CN112016496A - 用于目标检测的方法、装置及设备 - Google Patents
用于目标检测的方法、装置及设备 Download PDFInfo
- Publication number
- CN112016496A CN112016496A CN202010919816.XA CN202010919816A CN112016496A CN 112016496 A CN112016496 A CN 112016496A CN 202010919816 A CN202010919816 A CN 202010919816A CN 112016496 A CN112016496 A CN 112016496A
- Authority
- CN
- China
- Prior art keywords
- detection result
- target
- radar
- video
- detection
- 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 328
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000006855 networking Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000306 component Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V2201/07—Target detection
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及车联网技术领域,公开一种用于目标检测的方法。该方法包括:获取针对目标的视频检测结果和针对所述目标的雷达检测结果;根据所述视频检测结果和所述雷达检测结果获取目标检测结果。由于视频检测和雷达检测适宜的检测距离不同,通过获取针对目标的视频检测结果和雷达检测结果,再根据视频检测结果和雷达检测结果来获取目标检测结果,这样能够充分利用视频检测和雷达检测各自的检测优势,相对通过单一目标检测方式检测精度更高。本申请还公开一种目标检测的装置及设备。
Description
技术领域
本申请涉及车联网技术领域,例如涉及一种用于目标检测的方法、装置及设备。
背景技术
车路协同场景中需要感知路侧环境,现有技术常常在交叉口、盲区、弯道、匝道等位置布设路侧环境感知设备,以提升自动驾驶交通安全和效率。C-V2X是基于蜂窝网通信技术演进形成的车用无线通信技术,使汽车能够与其它车辆、行人、路侧单元等基础设施进行信息交互与互联互通。C-V2X路侧设施部署是车路协同场景中的核心组成部分,其中的路侧环境感知设备如视频摄像头、毫米波雷达和激光雷达是交通环境感知的重要手段。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:现有的路侧设施中各检测器适宜的检测范围和距离不同,仅考虑单一的检测器的检测结果无法保证目标检测精度。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于目标检测的方法、装置及设备,以能够提高目标检测的精度。
在一些实施例中,所述方法包括:
获取针对目标的视频检测结果和针对所述目标的雷达检测结果;
根据所述视频检测结果和所述雷达检测结果获取目标检测结果。
在一些实施例中,所述装置包括:包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行上述的用于目标检测的方法。
在一些实施例中,所述设备包括:上述的用于目标检测的装置。
本公开实施例提供的用于目标检测的方法、装置及设备,可以实现以下技术效果:由于视频检测和雷达检测适宜的检测距离不同,通过获取针对目标的视频检测结果和雷达检测结果,再根据视频检测结果和雷达检测结果来获取目标检测结果,这样能够充分利用视频检测和雷达检测各自的检测优势,相对仅考虑单一目标检测方式检测精度更高。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于目标检测的方法的示意图;
图2是本公开实施例提供的一个用于目标检测的装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”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,以便这里描述的本公开实施例的实施例。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。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
结合图1所示,本公开实施例提供一种用于自适应滤波器系数更新的方法,包括:
步骤S101,获取针对目标的视频检测结果和针对所述目标的雷达检测结果;
步骤S102,根据所述视频检测结果和所述雷达检测结果获取目标检测结果。
由于视频检测和雷达检测适宜的检测距离不同,通过获取针对目标的视频检测结果和雷达检测结果,再根据视频检测结果和雷达检测结果来获取目标检测结果,这样能够充分利用视频检测和雷达检测各自的检测优势,相对通过单一目标检测方式检测精度更高。
可选地,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:在所述视频检测结果满足第一预设条件且所述雷达检测结果不满足第二预设条件的情况下,将所述视频检测结果作为目标检测结果;或,在所述视频检测结果不满足第一预设条件且所述雷达检测结果满足第二预设条件的情况下,将所述雷达检测结果作为目标检测结果。可选地,在所述视频检测结果满足第一预设条件且所述雷达检测结果不满足第二预设条件的情况下将所述视频检测结果作为目标检测结果,包括:在存在视频检测结果且不存在雷达检测结果的情况下,将所述视频检测结果作为目标检测结果。可选地,在所述视频检测结果不满足第一预设条件且所述雷达检测结果满足第二预设条件的情况下将所述雷达检测结果作为目标检测结果,包括:在存在雷达检测结果且不存在视频检测结果的情况下,将所述雷达检测结果作为目标检测结果。这样,视频检测结果和雷达检测结果的数据有一方有缺失的,能够采用另一方的检测数据,能够保证对目标的检测。
可选地,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:获取所述目标的检测距离;在所述目标的检测距离满足第三预设条件的情况下,在所述视频检测结果和雷达检测结果中选取所述雷达检测结果作为目标检测结果。
可选地,所述目标的检测距离满足第三预设条件包括:所述目标的检测距离大于第一预设的距离阈值。例如目标的检测距离大于80米的情况下,以雷达检测结果作为目标检测结果。
可选地,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:
获取所述目标的检测距离;
在所述目标的检测距离满足第四预设条件的情况下,在所述视频检测结果和雷达检测结果中选取所述视频检测结果作为目标检测结果。
可选地,所述目标的检测距离满足第四预设条件包括:目标的检测距离小于第二预设的距离阈值。例如目标的检测距离小于30米的情况下,以视频检测结果作为目标检测结果。
可选地,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:
获取所述目标的检测距离;
在所述目标的检测距离满足第五预设条件的情况下,通过预设算法利用所述视频检测结果和所述雷达检测结果进行计算,获得目标检测结果。
可选地,所述目标的检测距离满足第五预设条件包括:目标的检测距离在预设的距离区间内。例如目标的检测距离大于等于30米且小于等于80米的情况下,通过预设算法利用所述视频检测结果和所述雷达检测结果进行计算,获得目标检测结果。
可选地,通过计算Co_data=w1*radar_data+w2*video_data得到目标检测结果Co_data,其中w1为预设的第一权重值、w2为预设的第二权重值,radar_data为雷达检测结果,video_data为视频检测结果。
可选地,获取针对目标的视频检测结果和针对所述目标的雷达检测结果后,还包括:剔除所述视频检测结果和所述雷达检测结果中的异常值。可选地,对所述视频检测结果和所述雷达检测结果中的异常值采用格拉布斯统计方法进行剔除。
可选地,获取针对目标的视频检测结果和针对所述目标的雷达检测结果后,还包括:对所述视频检测结果和所述雷达检测结果进行时间校准。可选地,对视频检测结果和雷达检测结果的时间以同一时间基准进行校准,以保证目标的检测距离满足第五预设条件的情况下,在同一时间点有视频检测结果和雷达检测结果进行计算。
可选地,目标检测包括行人检测或车辆检测。在一些实施例中,行人检测包括行人速度检测。在一些实施例中,车辆检测包括车速检测。可选地,获取目标的检测距离后,确定目标检测结果的获取方式,根据该获取方式获取目标的速度。可选地,通过视频或雷达检测器来获取目标与检测设备之间的距离即目标的检测距离。可选地,在所述目标的检测距离满足第三预设条件的情况下,在所述视频检测结果和雷达检测结果中选取所述雷达检测结果作为目标检测结果。在所述目标的检测距离满足第四预设条件的情况下,在所述视频检测结果和雷达检测结果中选取所述视频检测结果作为目标检测结果。在所述目标的检测距离满足第五预设条件的情况下,通过预设算法利用所述视频检测结果和所述雷达检测结果进行计算,获得目标检测结果。在一些实施例中,目标距离为30米以内的,目标检测结果Co_data=视频检测数据即video_data,目标距离为[30,80]的情况下,目标检测结果即融合数据Co_data=w1*radar_data+w2*video_data,其中w1、w2经过预设的权重值,radar_data是雷达检测数据;在目标距离大于80米的情况下,目标检测结果Co_data=雷达检测数据radar_data。
可选地,根据所述视频检测结果和所述雷达检测结果获得目标检测结果后,还包括:将所述目标检测结果通过路侧单元发送给车载单元。
可选地,雷达检测采用路侧毫米波雷达进行检测,视频检测采用摄像头进行检测。
针对车联网C-V2X中行人车辆检测应用需求,对雷达检测和视频检测互相融合的方法,两种设备检测方法取长补短;采用深度学习算法,建立车辆、行人的模型,利用晴天、雨天、雾天多种环境条件下的视频与微波路侧检测设备进行自学习训练,提取车辆、行人等目标的特征,包括横纵向速度、感知目标经纬度、目标航向角、运动轨迹等;然后对实际视频进行演算,比对特征值,以判断目标类别、位置、速度等信息,形成独立的融合检测***。融合检测***中的视频检测利用了优化的多隐层神经网络模型,对各种条件下的车辆、行人进行建模,提取多种特征,然后利用训练好的模型,对实时车辆和行人的特征进行逐步比较,置信度超过一定值时,判断输出检测目标结果。
融合检测器中的雷达检测利用了主动扫描式阵列雷达技术,每20S扫描一次前方运动目标状态,利用回波信号,可以快速计算目标的位置信息、速度信息等。
雷达对于速度在5km/h以上的目标定位和车速比较准确,而且其可以检测30-200米的距离,这是雷达的优势。视频则可以利用“所见即所得”的特性,方便准确的进行设备配置,可以对低速、高速以及8-80米左右的目标进行准确检测。视频和雷达都可以有效检测的区域,我们采取加权计算的方式,进行目标的融合定位和检测。
在一些实施例中,按如下方式获取目标检测结果:
第一步:视频和微波检测得到的原始数据进行预处理,即对视频检测结果和雷达检测结果的异常值采用格拉布斯统计方法进行剔除。
第二步:时间校准,对视频检测结果和雷达检测结果的时间进行以同一时间基准进行校准。
第三步:对视频检测结果和雷达检测结果进行融合。
现有车联网行人车辆检测***中各检测器检测范围和距离不同,有的受检测环境和天气因素影响,有的提供信息比较少,造成单一检测器方式检测效率不高,检测精度无法保证。视频加微波雷达融合检测方法,充分利用了视频和雷达两种传感器各自的优势,避免各自的劣势,使得检测精度和适用场景都得到了很大提高。
进行视频检测时,根据整个视频场景和SENSOR(传感器)的颜色亮度值,对视频环境进行初步预估,自动调整SENSOR的增益和曝光度,去除突变的奇点和噪声,使得整体视频环境保持在一定的范围内。保持视频的稳定性,为后面的视频算法提供良好的视频基础。
利用预处理后的视频,采用单隐层神经网络对各种环境样本进行训练,找出多种车辆特征,包括车体大小、车轮、车窗、车灯、后视镜、车前脸、车牌信息、车身颜色等等,与实际视频中的车辆特征进行比对、识别和跟踪。相比以前背景和灰度值为基础的检测方法,这种多特征融合的检测算法精度大大提高,环境适应性也大大提高。
针对各种天气条件如雨天、雪天、雾天;针对环境亮度条件白天、黄昏、晚上以及凌晨;针对道路上车辆的密集程度如平峰期、高峰期等;分别进行针对性的大样本训练,找出每种特定环境下的特定车辆特征。
利用神经网络自学习机制和各种条件下大样本的训练,结合人眼视觉的特点,借助于高清图像的高分辨率,使得车辆目标检测算法,能够保证全天候车辆的准确检测,能够有效避免车流量大、跟车距离小、摄像机晃动、阴影、反光干扰等条件下出现的车辆误检测问题。
实时检测数据功能:实时检测每辆车的过车数据,包括每个车道的车辆进入/离开状态、车辆占有时间、车辆数量、车辆速度、车辆长度等关键数据信息。这些数据可以通过转换设备实时传输给信号机等前端设备,实现无缝对接,也可以实时发送给中心平台。
利用路口相机的视频,检测每个车道的车辆数,然后可以统计出左、直、右车道实际过车数量、车辆占有时间等。利用检测相机的视频,可以检测每个车道的车辆排队长度、区域车辆数目、最后一辆车的位置信息、车辆占有时间、车型分类等。
进行雷达检测时,车辆或行人经过检测区域,首先由微波雷达进行车辆检测,通过处理雷达回波信息确认是否有车辆经过。如确定有车辆经过后,雷达检测模块对采集到的识别目标物信息做处理,并且根据提取到的车辆特征信息对识别物类型做分类。
微波传感器采用脉冲微波雷达,在车辆行进的方向上雷达的波束宽度为13°,而在垂直车道的平面上雷达波束比较宽,保证了测到的反射物位于雷达的正下方,且车辆无论是在车道的正中,还是在靠近分道线的位置,都能够被雷达探测到。脉冲微波雷达基频为24GHz。它的最大特点是极短的脉冲宽度(400ps),这一点保证了该雷达极高的距离分辨力(6cm)。雷达工作的时候,以4MHz的脉冲重复频率,不断地发射400ps的极短脉冲。雷达接受遇到障碍物反射回来的脉冲,接受脉冲与发射脉冲之间的延时能够反映障碍物到雷达的距离。假设有一辆5米长的车辆以50km/h的速度从雷达正下方通过,该车会被扫描36次,足以比较清晰地描绘车辆的长高宽及轮廓。
结合图2所示,本公开实施例提供一种用于目标检测的装置,包括处理器(processor)100和存储有程序指令的存储器(memory)101。可选地,该装置还可以包括通信接口(Communication Interface)102和总线103。其中,处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的程序指令,以执行上述实施例的用于目标检测的方法。
通过获取针对目标的视频检测结果和雷达检测结果,再根据视频检测结果和雷达检测结果来获取目标检测结果,这样能够充分利用视频检测和雷达检测各自的检测优势,相对通过单一目标检测方式检测精度更高。
此外,上述的存储器101中的程序指令可以通过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。
存储器101作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于目标检测的方法。
存储器101可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器。
采用本公开实施例提供的用于目标检测的装置,通过获取针对目标的视频检测结果和雷达检测结果,再根据视频检测结果和雷达检测结果来获取目标检测结果,这样能够充分利用视频检测和雷达检测各自的检测优势,相对通过单一目标检测方式检测精度更高。
本公开实施例提供了一种设备,包含上述的用于目标检测的装置。该设备通过获取针对目标的视频检测结果和雷达检测结果,再根据视频检测结果和雷达检测结果来获取目标检测结果,这样能够充分利用视频检测和雷达检测各自的检测优势,相对通过单一目标检测方式检测精度更高。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令设置为执行上述用于目标检测的方法。
本公开实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述用于目标检测的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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,包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,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)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以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。另外,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。另外,在本公开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。
附图中的流程图和框图显示了根据本公开实施例的***、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,所述模块、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。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,两个连续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,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤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,这可以依所涉及的功能而定。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动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。
Claims (10)
1.一种用于目标检测的方法,其特征在于,包括:
获取针对目标的视频检测结果和针对所述目标的雷达检测结果;
根据所述视频检测结果和所述雷达检测结果获取目标检测结果。
2.根据权利要求1所述的方法,其特征在于,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:
在所述视频检测结果满足第一预设条件且所述雷达检测结果不满足第二预设条件的情况下,将所述视频检测结果作为目标检测结果;或,
在所述视频检测结果不满足第一预设条件且所述雷达检测结果满足第二预设条件的情况下,将所述雷达检测结果作为目标检测结果。
3.根据权利要求1所述的方法,其特征在于,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:
获取所述目标的检测距离;
在所述目标的检测距离满足第三预设条件的情况下,在所述视频检测结果和雷达检测结果中选取所述雷达检测结果作为目标检测结果。
4.根据权利要求1所述的方法,其特征在于,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:
获取所述目标的检测距离;
在所述目标的检测距离满足第四预设条件的情况下,在所述视频检测结果和雷达检测结果中选取所述视频检测结果作为目标检测结果。
5.根据权利要求1所述的方法,其特征在于,根据所述视频检测结果和所述雷达检测结果获取目标检测结果,包括:
获取所述目标的检测距离;
在所述目标的检测距离满足第五预设条件的情况下,通过预设算法利用所述视频检测结果和所述雷达检测结果进行计算,获得目标检测结果。
6.根据权利要求1所述的方法,其特征在于,获取针对目标的视频检测结果和针对所述目标的雷达检测结果后,还包括:
剔除所述视频检测结果和所述雷达检测结果中的异常值。
7.根据权利要求1所述的方法,其特征在于,获取针对目标的视频检测结果和针对所述目标的雷达检测结果后,还包括:
对所述视频检测结果和所述雷达检测结果进行时间校准。
8.根据权利要求1至7任一项所述的方法,其特征在于,根据所述视频检测结果和所述雷达检测结果获得目标检测结果后,还包括:
将所述目标检测结果通过路侧单元发送给车载单元。
9.一种用于目标检测的装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至8任一项所述的用于目标检测的方法。
10.一种设备,其特征在于,包括如权利要求9所述的用于目标检测的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919816.XA CN112016496A (zh) | 2020-09-04 | 2020-09-04 | 用于目标检测的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919816.XA CN112016496A (zh) | 2020-09-04 | 2020-09-04 | 用于目标检测的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016496A true CN112016496A (zh) | 2020-12-01 |
Family
ID=73516873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010919816.XA Pending CN112016496A (zh) | 2020-09-04 | 2020-09-04 | 用于目标检测的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016496A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987014A (zh) * | 2021-02-20 | 2021-06-18 | 纳瓦电子(上海)有限公司 | 车辆及其探测***和探测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821056A (zh) * | 2015-04-30 | 2015-08-05 | 湖南华诺星空电子技术有限公司 | 基于雷达与视频融合的智能警戒方法 |
CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测*** |
CN109817022A (zh) * | 2019-02-13 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种获取目标对象位置的方法、终端、汽车及*** |
CN109948523A (zh) * | 2019-03-18 | 2019-06-28 | 中国汽车工程研究院股份有限公司 | 一种基于视频与毫米波雷达数据融合的目标物识别方法及其应用 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及*** |
CN110187334A (zh) * | 2019-05-28 | 2019-08-30 | 深圳大学 | 一种目标监控方法、装置及计算机可读存储介质 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
-
2020
- 2020-09-04 CN CN202010919816.XA patent/CN112016496A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821056A (zh) * | 2015-04-30 | 2015-08-05 | 湖南华诺星空电子技术有限公司 | 基于雷达与视频融合的智能警戒方法 |
CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测*** |
CN109817022A (zh) * | 2019-02-13 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种获取目标对象位置的方法、终端、汽车及*** |
CN109948523A (zh) * | 2019-03-18 | 2019-06-28 | 中国汽车工程研究院股份有限公司 | 一种基于视频与毫米波雷达数据融合的目标物识别方法及其应用 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及*** |
CN110187334A (zh) * | 2019-05-28 | 2019-08-30 | 深圳大学 | 一种目标监控方法、装置及计算机可读存储介质 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
张富有: "雷达与摄像机视频融合的车辆检测跟踪技术研究", 中国优秀硕士学位论文全文数据库(电子期刊),信息科技辑, no. 2019, 15 July 2019 (2019-07-15), pages 138 - 904 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987014A (zh) * | 2021-02-20 | 2021-06-18 | 纳瓦电子(上海)有限公司 | 车辆及其探测***和探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108417087B (zh) | 一种车辆安全通行***及方法 | |
US11727799B2 (en) | Automatically perceiving travel signals | |
CN110400478A (zh) | 一种路况通知方法及装置 | |
US10650256B2 (en) | Automatically perceiving travel signals | |
EP3935405A1 (en) | Radar-aided single image three-dimensional depth reconstruction | |
US20160097849A1 (en) | System and methods for intersection positioning | |
US10369995B2 (en) | Information processing device, information processing method, control device for vehicle, and control method for vehicle | |
EP1839290B1 (en) | Integrated vehicular system for low speed collision avoidance | |
CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
CN109871787B (zh) | 一种障碍物检测方法及装置 | |
US20180299893A1 (en) | Automatically perceiving travel signals | |
CN115257784A (zh) | 基于4d毫米波雷达的车路协同*** | |
CN111105644A (zh) | 一种车辆盲区监测、行驶控制方法、装置及车路协同*** | |
CN114373295A (zh) | 一种行车安全预警方法、***、存储介质及设备 | |
US20180300566A1 (en) | Automatically perceiving travel signals | |
CN114537447A (zh) | 安全通行方法、装置、电子设备和存储介质 | |
CN112016496A (zh) | 用于目标检测的方法、装置及设备 | |
CN113884090A (zh) | 智能平台车环境感知***及其数据融合方法 | |
CN113257036A (zh) | 一种车辆碰撞预警方法、装置、设备和存储介质 | |
Li et al. | Composition and application of current advanced driving assistance system: A review | |
EP4392803A1 (en) | Automotive sensor fusion of radar, lidar, camera systems with improved safety by use of machine learning | |
CN114299715A (zh) | 一种基于视频、激光雷达与dsrc的高速公路信息检测*** | |
CN113936058A (zh) | 基于车辆的数据获取 | |
Ahlers et al. | Cooperative laserscanner pre-data-fusion | |
TWI841695B (zh) | 用於雷達輔助之單一影像三維深度重建之方法、車載電腦及非暫時性電腦可讀媒體 |
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 |