CN110705385B - 一种障碍物角度的检测方法、装置、设备及介质 - Google Patents
一种障碍物角度的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110705385B CN110705385B CN201910866959.6A CN201910866959A CN110705385B CN 110705385 B CN110705385 B CN 110705385B CN 201910866959 A CN201910866959 A CN 201910866959A CN 110705385 B CN110705385 B CN 110705385B
- Authority
- CN
- China
- Prior art keywords
- angle
- line segment
- obstacle
- determining
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种障碍物角度的检测方法、装置、设备及介质，涉及人工智能技术领域，用以提供一种简便的障碍物角度检测的方法，本申请方法包括：确定参照物的目标障碍物的障碍物二维轮廓，并检测所述障碍物二维轮廓中的线段；根据每条线段与预设参考方向的夹角对所述线段进行线段聚类；根据线段聚类的结果确定所述目标障碍物的主轴角度，并根据所述主轴角度确定所述目标障碍物偏离所述参照物的角度。由于本申请仅基于障碍物二维轮廓的线段确定障碍物偏离参照物的角度，简便易行且消耗的计算资源少。
Description
技术领域
本申请涉及人工智能技术领域，特别涉及一种障碍物角度的检测方法、装置、设备及介质。
背景技术
在车辆自动驾驶或者餐厅的移动机器人等可移动的参照物自动移动的场景下，对上述参照物的行驶道路上的障碍物进行检测识别，通过确定行驶道路上障碍物的障碍物角度等，能够帮助参照物规划出合适的行驶路线，以规避参照物在行驶道路上行驶时与障碍物之间潜在的碰撞危险。
但现有的激光雷达障碍物位姿检测常采用深度学习网络模型的方法，其在检测障碍物角度时，常输入原始的障碍物点云信息，通过深度学习网络结构学习网络参数，输出障碍物角度等相关信息；但其一方面在使用之前需要大量的数据对深度学习网络模型进行训练，训练耗时长且需要的资源多；另一方面，在使用训练好的深度学习网络模型检测障碍物角度时，对计算单元要求高，需要强大的计算力，且由于计算数据量大容易造成数据阻塞。
综上所述，现有的激光雷达障碍物角度检测算法需要大量数据进行训练，且对计算单元要求高，因此需要一种简便的障碍物角度检测方法。
发明内容
本申请提供一种识别障碍物角度的检测方法、装置、设备及介质，以至少提供一种简便的障碍物角度检测的方法。
第一方面，本申请实施例提供一种障碍物角度的检测方法，包括：
确定参照物的目标障碍物的障碍物二维轮廓，并检测所述障碍物二维轮廓中的线段；
根据每条线段与预设参考方向的夹角对所述线段进行线段聚类；
根据线段聚类的结果确定所述目标障碍物的主轴角度，并根据所述主轴角度确定所述目标障碍物偏离所述参照物的角度。
在一种可能的实施方式中，根据每条线段与预设参考方向的夹角对所述线段进行线段聚类，包括：
确定每条线段与预设参考方向的夹角角度；
将所述夹角角度处于同一预设角度区间的所有线段聚集为一类线段。
在一种可能的实施方式中，根据线段聚类的结果确定所述目标障碍物的主轴角度，包括：
根据线段聚类后每个聚类线段中的线段数量，从预设角度区间中确定一个为主轴角度区间；
确定所述主轴角度区间中，线段与预设参考方向的夹角的角度平均值为所述目标障碍物的主轴角度。
在一种可能的实施方式中，根据线段聚类后每个聚类线段中的线段数量，从所述预设角度区间中确定一个为主轴角度区间，包括：
将所有聚类线段根据线段数量的数量大小进行排序；
确定排序在第一指定序位且唯一的聚类线段，确定所述聚类线段对应的预设角度区间为所述主轴角度区间。
在一种可能的实施方式中，排序在第一指定序位的聚类线段包括至少2个时，根据所述至少2个聚类线段对应的线段的长度，从所述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间。
在一种可能的实施方式中，根据所述至少2个聚类线段对应的线段的长度，从所述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间，包括：
确定所述至少2个聚类线段分别对应的至少2个预设角度区间的所有线段，并根据线段的长度将所有线段进行排序；
确定线段的长度在第二指定序位且唯一的线段；
将所述唯一的线段所在的预设角度区间确定为所述主轴角度区间。
在一种可能的实施方式中，线段的长度在第二指定序位的线段包括至少2条时，调整所述第二指定序位至线段的长度在第二指定序位的线段仅有1条时，将该线段所在的预设角度区间确定为所述主轴角度区间。
第二方面，本申请实施例提供一种障碍物角度的检测装置，包括线段检测单元、线段聚类单元和障碍物角度确定单元，其中：
所述线段检测单元于确定参照物的目标障碍物的障碍物二维轮廓，并检测所述障碍物二维轮廓中的线段；
所述线段聚类单元用于根据每条线段与预设参考方向的夹角对所述线段进行线段聚类；
所述障碍物角度确定单元用于根据线段聚类的结果确定所述目标障碍物的主轴角度，并根据所述主轴角度确定所述目标障碍物偏离所述参照物的角度。
在一种可能的实施方式中，所述线段聚类单元用于：
确定每条线段与预设参考方向的夹角角度；
将所述夹角角度处于同一预设角度区间的所有线段聚集为一类线段。
在一种可能的实施方式中，所述障碍物角度确定单元用于根据线段聚类后每个聚类线段中的线段数量，从预设角度区间中确定一个为主轴角度区间；
确定所述主轴角度区间中，线段与预设参考方向的夹角的角度平均值为所述目标障碍物的主轴角度。
在一种可能的实施方式中，所述线段聚类单元用于：
将所有聚类线段根据线段数量的数量大小进行排序；
确定排序在第一指定序位且唯一的聚类线段，确定所述聚类线段对应的预设角度区间为所述主轴角度区间。
在一种可能的实施方式中，所述线段聚类单元用于：
排序在第一指定序位的聚类线段包括至少2个时，根据所述至少2个聚类线段对应的线段的长度，从所述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间。
在一种可能的实施方式中，所述线段聚类单元用于：
确定所述至少2个聚类线段分别对应的至少2个预设角度区间的所有线段，并根据线段的长度将所有线段进行排序；
确定线段的长度在第二指定序位且唯一的线段；
将所述唯一的线段所在的预设角度区间确定为所述主轴角度区间。
在一种可能的实施方式中，所述线段聚类单元用于：
线段的长度在第二指定序位的线段包括至少2条时，调整所述第二指定序位至线段的长度在第二指定序位的线段仅有1条时，将该线段所在的预设角度区间确定为所述主轴角度区间。
第三方面，本申请实施例提供一种障碍物角度的检测设备，所述设备包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现本申请第一方面所述的方法。
第四方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现本申请第一方面所述方法的步骤。
本申请提供的技术方案至少具有以下有益效果：
本申请提供的方案中，仅检测障碍物二维轮廓中的线段，根据线段和预设方向的夹角角度以及线段长度，确定目标障碍物偏离参照物的角度，方法简便，且消耗的计算资源少。
附图说明
为了更清楚地说明本申请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要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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为本申请实施例提供的一种障碍物角度的检测方法示意图；
图2为本申请实施例提供的一种环境点云数据的示意图；
图3为本申请实施例提供的获取障碍物的二维轮廓的流程示意图；
图4为本申请实施例提供的一种点云数据的表示形式的示意图；
图5为本申请实施例提供的一种三维点云数据可视化的示意图；
图6为本申请实施例提供的进行障碍物分割后的点云数据的示意图；
图7为本申请实施例提供的一种障碍物的点云数据转换为鸟瞰图的示意图；
图8为本申请实施例提供的一种构建障碍物的轮廓的示意图；
图9为本申请实施例提供的一种线段与预设参考方向的夹角的示意图；
图10为本申请实施例提供的一种障碍物角度的检测装置示意图；
图11为本申请实施例提供的一种障碍物角度的检测设备示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部份实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
为了便于对本申请方案的理解，下面对文中出现的一些词语进行解释：
参照物：需要检测障碍物的物体，如各种移动设备等，上述移动设备可以是自动驾驶中的车辆、移动机器人、无人机等。
障碍物：对可移动的参照物移动过程中形成障碍的物体，如车辆、行人、树木等，亦可是道路，其中，在同一参考系下，各障碍物之间以及障碍物和参照物之间的空间相对位姿可通过数学变换得到。
在移动机器人行走的情况下，对移动机器人行驶道路上的障碍物进行检测识别，能够帮助规划各个移动机器人的行驶路线，使得各个移动机器人能准确地避开障碍区快速到达目的地；进而如果能检测出障碍物相对移动机器人的角度，则可以根据检测出的角度信息，预估移动障碍物的移动轨迹，从而对移动机器人的行驶路线进行更准确的规划；此种场景下，障碍物可能是桌椅、行人、其他移动机器人等。
在车辆自动驾驶场景下，对车辆行驶道路上的障碍物进行检测识别，能够帮助车辆规划出合适的行驶路线，以规避车辆在行驶道路上行驶时与障碍物之间潜在的碰撞危险，在车辆行驶道路上对障碍物进行检测识别，有助于避免车辆行驶道路上多个障碍物的存在对车辆规划造成干扰，进而如果能检测出障碍物相对于车辆的角度，则可以根据检测出的角度信息，预估移动障碍物的移动轨迹，从而对车辆的行驶路线进行更合适的规划，此种场景下，上述障碍物可能是需要进行行驶路线规划的车辆之外的其他车辆、树木、行人或其他物体等。
但目前常采用激光雷达技术采集障碍物的信息，采用深度学习网络模型的方法检测障碍物相对于参照物的角度，其一方面在使用之前需要大量的数据对深度学习网络模型进行训练，训练耗时长且需要的资源多；另一方面，在使用训练好的深度学习网络模型检测角度时，对计算单元要求高，需要强大的计算力，且由于计算数据量大容易造成数据阻塞，为了更简便准确地识别障碍物相对于参照物的角度，本申请提供一种障碍物角度的检测方法、装置、设备及介质。
在本申请的方法中，首先采集参照物的行驶道路上的环境激光点云数据，并对上述环境激光点云数据进行处理，获取针对上述参照物而言的障碍物的障碍物二维轮廓；进而将单独的障碍物作为目标障碍物，确定目标障碍物的障碍物二维轮廓并检测组成上述障碍物二维轮廓的线段；根据每条线段与预设参考方向的夹角对线段进行线段聚类，根据线段聚类后每个聚类线段中的线段数量以及线段的长度，从多个预设角度区间中确定一个为上述目标障碍物的主轴角度区间，并根据主轴角度区间中各线段与预设参考方向的夹角确定目标障碍物偏离上述参照物的角度，可以将目标障碍物偏离参照物的角度称为主轴偏离角。
上述预设参考方向可以为参照物的移动方向，或者是参照物移动的道路方向等。
以下以应用在车辆自动驾驶场景为例，结合附图，针对本申请提出的方案进行详细的说明：
如图1所示，本申请提供一种障碍物角度的检测方法，具体包括：
步骤S101，确定针对参照物而言的目标障碍物的障碍物轮廓，并检测该障碍物轮廓中的线段；
应当说明的是，本实施例中的参照物仅以车辆举例，其他参照物(如送餐车、无人机、平衡车等)的障碍物角度的检测方法均可采用本实施例提供的方法。
在本步骤中，可以但不局限于通过设置在车辆顶部的雷达或其他如摄像头等传感器基于融合算法获取当前时刻车辆周围环境的点云数据，上述点云数据参见图2，其中，图2中的矩形框圈出的部分为当前时刻车辆的障碍物的点云数据。
进而对获取的点云数据进行可视化处理，获取仅包含障碍物的点云数据，并基于上述点云数据进行障碍物分割，进而构建每个障碍物的障碍物二维轮廓，在构建出障碍物的障碍物二维轮廓后，将单独的障碍物作为上述目标障碍物。
在本步骤中，本领域技术人员可知的是，封闭的障碍物轮廓可由有限个线段构成，且可以但不局限于通过采用霍夫概率变换方法，检测目标障碍物的障碍物二维轮廓中的线段，且可以将检测出的线段存入指定的存储空间，或者之间利用检测出的线段进行后续处理。
步骤S102，根据每条线段与预设参考方向的夹角对线段进行线段聚类；
对上述预设参考方向不做过多限定，一般将其设置为上述参照物的移动方向或者与上述移动方向具有指定转换关系的方向。
在本实施例中，在上述步骤S101中通过设置在车辆顶部的雷达获取包含障碍物的点云数据的情况下，可以但不局限于将上述预设参考方向设置为上述雷达的预设三维坐标系的X轴正方向。
进而确定目标障碍物的障碍物二维轮廓中的每条线段与预设参考方向的夹角角度，将夹角角度处于同一预设角度区间的所有线段聚集为一类线段。
对上述预设角度区间的个数及每个预设角度区间的角度范围不做过多限定，本领域的技术人员可根据实际需求设置，如在本实施例中，设置3个预设角度区间，其角度范围包括0-5度、5-10度以及10-15度。
步骤S103，根据线段聚类的结果确定上述目标障碍物的主轴角度；
在本步骤中，根据线段聚类后每个聚类线段中的线段数量，从预设角度区间中确定一个为主轴角度区间；确定上述主轴角度区间中线段与预设参考方向的夹角的角度平均值为目标障碍物的主轴角度。
步骤S104，根据主轴角度确定目标障碍物偏离参照物的角度；
在本步骤中，可以但不局限于，将上述主轴角度确定为目标障碍物偏离参照物的角度。
可选地，在根据上述步骤S101至步骤S104获取目标障碍物偏离参考障碍物的主轴角度后，可以通过其他方式获取目标障碍物相对于参照物的运动趋势，进而根据目标障碍物的运动趋势和主轴角度预估该目标障碍物的运动轨迹；且预估出参照物的一个或多个目标障碍物的运动轨迹后，可以根据预估的一个或多个目标障碍物的运动轨迹，调整上述参照物的行驶路线。
上述目标障碍物相对于参照物的运动趋势可以但不局限于包括朝向参照物行驶、远离参照物行驶、相对于参照物静止等。
如图3所示，在上述步骤S101中，可以但不局限于通过如下方法对获取的点云数据进行处理，构建每个障碍物的障碍物二维轮廓：
步骤S31，获取点云数据并处理
如利用KITTI数据集获取点云数据，其中KITTI数据集中有四个相机，主要使用第三个相机(序号为02)拍摄的图片、标定参数和标签文件。
点云数据一般表示为N(N为正整数)行，至少三列的numpy数组，每行对应一个单独的点，所以使用至少3个值的空间位置点(X，Y，Z)来表示，具体可参见图4。
在KITTI数据中有一个附加值“反射率”，这是衡量激光光束在某个位置被反射回来了多少的量，所以在KITTI数据中，其点云数据就是(N×4)的矩阵。
步骤S32)三维点云数据的可视化处理
可以在可视化工具如MATLAB中将三维点云进行可视化，可视化的效果参见图5。
上述三维点云数据的可视化处理，可使用编程语言python中的mayavi来实现，上述mayavi是一个专门画三维图的python工具，另外，还可以对三维点云数据进行可视化处理得到点云数据的鸟瞰图和前视图。
步骤S33)获取仅包含障碍物的点云数据
从高精地图检索到包含路面、路口的可驾驶区域，将上述步骤S32可视化处理后的三维点云数据进行预处理，只留下道路的路面上障碍物的点云数据，移除其余的背景障碍物以及地面的点云数据。
步骤S34)基于点云数据的障碍物分割
进而对只留有障碍物的点云数据进行障碍物分割，检测和划分单独的障碍物，在本实施例中，上述目标移动设备为车辆，上述障碍物可以但不局限于包括行人、其他车辆等，此处即将单独的车辆、行人等障碍物的点云数据分割出来，进行障碍物分割后的点云数据参见图6。
在本步骤中，可以采用如下基于点云数据的分割方法进行上述障碍物分割：使用栅格法构建障碍物点云数据的俯视图二维网格，即将上述障碍物的点云数据转换为鸟瞰图，进而得到二维图像上的障碍物边界框，即得到各个障碍物的二维轮廓，其中二维网格的大小由点云的大小来决定，其中，上述鸟瞰图如图7所示。
步骤S35)构建障碍物轮廓
从以上得到每个障碍物点云后，就需要画出每个障碍物的二维边界框。在这里使用最小凸包法求出包围点云的最小面积多边形边界框，如图8所示。
如图9所示，针对上述步骤S102，以下给出一个障碍物二维轮廓中的每条线段与预设参考方向的夹角角度示意图，在图9中，封闭曲线为目标障碍物的障碍物轮廓，三维坐标系为上述雷达的预设三维坐标系，X轴与参照物车辆形成的道路方向一致，以下仅以从上述障碍物轮廓检测出的第一线段91、第二线段92、第三线段93和第四线段94为例，对上述线段与预设参考方向的夹角角度进行示意性说明。
在步骤S102中确定每条线段与预设参考方向的夹角角度时，由于每条线段与预设参考方向有两个夹角，可以但不局限于统一选择从X轴正方向逆时针旋转与线段组成的第一个夹角，作为线段与预设参考方向的夹角，如图9中的角1、角2、角3和角4分别为第一线段91、第二线段92、第三线段93和第四线段94与X轴正方向的夹角，确定每条线段与预设参考方向的夹角后，进而确定每个夹角的角度。
应当说明的是，本实施例中确定每条线段与预设参考方向的夹角的方式仅为示例性的举例，本领域的技术人员还可以按照其他预设规则，确定每条线段与预设参考方向的夹角角度。
在上述步骤S103中，可以但不局限于将所有聚类线段根据线段数量的数量大小进行排序，将排序在第一指定序位且唯一的聚类线段，对应的预设角度区间确定为主轴角度区间。
对上述第一指定序位不做过多限定，可以但不局限于将其设置成上述排序的某一端点值，如将其设置成排序的线段数量最大的端点值。
但在实际的实施过程中，有可能出现多个聚类线段对应的线段数量相同，即有可能出现排序在第一指定序位的聚类线段有多个的情况。
本实施例中，排序在第一指定序位的聚类线段包括至少2个时，根据上述至少2个聚类线段对应的线段的长度，从上述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间。
以下对从上述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间进一步说明：
确定上述至少2个聚类线段分别对应的至少2个预设角度区间的所有线段，并根据线段的长度将所有线段进行排序；
确定线段的长度在第二指定序位的线段；
当长度在第二指定序位的线段只有1条时，将该线段所在的预设角度区间确定为上述主轴角度区间。
当长度在第二指定序位的线段包括至少2条时，调整上述第二指定序位至线段的长度在第二指定序位的线段仅有1条时，将该线段所在的预设角度区间确定为上述主轴角度区间。
对上述第二指定序位不做过多限定，本领域的技术人员可根据实际需求设置，如将第二指定序位设置成线段的长度最长的位置。
上述在每次调整第二指定序位时，可以将第二指定序位的位置从当前位置，调整到线段长度小于且最接近当前位置对应的线段长度的位置。
本申请提供的方法中，仅检测障碍物二维轮廓中的线段，根据线段和预设方向的夹角角度以及线段长度，确定目标障碍物偏离参照物的角度，方法简便，且消耗的计算资源少。
如图10所示，基于相同的发明构思，本实施例提供一种障碍物角度的检测装置，包括线段检测单元1001、线段聚类单元1002和障碍物角度确定单元1003，其中：
上述线段检测单元1001于确定参照物的目标障碍物的障碍物二维轮廓，并检测上述障碍物二维轮廓中的线段；
上述线段聚类单元1002用于根据每条线段与预设参考方向的夹角对上述线段进行线段聚类；
上述障碍物角度确定单元1003用于根据线段聚类的结果确定上述目标障碍物的主轴角度，并根据上述主轴角度确定上述目标障碍物偏离上述参照物的角度。
在一种可能的实施方式中，上述线段聚类单元用于：
确定每条线段与预设参考方向的夹角角度；
将上述夹角角度处于同一预设角度区间的所有线段聚集为一类线段。
在一种可能的实施方式中，上述障碍物角度确定单元用于根据线段聚类后每个聚类线段中的线段数量，从预设角度区间中确定一个为主轴角度区间；
确定上述主轴角度区间中，线段与预设参考方向的夹角的角度平均值为上述目标障碍物的主轴角度。
在一种可能的实施方式中，上述线段聚类单元用于：
将所有聚类线段根据线段数量的数量大小进行排序；
确定排序在第一指定序位且唯一的聚类线段，确定上述聚类线段对应的预设角度区间为上述主轴角度区间。
在一种可能的实施方式中，上述线段聚类单元用于：
排序在第一指定序位的聚类线段包括至少2个时，根据上述至少2个聚类线段对应的线段的长度，从上述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间。
在一种可能的实施方式中，上述线段聚类单元用于：
确定上述至少2个聚类线段分别对应的至少2个预设角度区间的所有线段，并根据线段的长度将所有线段进行排序；
确定线段的长度在第二指定序位且唯一的线段；
将上述唯一的线段所在的预设角度区间确定为上述主轴角度区间。
在一种可能的实施方式中，上述线段聚类单元用于：
线段的长度在第二指定序位的线段包括至少2条时，调整上述第二指定序位至线段的长度在第二指定序位的线段仅有1条时，将该线段所在的预设角度区间确定为上述主轴角度区间。
如图11所示，基于相同的发明构思，本实施例还提供一种障碍物角度的检测设备，该设备包括：至少一个处理器1101、至少一个存储器1102以及存储在上述存储器中的计算机程序指令，当上述计算机程序指令被上述处理器执行时实现本申请上述的方法。
基于相同的发明构思，本申请实施例还提供一种计算机可读非易失性存储介质，包括程序代码，当上述程序代码在计算终端上运行时，上述程序代码用于使上述计算终端执行上述本申请实施例的方法的步骤。
以上参照示出根据本申请实施例的方法、装置(***)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行***来使用或结合指令执行***而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行***、装置或设备使用，或结合指令执行***、装置或设备使用。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种障碍物角度的检测方法，其特征在于，包括：
确定参照物的目标障碍物的障碍物二维轮廓，并检测所述障碍物二维轮廓中的线段；
根据每条线段与预设参考方向的夹角对所述线段进行线段聚类；
根据线段聚类后每个聚类线段中的线段数量，从预设角度区间中确定一个为主轴角度区间；
将所述主轴角度区间中，线段与预设参考方向的夹角的角度平均值确定为所述目标障碍物的主轴角度；
根据所述主轴角度确定所述目标障碍物偏离所述参照物的角度。
2.如权利要求1所述的方法，其特征在于，根据每条线段与预设参考方向的夹角对所述线段进行线段聚类，包括：
确定每条线段与预设参考方向的夹角角度；
将所述夹角角度处于同一预设角度区间的所有线段聚集为一类线段。
3.如权利要求1所述的方法，其特征在于，根据线段聚类后每个聚类线段中的线段数量，从所述预设角度区间中确定一个为主轴角度区间，包括：
将所有聚类线段根据线段数量的数量大小进行排序；
确定排序在第一指定序位且唯一的聚类线段，确定所述聚类线段对应的预设角度区间为所述主轴角度区间。
4.如权利要求3所述的方法，其特征在于，还包括：
排序在第一指定序位的聚类线段包括至少2个时，根据所述至少2个聚类线段对应的线段的长度，从所述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间。
5.如权利要求4所述的方法，其特征在于，根据所述至少2个聚类线段对应的线段的长度，从所述至少2个聚类线段对应的预设角度区间中确定一个为主轴角度区间，包括：
确定所述至少2个聚类线段分别对应的至少2个预设角度区间的所有线段，并根据线段的长度将所有线段进行排序；
确定线段的长度在第二指定序位且唯一的线段；
将所述唯一的线段所在的预设角度区间确定为所述主轴角度区间。
6.如权利要求5所述的方法，其特征在于，还包括：
线段的长度在第二指定序位的线段包括至少2条时，调整所述第二指定序位至线段的长度在第二指定序位的线段仅有1条时，将该线段所在的预设角度区间确定为所述主轴角度区间。
7.一种障碍物角度的检测装置，其特征在于，包括线段检测单元、线段聚类单元和障碍物角度确定单元，其中：
所述线段检测单元于确定参照物的目标障碍物的障碍物二维轮廓，并检测所述障碍物二维轮廓中的线段；
所述线段聚类单元用于根据每条线段与预设参考方向的夹角对所述线段进行线段聚类；
所述障碍物角度确定单元用于根据线段聚类后每个聚类线段中的线段数量，从预设角度区间中确定一个为主轴角度区间；将所述主轴角度区间中，线段与预设参考方向的夹角的角度平均值确定为所述目标障碍物的主轴角度；根据所述主轴角度确定所述目标障碍物偏离所述参照物的角度。
8.一种障碍物角度的检测设备，其特征在于，所述设备包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的方法。
9.一种计算机可存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时实现如权利要求1～6任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910866959.6A CN110705385B (zh) | 2019-09-12 | 2019-09-12 | 一种障碍物角度的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910866959.6A CN110705385B (zh) | 2019-09-12 | 2019-09-12 | 一种障碍物角度的检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110705385A CN110705385A (zh) | 2020-01-17 |
| CN110705385B true CN110705385B (zh) | 2022-05-03 |
Family
ID=69194841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910866959.6A Active CN110705385B (zh) | 2019-09-12 | 2019-09-12 | 一种障碍物角度的检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705385B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402333B (zh) * | 2020-03-13 | 2023-11-14 | 北京百度网讯科技有限公司 | 参数估计方法、装置、设备和介质 |
| CN111797734B (zh) * | 2020-06-22 | 2024-05-24 | 广州视源电子科技股份有限公司 | 车辆点云数据处理方法、装置、设备和存储介质 |
| CN114708723B (zh) * | 2020-12-16 | 2023-07-21 | 华为技术有限公司 | 轨迹预测方法和装置 |
| CN114255252B (zh) * | 2022-02-28 | 2022-05-17 | 新石器慧通（北京）科技有限公司 | 障碍物轮廓获取方法、装置、设备及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3144765A1 (en) * | 2015-09-18 | 2017-03-22 | Samsung Electronics Co., Ltd. | Apparatus for localizing cleaning robot, cleaning robot, and controlling method of cleaning robot |
| CN107292893A (zh) * | 2016-03-31 | 2017-10-24 | 富士通株式会社 | 图像处理装置、图像处理方法以及图像处理设备 |
| CN108920765A (zh) * | 2018-06-06 | 2018-11-30 | 东南大学 | 一种基于建筑物三维线段模型的假设平面拟合方法 |
| CN109001757A (zh) * | 2018-05-31 | 2018-12-14 | 重庆大学 | 一种基于2d激光雷达的车位智能检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106885813B (zh) * | 2015-12-16 | 2019-06-07 | 清华大学 | 检查货物的方法、***和装置 |
-
2019
- 2019-09-12 CN CN201910866959.6A patent/CN110705385B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3144765A1 (en) * | 2015-09-18 | 2017-03-22 | Samsung Electronics Co., Ltd. | Apparatus for localizing cleaning robot, cleaning robot, and controlling method of cleaning robot |
| CN107292893A (zh) * | 2016-03-31 | 2017-10-24 | 富士通株式会社 | 图像处理装置、图像处理方法以及图像处理设备 |
| CN109001757A (zh) * | 2018-05-31 | 2018-12-14 | 重庆大学 | 一种基于2d激光雷达的车位智能检测方法 |
| CN108920765A (zh) * | 2018-06-06 | 2018-11-30 | 东南大学 | 一种基于建筑物三维线段模型的假设平面拟合方法 |
Non-Patent Citations (2)
| Title |
|---|
| Two-Stage Load Pattern Clustering Using Fast Wavelet Transformation;Kevin Mets, et al.;《IEEE Transactions on Smart Grid》;20150723;1-10 * |
| 聚类分析和活动轮廓模型相融合的图像分割算法;李鸿雁 等;《吉林大学学报(理学版)》;20190715;1-7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110705385A (zh) | 2020-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| EP3520076B1 (en) | Computer vision systems and methods for detecting and modeling features of structures in images | |
| CN109509210B (zh) | 障碍物跟踪方法和装置 | |
| CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
| JP6664470B2 (ja) | 高精度地図データの処理方法、装置、記憶媒体及び機器 | |
| CA2950791C (en) | Binocular visual navigation system and method based on power robot | |
| US20190147320A1 (en) | "Matching Adversarial Networks" | |
| CN111665842B (zh) | 一种基于语义信息融合的室内slam建图方法及*** | |
| US11670087B2 (en) | Training data generating method for image processing, image processing method, and devices thereof | |
| CN107741234A (zh) | 一种基于视觉的离线地图构建及定位方法 | |
| WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
| CN112346463B (zh) | 一种基于速度采样的无人车路径规划方法 | |
| Jaspers et al. | Multi-modal local terrain maps from vision and lidar | |
| KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
| WO2021072709A1 (zh) | 目标检测与跟踪方法、***、设备及存储介质 | |
| CN112912894B (zh) | 道路边界识别方法和装置 | |
| CN111709988A (zh) | 一种物体的特征信息的确定方法、装置、电子设备及存储介质 | |
| CN110956161A (zh) | 一种自主建图方法、装置及智能机器人 | |
| CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
| CN114998276A (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
| CN113158779B (zh) | 一种行走方法、装置和计算机存储介质 | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| Gökçe et al. | Recognition of dynamic objects from UGVs using Interconnected Neuralnetwork-based Computer Vision system | |
| CN115083199A (zh) | 一种车位信息确定方法及其相关设备 | |
| KR102316818B1 (ko) | 도로 네트워크를 갱신하는 방법 및 장치 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240510 Address after: Room 6227, No. 999, Changning District, Shanghai 200050 Patentee after: Shenlan robot (Shanghai) Co.,Ltd. Country or region after: China Address before: Unit 1001, 369 Weining Road, Changning District, Shanghai, 200336 (9th floor of actual floor) Patentee before: DEEPBLUE TECHNOLOGY (SHANGHAI) Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |