位置得到对应的预测框500，根据第二障碍物51的位置得到对应的标注框510。第一障碍物50的位置包含了第一障碍物50的坐标信息，根据坐标信息可以得到第一障碍物50的长和宽，从而根据长和宽来得到对应的预测框500。设置预测框500的原因是方便获取第一障碍物50的大致面积，因此预测框500的形状一般为规则形状。一种可能的方式是，预测框500为矩形，较方便计算。标注框510的获取过程与预测框500的获取过程类似，此处不再赘述。
设预测框500的面积为S1，标注框510的面积为S2，则标注框510和预测框500的交集52，即图5中的阴影部分为第一面积S第一。标注框510和预测框500的并集，即第二面积的计算公式为：
S第二＝S1+S2-S第一。
则重叠率为：
S32，若所述重叠率大于预设阈值，则根据所述第一障碍物的类型和所述第二障碍物的类型，获取类型匹配结果。
得到第一障碍物和第二障碍物的重叠率后，将其与预设阈值比较，若重叠率大于预设阈值，则表示第一障碍物和第二障碍物在位置上是匹配的。对于位置上匹配的障碍物，可进一步根据第一障碍物的类型和第二障碍物的类型，来进行类型匹配，得到类型匹配结果。若第一障碍物和第二障碍物的重叠率未超过预设阈值，则第一障碍物和第二障碍物在位置上不匹配，此时不对第一障碍物和第二障碍物进行类型匹配。其中，预设阈值是一个0-1之间的正常数，具体的数值大小可根据实际需要设定，例如可以将预设阈值设定为0.3、0.4、0.5等等，此处不作具体限定。
假设第一障碍物的数量为Npd，第二障碍物的数量为Ngt，第一障碍物和第二障碍物在位置上匹配的障碍物数量为Ntp，则将第一障碍物和第二障碍物在类型上匹配的障碍物数量表示为 为Ntp中第一障碍物和第二障碍物在类型上匹配的障碍物数量，即类型匹配结果。
S33，根据所述重叠率和所述类型匹配结果，获取所述视觉感知算法的评测结果。
视觉感知算法的评测结果包括两个部分，一部分是根据重叠率得到的检测结果，另一部分是根据类型匹配结果得到的分类结果。检测结果中，又包括检测准确率和检测召回率，分类结果中又包括分类准确率和分类召回率。同时，本发明实施例对总体障碍物、某一类型的障碍物和某一分类组的障碍物的识别均进行了评测，下面对视觉感知算法的评测结果的获取过程分别进行详细说明。
图6为本发明实施例提供的总体障碍物的检测结果的获取流程示意图，如图6所示，包括：
S61，针对所有的所述第一障碍物，根据各所述第一障碍物以及各所述第一障碍物各自对应的第二障碍物的重叠率，获取与所述第二障碍物的重叠率大于预设阈值的目标障碍物的数量；
S62，根据所有的所述第一障碍物的数量和所述目标障碍物的数量，得到总体检测准确率；
S63，根据所有的所述第二障碍物的数量和所述目标障碍物的数量，得到总体检测召回率。
设第一障碍物的数量为Npd，第二障碍物的数量为Ngt，第一障碍物和第二障碍物在位置上匹配的目标障碍物为检测正确的障碍物，会被召回，其数量为Ntp，第一障碍物中除去检测正确的障碍物，剩余的障碍物为误检障碍物，第二障碍物中除去检测正确的障碍物，剩余的障碍物为漏检障碍物。
则总体检测准确率pressioncls＝ALL1为：
总体检测召回率Recallcls＝ALL1为：
以表1中提供的数据为例进行说明，表1为一张路测图像的算法输出数据和真值标注数据的结果。如表1所示，第一行GT代表真值标注数据里面第二障碍物类型，第二行PD代表算法输出数据里面第一障碍物的类型，同一列代表第一障碍物和第二障碍物位置匹配的目标障碍物。“——”表示没有对应的障碍物，例如第三列里，真值标注数据里有第二障碍物卡车，但是算法输出数据中没有识别出来。
表1
第一列 第二列 第三列 第四列 第五列
GT 小轿车 小轿车 卡车 —— 小轿车
PD 小轿车 卡车 —— 小轿车 ——
可以看到，第一列中，第一障碍物和第二障碍物的位置和类型均匹配；第二列中，第一障碍物和第二障碍物的位置匹配，但是类型不匹配；第三列中，第二障碍物没有对应的第一障碍物；第四列中，第一障碍物没有对应的第二障碍物；第五列中，第二障碍物没有对应的第一障碍物。
在表1中，由第一行GT可知第二障碍物的数量Ngt＝4，即小轿车、小轿车、卡车和小轿车；由第二行PD可知第一障碍物的数量Npd＝3，即小轿车、卡车和小轿车。第一障碍物和第二障碍物在位置上匹配的目标障碍物的数量Ntp＝2，分别是第一列和第二列。
因此，表1中的总体检测准确率pressioncls＝ALL1为：
表1中的总体检测召回率Recallcls＝ALL1为：
图7为本发明实施例提供的总体障碍物的分类结果的获取流程示意图，如图7所示，包括：
S71，针对所有的所述第一障碍物，根据各所述第一障碍物的类型以及各所述第一障碍物各自对应的第二障碍物的类型，获取与各所述第二障碍物的类型匹配的目标障碍物的数量；
S72，根据所述类型匹配的目标障碍物的数量以及所有的所述第一障碍物的数量，得到总体分类准确率；
S73，根据所述类型匹配的目标障碍物的数量以及所有的所述第二障碍物的数量，得到总体分类召回率。
总体分类准确率是计算类型匹配成功的障碍物个数占第一障碍物个数的比率。总体分类召回率是计算类型匹配成功的障碍物个数占第二障碍物个数的占比。
首先对于第一障碍物和第二障碍物位置匹配的障碍物，判断其类型是否匹配，得到类型匹配的目标障碍物的数量，然后进行分类结果的计算。
总体分类准确率precisioncls＝ALL2和总体分类召回率Recallcls＝ALL2的计算公式如下：
其中，Npd为第一障碍物的数量，Ngt为第二障碍物的数量，为类型匹配的目标障碍物障碍物数量，类型匹配的目标障碍物障碍物即第一障碍物和第二障碍物的位置匹配且类型匹配的障碍物。
以表1为例，由第一行GT可知第二障碍物的数量Ngt＝4，即小轿车、小轿车、卡车和小轿车；由第二行PD可知第一障碍物的数量Npd＝3，即小轿车、卡车和小轿车。第一障碍物和第二障碍物在位置上匹配且类型匹配的目标障碍物的数量即第一列。
因此，表1中的总体分类准确率precisioncls＝ALL2为：
表1中的总体分类召回率Recallcls＝ALL2为：
除了对总体检测结果和总体分类结果的评测，本发明实施例还提供了对于不同类型的障碍物的检测结果和分类结果的评测，对于每个目标类型的检测准召可以反映出视觉感知算法对该目标类型检测的效果。具体的，以目标类型为小轿车为例，对于每个小轿车类型的检测准召的计算方式如下：
其中，RecallCAR1为小轿车类型的检测召回率，precisionCAR1为小轿车类型的检测准确率，为位置匹配的第一障碍物与第二障碍物中小轿车类型的第二障碍物的数量，为漏检的且为小轿车类型的第二障碍物的数量，为小轿车类型的第二障碍物的数量，为误检的且为小轿车类型的第一障碍物的数量，为小轿车类型的第一障碍物的数量。
以表1为例，即第一列和第二列的第二障碍物的类型为小轿车，则表1中小轿车类型的检测召回率和检测准确率分别为：
对于不同类型的障碍物的分类结果的评测方法具体如下：
在类型匹配的所述第一障碍物和所述第二障碍物中，获取属于目标类型的第一障碍物的数量和第二障碍物的数量；
根据所述属于目标类型的第一障碍物的数量以及所述类型匹配的且属于目标类型的第一障碍物的数量，确定所述目标类型对应的分类准确率；
根据所述属于目标类型的第一障碍物的数量以及所述类型匹配的且属于目标类型的第二障碍物的数量，确定所述目标类型对应的分类召回率。
需要说明的是，若第一障碍物与第二障碍物类型匹配，则表明第一障碍物与第二障碍物的位置也匹配，因此，类型匹配的且属于目标类型的第一障碍物的数量与类型匹配的且属于目标类型的第二障碍物的数量相等。
以目标类型为小轿车为例，小轿车类型的分类召回率和分类准确率分别为：
其中，RecallCAR2为小轿车类型的分类召回率，precisionCAR2为小轿车类型的分类准确率，为类型匹配的且属于小轿车类型的第一障碍物的数量，也为类型匹配的且属于小轿车类型的第二障碍物的数量，为属于小轿车类型的第二障碍物的数量，为属于小轿车类型的第一障碍物的数量。
以表1为例，类型匹配的且属于小轿车类型的第一障碍物(第二障碍物)的数量属于小轿车类型的第二障碍物的数量属于小轿车类型的第一障碍物的数量因此，小轿车类型的分类召回率RecallCAR2和分类准确率precisionCAR2分别为：
在实际的自动驾驶场景中，障碍物的类型多种多样，但是对于一些类型不同的障碍物，自动驾驶车辆可以采取相同的处理方式。例如，小轿车、公交车和大卡车是不同的障碍物类型，但是同属于车类，均可以在道路上行驶，自动驾驶车辆在道路上遇到这些车时，均需要采取减速或停车等措施。再例如，花坛和树木属于不同的障碍物类型，但是花坛和树木都是不可移动的，自动驾驶车辆在遇到这些障碍物时，可采取相同的避让措施。有的障碍物类型不同，但是自动驾驶车辆对某些不同的障碍物采取的驾驶行为是类似的，因此在自动驾驶中，可以将某些障碍物看作同一类，对同一类障碍物，实现相应的驾驶行为。因此，本发明实施例除了对总体障碍物的结果以及对目标类型障碍物的结果进行评测外，还对目标分类组的障碍物的结果进行评测。
图8为本发明实施例提供的目标分类组的评测结果的获取流程示意图，如图8所示，包括：
S81，在位置匹配的所述第一障碍物和所述第二障碍物中，获取位置匹配的且属于目标分类组的第一障碍物的数量和位置匹配的且属于目标分类组的第二障碍物的数量；
S82，根据属于目标分类组的第一障碍物的数量以及所述位置匹配的且属于目标分类组的第一障碍物的数量，确定所述目标分类组对应的分类准确率；
S83，根据属于目标分类组的第二障碍物的数量以及所述位置匹配的且属于目标分类组的第二障碍物的数量，确定所述目标分类组对应的分类召回率。
需要说明的是，若第一障碍物与第二障碍物位置匹配，则表明位置匹配的且属于目标分类组的第一障碍物的数量和位置匹配的且属于目标分类组的第二障碍物的数量相等。
以目标分类组为group为例，则目标分类组对应的分类召回率Recallgroup和分类准确率precisiongroup分别如下：
其中，为位置匹配的且属于目标分类组group的第一障碍物(第二障碍物)的数量的数量，为属于目标分类组group的第二障碍物的数量，为属于目标分类组group的第一障碍物的数量。
以表1为例，group为车分类组，其中包括小轿车和大卡车，则位置匹配的且第一障碍物和第二障碍物均属于目标分类组group的数量即第一列和第二列，属于目标分类组group的第二障碍物的数量即第一、第二、第三和第五列，属于目标分类组group的第一障碍物的数量即第一、第二和第四列，因此，目标分类组group对应的分类召回率Recallgroup和分类准确率precisiongroup分别如下：
本发明实施例提供的高速自动驾驶场景障碍物感知评测方法，首先根据视觉感知算法对路测图像进行处理，得到算法输出数据，然后对路测图像中的障碍物进行标注处理，得到真值标注数据，最后根据算法输出数据中第一障碍物的位置和类型，以及真值标注数据中第二障碍物的位置和类型进行障碍物匹配，得到视觉感知算法的评测结果，本发明实施例提供的评测方法，在自动驾驶车辆在道路上行驶时，无需测试人员在车辆上进行观察，能够节约路测成本和避免危险，同时通过对总体障碍物、某一类型的障碍物和某一分组类型的障碍物的检测准召率以及分类准召率进行计算，实现了对视觉感知算法的多维度进行评测，提高了评测的有效性，能够为自动驾驶车辆的下游产品的开发和迭代提供参考和帮助，以提高自动驾驶车辆的效果。
图9为本发明实施例提供的高速自动驾驶场景障碍物感知评测装置的结构示意图，如图9所示，包括第一处理模块91、第二处理模块92和评测模块93，其中：
第一处理模块91用于根据视觉感知算法对路测图像进行处理，得到算法输出数据，所述算法输出数据包括第一障碍物的位置和类型，所述路测图像是自动驾驶车辆在道路上行驶时采集得到的；
第二处理模块92用于对路测图像中的障碍物进行标注处理，得到真值标注数据，所述真值标注数据包括第二障碍物的位置和类型；
评测模块93用于根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果。
在一种可能的设计中，所述评测模块93具体用于：
根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率；
若所述重叠率大于预设阈值，则根据所述第一障碍物的类型和所述第二障碍物的类型，获取类型匹配结果；
根据所述重叠率和所述类型匹配结果，获取所述视觉感知算法的评测结果。
在一种可能的设计中，所述评测模块93还用于：
根据所述第一障碍物的位置，获取预测框，以及根据所述第二障碍物的位置，获取标注框；所述预测框覆盖所述第一障碍物，所述标注框覆盖所述第二障碍物；
根据所述标注框和所述预测框，得到第一面积和第二面积，所述第一面积为所述标注框和所述预测框的交集面积，所述第二面积为所述标注框和所述预测框的并集面积；
根据所述第一面积和所述第二面积得到所述重叠率。
在一种可能的设计中，所述评测模块93具体用于：
针对所有的所述第一障碍物，根据各所述第一障碍物以及各所述第一障碍物各自对应的第二障碍物的重叠率，获取与所述第二障碍物的重叠率大于预设阈值的目标障碍物的数量；
根据所有的所述第一障碍物的数量和所述目标障碍物的数量，得到总体检测准确率；
根据所有的所述第二障碍物的数量和所述目标障碍物的数量，得到总体检测召回率。
在一种可能的设计中，所述评测模块93具体用于：
针对所有的所述第一障碍物，根据各所述第一障碍物的类型以及各所述第一障碍物各自对应的第二障碍物的类型，获取与各所述第二障碍物的类型匹配的目标障碍物的数量；
根据所述类型匹配的目标障碍物的数量以及所有的所述第一障碍物的数量，得到总体分类准确率；
根据所述类型匹配的目标障碍物的数量以及所有的所述第二障碍物的数量，得到总体分类召回率。
在一种可能的设计中，所述评测模块93具体用于：
在类型匹配的所述第一障碍物和所述第二障碍物中，获取属于目标类型的第一障碍物的数量和第二障碍物的数量；
根据所述属于目标类型的第一障碍物的数量以及所述类型匹配的且属于目标类型的第一障碍物的数量，确定所述目标类型对应的分类准确率；
根据所述属于目标类型的第二障碍物的数量以及所述类型匹配的且属于目标类型的第二障碍物的数量，确定所述目标类型对应的分类召回率。
在一种可能的设计中，所述评测模块93具体用于：
在位置匹配的所述第一障碍物和所述第二障碍物中，获取位置匹配的且属于目标分类组的第一障碍物的数量和位置匹配的且属于目标分类组的第二障碍物的数量；
根据属于目标分类组的第一障碍物的数量以及所述位置匹配的且属于目标分类组的第一障碍物的数量，确定所述目标分类组对应的分类准确率；
根据属于目标分类组的第二障碍物的数量以及所述位置匹配的且属于目标分类组的第二障碍物的数量，确定所述目标分类组对应的分类召回率。
本发明实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图10为本发明实施例提供的高速自动驾驶场景障碍物感知评测设备的硬件结构示意图，如图10所示，该高速自动驾驶场景障碍物感知评测设备包括：至少一个处理器101和存储器102。其中，处理器101和存储器102通过总线103连接。
可选地，该模型确定还包括通信部件。例如，通信部件可以包括接收器和/或发送器。
在具体实现过程中，至少一个处理器101执行所述存储器102存储的计算机执行指令，使得至少一个处理器101执行如上的高速自动驾驶场景障碍物感知评测方法。
处理器101的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述图10所示的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的高速自动驾驶场景障碍物感知评测方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读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。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (16)

1.一种高速自动驾驶场景障碍物感知评测方法，其特征在于，包括：
根据视觉感知算法对路测图像进行处理，得到算法输出数据，所述算法输出数据包括第一障碍物的位置和类型，所述路测图像是自动驾驶车辆在道路上行驶时采集得到的；
对路测图像中的障碍物进行标注处理，得到真值标注数据，所述真值标注数据包括第二障碍物的位置和类型；
根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果，包括：
根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率；
若所述重叠率大于预设阈值，则根据所述第一障碍物的类型和所述第二障碍物的类型，获取类型匹配结果；
根据所述重叠率和所述类型匹配结果，获取所述视觉感知算法的评测结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率，包括：
根据所述第一障碍物的位置，获取预测框，以及根据所述第二障碍物的位置，获取标注框；所述预测框覆盖所述第一障碍物，所述标注框覆盖所述第二障碍物；
根据所述标注框和所述预测框，得到第一面积和第二面积，所述第一面积为所述标注框和所述预测框的交集面积，所述第二面积为所述标注框和所述预测框的并集面积；
根据所述第一面积和所述第二面积得到所述重叠率。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述重叠率，获取所述视觉感知算法的评测结果，包括：
针对所有的所述第一障碍物，根据各所述第一障碍物以及各所述第一障碍物各自对应的第二障碍物的重叠率，获取与所述第二障碍物的重叠率大于预设阈值的目标障碍物的数量；
根据所有的所述第一障碍物的数量和所述目标障碍物的数量，得到总体检测准确率；
根据所有的所述第二障碍物的数量和所述目标障碍物的数量，得到总体检测召回率。
5.根据权利要求2所述的方法，其特征在于，所述根据所述类型匹配结果，获取所述视觉感知算法的评测结果，包括：
针对所有的所述第一障碍物，根据各所述第一障碍物的类型以及各所述第一障碍物各自对应的第二障碍物的类型，获取与各所述第二障碍物的类型匹配的目标障碍物的数量；
根据所述类型匹配的目标障碍物的数量以及所有的所述第一障碍物的数量，得到总体分类准确率；
根据所述类型匹配的目标障碍物的数量以及所有的所述第二障碍物的数量，得到总体分类召回率。
6.根据权利要求2所述的方法，其特征在于，所述根据所述类型匹配结果，获取所述视觉感知算法的评测结果，包括：
在类型匹配的所述第一障碍物和所述第二障碍物中，获取属于目标类型的第一障碍物的数量和第二障碍物的数量；
根据所述属于目标类型的第一障碍物的数量以及所述类型匹配的且属于目标类型的第一障碍物的数量，确定所述目标类型对应的分类准确率；
根据所述属于目标类型的第二障碍物的数量以及所述类型匹配的且属于目标类型的第二障碍物的数量，确定所述目标类型对应的分类召回率。
7.根据权利要求2所述的方法，其特征在于，所述根据所述类型匹配结果，获取所述视觉感知算法的评测结果，包括：
在位置匹配的所述第一障碍物和所述第二障碍物中，获取位置匹配的且属于目标分类组的第一障碍物的数量和位置匹配的且属于目标分类组的第二障碍物的数量；
根据属于目标分类组的第一障碍物的数量以及所述位置匹配的且属于目标分类组的第一障碍物的数量，确定所述目标分类组对应的分类准确率；
根据属于目标分类组的第二障碍物的数量以及所述位置匹配的且属于目标分类组的第二障碍物的数量，确定所述目标分类组对应的分类召回率。
8.一种高速自动驾驶场景障碍物感知评测装置，其特征在于，包括：
第一处理模块，用于根据视觉感知算法对路测图像进行处理，得到算法输出数据，所述算法输出数据包括第一障碍物的位置和类型，所述路测图像是自动驾驶车辆在道路上行驶时采集得到的；
第二处理模块，用于对路测图像中的障碍物进行标注处理，得到真值标注数据，所述真值标注数据包括第二障碍物的位置和类型；
评测模块，用于根据所述算法输出数据和所述真值标注数据进行障碍物匹配，得到所述视觉感知算法的评测结果。
9.根据权利要求8所述的装置，其特征在于，所述评测模块具体用于：
根据所述第一障碍物的位置和所述第二障碍物的位置，获取所述第一障碍物与所述第二障碍物的重叠率；
若所述重叠率大于预设阈值，则根据所述第一障碍物的类型和所述第二障碍物的类型，获取类型匹配结果；
根据所述重叠率和所述类型匹配结果，获取所述视觉感知算法的评测结果。
10.根据权利要求9所述的装置，其特征在于，所述评测模块还用于：
根据所述第一障碍物的位置，获取预测框，以及根据所述第二障碍物的位置，获取标注框；所述预测框覆盖所述第一障碍物，所述标注框覆盖所述第二障碍物；
根据所述标注框和所述预测框，得到第一面积和第二面积，所述第一面积为所述标注框和所述预测框的交集面积，所述第二面积为所述标注框和所述预测框的并集面积；
根据所述第一面积和所述第二面积得到所述重叠率。
11.根据权利要求9或10所述的装置，其特征在于，所述评测模块具体用于：
针对所有的所述第一障碍物，根据各所述第一障碍物以及各所述第一障碍物各自对应的第二障碍物的重叠率，获取与所述第二障碍物的重叠率大于预设阈值的目标障碍物的数量；
根据所有的所述第一障碍物的数量和所述目标障碍物的数量，得到总体检测准确率；
根据所有的所述第二障碍物的数量和所述目标障碍物的数量，得到总体检测召回率。
12.根据权利要求9所述的装置，其特征在于，所述评测模块具体用于：
针对所有的所述第一障碍物，根据各所述第一障碍物的类型以及各所述第一障碍物各自对应的第二障碍物的类型，获取与各所述第二障碍物的类型匹配的目标障碍物的数量；
根据所述类型匹配的目标障碍物的数量以及所有的所述第一障碍物的数量，得到总体分类准确率；
根据所述类型匹配的目标障碍物的数量以及所有的所述第二障碍物的数量，得到总体分类召回率。
13.根据权利要求9所述的装置，其特征在于，所述评测模块具体用于：
在类型匹配的所述第一障碍物和所述第二障碍物中，获取属于目标类型的第一障碍物的数量和第二障碍物的数量；
根据所述属于目标类型的第一障碍物的数量以及所述类型匹配的且属于目标类型的第一障碍物的数量，确定所述目标类型对应的分类准确率；
根据所述属于目标类型的第二障碍物的数量以及所述类型匹配的且属于目标类型的第二障碍物的数量，确定所述目标类型对应的分类召回率。
14.根据权利要求9所述的装置，其特征在于，所述评测模块具体用于：
在位置匹配的所述第一障碍物和所述第二障碍物中，获取位置匹配的且属于目标分类组的第一障碍物的数量和位置匹配的且属于目标分类组的第二障碍物的数量；
根据属于目标分类组的第一障碍物的数量以及所述位置匹配的且属于目标分类组的第一障碍物的数量，确定所述目标分类组对应的分类准确率；
根据属于目标分类组的第二障碍物的数量以及所述位置匹配的且属于目标分类组的第二障碍物的数量，确定所述目标分类组对应的分类召回率。
15.一种高速自动驾驶场景障碍物感知评测设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的高速自动驾驶场景障碍物感知评测方法。
16.一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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的高速自动驾驶场景障碍物感知评测方法。
CN201910510550.0A 2019-06-13 2019-06-13 高速自动驾驶场景障碍物感知评测方法及装置 Pending CN110287832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910510550.0A CN110287832A (zh) 2019-06-13 2019-06-13 高速自动驾驶场景障碍物感知评测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910510550.0A CN110287832A (zh) 2019-06-13 2019-06-13 高速自动驾驶场景障碍物感知评测方法及装置

Publications (1)

Publication Number Publication Date
CN110287832A true CN110287832A (zh) 2019-09-27

Family

ID=68003878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910510550.0A Pending CN110287832A (zh) 2019-06-13 2019-06-13 高速自动驾驶场景障碍物感知评测方法及装置

Country Status (1)

Country Link
CN (1) CN110287832A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110843771A (zh) * 2019-10-17 2020-02-28 北京百度网讯科技有限公司 障碍物识别方法、装置、电子设备及存储介质
CN111597993A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 数据处理的方法及装置
CN111753765A (zh) * 2020-06-29 2020-10-09 北京百度网讯科技有限公司 感知设备的检测方法、装置、设备及存储介质
CN112528848A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112528846A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112541475A (zh) * 2020-12-24 2021-03-23 北京百度网讯科技有限公司 感知数据检测方法及装置
CN112581526A (zh) * 2020-12-11 2021-03-30 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112698421A (zh) * 2020-12-11 2021-04-23 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112764013A (zh) * 2020-12-25 2021-05-07 北京百度网讯科技有限公司 自动驾驶车辆感知***测试方法、装置、设备及存储介质
CN112816954A (zh) * 2021-02-09 2021-05-18 中国信息通信研究院 一种基于真值的路侧感知***评测方法和***
CN112883871A (zh) * 2021-02-19 2021-06-01 北京三快在线科技有限公司 一种模型训练以及确定无人车运动策略方法及装置
CN113627568A (zh) * 2021-08-27 2021-11-09 广州文远知行科技有限公司 一种补标方法、装置、设备及可读存储介质
CN113790903A (zh) * 2021-09-15 2021-12-14 江苏智行未来汽车研究院有限公司 低速智能网联汽车封闭场景静态避障测试数据评估方法
WO2022037387A1 (zh) * 2020-08-20 2022-02-24 魔门塔(苏州)科技有限公司 一种视觉感知算法的评测方法及装置
CN114311023A (zh) * 2020-09-29 2022-04-12 中国科学院沈阳自动化研究所 一种基于服务机器人视觉功能检测方法
CN114323693A (zh) * 2021-12-31 2022-04-12 中国第一汽车股份有限公司 车路云感知***的测试方法、装置、设备及存储介质
CN114580575A (zh) * 2022-04-29 2022-06-03 中智行(苏州)科技有限公司 一种自动驾驶视觉感知的可持续闭环链路的构建方法
CN114923523A (zh) * 2022-05-27 2022-08-19 中国第一汽车股份有限公司 感知数据的采集方法、装置、存储介质及电子装置
CN115774680A (zh) * 2023-01-16 2023-03-10 小米汽车科技有限公司 自动驾驶软件的版本测试方法、装置、设备及存储介质
CN116500565A (zh) * 2023-06-28 2023-07-28 小米汽车科技有限公司 自动驾驶感知检测能力的评测方法、装置及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956527A (zh) * 2016-04-22 2016-09-21 百度在线网络技术（北京）有限公司 用于无人驾驶车的障碍物检测结果评估方法和装置
CN206710598U (zh) * 2017-05-08 2017-12-05 南京热典智能科技有限公司 一体化集成的车载障碍物检测和识别装置
CN108037760A (zh) * 2017-12-12 2018-05-15 成都育芽科技有限公司 一种无人自动驾驶汽车自主运行控制方法
CN109147368A (zh) * 2018-08-22 2019-01-04 北京市商汤科技开发有限公司 基于车道线的智能驾驶控制方法装置与电子设备
CN109255341A (zh) * 2018-10-30 2019-01-22 百度在线网络技术（北京）有限公司 障碍物感知错误数据的提取方法、装置、设备及介质
CN109521757A (zh) * 2017-09-18 2019-03-26 百度在线网络技术（北京）有限公司 静态障碍物识别方法和装置
CN109522825A (zh) * 2018-10-31 2019-03-26 蔚来汽车有限公司 视觉感知***的性能测试***及其性能测试方法
CN109657593A (zh) * 2018-12-12 2019-04-19 深圳职业技术学院 一种路侧信息融合方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956527A (zh) * 2016-04-22 2016-09-21 百度在线网络技术（北京）有限公司 用于无人驾驶车的障碍物检测结果评估方法和装置
CN206710598U (zh) * 2017-05-08 2017-12-05 南京热典智能科技有限公司 一体化集成的车载障碍物检测和识别装置
CN109521757A (zh) * 2017-09-18 2019-03-26 百度在线网络技术（北京）有限公司 静态障碍物识别方法和装置
CN108037760A (zh) * 2017-12-12 2018-05-15 成都育芽科技有限公司 一种无人自动驾驶汽车自主运行控制方法
CN109147368A (zh) * 2018-08-22 2019-01-04 北京市商汤科技开发有限公司 基于车道线的智能驾驶控制方法装置与电子设备
CN109255341A (zh) * 2018-10-30 2019-01-22 百度在线网络技术（北京）有限公司 障碍物感知错误数据的提取方法、装置、设备及介质
CN109522825A (zh) * 2018-10-31 2019-03-26 蔚来汽车有限公司 视觉感知***的性能测试***及其性能测试方法
CN109657593A (zh) * 2018-12-12 2019-04-19 深圳职业技术学院 一种路侧信息融合方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡颖等: "卷积神经网络双目视觉路面障碍物检测", 《计算机工程与设计》 *
陆峰等: "基于多传感器数据融合的障碍物检测与跟踪", 《军事交通学院学报》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110843771B (zh) * 2019-10-17 2021-06-11 北京百度网讯科技有限公司 障碍物识别方法、装置、电子设备及存储介质
CN110843771A (zh) * 2019-10-17 2020-02-28 北京百度网讯科技有限公司 障碍物识别方法、装置、电子设备及存储介质
CN111597993A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 数据处理的方法及装置
CN111597993B (zh) * 2020-05-15 2023-09-05 北京百度网讯科技有限公司 数据处理的方法及装置
CN111753765A (zh) * 2020-06-29 2020-10-09 北京百度网讯科技有限公司 感知设备的检测方法、装置、设备及存储介质
CN111753765B (zh) * 2020-06-29 2024-05-31 北京百度网讯科技有限公司 感知设备的检测方法、装置、设备及存储介质
WO2022037387A1 (zh) * 2020-08-20 2022-02-24 魔门塔(苏州)科技有限公司 一种视觉感知算法的评测方法及装置
CN114311023A (zh) * 2020-09-29 2022-04-12 中国科学院沈阳自动化研究所 一种基于服务机器人视觉功能检测方法
CN114311023B (zh) * 2020-09-29 2023-12-26 中国科学院沈阳自动化研究所 一种基于服务机器人视觉功能检测方法
CN112528846A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112528848B (zh) * 2020-12-11 2024-05-24 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112698421A (zh) * 2020-12-11 2021-04-23 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112528848A (zh) * 2020-12-11 2021-03-19 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112581526A (zh) * 2020-12-11 2021-03-30 北京百度网讯科技有限公司 障碍物检测的测评方法、装置、设备以及存储介质
CN112541475A (zh) * 2020-12-24 2021-03-23 北京百度网讯科技有限公司 感知数据检测方法及装置
US11869247B2 (en) 2020-12-24 2024-01-09 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Perception data detection method and apparatus
CN112541475B (zh) * 2020-12-24 2024-01-19 北京百度网讯科技有限公司 感知数据检测方法及装置
CN112764013A (zh) * 2020-12-25 2021-05-07 北京百度网讯科技有限公司 自动驾驶车辆感知***测试方法、装置、设备及存储介质
CN112764013B (zh) * 2020-12-25 2024-03-01 北京百度网讯科技有限公司 自动驾驶车辆感知***测试方法、装置、设备及存储介质
CN112816954B (zh) * 2021-02-09 2024-03-26 中国信息通信研究院 一种基于真值的路侧感知***评测方法和***
CN112816954A (zh) * 2021-02-09 2021-05-18 中国信息通信研究院 一种基于真值的路侧感知***评测方法和***
CN112883871B (zh) * 2021-02-19 2022-06-10 北京三快在线科技有限公司 一种模型训练以及确定无人车运动策略方法及装置
CN112883871A (zh) * 2021-02-19 2021-06-01 北京三快在线科技有限公司 一种模型训练以及确定无人车运动策略方法及装置
CN113627568B (zh) * 2021-08-27 2024-07-02 广州文远知行科技有限公司 一种补标方法、装置、设备及可读存储介质
CN113627568A (zh) * 2021-08-27 2021-11-09 广州文远知行科技有限公司 一种补标方法、装置、设备及可读存储介质
CN113790903A (zh) * 2021-09-15 2021-12-14 江苏智行未来汽车研究院有限公司 低速智能网联汽车封闭场景静态避障测试数据评估方法
CN114323693A (zh) * 2021-12-31 2022-04-12 中国第一汽车股份有限公司 车路云感知***的测试方法、装置、设备及存储介质
CN114580575A (zh) * 2022-04-29 2022-06-03 中智行(苏州)科技有限公司 一种自动驾驶视觉感知的可持续闭环链路的构建方法
CN114923523A (zh) * 2022-05-27 2022-08-19 中国第一汽车股份有限公司 感知数据的采集方法、装置、存储介质及电子装置
CN115774680B (zh) * 2023-01-16 2023-04-11 小米汽车科技有限公司 自动驾驶软件的版本测试方法、装置、设备及存储介质
CN115774680A (zh) * 2023-01-16 2023-03-10 小米汽车科技有限公司 自动驾驶软件的版本测试方法、装置、设备及存储介质
CN116500565B (zh) * 2023-06-28 2023-10-13 小米汽车科技有限公司 自动驾驶感知检测能力的评测方法、装置及设备
CN116500565A (zh) * 2023-06-28 2023-07-28 小米汽车科技有限公司 自动驾驶感知检测能力的评测方法、装置及设备

Similar Documents

Publication Publication Date Title
CN110287832A (zh) 高速自动驾驶场景障碍物感知评测方法及装置
CN108230731B (zh) 停车场导航***和方法
CN110796007B (zh) 场景识别的方法与计算设备
US20090058622A1 (en) Method for predicting lane line and lane departure warning system using the same
CN109703569B (zh) 一种信息处理方法、装置及存储介质
Ali et al. Distance estimation and vehicle position detection based on monocular camera
CN110610137B (zh) 检测车辆行驶状态的方法、装置以及电子设备、存储介质
CN112749210A (zh) 基于深度学习的车辆碰撞识别方法和***
CN104108343A (zh) 一种基于视觉和北斗导航的防撞预警***
CN103426211A (zh) 车辆行驶状况分析***、分析装置和分析方法
CN103473925B (zh) 一种道路车辆检测***的验证方法
CN111967451B (zh) 一种道路拥堵检测方法及装置
CN110696828B (zh) 前向目标选择方法、装置及车载设备
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN112991769A (zh) 基于视频的交通量调查方法和装置
CN115482672B (zh) 车辆逆行检测的方法、装置、终端设备及存储介质
CN111461026A (zh) 车辆姿态识别方法、停车场内车辆状态的检测方法及装置
CN115965636A (zh) 车辆侧面图的生成方法、装置及终端设备
CN114648879B (zh) 基于危险品的异常区域监测方法、装置及存储介质
CN116386341A (zh) 隧道内针对两客一危车辆的管理方法、装置和设备
CN112990117B (zh) 基于智能驾驶***的安装数据处理方法及装置
CN113771846B (zh) 用于车辆的自动控制方法、装置、***和介质
CN111191603A (zh) 车内人员识别方法、装置、终端设备及介质
JP7542063B2 (ja) オブジェクトのアノテーションに数値を対応付けるためのコンピュータ実装方法およびシステム
Li et al. Automated region-based vehicle conflict detection using computer vision techniques

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927