CN114723640B - 障碍物信息生成方法、装置、电子设备和计算机可读介质 - Google Patents
障碍物信息生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114723640B CN114723640B CN202210559337.0A CN202210559337A CN114723640B CN 114723640 B CN114723640 B CN 114723640B CN 202210559337 A CN202210559337 A CN 202210559337A CN 114723640 B CN114723640 B CN 114723640B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- frame
- barrier
- coordinate
- point coordinate
- 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 41
- 230000004888 barrier function Effects 0.000 claims abstract description 98
- 238000005070 sampling Methods 0.000 claims abstract description 98
- 238000012937 correction Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了障碍物信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对目标道路图像进行特征提取,得到障碍物特征信息集;对于障碍物特征信息集中的每个障碍物特征信息,执行如下障碍物信息生成步骤:生成障碍物边框角点坐标组;得到投影障碍物边框角点坐标组;生成第一外接矩形框;对障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列;对边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列;生成第二外接矩形框;生成障碍物信息。该实施方式可以提高生成障碍物信息的效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及障碍物信息生成方法、装置、电子设备和计算机可读介质。
背景技术
障碍物信息的生成对自动驾驶领域具有重要意义。目前,在生成障碍物信息时,通常采用的方式为:首先,需要对单目相机拍摄的存在畸变的道路图像进行去畸变处理,得到去畸变道路图像,然后,利用神经网络从去畸变道路图像中提取障碍物信息。
然而,当采用上述方式进行障碍物信息生成时,经常会存在如下技术问题:
对存在畸变的道路图像进行去畸变处理,需要消耗大量计算资源,从而,导致降低生成障碍物信息的效率。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了障碍物信息生成方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种障碍物信息生成方法,该方法包括:对目标道路图像进行特征提取,得到障碍物特征信息集,其中,上述目标道路图像为畸变图像,上述障碍物特征信息集中的障碍物特征信息包括障碍物属性信息和障碍物边框坐标序列集;对于上述障碍物特征信息集中的每个障碍物特征信息,执行如下障碍物信息生成步骤:基于上述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组;对上述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组;基于上述投影障碍物边框角点坐标组,生成第一外接矩形框;对上述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集;对上述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集;基于上述矫正边框采样点坐标序列集,生成第二外接矩形框;基于上述第一外接矩形框和上述第二外接矩形框,生成障碍物信息。
第二方面,本公开的一些实施例提供了一种障碍物信息生成装置,该装置包括:特征提取单元,被配置成对目标道路图像进行特征提取,得到障碍物特征信息集,其中,上述目标道路图像为畸变图像,上述障碍物特征信息集中的障碍物特征信息包括障碍物属性信息和障碍物边框坐标序列集;生成单元,被配置成对于上述障碍物特征信息集中的每个障碍物特征信息执行如下障碍物信息生成步骤:基于上述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组;对上述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组;基于上述投影障碍物边框角点坐标组,生成第一外接矩形框;对上述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集;对上述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集;基于上述矫正边框采样点坐标序列集,生成第二外接矩形框;基于上述第一外接矩形框和上述第二外接矩形框,生成障碍物信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的障碍物信息生成方法,可以提高生成障碍物信息的效率。具体来说,造成降低生成障碍物信息的效率的原因在于:对存在畸变的道路图像进行去畸变处理,需要消耗大量计算资源。基于此,本公开的一些实施例的障碍物信息生成方法,首先,通过特征提取,可以得到畸变图像(目标道路图像)中的障碍物特征信息集。然后,对于障碍物特征信息集中的每个障碍物特征信息,通过生成其对应的障碍物边框角点坐标组,可以投影得到投影障碍物边框角点坐标组。以此,可以用于生成第一外接矩形框。从而,可以用于生成障碍物信息。然后,通过采样处理和矫正处理,可以用于生成第二外接矩形框。最后,也因为生成了第一外接矩形框和第二外接矩形框,可以用于实现生成障碍物信息。因此,可以在未对畸变的道路图像进行去畸变处理的情况下,实现从道路图像中提取到障碍物信息,避免对大量计算资源的占用。从而,可以提高生成障碍物信息的效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的障碍物信息生成方法的一些实施例的流程图;
图2是根据本公开的障碍物信息生成装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的障碍物信息生成方法的一些实施例的流程100。该障碍物信息生成方法的流程100,包括以下步骤:
步骤101,对目标道路图像进行特征提取,得到障碍物特征信息集。
在一些实施例中,障碍物信息生成方法的执行主体可以对目标道路图像进行特征提取,得到障碍物特征信息集。其中,上述目标道路图像可以为畸变图像。上述障碍物特征信息集中的障碍物特征信息可以包括障碍物属性信息和障碍物边框坐标序列集。上述目标道路图像可以是预先通过有线方式或无线方式获取的、车载单目相机拍摄的道路图像。可以通过预设的特征提取算法,对目标道路图像进行特征提取,得到障碍物特征信息集。上述障碍物特征信息集中的每个障碍物特征信息可以表征目标道路图像中的一个障碍物。障碍物属性信息可以包括但不限于以下至少一项:障碍物类型、障碍物尺寸、障碍物移动速度等。障碍物边框坐标序列中的各个障碍物边框坐标可以是障碍物在目标道路图像中所在区域的最小外接矩形的边框坐标。每个障碍物边框坐标序列可以对应最小外接矩形的一条边。
作为示例,上述特征提取算法可以包括但不限于以下至少一项:FCN(FullyConvolutional Networks,全卷机神经网络)模型、Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和Google Net(深度神经网络)模型等。
步骤102,对于障碍物特征信息集中的每个障碍物特征信息,执行如下障碍物信息生成步骤:
步骤1021,基于障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组。
在一些实施例中,上述执行主体可以基于上述障碍物特征信息包括的障碍物属性信息,通过各种方式,生成障碍物边框角点坐标组。
在一些实施例的一些可选的实现方式中,上述障碍物属性信息还可以包括:障碍物中心点坐标、障碍物长度值、障碍物宽度值、障碍物高度值和障碍物偏航角。以及上述执行主体基于上述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组,可以包括以下步骤:
利用上述障碍物属性信息包括的障碍物中心点坐标、障碍物长度值、障碍物宽度值和障碍物高度值,生成障碍物边框角点坐标组。其中,上述障碍物中心点坐标可以是障碍物中心点的三维坐标。上述障碍物偏航角可以是障碍物相对于上述车载单目相机的偏航角度。障碍物边框角点坐标组中的各个障碍物边框角点坐标可以是障碍物在相机坐标系中的最小外接四棱柱的八个顶点坐标。从而,以障碍物中心点坐标为基础,通过障碍物长度值、障碍物宽度值和障碍物高度值,可以确定各个障碍物边框角点的三维坐标,得到障碍物边框角点坐标组。
步骤1022,对障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组。
在一些实施例中,上述执行主体可以对上述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,通过各种方式,得到投影障碍物边框角点坐标组。
在一些实施例的一些可选的实现方式中,上述执行主体对上述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组,可以包括以下步骤:
基于上述障碍物中心点坐标和上述障碍物偏航角,将上述障碍物边框角点坐标组中的各个障碍物边框角点坐标投影至目标图像,得到投影障碍物边框角点坐标组。其中,上述目标图像可以为无畸变空白图像。目标图像可以与目标道路图像的尺寸、分辨率相同。可以通过以下公式,将每个障碍物边框角点坐标投影至目标图像的图像坐标系中,得到投影障碍物边框角点坐标:
其中,表示上述投影障碍物边框角点坐标。表示上述投影障碍物边框角点坐标的横坐标值。表示上述投影障碍物边框角点坐标的纵坐标值。表示上述车载单目相机的内参矩阵。表示旋转矩阵。表示上述障碍物偏航角。表示上述障碍物中心点坐标。表示上述障碍物边框角点坐标的横坐标值。表示上述障碍物边框角点坐标的纵坐标值。表示上述障碍物边框角点坐标的竖坐标值。表示转换参数,用于缩短公式长度。表示取括号内向量的第3个元素。表示取括号内向量的第1个到第2个元素。
步骤1023,基于投影障碍物边框角点坐标组,生成第一外接矩形框。
在一些实施例中,上述执行主体可以基于上述投影障碍物边框角点坐标组,通过各种方式,生成第一外接矩形框。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述投影障碍物边框角点坐标组,生成第一外接矩形框,可以包括以下步骤:
将上述投影障碍物边框角点坐标组中各个投影障碍物边框角点坐标的最小外接矩形确定为第一外接矩形框。
步骤1024,对障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集。
在一些实施例中,上述执行主体可以对上述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集。其中,可以通过预设的采样算法,对上述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列。
作为示例,上述采样算法可以包括但不限于以下至少一项:UFLD(Ultra-FastStructure-aware Deep Lane Detection,车道线检测)算法、LanNet(车道线检测网络)模型。
步骤1025,对边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集。
在一些实施例中,上述执行主体可以对上述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集。其中,可以通过预设的矫正算法,对上述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集。
作为示例,上述矫正算法可以包括但不限于畸变模型。
步骤1026,基于矫正边框采样点坐标序列集,生成第二外接矩形框。
在一些实施例中,上述执行主体可以基于上述矫正边框采样点坐标序列集,通过各种方式,生成第二外接矩形框。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述矫正边框采样点坐标序列集,生成第二外接矩形框,可以包括以下步骤:
将上述矫正边框采样点坐标序列集中各个矫正边框采样点坐标序列中的各个矫正边框采样点坐标所围成区域的最大内接矩形确定为第二外接矩形框。
步骤1027,基于障碍物特征信息包括的障碍物属性信息、第一外接矩形框和第二外接矩形框,生成障碍物信息。
在一些实施例中,上述执行主体可以基于上述障碍物特征信息包括的障碍物属性信息、上述第一外接矩形框和上述第二外接矩形框,生成障碍物信息。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述障碍物特征信息包括的障碍物属性信息、上述第一外接矩形框和上述第二外接矩形框,生成障碍物信息,可以包括以下步骤:
基于上述第一外接矩形框、上述第二外接矩形框、预设的最大协方差矩阵和最小协方差矩阵,对上述障碍物属性信息中的障碍物中心点坐标进行坐标矫正处理,以生成障碍物信息。其中,首先,可以将上述第一外接矩形框中横、纵坐标的和最小的顶点确定为第一外接矩形最小顶点坐标。然后,可以将第一外接矩形框中横、纵坐标的和最大的顶点确定为第一外接矩形最大顶点坐标。而后,可以将第二外接矩形框中横、纵坐标的和最小的顶点确定为第二外接矩形最小顶点坐标。之后,可以将第二外接矩形框中横、纵坐标的和最大的顶点确定为第二外接矩形最大顶点坐标。最后,可以通过以下公式对上述障碍物属性信息中的障碍物中心点坐标进行坐标矫正处理,以生成目标障碍物中心坐标,作为障碍物信息:
其中,表示上述第一外接矩形最小顶点坐标与上述第二外接矩形最小顶点坐标之间的最小顶点距离误差矩阵。表示上述第一外接矩形最大顶点坐标与上述第二外接矩形最大顶点坐标之间的最大顶点距离误差矩阵。表示上述第一外接矩形最小顶点坐标。表示第一外接矩形最大顶点坐标。表示上述第二外接矩形最小顶点坐标。表示第二外接矩形最大顶点坐标。表示正态分布符号。表示预设的外接矩形最小顶点坐标的协方差矩阵。表示预设的外接矩形最大顶点坐标的协方差矩阵。表示上述障碍物中心点坐标。表示上述目标障碍物中心坐标。表示转置矩阵。表示上述最小顶点距离误差矩阵的转置矩阵。表示上述外接矩形最小顶点坐标的协方差矩阵的逆矩阵。表示最大顶点距离误差矩阵的转置矩阵。表示上述外接矩形最大顶点坐标的协方差矩阵的逆矩阵。
上述公式及其相关内容作为本公开的实施例的一个发明点,可以在提高生成障碍物信息的效率的同时,提高生成的障碍物信息的准确度。实践中,在去畸变的图像中,障碍物的三维框投影边界应当位于二维最小外接矩形框的边界上。而神经网络只能对未去畸变的图像推理得到的障碍物二维最小外接矩形框,这种框在去畸变后不再是矩形框,而是有一定的变形,且实际的二维框应当是该变形框的最大内接矩形。但对直线段去畸变的解析形式难以得到,由此也难以得到二维框的去畸变解析形式。因此,首先,通过将上述障碍物中心点坐标、上述障碍物偏航角和上述障碍物边框角点坐标组中的各个障碍物边框角点坐标输入至坐标投影的公式,可以得到投影障碍物边框角点坐标组,以供生成第一外接矩形框。然后,通过采样处理、矫正处理,可以得到相机坐标系中三维的矫正边框采样点坐标。因此,可以用于确定实际的二维框应当是该变形框的最大内接矩形。进而,可以生成第二外接矩形框。使得第二外接矩形框可以用于近似替代二维框的去畸变解析形式。最后,通过上述坐标矫正处理的公式对网络模型输出的障碍物中心点坐标进行矫正处理,以及通过第一外接矩形框和第二外接矩形框的顶点坐标的距离误差和协方差矩阵作为约束条件,可以提高目标函数的矫正准确度。从而,可以提高生成的障碍物信息的准确度。
可选的,上述执行主体还可以将所生成的障碍物信息发送至显示终端以供显示。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的障碍物信息生成方法,可以提高生成障碍物信息的效率。具体来说,造成降低生成障碍物信息的效率的原因在于:对存在畸变的道路图像进行去畸变处理,需要消耗大量计算资源。基于此,本公开的一些实施例的障碍物信息生成方法,首先,通过特征提取,可以得到畸变图像(目标道路图像)中的障碍物特征信息集。然后,对于障碍物特征信息集中的每个障碍物特征信息,通过生成其对应的障碍物边框角点坐标组,可以投影得到投影障碍物边框角点坐标组。以此,可以用于生成第一外接矩形框。从而,可以用于生成障碍物信息。然后,通过采样处理和矫正处理,可以用于生成第二外接矩形框。最后,也因为生成了第一外接矩形框和第二外接矩形框,可以用于实现生成障碍物信息。因此,可以在未对畸变的道路图像进行去畸变处理的情况下,实现从道路图像中提取到障碍物信息,避免对大量计算资源的占用。从而,提高生成障碍物信息的效率。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种障碍物信息生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的障碍物信息生成装置200包括:特征提取单元201和生成单元202。其中,特征提取单元201,被配置成对目标道路图像进行特征提取,得到障碍物特征信息集,其中,上述目标道路图像为畸变图像,上述障碍物特征信息集中的障碍物特征信息包括障碍物属性信息和障碍物边框坐标序列集;生成单元202,被配置成对于上述障碍物特征信息集中的每个障碍物特征信息执行如下障碍物信息生成步骤:基于上述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组;对上述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组;基于上述投影障碍物边框角点坐标组,生成第一外接矩形框;对上述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集;对上述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集;基于上述矫正边框采样点坐标序列集,生成第二外接矩形框;基于上述第一外接矩形框和上述第二外接矩形框,生成障碍物信息。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备300操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对目标道路图像进行特征提取,得到障碍物特征信息集,其中,上述目标道路图像为畸变图像,上述障碍物特征信息集中的障碍物特征信息包括障碍物属性信息和障碍物边框坐标序列集;对于上述障碍物特征信息集中的每个障碍物特征信息,执行如下障碍物信息生成步骤:基于上述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组;对上述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组;基于上述投影障碍物边框角点坐标组,生成第一外接矩形框;对上述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集;对上述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集;基于上述矫正边框采样点坐标序列集,生成第二外接矩形框;基于上述第一外接矩形框和上述第二外接矩形框,生成障碍物信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,该模块、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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括特征提取单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,特征提取单元还可以被描述为“对目标道路图像进行特征提取的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种障碍物信息生成方法,包括:
对目标道路图像进行特征提取,得到障碍物特征信息集,其中,所述目标道路图像为畸变图像,所述障碍物特征信息集中的障碍物特征信息包括障碍物属性信息和障碍物边框坐标序列集;
对于所述障碍物特征信息集中的每个障碍物特征信息,执行如下障碍物信息生成步骤:
基于所述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组;
对所述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组;
基于所述投影障碍物边框角点坐标组,生成第一外接矩形框;
对所述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集;
对所述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集;
基于所述矫正边框采样点坐标序列集,生成第二外接矩形框;
基于所述障碍物特征信息包括的障碍物属性信息、所述第一外接矩形框和所述第二外接矩形框,生成障碍物信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所生成的障碍物信息发送至显示终端以供显示。
3.根据权利要求1所述的方法,其中,所述障碍物属性信息包括障碍物中心点坐标、障碍物长度值、障碍物宽度值、障碍物高度值和障碍物偏航角;以及
所述基于所述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组,包括:
利用所述障碍物属性信息包括的障碍物中心点坐标、障碍物长度值、障碍物宽度值和障碍物高度值,生成障碍物边框角点坐标组。
4.根据权利要求3所述的方法,其中,所述对所述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组,包括:
基于所述障碍物中心点坐标和所述障碍物偏航角,将所述障碍物边框角点坐标组中的各个障碍物边框角点坐标投影至目标图像,得到投影障碍物边框角点坐标组,其中,所述目标图像为无畸变空白图像。
5.根据权利要求3所述的方法,其中,所述基于所述投影障碍物边框角点坐标组,生成第一外接矩形框,包括:
将所述投影障碍物边框角点坐标组中各个投影障碍物边框角点坐标的最小外接矩形确定为第一外接矩形框。
6.根据权利要求1所述的方法,其中,所述基于所述矫正边框采样点坐标序列集,生成第二外接矩形框,包括:
将所述矫正边框采样点坐标序列集中各个矫正边框采样点坐标序列中的各个矫正边框采样点坐标所围成区域的最大内接矩形确定为第二外接矩形框。
7.根据权利要求3所述的方法,其中,所述基于所述障碍物特征信息包括的障碍物属性信息、所述第一外接矩形框和所述第二外接矩形框,生成障碍物信息,包括:
基于所述第一外接矩形框、所述第二外接矩形框、预设的最大协方差矩阵和最小协方差矩阵,对所述障碍物属性信息中的障碍物中心点坐标进行坐标矫正处理,以生成障碍物信息。
8.一种障碍物信息生成装置,包括:
特征提取单元,被配置成对目标道路图像进行特征提取,得到障碍物特征信息集,其中,所述目标道路图像为畸变图像,所述障碍物特征信息集中的障碍物特征信息包括障碍物属性信息和障碍物边框坐标序列集;
生成单元,被配置成对于所述障碍物特征信息集中的每个障碍物特征信息执行如下障碍物信息生成步骤:
基于所述障碍物特征信息包括的障碍物属性信息,生成障碍物边框角点坐标组;
对所述障碍物边框角点坐标组中的各个障碍物边框角点坐标进行投影处理,得到投影障碍物边框角点坐标组;
基于所述投影障碍物边框角点坐标组,生成第一外接矩形框;
对所述障碍物边框坐标序列集中的每个障碍物边框坐标序列中的各个障碍物边框坐标进行采样处理以生成边框采样点坐标序列,得到边框采样点坐标序列集;
对所述边框采样点坐标序列集中每个边框采样点坐标序列中的各个边框采样点坐标进行矫正处理以生成矫正边框采样点坐标序列,得到矫正边框采样点坐标序列集;
基于所述矫正边框采样点坐标序列集,生成第二外接矩形框;
基于所述第一外接矩形框和所述第二外接矩形框,生成障碍物信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559337.0A CN114723640B (zh) | 2022-05-23 | 2022-05-23 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559337.0A CN114723640B (zh) | 2022-05-23 | 2022-05-23 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723640A CN114723640A (zh) | 2022-07-08 |
CN114723640B true CN114723640B (zh) | 2022-09-27 |
Family
ID=82231398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210559337.0A Active CN114723640B (zh) | 2022-05-23 | 2022-05-23 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723640B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115817463B (zh) * | 2023-02-23 | 2023-05-26 | 禾多科技(北京)有限公司 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740443A (zh) * | 2018-12-12 | 2019-05-10 | 歌尔股份有限公司 | 检测障碍物的方法、装置及运动设备 |
CN111443704A (zh) * | 2019-12-19 | 2020-07-24 | 苏州智加科技有限公司 | 用于自动驾驶***的障碍物定位方法及装置 |
CN113762134A (zh) * | 2021-09-01 | 2021-12-07 | 沈阳工业大学 | 基于视觉的汽车泊车中周围障碍物的检测方法 |
CN113963330A (zh) * | 2021-10-21 | 2022-01-21 | 京东鲲鹏(江苏)科技有限公司 | 障碍物检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7974460B2 (en) * | 2007-02-06 | 2011-07-05 | Honeywell International Inc. | Method and system for three-dimensional obstacle mapping for navigation of autonomous vehicles |
-
2022
- 2022-05-23 CN CN202210559337.0A patent/CN114723640B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740443A (zh) * | 2018-12-12 | 2019-05-10 | 歌尔股份有限公司 | 检测障碍物的方法、装置及运动设备 |
CN111443704A (zh) * | 2019-12-19 | 2020-07-24 | 苏州智加科技有限公司 | 用于自动驾驶***的障碍物定位方法及装置 |
CN113762134A (zh) * | 2021-09-01 | 2021-12-07 | 沈阳工业大学 | 基于视觉的汽车泊车中周围障碍物的检测方法 |
CN113963330A (zh) * | 2021-10-21 | 2022-01-21 | 京东鲲鹏(江苏)科技有限公司 | 障碍物检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114723640A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN113869293B (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN114399589B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN114399588B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN111783777B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN113239925A (zh) | 一种文本检测模型训练方法、文本检测方法及装置、设备 | |
CN112488095A (zh) | ***图像识别方法、装置和电子设备 | |
CN111209856B (zh) | ***信息的识别方法、装置、电子设备及存储介质 | |
CN114445597B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114723640B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN116311155A (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN115393826A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114155545A (zh) | 表格识别方法、装置、可读介质及电子设备 | |
CN115100536A (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN114863025B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN113778078A (zh) | 定位信息生成方法、装置、电子设备和计算机可读介质 | |
CN116630436B (zh) | 相机外参修正方法、装置、电子设备和计算机可读介质 | |
CN111612714A (zh) | 图像修复方法、装置和电子设备 | |
CN111383337A (zh) | 用于识别对象的方法和装置 | |
CN116740682B (zh) | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 | |
WO2024152797A1 (zh) | 视频补全方法、装置、介质和电子设备 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |