CN113129375B - 数据处理方法、装置、设备及存储介质 - Google Patents
数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113129375B CN113129375B CN202110432270.XA CN202110432270A CN113129375B CN 113129375 B CN113129375 B CN 113129375B CN 202110432270 A CN202110432270 A CN 202110432270A CN 113129375 B CN113129375 B CN 113129375B
- Authority
- CN
- China
- Prior art keywords
- image
- halation
- lamp
- traffic indicator
- traffic
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 27
- 125000001475 halogen functional group Chemical group 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 239000003086 colorant Substances 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008447 perception Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种数据处理方法、装置、设备及存储介质,涉及计算机技术领域,进一步涉及智能交通、路侧感知和深度学习等人工智能技术。具体实现方案为:根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及待处理图像的基准图像,确定待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息;根据目标组交通指示灯的灯框尺寸信息,以及灯晕的颜色信息和位置信息,确定目标组交通指示灯在待处理图像中的位置信息;根据目标组交通指示灯在待处理图像中的位置信息,对待处理图像进行标注,并将标注后的图像作为训练样本。通过本实施例,提供了一种针对灯晕图像数据的处理方法,丰富了样本数据,进而提升了模型的准确度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能领域,具体涉及智能交通、路侧感知和深度学习领域。
背景技术
随着人工智能技术的发展,神经网络模型的使用场景越来越广泛。例如,在需要进行交通指示灯检测和灯色识别场景下,目前通常利用路侧感知设备(比如路侧相机)采集道路上包括交通指示灯的图像,并采用所采集的图像数据训练神经网络模型,以得到交通指示灯检测模型和灯色识别模型。
然而,目前在对神经网络进行训练时,所采用的训练样本仅考虑交通指示灯未呈现灯晕的图像数据,使得训练样本单一,进而使所训练模型准确度较低,亟需改进。
发明内容
本公开提供了一种数据处理方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种数据处理方法、该方法包括:
根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及所述待处理图像的基准图像,确定所述待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息;其中,所述基准图像与所述待处理图像由同一路侧感知设备在相同位置处以相同角度采集,且所述基准图像中交通指示灯无灯晕呈现;
根据所述目标组交通指示灯的灯框尺寸信息,以及所述灯晕的颜色信息和位置信息,确定所述目标组交通指示灯在所述待处理图像中的位置信息;
根据所述目标组交通指示灯在所述待处理图像中的位置信息,对所述待处理图像进行标注,并将标注后的图像作为训练样本。
根据本公开的另一方面,提供了一种数据处理装置,该装置包括:
灯框尺寸信息确定模块,用于根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及所述待处理图像的基准图像,确定所述待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息;其中,所述基准图像与所述待处理图像由同一路侧感知设备在相同位置处以相同角度采集,且所述基准图像中交通指示灯无灯晕呈现;
位置信息确定模块,用于根据所述目标组交通指示灯的灯框尺寸信息,以及所述灯晕的颜色信息和位置信息,确定所述目标组交通指示灯在所述待处理图像中的位置信息;
处理模块,用于根据所述目标组交通指示灯在所述待处理图像中的位置信息,对所述待处理图像进行标注,并将标注后的图像作为训练样本。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任一实施例所述的数据处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行本公开任一实施例所述的数据处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开任一实施例所述的数据处理方法。
根据本公开的技术,提供了一种针对灯晕图像数据的处理方法,通过将包含灯晕的图像数据用作模型训练的样本,丰富了样本数据,进而提升了模型的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种数据处理方法的流程图;
图2是根据本公开实施例提供的另一种数据处理方法的流程图;
图3是根据本公开实施例提供的又一种数据处理方法的流程图;
图4是根据本公开实施例提供的一种数据处理装置的结构示意图;
图5是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例提供的一种数据处理方法的流程图。本公开实施例适用于如何对图像数据进行处理的情况,尤其适用于针对包括交通指示灯且交通指示灯呈现灯晕的图像进行处理的情况。该实施例可以由配置在电子设备中的数据处理装置来执行,该装置可以采用软件和/或硬件来实现。如图1所示,该数据处理方法包括:
S101,根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及待处理图像的基准图像,确定待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息。
本实施例中,交通指示灯又称为交通信号灯,或者红绿灯,是道路交通的基本语言;可选的,一组交通指示灯至少包括三个交通指示灯,例如,一组交通指示灯由红、黄和绿三色指示灯组成。
待处理图像为需要进行处理的图像,具体为包括交通指示灯且交通指示灯呈现灯晕(又可称为光晕)的图像。可选的,本实施例中,待处理图像是由固定部署在道路道口的路侧感知设备(比如路侧相机)在成像质量较差的环境下所采集的;其中,成像质量较差的环境包括但不限于夜间环境和有雾环境等。
可选的,可以预先获取多个路侧感知设备所采集的图像,并在所获取的图像中标注出感兴趣的交通指示灯;进一步的,对于能够看到灯框的一组交通指示灯,可以用标注框在图像中将该组交通指示灯标注出来,并可以标注该灯框的属性信息(比如,采集该图像的路侧感知设备标识、灯框位置信息、以及该组交通指示灯的颜色信息等);对于一组交通指示灯中只能看到灯晕的,可以用标注框在图像中将灯晕标注出来,并可以标注该灯晕的属性信息(比如,采集该图像的路侧感知设备标识、灯晕的位置信息、以及灯晕的颜色信息等)。进而,若识别到已标注图像中存在灯晕的图像,则将该图像作为待处理图像。进一步的,待处理图像的数量可以为一个或多个,在用于对交通指示灯检测模型和灯色识别模型进行训练的场景下,待处理图像的数量优选为多个。
需要说明的是,通常情况下,一组交通指示灯(比如道路路口的红绿灯)在一个时刻只有一个灯亮,也就是说,如果路侧感知设备只能拍摄到一组交通指示灯,那么由该路侧感知设备所采集的待处理图像中存在一个与该组交通指示灯关联的灯晕。此外,如果在特殊场景下,一组交通指示灯在一个时刻有两个或多个灯亮,那么待处理图像中会存在两个或多个与一组交通指示灯关联的灯晕。无论与一组交通指示灯关联的灯晕数量有多少,采用本实施例方案均可以处理,本实施例以及后续实施例均以一组交通指示灯在一个时刻只有一个灯亮为例进行说明。
示例性的,在获取到待处理图像之后,可以获取每一待处理图像关联的基准图像。所谓基准图像与待处理图像由同一路侧感知设备在相同位置处以相同角度采集,且基准图像中交通指示灯无灯晕呈现。具体可以是,对于每一待处理图像,可以从该待处理图像中灯晕的属性信息中获取路侧感知设备标识,进而获取路侧感知设备标识关联的路侧感知设备采集的其他已标注图像,并从已标注图像中选择一张未呈现灯晕且能看见灯框的图像,作为该待处理图像的基准图像。也就是说,同一路侧感知设备在相同位置处以相同角度,在不同时刻对包括至少一组交通指示灯的场景所采集的两张图像,其中,将交通指示灯呈现灯晕的图像作为待处理图像,将另一张未呈现灯晕的图像作为待处理图像的基准图像。
可以理解的是,在一组交通指示灯的灯框尺寸固定的情况下,同一路侧感知设备在相同位置处以相同角度所拍摄的不同图像中同一组交通指示灯的灯框尺寸信息相同。进而对于每一待处理图像,在获取该待处理图像的基准图像之后,可以根据该待处理图像中灯晕的位置信息,以及该待处理图像的基准图像,从基准图像中确定该灯晕关联的目标组交通指示灯的灯框尺寸信息。其中,灯晕的位置信息可以为灯晕在待处理图像中的像素坐标,具体可以是标注灯晕的标注框的像素坐标,例如可以是,标注框四个顶点的像素坐标,或者可以是标注框任一斜对角的两个顶点的像素坐标;本实施例中,将待处理图像中呈现灯晕的某个或某些交通指示灯所在的一组交通指示灯作为目标组交通指示灯,其中目标组交通指示灯的灯框在待处理图像中未显示;所谓灯框尺寸信息可以包括灯框的长度信息和宽度信息。
例如,如果该待处理图像的基准图像中只有一组交通指示灯,则可以根据该组交通指示灯的灯框位置信息,以及灯晕的位置信息,确定该组交通指示灯与灯晕之间的距离;若距离小于设定阈值,则说明待处理图像中灯晕所关联的目标交通指示灯,与基准图像中该组交通指示灯在实际场景中是同一组交通指示灯,进而可以根据基准图像中该组交通指示灯的灯框位置信息,确定灯晕关联的目标指示灯的灯框尺寸信息。其中,灯框位置信息可以为灯框在基准图像中的像素坐标,具体可以是标注灯框的标注框的像素坐标,例如可以是,标注框四个顶点的像素坐标,或者可以是标注框任一斜对角的两个顶点的像素坐标。
可选的,可以根据基准图像中该组交通指示灯的灯框位置信息,确定该组交通指示灯的长度信息和宽度信息,进而可以确定待处理图像中灯晕关联的目标交通指示灯的长度信息和宽度信息,即灯框尺寸信息。
进一步的,如果该待处理图像的基准图像中包含两组或两组以上的交通指示灯,可以先从多组交通指示灯中选择出与灯晕关联的目标组交通指示灯的同组交通指示灯,进而可以根据该同组交通指示灯的灯框位置信息,确定灯晕关联的目标组交通指示灯的灯框尺寸信息。
S102,根据目标组交通指示灯的灯框尺寸信息,以及灯晕的颜色信息和位置信息,确定目标组交通指示灯在待处理图像中的位置信息。
需要说明的是,实际场景中,一组交通指示灯内部各指示灯之间的相对位置关系是固定不变;比如,红、黄和绿三色指示灯之间相对位置关系固定。
进而,在确定目标组交通指示灯的灯框尺寸信息之后,若灯晕的颜色信息为已知颜色,即交通指示灯颜色中的任一种(比如红、黄和绿中的任一种),则可以将灯晕的颜色信息和位置信息,以及目标组交通指示灯的灯框尺寸信息,输入至预先训练的位置确定模型中,即可得到目标组交通指示灯在待处理图像中的位置信息。本实施例中,目标组交通指示灯在待处理图像中的位置信息为目标组交通指示的灯框在待处理图像中的像素坐标,比如,灯框的四个顶点的像素坐标。
示例性的,若灯晕的颜色信息为未知颜色,则在一组交通指示灯具有多种颜色的情况下,可以依次假设灯晕的颜色信息为交通指示灯颜色中的一种,并基于灯晕的位置信息和所假设的灯晕的颜色信息,以及目标组交通指示灯的灯框尺寸信息,确定在不同种颜色情况下目标交通指示灯在待处理图像中的位置信息;之后,可以获取采集待处理图像的路侧感知设备在与采集待处理图像相同的环境(比如夜晚)下所采集的未呈现灯晕的图像,并分别将所确定的在不同种颜色情况下目标交通指示灯在待处理图像中的位置信息,与所获取的图像中每组交通指示灯的灯框位置信息进行比较,进而可以根据比较结果,确定目标组交通指示灯在待处理图像中的位置信息,以及还可以确定灯晕的颜色信息。例如,若所确定的在某种颜色情况下目标交通指示灯在待处理图像中的位置信息,与所获取的图像中一组交通指示灯的灯框位置信息相近,或者两者相差较小,则说明目标交通指示灯与所获取的图像中的该组交通指示灯,在实际场景中为同一组交通指示灯,此时,可以将在该灯晕为该种颜色情况下所确定的目标交通指示灯在待处理图像中的位置信息,作为最终目标组交通指示灯在待处理图像中的位置信息。
S103,根据目标组交通指示灯在待处理图像中的位置信息,对待处理图像进行标注,并将标注后的图像作为训练样本。
具体的,在确定目标组交通指示灯在待处理图像中的位置信息之后,可以根据目标组交通指示灯在待处理图像中的位置信息,采用标注框在待处理图像中将目标组交通指示灯的灯框标注出来。同时,还可以标注该灯框的属性信息,比如位置信息、颜色信息和采集该图像的路侧感知设备标识等。其中,该灯框的颜色信息为该目标组交通指示灯中亮着的灯的颜色信息,即灯晕的颜色信息。
可选的,在对待处理图像进行标注之后,可以将标注后的图像作为训练样本,用于训练交通指示灯检测模型和灯色识别模型。
需要说明的是,现有的交通指示灯检测模型和灯色识别模型,在对模型进行训练时,所采用的训练样本仅考虑交通指示灯未呈现灯晕的图像数据,进而使所模型准确度较低;而本公开在现有技术的基础上,通过对交通指示灯呈现灯晕的图像数据进行处理,并将处理后的图像作为训练样本,相比于现有技术而言,丰富了训练样本,进而提升了模型的准确度。
此外,值得注意的是,在路侧感知场景下,路侧感知设备(比如路侧感知相机)部署在路侧,路侧感知相机与交通指示灯之间的位置相对保持不变,目前在进行灯色识别时主要采用的方式是,从图像中的指定位置中取出相应图像并进行灯色识别,其中指定位置为预先在图像中标注出的交通指示灯的位置。由于实际场景中路测感知设备的位置可能会发生变化(比如底座或者支撑杆轻微变形),或者交通指示灯的位置发生变化(比如底座或者支撑杆轻微变形),进而现有的进行灯色识别的方式无法直接从指定的位置取出完整的一组交通指示灯。
而本实施例充分考虑实际场景中热胀冷缩、支撑杆变形等因素对路侧感知设备和交通指示灯的位置的影响,通过以待处理图像的基准图像为标准,结合灯晕的位置信息,从待处理图像的基准图像中确定灯晕关联的目标组交通指示灯的灯框尺寸信息;同时本实施例在确定目标组交通指示灯在待处理图像中的位置信息过程中,充分考虑了一组交通指示灯内部的相对位置关系,即基于目标组交通指示灯的灯框尺寸信息、灯晕的位置信息和颜色信息,确定目标组交通指示灯在待处理图像中的位置信息,增加了所确定位置信息的精准度,为后续获取高准确度模型奠定了基础。
本公开实施例的技术方案,通过以待处理图像的基准图像为标准,结合灯晕的位置信息,从待处理图像的基准图像中确定灯晕关联的目标组交通指示灯的灯框尺寸信息,并基于目标组交通指示灯的灯框尺寸信息、灯晕的位置信息和颜色信息,确定目标组交通指示灯在待处理图像中的位置信息,进而基于目标组交通指示灯在待处理图像中的位置信息,对待处理图像进行标注,且将标注后的图像作为训练交通指示灯检测模型和灯色识别模型的样本。相比于现有技术方案,上述方案通过对交通指示灯呈现灯晕的图像数据进行处理,并将处理后的图像作为训练样本,丰富了训练样本,进而提升了模型的准确度。
图2是根据本公开实施例提供的另一种数据处理方法的流程图。本实施例在上述实施例的基础上,进一步对如何确定目标组交通指示灯的灯框尺寸信息进行解释说明。如图2所示,该数据处理方法包括:
S201,根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及待处理图像的基准图像中至少两组交通指示灯的灯框位置信息,从至少两组交通指示灯中,确定灯晕关联的目标组交通指示灯的同组交通指示灯。
本实施例中,所谓同组交通指示灯与目标组交通指示灯在实际场景中是同一组交通指示灯。
可选的,在待处理图像的基准图像中包含两组或两组以上的交通指示灯的情况下,可以先从多组交通指示灯中选择出目标组交通指示灯的同组交通指示灯。例如可以是,对于基准图像中的每一组交通指示灯,可以根据该组交通指示灯的位置信息,以及灯晕的位置信息,确定灯晕与该组交通指示灯之间的距离,进而可以根据基准图像中各组交通指示灯与灯晕之间的距离,从基准图像中的多组交通指示灯中选择目标组交通指示灯的同组交通指示灯。
进一步的,作为本公开实施例的一种可选方式,确定目标组交通指示灯的同组交通指示灯可以是,根据灯晕的位置信息,确定灯晕的中心点坐标;根据基准图像中至少两组交通指示灯的灯框位置信息,确定至少两组交通指示灯的灯框中心点坐标;分别计算灯晕的中心点坐标,与至少两组交通指示灯的灯框中心点坐标之间的距离;根据距离,从至少两组交通指示灯中,确定灯晕关联的目标组交通指示灯的同组交通指示灯。
具体可以是,根据标注灯晕的标注框的像素坐标,确定灯晕的中心点坐标;同时,对于基准图像中的每一组交通指示灯,可以根据标注该组交通指示灯灯框的标注框的像素坐标,确定该组交通指示灯的灯框中心点坐标,并计算该组交通指示灯的灯框中心点坐标与灯晕的中心点坐标之间的距离,即该组交通指示灯与灯晕之间的距离;之后,可以根据基准图像中各组交通指示灯与灯晕之间的距离,从基准图像中的多组交通指示灯中选择目标组交通指示灯的同组交通指示灯。例如,可以选择最小距离所对应的基准图像中的一组交通指示灯,作为目标组交通指示灯的同组交通指示灯。进一步的,为了保证准确度,可以将基准图像中各组交通指示灯与灯晕之间距离中的最小距离,与设定阈值进行比较,若最小距离小于设定阈值,则说明灯晕关联的目标组交通指示灯,与最小距离所对应的基准图像中的一组交通指示灯在实际场景中是同一组交通指示灯,进而可以将最小距离所对应的基准图像中的一组交通指示灯,作为目标组交通指示灯的同组交通指示灯。
示例性的,作为本公开实施例的又一种可选方式,确定目标组交通指示灯的同组交通指示灯还可以是,根据灯晕的位置信息,确定灯晕的中心点坐标;同时,对于基准图像中每一组交通指示灯的灯框位置信息,以及该组交通指示灯内部的相对位置关系,可以确定该组交通指示灯内部各交通指示灯的位置信息,即可确定该组交通指示灯中亮着的灯(比如红灯)的位置信息,进而可确定该组交通指示灯中亮着的灯的中心点坐标(即灯头中心点坐标),并计算灯晕的中心点坐标与该组交通指示灯中亮着的灯的中心点坐标之间的距离;之后,可以根据各组交通指示灯中亮着的灯的中心点坐标与灯晕的中心点坐标之间的距离,从基准图像中的多组交通指示灯中选择目标组交通指示灯的同组交通指示灯。
S202,根据同组交通指示灯的灯框位置信息,确定目标组交通指示灯的灯框尺寸信息。
具体的,在确定目标组交通指示灯的同组交通指示灯之后,可以根据同组交通指示灯的灯框位置信息,确定同组交通指示灯的长度信息和宽度信息;由于目标组交通指示灯和同组交通指示灯在实际场景中是同一组交通指示灯,进而可以确定目标组交通指示灯的长度信息和宽度信息,即灯框尺寸信息。
S203,根据目标组交通指示灯的灯框尺寸信息,以及灯晕的颜色信息和位置信息,确定目标组交通指示灯在待处理图像中的位置信息。
S204,根据目标组交通指示灯在待处理图像中的位置信息,对待处理图像进行标注,并将标注后的图像作为训练样本。
本公开实施例的技术方案,在待处理图像的基准图像中包含两组或两组以上的交通指示灯的情况下,通过从待处理图像的基准图像中确定灯晕关联的目标组交通指示灯的同组交通指示灯,并根据同组交通指示灯的灯框位置信息,可以准确度确定目标组交通指示灯的灯框尺寸信息,进而结合目标组交通指示灯的灯框尺寸信息、灯晕的位置信息和颜色信息等,可以确定目标组交通指示灯在待处理图像中的位置信息,而后基于该位置信息,可以在待处理图像中标注出目标组交通指示灯,用于后续训练交通指示灯检测模型和灯色识别模型的训练样本。上述技术方案,在待处理图像的基准图像中包含两组或两组以上的交通指示灯的情况下,能够准确确定目标组交通指示灯的同组交通指示灯,进而基于同组交通指示灯的灯框位置信息,可以确定目标组交通指示灯的灯框尺寸信息,为确定目标组交通指示灯的灯框尺寸信息提供了一种可选方式。
图3是根据本公开实施例提供的又一种数据处理方法的流程图。本实施例在上述实施例的基础上,进一步对如何确定目标组交通指示灯在待处理图像中的位置信息进行解释说明。如图3所示,该数据处理方法包括:
S301,根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及待处理图像的基准图像,确定待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息。
本实施例中,所谓基准图像与待处理图像由同一路侧感知设备在相同位置处以相同角度采集,且基准图像中交通指示灯无灯晕呈现。
S302,识别灯晕的颜色信息是否为未知颜色;若是,则执行S303;若否,则执行S306。
S303,获取待处理图像的同场景图像。
本实施例中,充分考虑实际场景中热胀冷缩、支撑杆变形等因素对路侧感知设备和交通指示灯的位置的影响,引入待处理图像的同场景图像。所谓同场景图像与待处理图像由同一路侧感知设备在相同环境场景下采集,且同场景图像中交通指示灯无灯晕呈现;比如,待处理图像和同场景图像均为固定设置在某个道路路口的路侧感知相机在夜晚的不同时间采集,待处理图像中存在交通指示灯呈现灯晕,同场景图像中不存在交通指示灯呈现灯晕现象且能看见灯框。
可以理解的是,在待处理图像的基准图像,与待处理图像的采集环境相同的情况下,基准图像即为待处理图像的同场景图像,无需执行S303,可直接执行S304和S305的过程。
S304,根据灯晕的位置信息,以及同场景图像中单个交通指示灯的位置信息,更新灯晕的颜色信息。
具体的,可以遍历同场景图像中所有单个交通指示灯,如果识别到同场景图像中某个交通指示灯的位置信息,与灯晕的位置信息相同,或者相差较小,则说明待处理图像中呈现灯晕的交通指示灯,与同场景图像中某个交通指示灯,在实际场景中为同一个交通指示灯,此时,可以将同场景图像中与灯晕的位置信息相同的交通指示灯的颜色信息,作为灯晕的颜色信息。例如,如果同场景图像中与灯晕的位置信息相同的交通指示灯的颜色信息为红色,则将红色作为灯晕的颜色信息。
可选的,作为本公开实施例的一种可选方式,更新灯晕的颜色信息可以是,根据灯晕的位置信息,以及同场景图像中单个交通指示灯的位置信息,确定灯晕与同场景图像中单个交通指示灯之间的高度差;根据高度差,从同场景图像的单个交通指示灯中确定灯晕关联的目标灯;根据目标灯的颜色信息,更新灯晕的颜色信息。
具体可以是,根据灯晕的位置信息,确定灯晕的中心点坐标;对于同场景图像中每个交通指示灯,根据该交通指示灯的位置信息,可以确定该交通指示灯的中心点坐标(即灯头的中心点坐标),并可以计算该交通指示灯的中心点坐标,与灯晕的中心点坐标之间的高度差,即该交通指示灯与灯晕在水平高度上的差值;之后,可以选择最小高度差所对应的同场景图像中的交通指示灯,作为目标灯。进一步的,为了保证准确度,可以将同场景图像中所有交通指示灯与灯晕之间高度差中的最小高度差,与设定高度阈值进行比较,若最小高度差小于设定高度阈值,则说明待处理图像中呈现灯晕的交通指示灯,与同场景图像中的目标灯,在实际场景中为同一个交通指示灯,进而可以将最小高度差所对应的同场景图像中的交通指示灯,作为灯晕关联的目标灯;并可以将目标灯的颜色信息,作为灯晕的颜色信息。
值得注意的是,本实施例通过对组交通指示灯进行细粒度的划分,引入单个交通指示灯的概念,从同场景图像中确定灯晕关联的目标灯,进而根据目标灯的颜色信息,更新灯晕的颜色信息,进一步增加了更新灯晕颜色信息的准确度,为得到更精准的模型奠定了基础。
S305,根据灯晕的中心点坐标和更新后的灯晕的颜色信息、目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定目标组交通指示灯在待处理图像中的位置信息。
本实施例中,一组交通指示灯内部的相对位置关系,即为一组交通指示灯内部各指示灯之间的相对位置关系,也可以说是,一组交通指示灯内部不同颜色指示灯之间的相对位置关系;比如,红、黄和绿三个不同颜色指示灯之间相对位置关系。
具体的,将灯晕的中心点坐标和更新后的颜色信息、目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系等,输入至预先训练的位置确定模型中,即可得到目标组交通指示灯在待处理图像中的位置信息。
进一步的,还可以根据更新后的灯晕的颜色信息和目标组交通指示灯内部的相对位置关系,确定目标组交通指示中除呈现灯晕的交通指示灯之外的其他交通指示灯,在呈现灯晕的交通指示灯的上下分布情况(或者左右分布情况);根据灯晕的中心点坐标、目标组交通指示灯的灯框尺寸信息、以及上下分布情况(或者左右分布情况),即可确定目标组交通指示灯在待处理图像中的位置信息。
S306,根据灯晕的位置信息,确定灯晕的中心点坐标。
S307,根据灯晕的中心点坐标和颜色信息、目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定目标组交通指示灯在待处理图像中的位置信息。
本实施例中,步骤S307确定目标组交通指示灯在待处理图像中的位置信息的方式,与步骤S305目标组交通指示灯在待处理图像中的位置信息的方式相同,只需将步骤S305中的更新后的灯晕的颜色信息,替换为灯晕的颜色信息,即可实现S307,此处不再赘述。
本公开实施例的技术方案,通过以待处理图像的基准图像为标准,结合灯晕的位置信息,从待处理图像的基准图像中确定灯晕关联的目标组交通指示灯的灯框尺寸信息;之后在识别到灯晕的颜色信息为交通指示灯颜色中的任一种时,基于目标组交通指示灯的灯框尺寸信息、灯晕的位置信息和颜色信息,确定目标组交通指示灯在待处理图像中的位置信息;同时在识别到灯晕的颜色信息为未知颜色的情况下,通过充分考虑实际场景中热胀冷缩、支撑杆变形等因素对路侧感知设备和交通指示灯的位置的影响,引入待处理图像的同场景图像来确定目标组交通指示灯在待处理图像中的位置信息,进一步提升了所确定的位置信息的准确度,为得到更精准的模型奠定了基础。此外,本实施例基于目标组交通指示灯在待处理图像中的位置信息,对待处理图像进行标注,且将标注后的图像作为训练交通指示灯检测模型和灯色识别模型的样本,丰富了训练样本,进而提升了模型的准确度。
图4是根据本公开实施例提供的一种数据处理装置的结构示意图。本公开实施例适用于如何对图像数据进行处理的情况,尤其适用于针对包括交通指示灯且交通指示灯呈现灯晕的图像进行处理的情况。该装置可以采用软件和/或硬件来实现,该装置可以实现本公开任意实施例所述的数据处理方法。如图4所示,该数据处理装置包括:
灯框尺寸信息确定模块401,用于根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及待处理图像的基准图像,确定待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息;其中,基准图像与待处理图像由同一路侧感知设备在相同位置处以相同角度采集,且基准图像中交通指示灯无灯晕呈现;
位置信息确定模块402,用于根据目标组交通指示灯的灯框尺寸信息,以及灯晕的颜色信息和位置信息,确定目标组交通指示灯在待处理图像中的位置信息;
处理模块403,用于根据目标组交通指示灯在待处理图像中的位置信息,对待处理图像进行标注,并将标注后的图像作为训练样本。
本公开实施例的技术方案,通过以待处理图像的基准图像为标准,结合灯晕的位置信息,从待处理图像的基准图像中确定灯晕关联的目标组交通指示灯的灯框尺寸信息,并基于目标组交通指示灯的灯框尺寸信息、灯晕的位置信息和颜色信息,确定目标组交通指示灯在待处理图像中的位置信息,进而基于目标组交通指示灯在待处理图像中的位置信息,对待处理图像进行标注,且将标注后的图像作为训练交通指示灯检测模型和灯色识别模型的样本。相比于现有技术方案,上述方案通过对交通指示灯呈现灯晕的图像数据进行处理,并将处理后的图像作为训练样本,丰富了训练样本,进而提升了模型的准确度。
示例性的,灯框尺寸信息确定模块401包括:
目标组灯确定单元,用于根据灯晕的位置信息,以及基准图像中至少两组交通指示灯的灯框位置信息,从至少两组交通指示灯中,确定灯晕关联的目标组交通指示灯的同组交通指示灯;
灯框尺寸信息确定单元,用于根据同组交通指示灯的灯框位置信息,确定目标组交通指示灯的灯框尺寸信息。
示例性的,目标组灯确定单元具体用于:
根据灯晕的位置信息,确定灯晕的中心点坐标;
根据基准图像中至少两组交通指示灯的灯框位置信息,确定至少两组交通指示灯的灯框中心点坐标;
分别计算灯晕的中心点坐标,与至少两组交通指示灯的灯框中心点坐标之间的距离;
根据距离,从至少两组交通指示灯中,确定灯晕关联的目标组交通指示灯的同组交通指示灯。
示例性的,位置信息确定模块402具体用于:
若灯晕的颜色信息为交通指示灯颜色中的任一种,则根据灯晕的位置信息,确定灯晕的中心点坐标;
根据灯晕的中心点坐标和颜色信息、目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定目标组交通指示灯在待处理图像中的位置信息。
示例性的,位置信息确定模块402包括:
图像获取单元,用于若灯晕的颜色信息为未知颜色,则获取待处理图像的同场景图像;其中,同场景图像与待处理图像由同一路侧感知设备在相同环境场景下采集,且同场景图像中交通指示灯无灯晕呈现;
颜色信息更新单元,用于根据灯晕的位置信息,以及同场景图像中单个交通指示灯的位置信息,更新灯晕的颜色信息;
位置信息确定单元,用于根据灯晕的中心点坐标和更新后的灯晕的颜色信息、目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定目标组交通指示灯在待处理图像中的位置信息;
其中,一组交通指示灯中至少包括三个交通指示灯。
示例性的,颜色信息更新单元具体用于:
根据灯晕的位置信息,以及同场景中单个交通指示灯的位置信息,确定灯晕与同场景图像中单个交通指示灯之间的高度差;
根据高度差,从同场景图像的单个交通指示灯中确定灯晕关联的目标灯;
根据目标灯的颜色信息,更新灯晕的颜色信息。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种数据处理方法,包括:
根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及所述待处理图像的基准图像,确定所述待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息;其中,所述基准图像与所述待处理图像由同一路侧感知设备在相同位置处以相同角度采集,且所述基准图像中交通指示灯无灯晕呈现;
根据所述目标组交通指示灯的灯框尺寸信息,以及所述灯晕的颜色信息和位置信息,确定所述目标组交通指示灯在所述待处理图像中的位置信息;
根据所述目标组交通指示灯在所述待处理图像中的位置信息,对所述待处理图像进行标注,并将标注后的图像作为训练样本。
2.根据权利要求1所述的方法,其中,所述根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及所述待处理图像的基准图像,确定所述待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息,包括:
根据所述灯晕的位置信息,以及所述基准图像中至少两组交通指示灯的灯框位置信息,从所述至少两组交通指示灯中,确定所述灯晕关联的目标组交通指示灯的同组交通指示灯;
根据所述同组交通指示灯的灯框位置信息,确定所述目标组交通指示灯的灯框尺寸信息。
3.根据权利要求2所述的方法,其中,所述根据所述灯晕的位置信息,以及所述基准图像中至少两组交通指示灯的灯框位置信息,从所述至少两组交通指示灯中,确定所述灯晕关联的目标组交通指示灯的同组交通指示灯,包括:
根据所述灯晕的位置信息,确定所述灯晕的中心点坐标;
根据所述基准图像中至少两组交通指示灯的灯框位置信息,确定所述至少两组交通指示灯的灯框中心点坐标;
分别计算所述灯晕的中心点坐标,与所述至少两组交通指示灯的灯框中心点坐标之间的距离;
根据所述距离,从所述至少两组交通指示灯中,确定所述灯晕关联的目标组交通指示灯的同组交通指示灯。
4.根据权利要求1所述的方法,其中,所述根据所述目标组交通指示灯的灯框尺寸信息,以及所述灯晕的颜色信息和位置信息,确定所述目标组交通指示灯在所述待处理图像中的位置信息,包括:
若所述灯晕的颜色信息为交通指示灯颜色中的任一种,则根据所述灯晕的位置信息,确定所述灯晕的中心点坐标;
根据所述灯晕的中心点坐标和颜色信息、所述目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定所述目标组交通指示灯在所述待处理图像中的位置信息。
5.根据权利要求1所述的方法,其中,所述根据所述目标组交通指示灯的灯框尺寸信息,以及所述灯晕的颜色信息和位置信息,确定所述目标组交通指示灯在所述待处理图像中的位置信息,包括:
若所述灯晕的颜色信息为未知颜色,则获取所述待处理图像的同场景图像;其中,所述同场景图像与所述待处理图像由同一路侧感知设备在相同环境场景下采集,且所述同场景图像中交通指示灯无灯晕呈现;
根据所述灯晕的位置信息,以及所述同场景图像中单个交通指示灯的位置信息,更新所述灯晕的颜色信息;
根据所述灯晕的中心点坐标和更新后的灯晕的颜色信息、所述目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定所述目标组交通指示灯在所述待处理图像中的位置信息;
其中,一组交通指示灯中至少包括三个交通指示灯。
6.根据权利要求5所述的方法,其中,所述根据所述灯晕的位置信息,以及所述同场景图像中单个交通指示灯的位置信息,更新所述灯晕的颜色信息,包括:
根据所述灯晕的位置信息,以及所述同场景图像中单个交通指示灯的位置信息,确定所述灯晕与所述同场景图像中单个交通指示灯之间的高度差;
根据所述高度差,从所述同场景图像的单个交通指示灯中确定所述灯晕关联的目标灯;
根据所述目标灯的颜色信息,更新所述灯晕的颜色信息。
7.一种数据处理装置,包括:
灯框尺寸信息确定模块,用于根据待处理图像中交通指示灯所呈现的灯晕的位置信息,以及所述待处理图像的基准图像,确定所述待处理图像中灯晕关联的目标组交通指示灯的灯框尺寸信息;其中,所述基准图像与所述待处理图像由同一路侧感知设备在相同位置处以相同角度采集,且所述基准图像中交通指示灯无灯晕呈现;
位置信息确定模块,用于根据所述目标组交通指示灯的灯框尺寸信息,以及所述灯晕的颜色信息和位置信息,确定所述目标组交通指示灯在所述待处理图像中的位置信息;
处理模块,用于根据所述目标组交通指示灯在所述待处理图像中的位置信息,对所述待处理图像进行标注,并将标注后的图像作为训练样本。
8.根据权利要求7所述的装置,其中,所述灯框尺寸信息确定模块包括:
目标组灯确定单元,用于根据所述灯晕的位置信息,以及所述基准图像中至少两组交通指示灯的灯框位置信息,从所述至少两组交通指示灯中,确定所述灯晕关联的目标组交通指示灯的同组交通指示灯;
灯框尺寸信息确定单元,用于根据所述同组交通指示灯的灯框位置信息,确定所述目标组交通指示灯的灯框尺寸信息。
9.根据权利要求8所述的装置,其中,所述目标组灯确定单元具体用于:
根据所述灯晕的位置信息,确定所述灯晕的中心点坐标;
根据所述基准图像中至少两组交通指示灯的灯框位置信息,确定所述至少两组交通指示灯的灯框中心点坐标;
分别计算所述灯晕的中心点坐标,与所述至少两组交通指示灯的灯框中心点坐标之间的距离;
根据所述距离,从所述至少两组交通指示灯中,确定所述灯晕关联的目标组交通指示灯的同组交通指示灯。
10.根据权利要求7所述的装置,其中,所述位置信息确定模块具体用于:
若所述灯晕的颜色信息为交通指示灯颜色中的任一种,则根据所述灯晕的位置信息,确定所述灯晕的中心点坐标;
根据所述灯晕的中心点坐标和颜色信息、所述目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定所述目标组交通指示灯在所述待处理图像中的位置信息。
11.根据权利要求7所述的装置,其中,所述位置信息确定模块包括:
图像获取单元,用于若所述灯晕的颜色信息为未知颜色,则获取所述待处理图像的同场景图像;其中,所述同场景图像与所述待处理图像由同一路侧感知设备在相同环境场景下采集,且所述同场景图像中交通指示灯无灯晕呈现;
颜色信息更新单元,用于根据所述灯晕的位置信息,以及所述同场景图像中单个交通指示灯的位置信息,更新所述灯晕的颜色信息;
位置信息确定单元,用于根据所述灯晕的中心点坐标和更新后的灯晕的颜色信息、所述目标组交通指示灯的灯框尺寸信息、以及目标组交通指示灯内部的相对位置关系,确定所述目标组交通指示灯在所述待处理图像中的位置信息;
其中,一组交通指示灯中至少包括三个交通指示灯。
12.根据权利要求11所述的装置,其中,所述颜色信息更新单元具体用于:
根据所述灯晕的位置信息,以及所述同场景中单个交通指示灯的位置信息,确定所述灯晕与所述同场景图像中单个交通指示灯之间的高度差;
根据所述高度差,从所述同场景图像的单个交通指示灯中确定所述灯晕关联的目标灯;
根据所述目标灯的颜色信息,更新所述灯晕的颜色信息。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的数据处理方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432270.XA CN113129375B (zh) | 2021-04-21 | 2021-04-21 | 数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432270.XA CN113129375B (zh) | 2021-04-21 | 2021-04-21 | 数据处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129375A CN113129375A (zh) | 2021-07-16 |
CN113129375B true CN113129375B (zh) | 2023-12-01 |
Family
ID=76778837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110432270.XA Active CN113129375B (zh) | 2021-04-21 | 2021-04-21 | 数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129375B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2119614A2 (de) * | 2008-05-15 | 2009-11-18 | Siemens Schweiz AG | Signalisierungseinheit mit LED-Redundanz |
CN102568242A (zh) * | 2012-01-17 | 2012-07-11 | 杭州海康威视***技术有限公司 | 基于视频处理的信号灯状态检测方法及其*** |
CN104574960A (zh) * | 2014-12-25 | 2015-04-29 | 宁波中国科学院信息技术应用研究院 | 一种交通灯识别方法 |
JP2017004295A (ja) * | 2015-06-11 | 2017-01-05 | 株式会社ミツバ | 信号機認識装置及び信号機認識方法 |
CN107273838A (zh) * | 2017-06-08 | 2017-10-20 | 浙江大华技术股份有限公司 | 交通信号灯抓拍图片的处理方法及装置 |
KR20180031421A (ko) * | 2016-09-20 | 2018-03-28 | 강정열 | 교통신호등 |
CN108876858A (zh) * | 2018-07-06 | 2018-11-23 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN110084111A (zh) * | 2019-03-19 | 2019-08-02 | 江苏大学 | 一种应用于自适应远光灯的快速夜间车辆检测方法 |
JP2019139801A (ja) * | 2019-04-25 | 2019-08-22 | 株式会社ミツバ | 信号機認識装置、信号認識システム、及び信号機認識方法 |
CN110992725A (zh) * | 2019-10-24 | 2020-04-10 | 合肥讯图信息科技有限公司 | 用于检测交通信号灯故障的方法、***及存储介质 |
CN111127358A (zh) * | 2019-12-19 | 2020-05-08 | 苏州科达科技股份有限公司 | 图像处理方法、装置及存储介质 |
WO2020133983A1 (zh) * | 2018-12-29 | 2020-07-02 | ***股份有限公司 | 一种信号灯的识别方法及装置、电子设备 |
CN111598006A (zh) * | 2020-05-18 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于标注对象的方法和装置 |
CN111931726A (zh) * | 2020-09-23 | 2020-11-13 | 北京百度网讯科技有限公司 | 交通灯检测的方法、装置、计算机存储介质和路侧设备 |
CN112307970A (zh) * | 2020-10-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 训练数据获取方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211120A1 (en) * | 2017-01-25 | 2018-07-26 | Ford Global Technologies, Llc | Training An Automatic Traffic Light Detection Model Using Simulated Images |
CN108681994B (zh) * | 2018-05-11 | 2023-01-10 | 京东方科技集团股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-04-21 CN CN202110432270.XA patent/CN113129375B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2119614A2 (de) * | 2008-05-15 | 2009-11-18 | Siemens Schweiz AG | Signalisierungseinheit mit LED-Redundanz |
CN102568242A (zh) * | 2012-01-17 | 2012-07-11 | 杭州海康威视***技术有限公司 | 基于视频处理的信号灯状态检测方法及其*** |
CN104574960A (zh) * | 2014-12-25 | 2015-04-29 | 宁波中国科学院信息技术应用研究院 | 一种交通灯识别方法 |
JP2017004295A (ja) * | 2015-06-11 | 2017-01-05 | 株式会社ミツバ | 信号機認識装置及び信号機認識方法 |
KR20180031421A (ko) * | 2016-09-20 | 2018-03-28 | 강정열 | 교통신호등 |
CN107273838A (zh) * | 2017-06-08 | 2017-10-20 | 浙江大华技术股份有限公司 | 交通信号灯抓拍图片的处理方法及装置 |
CN108876858A (zh) * | 2018-07-06 | 2018-11-23 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
WO2020133983A1 (zh) * | 2018-12-29 | 2020-07-02 | ***股份有限公司 | 一种信号灯的识别方法及装置、电子设备 |
CN110084111A (zh) * | 2019-03-19 | 2019-08-02 | 江苏大学 | 一种应用于自适应远光灯的快速夜间车辆检测方法 |
JP2019139801A (ja) * | 2019-04-25 | 2019-08-22 | 株式会社ミツバ | 信号機認識装置、信号認識システム、及び信号機認識方法 |
CN110992725A (zh) * | 2019-10-24 | 2020-04-10 | 合肥讯图信息科技有限公司 | 用于检测交通信号灯故障的方法、***及存储介质 |
CN111127358A (zh) * | 2019-12-19 | 2020-05-08 | 苏州科达科技股份有限公司 | 图像处理方法、装置及存储介质 |
CN111598006A (zh) * | 2020-05-18 | 2020-08-28 | 北京百度网讯科技有限公司 | 用于标注对象的方法和装置 |
CN111931726A (zh) * | 2020-09-23 | 2020-11-13 | 北京百度网讯科技有限公司 | 交通灯检测的方法、装置、计算机存储介质和路侧设备 |
CN112307970A (zh) * | 2020-10-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 训练数据获取方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于图像识别的信号灯路口辅助驾驶方法;魏海林;《浙江大学学报(工学版)》;第51卷(第6期);1090-1096 * |
Also Published As
Publication number | Publication date |
---|---|
CN113129375A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4116462A2 (en) | Method and apparatus of processing image, electronic device, storage medium and program product | |
EP3852008A2 (en) | Image detection method and apparatus, device, storage medium and computer program product | |
CN109115242B (zh) | 一种导航评估方法、装置、终端、服务器及存储介质 | |
CN109285181B (zh) | 用于识别图像的方法和装置 | |
CN113792061B (zh) | 地图数据的更新方法、装置及电子设备 | |
CN112883236B (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN114140592A (zh) | 高精地图生成方法、装置、设备、介质及自动驾驶车辆 | |
CN112991459A (zh) | 一种相机标定方法、装置、设备以及存储介质 | |
CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113591580B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN113469109B (zh) | 交通灯识别结果处理方法、装置、路侧设备及云控平台 | |
CN114565908A (zh) | 车道线的检测方法、装置、电子设备及存储介质 | |
CN112699754B (zh) | 信号灯识别方法、装置、设备以及存储介质 | |
CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
CN116758503A (zh) | 车道线自动标注方法、装置、设备及存储介质 | |
CN113129375B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115410173B (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
US20220309763A1 (en) | Method for identifying traffic light, device, cloud control platform and vehicle-road coordination system | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
US11792514B2 (en) | Method and apparatus for stabilizing image, roadside device and cloud control platform | |
CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN115035481A (zh) | 一种图像物距融合方法、装置、设备及存储介质 |
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 |