CN114545434A - 一种路侧视角测速方法、***、电子设备及存储介质 - Google Patents
一种路侧视角测速方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114545434A CN114545434A CN202210039036.5A CN202210039036A CN114545434A CN 114545434 A CN114545434 A CN 114545434A CN 202210039036 A CN202210039036 A CN 202210039036A CN 114545434 A CN114545434 A CN 114545434A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target
- information
- data
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 47
- 238000000691 measurement method Methods 0.000 title claims description 10
- 238000001514 detection method Methods 0.000 claims abstract description 91
- 238000001914 filtration Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000000670 limiting effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000001133 acceleration Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种路侧视角测速方法、***、电子设备及存储介质,该方法包括:获取摄像设备采集的图像数据和雷达传感器采集的雷达点云数据;摄像设备和雷达传感器时间同步;对雷达点云数据进行滤波、降维处理,得到处理后点云数据;对图像数据进行目标检测及跟踪处理,得到视觉输出信息;对处理后点云数据及视觉输出信息进行融合处理,得到目标空间信息;根据目标空间信息及视觉输出信息,确定速度信息;将速度信息、目标空间信息及视觉输出信息进行数据结构化,确定输出数据。该方案速度检测精度高且准确性高。
Description
技术领域
本发明属于智能交通技术领域,特别涉及一种路侧视角测速方法、***、电子设备及存储介质。
背景技术
智能交通基础设施的发展为网联自动驾驶功能的实现提供了有力支撑,构建准确、稳定的路侧视角测速***对于为网联自动驾驶车辆提供准确的交通参与者多尺度信息具有重要意义。随着传感器成本降低,激光雷达逐渐可以满足路侧感知***的成本要求,与此同时,基于数据融合的测速***成为亟需解决的关键技术之一。
智能交通路侧感知***提供给网联自动驾驶车辆的结构化数据包括目标类型、ID、位置、速度、加速度等,其中速度、加速度信息包含了交通参与者的运动状态信息,可以为网联自动驾驶车辆碰撞预警、路况预警等功能提供时空信息和运动表征。现有方法主要集中在依据单一传感器,如基于视觉传感器,基于激光雷达传感器,基于毫米波雷达传感器。视觉传感器大多需要构建像素空间和真实物理空间的映射关系,最终通过像素距离估计速度、加速度,并未采用真值测量获得速度、加速度。激光雷达、毫米波雷达提供的稀疏点云包含了空间的真值信息,但可以检测出目标的有效特征有限,遮挡、拥堵等工况发生时难以准确跟踪相邻帧目标,这会导致检测的速度出现跳变,降低速度检测精度。
发明内容
本说明书实施例的目的是提供一种路侧视角测速方法、***、电子设备及存储介质。
为解决上述技术问题,本申请实施例通过以下方式实现的:
第一方面,本申请提供一种路侧视角测速方法,该方法包括:
获取摄像设备采集的图像数据和雷达传感器采集的雷达点云数据;摄像设备和雷达传感器时间同步;
对雷达点云数据进行滤波、降维处理,得到处理后点云数据;
对图像数据进行目标检测及跟踪处理,得到视觉输出信息;
对处理后点云数据及视觉输出信息进行融合处理,得到目标空间信息;
根据目标空间信息及视觉输出信息,确定速度信息;
将速度信息、目标空间信息及视觉输出信息进行数据结构化,确定输出数据。
第二方面,本申请提供一种路侧视角测速***,其特征在于,***包括:
获取模块,用于获取摄像设备采集的图像数据和雷达传感器采集的雷达点云数据;摄像设备和雷达传感器时间同步;
雷达模块,用于对雷达点云数据进行滤波、降维处理,得到处理后点云数据;
视觉模块,用于对图像数据进行目标检测及跟踪处理,得到视觉输出信息;
融合模块,用于对处理后点云数据及视觉输出信息进行融合处理,得到目标空间信息;
测速模块,用于根据目标空间信息及视觉输出信息,确定速度信息;
输出模块,用于将速度信息、目标空间信息及视觉输出信息进行数据结构化,确定输出数据。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面的路侧视角测速方法。
第四方面,本申请提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面的路侧视角测速方法。
由以上本说明书实施例提供的技术方案可见,该方案:将路侧布置的摄像头、激光雷达传感器等传感器的感知结果进行整合,实现对交通参与者速度的准确检测。其中,通过摄像头采集的图像实现对目标的检测跟踪,可以保证感知结果的准确性,基于激光雷达传感器进行距离测量,可以保证空间信息检测的准确性。基于图像和激光雷达点云数据融合及目标跟踪进行速度测量,可以使用传感器真实测量值进行速度测量,并利用纹理信息进行检测跟踪,最终为网联自动驾驶车辆提供稳定可靠的交通场景多维信息。
附图说明
为了更清楚地说明本说明书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简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,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为本申请提供的路侧视角测速方法的流程示意图;
图2为本申请提供的对雷达点云数据进行滤波、降维处理的流程示意图;
图3为本申请提供的对图像数据进行目标检测及跟踪处理的流程示意图;
图4为图3中ID管理的工作流程示意图;
图5为本申请提供的对处理后点云数据及视觉输出信息进行融合处理的流程示意图;
图6为图5中目标三维检测的流程示意图;
图7为本申请提供的确定速度信息的流程示意图;
图8为本申请提供的确定输出数据的流程示意图;
图9为本申请提供的路侧视角测速方法的总体技术路线图;
图10为本申请提供的路侧视角测速***的结构示意图;
图11为本申请提供的各个软件模块之间数据传输的流程示意图;
图12为本申请提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
在不背离本申请的范围或精神的情况下,可对本申请说明书的具体实施方式做多种改进和变化,这对本领域技术人员而言是显而易见的。由本申请的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
本申请中的“份”如无特别说明,均按质量份计。
下面结合附图和实施例对本发明进一步详细说明。
参照图1,其示出了适用于本申请实施例提供的路侧视角测速方法的流程示意图。
如图1所示,路侧视角测速方法,可以包括:
S110、获取摄像设备采集的图像数据和雷达传感器采集的雷达点云数据;摄像设备和雷达传感器时间同步。
具体的,摄像设备例如可以采用摄像头,雷达传感器例如可以采用激光雷达传感器或简称激光雷达,激光雷达传感器采集的数据可以称为激光雷达点云数据。
摄像头和激光雷达传感器等传感器布置于路侧,为了便于获取更好的监控视角,将激光雷达传感器和摄像头部署于道路中央上侧。摄像头和激光雷达传感器布置好后,进行时间同步及参数标定,使激光雷达传感器采集的激光雷达点云可以准确投影在摄像头采集的图像成像空间中。其中,标定后的参数为相机内参Cparam、外参Cext。
S120、对雷达点云数据进行滤波、降维处理,得到处理后点云数据。
其中,S120包括以下步骤S1201~S1204。
S1201、根据道路限高及雷达传感器安装高度,对雷达点云数据进行高程滤波,得到高程滤波后点云集合。
具体的,道路限高也可以称为车辆高度限制或目标高度,在不同的城市、不同的道路等有不同的限制,可以根据实际需求进行设置,例如,城市主干道路限高5米。
激光雷达传感器安装高度也是在不同的城市、不同的道路等有不同的限制,可以根据实际需求进行设置,例如,某场景内激光雷达安装高度为5米。
根据场景内车辆高度限制和激光雷达安装高度,对采集的激光雷达点云数据进行高程滤波,去除天空中的噪声点,其中高程滤波公式如下式所示:
PtsH={Ptsi|Hmin<zi<Hmax},i=1,2,...,num(Pts)
其中,Ptsi为点云集Pts中的第i个点云,zi为其高度,Hmin和Hmax为高度范围,通过场景内目标高度和激光雷达安装高度确定,如某场景内激光雷达传感器安装高度为5米,道路为城市主干道路限高5米,因此设置Hmin=-5m,Hmax=0m。PtsH为高程滤波后点云集合,num(Pts)为集合Pts中点云的个数。
S1202、根据雷达传感器有效特征的感知范围,对高程滤波后点云集合进行直通滤波,得到直通滤波后点云集合。
具体的,激光雷达传感器有效特征的感知范围,可以根据实际情况进行设置。
依据激光雷达可以提供有效特征的感知范围,对步骤S1201输出的高程滤波后点云集合进行直通滤波,保留特征明显的范围内的点云,直通滤波公式如下式所示:
其中,xi、yi为点集PtsH第i个点云PtsHi的x、y轴坐标,Rmin和Rmax为半径范围,通过场景内点云有效距离确定,如采用某128线激光雷达,极限测距超过200米,但能提供测速的有效特征的距离为100米,同时安装在5米高时有15米视野盲区,因此设置Rmin=15m,Rmax=100m。PtsHR为直通滤波后点云集合,num(PtsH)为集合PtsH中点云的个数。
S1203、根据道路感兴趣区域,对直通滤波后点云集合进行直通滤波,得到感兴趣区域内点云集合。
具体的,设定场景内道路为感兴趣区域(Region of Interest,ROI),对步骤S1202输出的直通滤波后点云集合进行直通滤波,保留道路区域内的点云,直通滤波公式如下式所示:
PtsROI={PtsHRi|x1<xi<x2,y1<yi<y2},i=1,2,...,num(PtsHR)
其中,PtsHRi为点集PtsHR的第i个点云,xi、yi为其x、y轴坐标,x1、x2、y1、y2为ROI区域阈值,如安装在道路正中,道路为双向4车道,设置x1或y1为-7.5m,设置x2或y2为-7.5m,具体依据激光雷达安装方向确定,未依据车道设置的阈值后续不做约束,设置为±100m,通过场景内道路所在区域确定。PtsROI为ROI区域内点云集合,num(PtsHR)为集合PtsHR中点云的个数;
S1204、对感兴趣区域内点云集合进行降维处理,得到处理后点云数据。
具体的,可以对步骤S1203输出的感兴趣区域内点云集合进行栅格化处理,来降低维度,得到处理后点云数据。
参照图2,其示出了对雷达点云数据进行滤波、降维处理的流程示意图,如图2所示,激光雷达点云数据进行点云高程滤波,然后进行点云有效范围设置、ROI区域设置,最后进行点云栅格化处理,得到处理后的点云即处理后点云数据。
S130、对图像数据进行目标检测及跟踪处理,得到视觉输出信息。
具体的,视觉输出信息包括目标检测的检测结果及跟踪处理的跟踪结果,其中,跟踪结果包括检测结果对应的ID(即编号)。
其中,S130包括以下步骤S1301~S1303。
S1301、对图像数据进行预处理,得到预处理后图像数据。
其中,预处理可以包括减均值等操作。
S1302、将预处理后图像数据输入预建深度学习模型进行目标检测,得到检测结果。
其中,预建深度学习模型是预先构建的深度学习模型,用于对输入的图像进行目标检测。通过在该场景下采集并标注得到数据集,训练深度学习网络结构得到权重,使用训练得到的权重对实时采集的预处理后图像数据进行前向推导计算,检测出图像中的目标。
检测结果可以包括二维包围框左下点坐标、二维包围框右上点坐标、目标类别可简称为类别、置信度等。其中,目标类别例如可以包括行人、汽车、卡车等。
S1303、判断预处理后图像数据是否为初始帧,如果是初始帧,则生成检测结果对应的初始帧初始化ID;如果是非初始帧,则生成检测结果对应的非初始帧初始化ID,并将非初始帧初始化ID与前一帧ID进行ID匹配,得到非初始帧匹配后ID。
具体的,初始化ID也就是检测结果对应的ID可以根据规则生成,如果预处理后图像数据为初始帧即没有前一帧,则没有办法做匹配,根据规则生成的初始化ID即为检测结果对应的初始帧初始化ID;如果预处理后图像数据为非初始帧,则可以对相邻帧即前一帧ID进行匹配并修正当前帧的初始化ID,得到非初始帧匹配后ID。
其中,生成检测结果对应的非初始帧初始化ID,并将非初始帧初始化ID与前一帧ID进行ID匹配,得到非初始帧匹配后ID,可以包括:初始化ID、IOU计算代价矩阵、匈牙利匹配、ID匹配和ID生命周期管理,具体为:
根据检测结果,生成检测结果对应的非初始帧初始化ID;
根据非初始帧初始化ID,确定IOU代价矩阵;
根据IOU代价矩阵,对预处理后图像数据中相邻帧目标进行匈牙利匹配,得到匈牙利匹配后索引向量;
根据匈牙利匹配后索引向量,将所有非初始帧初始化ID分别与各自对应的前一帧ID进行ID匹配,保留非初始帧初始化ID中与前一帧正确匹配的ID,得到所有当前帧的跟踪ID;
根据所有当前帧的跟踪ID,确定非初始帧匹配后ID。
示例性的,首先,对所有检测结果进行ID初始化,按类别生成唯一ID。示例性的,检测结果中类别为5,即5类,需要对每一类都初始化ID,例如5类中包括车,有5个车,车的ID即为1-5,5类中还包括人,有10个人,人的ID即为1-10。
其次,对当前帧和相邻帧所有同类型目标按ID遍历,计算IOU值,生成IOU代价矩阵。具体如下式所示:
CMs={CMi},i=1,2,...,num(class)
其中,CMs是由每个类别相邻帧代价矩阵CMi组成的代价矩阵集合,class为预建深度学习模型可以检测到的目标类别,num(class)为可检测的类别个数,如预建深度学习模型可以检测的目标类别包括:行人、汽车、卡车、消防车、骑车人,此时类别个数为5。
代价矩阵CMi的构建规则如下:
其中,cmkj为当前帧第i类第k个检测框与上一帧第i类第j个检测框的交并比,a、b为当前帧、上一帧第i类目标检测框的数目。其中,交并比cmkj计算如下式所示:
其中,xk2、yk2、xk1、yk1为当前帧第i类第k个检测框的右上、左下点像素坐标,xj2、yj2、xj1、yj1为上一帧第i类第j个检测框的右上、左下点像素坐标,max()、min()为最大、最小值函数。
然后,依据IOU代价矩阵,对相邻帧目标进行匈牙利匹配,具体如下式所示:
Idxs={Idxi},i=1,2,...,num(class)
Idxi=lsa(CMi)
其中,Idxi为匈牙利匹配后的索引向量,lsa()为匈牙利匹配函数,Idxs为所有目标按类别匹配的索引向量构成的集合;
之后,对相邻帧ID进行匹配,保留当前帧中与上一帧正确匹配的ID,具体如下式所示:
IDs={IDi},i=1,2,...,num(class)
IDi={IDik},k∈Idxi
其中,IDs为所有类别目标的跟踪结果IDi组成的集合,IDik为当前帧第i类第k个目标的跟踪ID,取Idxi中最相关的ID作为当前ID,IDij为上一帧第i类第j个目标的跟踪ID,ThIOU为判断是否正确匹配的阈值,通过对场景中目标复杂程度分析确定,如当被监控场景属于城市主干道路,存在早、晚高峰等拥堵情况,应设置ThIOU=0.95,从而保证能够准确跟踪,减少ID切换次数。
最后,对前一帧中存在但当前帧中不存在的ID进行删除,当前帧中存在但前一帧中不存在的ID对应的目标进行ID重新生成,并将最终结果进行输出,即为非初始帧匹配后ID。ID管理策略具体如下式所示:
Indexiφ=where(IDik==φ)
其中,Indexiφ为IDik中未添加ID的索引,where()为索引搜索函数,返回满足条件的索引向量,n为当前帧第i类检测到的目标数量。
参照图3,其示出了步骤S103对图像数据进行目标检测及跟踪处理的流程示意图。如图3所示,首先对图像进行减均值预处理,然后预处理后图像进行深度学习检测,得到检测结果,然后判断图像是否为初始帧,如果是,则生成检测结果对应的初始化ID(初始帧初始化ID),输出包围框(属于检测结果中的一者)+ID;如果不是,则先生成检测结果对应的初始化ID(非初始帧初始化ID),然后依次进行IOU计算代价矩阵、匈牙利匹配、ID匹配、ID生命周期管理,输出包围框(属于检测结果中的一者)+ID(非初始帧匹配后ID)。
参照图4,其示出了图3中ID管理的工作流程示意图。如图4所示,输入上一帧ID和当前帧ID,然后对未匹配ID进行排序,丢弃上一帧未匹配ID,保留当前帧未匹配ID,即得到当前帧ID。
S104、对处理后点云数据及视觉输出信息进行融合处理,得到目标空间信息,可以包括:
S1041、对处理后点云数据进行投影,得到投影到像素空间后点云集合。
具体的,对输入的处理后点云数据进行投影,得到点云投影到像素空间后点云集合Ptsuv,具体如下式所示:
Ptsuv=Cparam×Cext×PtsROI
S1042、对投影到像素空间后点云集合进行过滤,得到过滤后有效点云集合。
具体的,对投影到像素空间后点云集合中的点云进行无效点剔除,保留与图像像素空间对应的点云,具体如下式所示:
Pts'uv={Ptsuvi|widthmin≤ui≤widthmax,heightmin≤vi≤heightmax,di≥0},i=1,2,...,num(Ptsuv)
其中,Ptsuvi为Ptsuv中的第i个点云,widthmin为图像宽度最小值,widthmax为图像宽度最大值,heightmin为图像高度最小值,heightmax为图像高度最大值,num(Ptsuv)为Ptsuv中点云个数,di为投影后的点云深度,Pts'uv为过滤后有效点云集合。
S1043、根据过滤后有效点云集合,确定检测框内点云集合。
具体的,根据检测框和过滤后有效点云集合,找到检测框内的点云集合,具体如下式所示:
Inneruv={Inneruvi}
Inneruvi={Inneruvik}
Inneruvik={Pts'uvm|x1ik≤um≤x2ik,y1ik≤vm≤y2ik},m=1,2,...,num(Pts'uvm)
其中,Pts'uvm为Pts'uv中的第m个点云,num(Pts'uvm)为Pts'uvm中的点云个数,um、vm为坐标值,x1ik、y1ik、x2ik、y2ik为该点二维检测框的像素坐标,Inneruvik为第i类第k个目标的内点集合,Inneruvi为第i类目标内点集合,Inneruv为所有类内点集合即检测框内点云集合。
S1044、对检测框内点云集合进行密度滤波,得到密度修正后内点集合。
具体的,对检测框内点云集合进行密度滤波,去除不属于该目标的噪声点云,具体如下式所示:
Inner'uv={Inneruvm|density(Inneruvm)≥Thdensity},m=1,2,...,num(Inneruv)
其中,density(Inneruvm)为Inneruv中第m个点云的密度,Thdensity为密度阈值,通过场景内点云分布确定,为了便于计算,以固定半径内点的个数近似代替,城市主干路情况下,设置Thdensity=20。num(Inneruv)为Inneruv中点云个数,Inneru'v为进行密度修正后内点集合。
S1045、根据密度修正后内点集合对目标进行三维检测,得到目标空间信息。
其中,目标空间信息包括中心点三维坐标、三个主方向向量、三维边界。
对目标进行三维检测包括中心点估计、航向估计及修正、三维包围框估计。
具体的,步骤S1045可以包括:
对密度修正后内点集合中属于同一目标的内点进行加权,得到各个目标的中心点三维坐标,具体如下式所示:
其中,xikm为第i类第k个目标的第m个内点x轴坐标,yikm为第i类第k个目标的第m个内点y轴坐标,zikm为第i类第k个目标的第m个内点z轴坐标,(xcik,ycik,zcik)为第i类第k个目标的中心点坐标。
对密度修正后内点集合中属于同一目标的内点进行主成分分析,得到各个目标的三个主方向向量,并做航向估计,具体如下式所示:
[v1ik,v2ik,v3ik]=PCA(Inner'zvik)
其中,PCA()为主成分分析函数,[v1ik,v2ik,v3ik]为第i类第k个目标的三个主方向向量;
对估计的航向进行角度修正,限制角度在90°范围内,具体如下式所示:
[v'1ik,v'2ik,v'3ik]=amend([v1ik,v2ik,v3ik])
其中,amend()角度修正函数,修正后的角度都在正负90°范围内,具体修正为:如果向量v1ik的角度大于90°且小于180°时,[v'1ik,v'2ik,v'3ik]为修正后的第i类第k个目标的三个主方向向量。
将密度修正后内点集合中所有内点分别投影到三个主方向上,分别查找三个主方向上坐标投影的最大值和最小值,根据最大值和最小值限定各个目标的三维边界,具体如下式所示:
lengthik=max(Pv1ik)-min(Pv1ik)
widthik=max(Pv2ik)-min(Pv2ik)
heightik=max(Pv3ik)-min(Pv3ik)
其中,Pv1ik为第i类第k个目标内点在其第1个主方向上的投影,Pv2ik为第i类第k个目标内点在其第2个主方向上的投影,Pv3ik为第i类第k个目标内点在其第3个主方向上的投影,lengthik、widthik、heightik为第i类第k个目标的长、宽、高。
参照图5,其示出了步骤S104对处理后点云数据及视觉输出信息进行融合处理的流程示意图,如图5所示,输入数据为处理后点云数据和视觉输出信息(包括包围框+ID),先对处理后点云数据进行点云投影,然后通过过滤进行无效点去除,然后进行内点检索,找到检测框内点云集合,对检测框内点云集合进行密度滤波,去除不属于该目标的噪声点云,得到同一目标内点,最后进行目标三维检测,得到目标空间信息。
参照图6,其示出了图5中目标三维检测的流程示意图。如图6所示,输入内点,去除内点中离群点,然后依次进行中心点估计、主方向估计、航向角修正、3D包围框估计,依次得到中心点三维坐标、主方向、航向角及3D包围框(即三维边界)。
S105、根据目标空间信息及视觉输出信息,确定速度信息,可以包括:
根据视觉输出信息,确定相邻帧的时间差;
根据目标空间信息及相邻帧的时间差,确定速度信息,其中,速度信息包括速度和加速度。
具体如下式所示:
其中,为t时刻第i类第k个目标的中心点坐标,为t-1时刻第i类第k个目标的中心点坐标,Δt为相邻数据帧时间差,为第i类第k个目标t时刻的速度,为第i类第k个目标t-1时刻的速度,第i类第k个目标t时刻的加速度。
参照图7,其示出了确定速度信息的流程示意图。如图7所示,输入目标空间信息及包围框、ID,确定相邻帧位置信息,根据相邻帧位置信息,计算速度,然后根据相邻帧速度,计算加速度,输出速度和加速度。
S106、将速度信息、目标空间信息及视觉输出信息进行数据结构化,确定输出数据。
参照图8,其示出了确定输出数据的流程示意图。如图8所示,输入目标空间信息、速度、加速度、包围框、ID,生成数据字典,生成json,最后输出结构化数据:类别、置信度、内部点云、中心点坐标、3D边界框坐标、3D边界框尺寸、航向、ID、速度、加速度。
参照图9,其示出了本申请提供的路侧视角测速方法的总体技术路线图。如图9所示,输入相邻3个数据帧,包括数据帧1、数据帧2、数据帧3,分别对3个数据帧进行初始化,分别得到三个数据帧对应的检测结果,依次为检测结果1、检测结果2、检测结果3,然后分别对3个检测结果进行融合操作,得到融合结果(目标空间信息),输出检测结果和目标空间信息,为对应的目标的类别、编号、置信度、内部点云、中心点坐标、3D边界框坐标、3D边界框尺寸、航向。然后对检测结果中编号进行跟踪处理,得到ID,以及对目标空间信息及检测结果进行处理,得到速度和加速度,将速度信息、目标空间信息、视觉输出信息(包括检测结果和ID)进行数据结构化,构建输出数据并输出,输出为:类别、置信度、内部点云、中心点坐标、3D边界框坐标、3D边界框尺寸、航向、ID、速度、加速度。
本申请实施例,将路侧布置的摄像头、激光雷达传感器等传感器的感知结果进行整合,实现对交通参与者速度的准确检测。其中,通过摄像头采集的图像实现对目标的检测跟踪,可以保证感知结果的准确性,基于激光雷达传感器进行距离测量,可以保证空间信息检测的准确性。基于图像和激光雷达点云数据融合及目标跟踪进行速度测量,可以使用传感器真实测量值进行速度测量,并利用纹理信息进行检测跟踪,最终为网联自动驾驶车辆提供稳定可靠的交通场景多维信息。
本申请实施例,通过数据层异构数据融合,结合图像纹理信息在目标检测和点云空间信息在位置测量上的优势,并部署在路侧设备中发挥路侧视野优势,可以避免因传感器单一导致的目标检测、跟踪不准,位置需要估计的情况,并保证测速***在拥堵等复杂工况中提供可靠的相对真值运动信息。
本申请实施例,继承了深度学习算法高准确率、高召回率的特点,对场景内的大多数目标均可检测。
本申请实施例,通过测量获得目标空间信息并测速,降低了基于估计进行测速的误差,提升了测速***的测量精度。
本申请实施例,对同一目标点云进行修正,进一步提升了速度测量的准确性,减少了噪声点对测量结果的影响。
本申请实施例,通过构建结构化数据进行输出,使本申请所提供方法可以直接为网联自动驾驶车辆提供感知信息。
参照图10,其示出了根据本申请一个实施例描述的路侧视角测速***的结构示意图。
如图10所示,路侧视角测速***1000,可以包括:获取模块1010、雷达模块1020、视觉模块1030、融合模块1040、测速模块1050和输出模块1060,软件模块部署在路侧感知硬件模块中,各个软件模块通过软件间互相通讯实现数据传输。
参照图11,示出了各个软件模块之间数据传输的流程示意图。如图11所示,获取模块1010,用于获取摄像设备采集的图像数据和雷达传感器采集的雷达点云数据;摄像设备和雷达传感器时间同步;
雷达模块1020,用于对获取模块1010输出的雷达点云数据进行滤波、降维处理,得到处理后点云数据;
视觉模块1030,用于对获取模块1010输出的图像数据进行目标检测及跟踪处理,得到视觉输出信息;视觉输出信息包括包围框和ID;
融合模块1040,用于对雷达模块1020输出的处理后点云数据及视觉模块1030输出的视觉输出信息进行融合处理,得到目标空间信息;
测速模块1050,用于根据融合模块1040输出的目标空间信息及视觉模块1030输出的视觉输出信息,确定速度信息;
输出模块1060,用于将测速模块1050输出的速度信息、融合模块1040输出的目标空间信息及视觉模块1030输出的视觉输出信息进行数据结构化,确定输出数据。
可选的,雷达模块1020还用于:
根据道路限高及雷达传感器安装高度,对雷达点云数据进行高程滤波,得到高程滤波后点云集合;
根据雷达传感器有效特征的感知范围,对高程滤波后点云集合进行直通滤波,得到直通滤波后点云集合;
根据道路感兴趣区域,对直通滤波后点云集合进行直通滤波,得到感兴趣区域内点云集合;
对感兴趣区域内点云集合进行降维处理,得到处理后点云数据。
可选的,视觉模块1030还用于:
对图像数据进行预处理,得到预处理后图像数据;
将预处理后图像数据输入预建深度学习模型进行目标检测,得到检测结果;
判断预处理后图像数据是否为初始帧,如果是初始帧,则生成检测结果对应的初始帧初始化ID;如果是非初始帧,则生成检测结果对应的非初始帧初始化ID,并将非初始帧初始化ID与前一帧ID进行ID匹配,得到非初始帧匹配后ID。
可选的,视觉模块1030还用于:
根据检测结果,生成检测结果对应的非初始帧初始化ID;
根据非初始帧初始化ID,确定IOU代价矩阵;
根据IOU代价矩阵,对预处理后图像数据中相邻帧目标进行匈牙利匹配,得到匈牙利匹配后索引向量;
根据匈牙利匹配后索引向量,将所有非初始帧初始化ID分别与各自对应的前一帧ID进行ID匹配,保留非初始帧初始化ID中与前一帧正确匹配的ID,得到所有当前帧的跟踪ID;
根据所有当前帧的跟踪ID,确定非初始帧匹配后ID。
可选的,融合模块1040还用于:
对处理后点云数据进行投影,得到投影到像素空间后点云集合;
对投影到像素空间后点云集合进行过滤,得到过滤后有效点云集合;
根据过滤后有效点云集合,确定检测框内点云集合;
对检测框内点云集合进行密度滤波,得到密度修正后内点集合;
根据密度修正后内点集合对目标进行三维检测,得到目标空间信息。
可选的,目标空间信息包括中心点三维坐标、三个主方向向量、三维边界;融合模块1040还用于:
根据密度修正后内点集合对目标进行三维检测,得到目标空间信息,包括:
对密度修正后内点集合中属于同一目标的内点进行加权,得到各个目标的中心点三维坐标;
对密度修正后内点集合中属于同一目标的内点进行主成分分析,得到各个目标的三个主方向向量;
将密度修正后内点集合中所有内点分别投影到三个主方向上,分别查找三个主方向上坐标投影的最大值和最小值,根据最大值和最小值限定各个目标的三维边界。
可选的,测速模块1050还用于:
根据视觉输出信息,确定相邻帧的时间差;
根据目标空间信息及相邻帧的时间差,确定速度信息。
本实施例提供的一种路侧视角测速***,可以执行上述方法的实施例,其实现原理和技术效果类似,在此不再赘述。
图12为本发明实施例提供的一种电子设备的结构示意图。如图12所示,示出了适于用来实现本申请实施例的电子设备300的结构示意图。
如图12所示,电子设备300包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口306。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本公开的实施例,上文参考图1描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行上述路侧视角测速方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。
附图中的流程图和框图,图示了按照本发明各种实施例的***、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,前述模块、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。也应当注意,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,两个接连地表示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,这依所涉及的功能而定。也要注意的是,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操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。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
作为另一方面,本申请还提供了一种存储介质,该存储介质可以是上述实施例中前述***中所包含的存储介质;也可以是单独存在,未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序,前述程序被一个或者一个以上的处理器用来执行描述于本申请的路侧视角测速方法。
存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种路侧视角测速方法,其特征在于,所述方法包括:
获取摄像设备采集的图像数据和雷达传感器采集的雷达点云数据;所述摄像设备和所述雷达传感器时间同步;
对所述雷达点云数据进行滤波、降维处理,得到处理后点云数据;
对所述图像数据进行目标检测及跟踪处理,得到视觉输出信息;
对所述处理后点云数据及所述视觉输出信息进行融合处理,得到目标空间信息;
根据所述目标空间信息及所述视觉输出信息,确定速度信息;
将所述速度信息、所述目标空间信息及所述视觉输出信息进行数据结构化,确定输出数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述雷达点云数据进行滤波、降维处理,得到处理后点云数据,包括:
根据道路限高及所述雷达传感器安装高度,对所述雷达点云数据进行高程滤波,得到高程滤波后点云集合;
根据所述雷达传感器有效特征的感知范围,对所述高程滤波后点云集合进行直通滤波,得到直通滤波后点云集合;
根据所述道路感兴趣区域,对所述直通滤波后点云集合进行直通滤波,得到感兴趣区域内点云集合;
对所述感兴趣区域内点云集合进行降维处理,得到所述处理后点云数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述图像数据进行目标检测及跟踪处理,得到视觉输出信息,包括:
对所述图像数据进行预处理,得到预处理后图像数据;
将所述预处理后图像数据输入预建深度学习模型进行目标检测,得到检测结果;
判断所述预处理后图像数据是否为初始帧,如果是初始帧,则生成所述检测结果对应的初始帧初始化ID;如果是非初始帧,则生成所述检测结果对应的非初始帧初始化ID,并将所述非初始帧初始化ID与前一帧ID进行ID匹配,得到非初始帧匹配后ID。
4.根据权利要求3所述的方法,其特征在于,所述生成所述检测结果对应的非初始帧初始化ID,并将所述非初始帧初始化ID与前一帧ID进行ID匹配,得到非初始帧匹配后ID,包括:
根据所述检测结果,生成所述检测结果对应的所述非初始帧初始化ID;
根据所述非初始帧初始化ID,确定IOU代价矩阵;
根据所述IOU代价矩阵,对所述预处理后图像数据中相邻帧目标进行匈牙利匹配,得到匈牙利匹配后索引向量;
根据所述匈牙利匹配后索引向量,将所有所述非初始帧初始化ID分别与各自对应的前一帧ID进行ID匹配,保留所述非初始帧初始化ID中与前一帧正确匹配的ID,得到所有当前帧的跟踪ID;
根据所述所有当前帧的跟踪ID,确定所述非初始帧匹配后ID。
5.根据权利要求1-5任一项所述的方法,其特征在于,所述对所述处理后点云数据及所述视觉输出信息进行融合处理,得到目标空间信息,包括:
对所述处理后点云数据进行投影,得到投影到像素空间后点云集合;
对所述投影到像素空间后点云集合进行过滤,得到过滤后有效点云集合;
根据所述过滤后有效点云集合,确定检测框内点云集合;
对所述检测框内点云集合进行密度滤波,得到密度修正后内点集合;
根据所述密度修正后内点集合对目标进行三维检测,得到所述目标空间信息。
6.根据权利要求5所述的方法,其特征在于,所述目标空间信息包括中心点三维坐标、三个主方向向量、三维边界;
所述根据所述密度修正后内点集合对目标进行三维检测,得到所述目标空间信息,包括:
对所述密度修正后内点集合中属于同一目标的内点进行加权,得到各个目标的所述中心点三维坐标;
对所述密度修正后内点集合中属于同一目标的内点进行主成分分析,得到各个目标的所述三个主方向向量;
将所述密度修正后内点集合中所有内点分别投影到三个主方向上,分别查找所述三个主方向上坐标投影的最大值和最小值,根据所述最大值和所述最小值限定各个目标的所述三维边界。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述目标空间信息及所述视觉输出信息,确定速度信息,包括:
根据所述视觉输出信息,确定相邻帧的时间差;
根据所述目标空间信息及所述相邻帧的时间差,确定所述速度信息。
8.一种路侧视角测速***,其特征在于,所述***包括:
获取模块,用于获取摄像设备采集的图像数据和雷达传感器采集的雷达点云数据;所述摄像设备和所述雷达传感器时间同步;
雷达模块,用于对所述雷达点云数据进行滤波、降维处理,得到处理后点云数据;
视觉模块,用于对所述图像数据进行目标检测及跟踪处理,得到视觉输出信息;
融合模块,用于对所述处理后点云数据及所述视觉输出信息进行融合处理,得到目标空间信息;
测速模块,用于根据所述目标空间信息及所述视觉输出信息,确定速度信息;
输出模块,用于将所述速度信息、所述目标空间信息及所述视觉输出信息进行数据结构化,确定输出数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的路侧视角测速方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的路侧视角测速方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210039036.5A CN114545434A (zh) | 2022-01-13 | 2022-01-13 | 一种路侧视角测速方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210039036.5A CN114545434A (zh) | 2022-01-13 | 2022-01-13 | 一种路侧视角测速方法、***、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114545434A true CN114545434A (zh) | 2022-05-27 |
Family
ID=81671549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210039036.5A Pending CN114545434A (zh) | 2022-01-13 | 2022-01-13 | 一种路侧视角测速方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545434A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736322A (zh) * | 2023-08-15 | 2023-09-12 | 山东科技大学 | 融合相机图像与机载激光雷达点云数据的速度预测方法 |
WO2023240805A1 (zh) * | 2022-06-13 | 2023-12-21 | 之江实验室 | 一种基于滤波校正的网联车超速预警方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246159A (zh) * | 2019-06-14 | 2019-09-17 | 湖南大学 | 基于视觉和雷达信息融合的3d目标运动分析方法 |
CN110942449A (zh) * | 2019-10-30 | 2020-03-31 | 华南理工大学 | 一种基于激光与视觉融合的车辆检测方法 |
CN113255504A (zh) * | 2021-05-19 | 2021-08-13 | 燕山大学 | 一种基于深度学习的路侧视角超视距全域融合感知*** |
CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
-
2022
- 2022-01-13 CN CN202210039036.5A patent/CN114545434A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246159A (zh) * | 2019-06-14 | 2019-09-17 | 湖南大学 | 基于视觉和雷达信息融合的3d目标运动分析方法 |
CN110942449A (zh) * | 2019-10-30 | 2020-03-31 | 华南理工大学 | 一种基于激光与视觉融合的车辆检测方法 |
CN113255504A (zh) * | 2021-05-19 | 2021-08-13 | 燕山大学 | 一种基于深度学习的路侧视角超视距全域融合感知*** |
CN113484875A (zh) * | 2021-07-30 | 2021-10-08 | 燕山大学 | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 |
Non-Patent Citations (1)
Title |
---|
郑少武;李巍华;胡坚耀;: "基于激光点云与图像信息融合的交通环境车辆检测", 仪器仪表学报, no. 12, 15 December 2019 (2019-12-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023240805A1 (zh) * | 2022-06-13 | 2023-12-21 | 之江实验室 | 一种基于滤波校正的网联车超速预警方法及*** |
CN116736322A (zh) * | 2023-08-15 | 2023-09-12 | 山东科技大学 | 融合相机图像与机载激光雷达点云数据的速度预测方法 |
CN116736322B (zh) * | 2023-08-15 | 2023-10-20 | 山东科技大学 | 融合相机图像与机载激光雷达点云数据的速度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11113959B2 (en) | Crowdsourced detection, identification and sharing of hazardous road objects in HD maps | |
CN110658531B (zh) | 一种用于港口自动驾驶车辆的动态目标追踪方法 | |
Fernández Llorca et al. | Vision‐based vehicle speed estimation: A survey | |
CN111656136B (zh) | 使用激光雷达的车辆定位*** | |
US10580164B2 (en) | Automatic camera calibration | |
CN113554698B (zh) | 车辆位姿信息生成方法、装置及电子设备、存储介质 | |
Siegemund et al. | A temporal filter approach for detection and reconstruction of curbs and road surfaces based on conditional random fields | |
Zhu et al. | Reliable detection of overtaking vehicles using robust information fusion | |
CN113487759B (zh) | 一种停车巡检方法、装置、移动巡逻设备及巡检*** | |
CN111391823A (zh) | 一种用于自动泊车场景的多层地图制作方法 | |
CN112740225B (zh) | 一种路面要素确定方法及装置 | |
CN114545434A (zh) | 一种路侧视角测速方法、***、电子设备及存储介质 | |
WO2020154990A1 (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
US9098750B2 (en) | Gradient estimation apparatus, gradient estimation method, and gradient estimation program | |
CN114495064A (zh) | 一种基于单目深度估计的车辆周围障碍物预警方法 | |
Pantilie et al. | Real-time obstacle detection using dense stereo vision and dense optical flow | |
CN110794406A (zh) | 多源传感器数据融合***和方法 | |
CN113261010A (zh) | 基于对象轨迹的用于跨域对应的多模态传感器融合方法 | |
CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
Hussain et al. | Multiple objects tracking using radar for autonomous driving | |
US20230087261A1 (en) | Three-dimensional target estimation using keypoints | |
Kohara et al. | Obstacle detection based on occupancy grid maps using stereovision system | |
CN114384486A (zh) | 一种数据处理方法及装置 | |
WO2022099620A1 (zh) | 三维点云分割方法和装置、可移动平台 | |
CN115512542B (zh) | 一种基于路侧激光雷达的考虑遮挡的轨迹复原方法及*** |
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 |