CN115331190B - 一种基于雷视融合的道路隐患识别方法及装置 - Google Patents
一种基于雷视融合的道路隐患识别方法及装置 Download PDFInfo
- Publication number
- CN115331190B CN115331190B CN202211205829.6A CN202211205829A CN115331190B CN 115331190 B CN115331190 B CN 115331190B CN 202211205829 A CN202211205829 A CN 202211205829A CN 115331190 B CN115331190 B CN 115331190B
- Authority
- CN
- China
- Prior art keywords
- information
- pixel
- radar
- road
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例提供了一种基于雷视融合的道路隐患识别方法、装置、存储介质及电子装置，涉及道路隐患识别技术的技术领域，其方法包括：获取目标区域的道路图像信息；基于所述网格信息，确定所述目标道路的初始像素信息；在所述像素矩阵满足第一条件的情况下，根据所述像素矩阵确定第一识别区域；基于所述第一识别区域，执行所述第一识别操作。通过本发明，解决了道路隐患识别精度低的问题，进而达到了提高道路隐患识别精度的效果。
Description
技术领域
本发明实施例涉及道路隐患识别领域，具体而言，涉及一种基于雷视融合的道路隐患识别方法、装置、存储介质及电子装置。
背景技术
近年来，我国道路建设快速发展，通车规模不断增大，机动车行驶数量迅速增长，导致道路路面损坏速度加快。路面的病害检测、养护工作也变得越来越繁重。因此，道路地质勘查、病害检测成为道路交通工作亟待解决的问题。
而当前的路面隐患识别的方式通常为通过巡查车搭载三维雷达或声波探测器对道路进行巡视，通过对基准雷达以及声波探测器的反馈来进行识别，这种方案的布控成本较高，且需要较多的人力参与数据标注，不能广泛推广；也有通过深度学习技术进行病害识别的方案，然而，该方案仍存在以下问题：
1）深度学习技术主要用来病害识别，无法准确地定位和测量病害，实用性不强；
2）路面病害图像数据多来源于人工采集或者多功能检测车采集，输入深度学习模型的路面图像属于路面部分区域图像，病害完整性较差，影响模型的病害检测能力；
3）现阶段的深度学习模型病害形态信息提取能力较差，无法满足病害检测的统计需求。
4）基于深度学习和路面数字图像的病害检测技术研究缺乏***性。
而针对上述问题，目前尚无较好的解决办法。
发明内容
本发明实施例提供了一种基于雷视融合的道路隐患识别方法、装置、存储介质及电子装置，以至少解决相关技术中道路隐患识别精度低的问题。
根据本发明的一个实施例，提供了一种基于雷视融合的道路隐患识别方法，包括：
获取目标区域的道路图像信息，其中，所述目标区域是通过GIS区域划分得到的，所述道路图像信息包括所述目标区域内的目标道路的网格信息；
基于所述网格信息，确定所述目标道路的初始像素信息，其中，所述初始像素信息包括所述目标道路的目标网格的像素矩阵；
在所述像素矩阵满足第一条件的情况下，根据所述像素矩阵确定第一识别区域，其中，所述网格信息包括所述第一识别区域；
基于所述第一识别区域，执行所述第一识别操作，其中，所述第一识别操作包括：
获取所述目标区域的历史像素信息，并将所述历史像素信息与所述初始像素信息进行比对计算，以得到第一像素结果；在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；在所述回波能量值小于第一阈值或大于第二阈值的情况下，确定所述第一识别区域存在道路隐患。
在一个示例性实施例中，在所述第一像素结果满足第二条件的情况下，所述第一识别操作还包括：
获取所述第一识别区域的像素矩阵轨迹信息，其中，所述像素矩阵轨迹信息包括所述像素矩阵中各个元素值的变化轨迹；
在所述像素矩阵轨迹信息满足第三条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；
在所述回波能量值大于等于第二阈值的情况下，确定所述第一识别区域不存在道路隐患。
在一个示例性实施例中，在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，所述方法还包括：
通过所述目标雷达获取所述目标区域的雷达坐标信息；
将所述雷达坐标信息与所述初始像素信息进行矩阵映射计算，以确定所述雷达坐标信息与所述像素矩阵的关联信息，以基于所述关联信息获取所述雷达能量信息。
在一个示例性实施例中，在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，所述方法还包括：
在所述初始像素信息不满足所述第一条件的情况下，获取所述目标道路的所述雷达能量信息以及所述目标道路的气候信息；
在所述气候信息为目标气候的情况下，确定所述雷达能量信息与第三阈值的第二结果；
在所述第二结果小于所述第三阈值的情况下，确定所述目标道路存在道路隐患。
根据本发明的另一个实施例，提供了一种基于雷视融合的道路隐患识别装置，包括：
道路图像采集模块，用于获取目标区域的道路图像信息，其中，所述目标区域是通过GIS区域划分得到的，所述道路图像信息包括所述目标区域内的目标道路的网格信息；
像素采集模块，用于基于所述网格信息，确定所述目标道路的初始像素信息，其中，所述初始像素信息包括所述目标道路的目标网格的像素矩阵；
第一区域确定模块，用于在所述像素矩阵满足第一条件的情况下，根据所述像素矩阵确定第一识别区域，其中，所述网格信息包括所述第一识别区域；
第一识别操作模块，用于基于所述第一识别区域，执行所述第一识别操作，其中，所述第一识别操作包括：
获取所述目标区域的历史像素信息，并将所述历史像素信息与所述初始像素信息进行比对计算，以得到第一像素结果；在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；在所述回波能量值小于第一阈值或大于第二阈值的情况下，确定所述第一识别区域存在道路隐患。
在一个示例性实施例中，所述第一识别操作模块还包括：
轨迹采集单元，用于在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的像素矩阵轨迹信息，其中，所述像素矩阵轨迹信息包括所述像素矩阵中各个元素值的变化轨迹；
雷达能量采集单元，用于在所述像素矩阵轨迹信息满足第三条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；
第一隐患确定单元，用于在所述回波能量值大于等于第二阈值的情况下，确定所述第一识别区域不存在道路隐患。
在一个示例性实施例中，所述装置还包括：
雷达坐标采集模块，用于在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，通过所述目标雷达获取所述目标区域的雷达坐标信息；
矩阵映射模块，用于将所述雷达坐标信息与所述初始像素信息进行矩阵映射计算，以确定所述雷达坐标信息与所述像素矩阵的关联信息，以基于所述关联信息获取所述雷达能量信息。
在一个示例性实施例中，所述装置还包括：
气候采集模块，用于在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，在所述初始像素信息不满足所述第一条件的情况下，获取所述目标道路的所述雷达能量信息以及所述目标道路的气候信息；
第二结果确定模块，用于在所述气候信息为目标气候的情况下，确定所述雷达能量信息与第三阈值的第二结果；
第二隐患确定模块，在所述第二结果小于所述第三阈值的情况下，确定所述目标道路存在道路隐患。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，由于通过道路图像的像素变化确定可能存在隐患的区域，随后再通过雷达的能量回波情况来确定是否存在隐患，由于可以直接利用道路监控现场现有的设备对道路进行实时监控，同时雷达的回波可以不受大雾等天气的影响，极大的弥补了图像识别的不足，因此，可以解决道路隐患识别精度低的问题，达到提高道路隐患识别精度的效果。
附图说明
图1是本发明实施例的一种基于雷视融合的道路隐患识别方法的移动终端的硬件结构框图；
图2是根据本发明实施例的一种基于雷视融合的道路隐患识别方法的流程图；
图3是根据本发明具体实施例的示意图一；
图4是根据本发明具体实施例的示意图二；
图5是根据本发明实施例的一种基于雷视融合的道路隐患识别装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明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。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于雷视融合的道路隐患识别方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于雷视融合的道路隐患识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于雷视融合的道路隐患识别方法，图2是根据本发明实施例的一种基于雷视融合的道路隐患识别方的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取目标区域的道路图像信息，其中，所述目标区域是通过GIS区域划分得到的，所述道路图像信息包括所述目标区域内的目标道路的网格信息以及道路坐标信息；
在本实施例中，获取道路图像信息是为了通过深度学习对道路进行像素分析，从而方便后续对道路隐患情况进行判断。
其中，如图3所示，目标区域包括（但不限于）通过GIS遥感技术进行网格划分的行政区域，例如对某一个村镇的行政区域的地图进行网格划分；而目标道路的网格信息则如图4所示，包括（但不限于）通过人工或自动标注的方式沿道路的延伸方式以及垂直于道路延伸方式进行网格划分的每个网格面积大小、***ID等信息，例如，某一个目标道路的网格信息为【（332，331）（道路***ID），28（面积大小），G301（道路名称），701#（道路施工等级）】等，对应的，道路坐标信息包括（但不限于）目标道路的各个网格的经纬度或者***坐标等信息，例如【（35’38”22N，110’28”44E）（道路经纬坐标），（303，445）网格图像坐标】等。
需要说明的是，对图像进行深度学习图像像素分析的神经网络可以是yolo5，yolo3等神经网络模型，采集道路图像信息的设备可以是设置在高速路口或高速路门架上的摄像头，或者安装在用于进行道路巡检车辆/无人机等设备上的摄像头，还可以是其它形式的摄像头，其中，摄像头可以是可见光/摄像头，也可以是分辨率更高的激光雷达。
步骤S204，基于所述网格信息，确定所述目标道路的初始像素信息，其中，所述初始像素信息包括所述目标道路的目标网格的像素矩阵；
在本实施例中，由于道路出现缝隙、坑包、或者露出基底时，隐患部分会与周围道路的像素有较大区别，因而此处获取图像的像素是为了对像素之间的变化进行分析，从而判断该区域是否出现隐患病变。
其中，将像素信息以矩阵的方式进行表示是为了方便进行算法计算，例如，以矩阵
表示某个目标网格的初始像素信息，目标网格可以（但不限于）是图4中任网格。
需要说明的是，将像素信息转化为矩阵包括将图像划分为多个像素网格，随后将像素网格内的像素值与预先设置的像素值进行比对，以此来确定矩阵内容。
步骤S206，在所述像素矩阵满足第一条件的情况下，根据所述像素矩阵确定第一识别区域，其中，所述网格信息包括所述第一识别区域；
在本实施例中，第一条件可以是像素矩阵中的像素值是否存在不同，例如像素矩阵
中存在多个1值，因而该矩阵满足第一条件，此时，1值对应的区域即为可能存在病变隐患的第一识别区域。
需要说明的是，第一条件还可以是矩阵最终的矩阵值是否大于或小于预设的阈值，若是则判定该区域存在隐患，这是因为当没有隐患的时候，其像素值相对稳定，通常为一个固定阈值，而出现隐患时，则矩阵中的像素会有较大的变化，此时矩阵的值必然发生变化。
步骤S208，基于所述第一识别区域，执行所述第一识别操作，其中，所述第一识别操作包括：
获取所述目标区域的历史像素信息，并将所述历史像素信息与所述初始像素信息进行比对计算，以得到第一像素结果；在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；在所述回波能量值小于第一阈值或大于第二阈值的情况下，确定所述第一识别区域存在道路隐患。
在本实施例中，在确定可能存在隐患的第一识别区域后，通过调取历史像素信息进行比对，以判断像素是否发生变化，从而避免突发事务（如抛洒物等）对图像识别结果的影响，并在确定像素发生变化的情况下，进一步通过雷达的回波能量值来确定是否发生病变，这是因为如果发生凹陷或者裂缝，则雷达的能量会被吸收，因而回波能量值会有明显的降低，而如是有鼓包，则雷达波会出现透视收缩，因而回波能量值会有明显的增加。
其中，第二条件可以（但不限于）是第一像素矩阵与历史像素矩阵信息中的历史像素矩阵对比有变化，或变化的较大，例如，由矩阵
变化为
，由于矩阵内的像素值变化较大，因此可以判断可能出现裂缝或裂缝增加。
需要说明的是，在有鼓包的情况下，目标雷达的回波能量值与入射角存在几何关系，因而为提高目标雷达的检测精度，需要在不同位置设置多个目标雷达，以此避免单个目标雷达的入射角的大于阈值导致的无回波现象；可以想到的是，基于类似的理由，为了减少光线等原因造成的识别失误，采集道路图像信息的图像采集装置也可以设置多个；而在实际现场中，为实现雷视融合的高精度图像识别，通常也会设置多个毫米波雷达，因而无需额外增加新的设备，只需要利用旧有设备即可。
通过上述步骤，在利用旧有设备的基础上，通过雷视融合以像素分析以及雷达回波检测方式精确的对对目标区域的道路隐患进行识别，解决了道路隐患识别精度低的问题，提高了道路隐患识别精度。
其中，上述步骤的执行主体可以为基站、终端等，但不限于此。
在一个可选的实施例中，在所述第一像素结果满足第二条件的情况下，所述第一识别操作还包括：
步骤S2010，获取所述第一识别区域的像素矩阵轨迹信息，其中，所述像素矩阵轨迹信息包括所述像素矩阵中各个元素值的变化轨迹；
步骤S2012，在所述像素矩阵轨迹信息满足第三条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；
步骤S2014，在所述回波能量值大于等于第二阈值的情况下，确定所述第一识别区域不存在道路隐患。
在本实施例中，获取像素矩阵轨迹信息是为了避免道路抛洒物对于隐患识别的干扰，同时也是为了避免光线、天气等因素的干扰，例如，像素矩阵A为
，当其像素矩阵变换为矩阵A’：
时，可以判断其矩阵变换轨迹由左上变换为右下，因而此时可以判断该像素轨迹对应的物体可能为可以移动的抛洒物，而如果是鼓包，则其像素轨迹变化不会太大；同时，由于出现裂缝或者凹陷时，像素轨迹也会存在变化，因而此时还需要通过能量波做进一步判断，如果是抛洒物，则其能量回波会增大，由此可以将其它因素的干扰进行排除，对应的，第三条件即为像素轨迹发生变化，像素轨迹信息即为将实时采集的像素信息与历史像素信息进行比对，并将矩阵元素值进行轨迹识别得到的。
在一个可选的实施例中，在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，所述方法还包括：
步骤S20402，通过所述目标雷达获取所述目标区域的雷达坐标信息；
步骤S20404，将所述雷达坐标信息与所述初始像素信息进行矩阵映射计算，以确定所述雷达坐标信息与所述像素矩阵的关联信息，以基于所述关联信息获取所述雷达能量信息。
在本实施例中，由于雷达的坐标值与摄像头采集的图像坐标值之间的表达方式不同，因而为了精确将雷达坐标与图像坐标进行关联，需要将雷达坐标与像素矩阵之间做关联计算；而获取了关联信息后，再对第一识别区域获取雷达能量信息即可以避免其它区域的能量的干扰，从而提高雷达能量识别的精确度。
其中，关联计算可以（但不限于）是将前述像素矩阵A进行拆分，得到若干子矩阵A’’，并分别计算其损失值，随后再获取雷达坐标信息，再将雷达信息与子矩阵A’’一一对应，并进行存储，从而实现雷达坐标信息与像素矩阵的的关联信息。
在一个可选的实施例中，在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，所述方法还包括：
在所述初始像素信息不满足所述第一条件的情况下，获取所述目标道路的所述雷达能量信息以及所述目标道路的气候信息；
在所述气候信息为目标气候的情况下，确定所述雷达能量信息与第三阈值的第二结果；
在所述第二结果小于所述第三阈值的情况下，确定所述目标道路存在道路隐患。
在本实施例中，由于雨水会对回波造成比较大的影响，同时大雾天气也会对图像识别和像素分析产生较大干扰，因而获取气候信息是为了进一步排除天气等原因对雷达回波和像素识别的干扰，从而进一步提高隐患的识别精度。
其中，气候信息包括天气情况（晴天、雨天、雾天、雪天）、水汽含量、风向及风速大小、光照强度、温度等信息，目标天气可以为光线条件较好的晴天的情况，第三阈值可以是基于历史道路数据或实验室数据预先设置的同等情况下的无隐患时的回波能量值最大阈值。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
在本实施例中还提供了一种基于雷视融合的道路隐患识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的一种基于雷视融合的道路隐患识别装置的结构框图，如图5所示，该装置包括：
道路图像采集模块52，用于获取目标区域的道路图像信息，其中，所述目标区域是通过GIS区域划分得到的，所述道路图像信息包括所述目标区域内的目标道路的网格信息；
像素采集模块54，用于基于所述网格信息，确定所述目标道路的初始像素信息，其中，所述初始像素信息包括所述目标道路的目标网格的像素矩阵；
第一区域确定模块56，用于在所述像素矩阵满足第一条件的情况下，根据所述像素矩阵确定第一识别区域，其中，所述网格信息包括所述第一识别区域；
第一识别操作模块58，用于基于所述第一识别区域，执行所述第一识别操作，其中，所述第一识别操作包括：
获取所述目标区域的历史像素信息，并将所述历史像素信息与所述初始像素信息进行比对计算，以得到第一像素结果；在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；在所述回波能量值小于第一阈值或大于第二阈值的情况下，确定所述第一识别区域存在道路隐患。
在一个可选的实施例中，所述第一识别操作模块58还包括：
轨迹采集单元582，用于在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的像素矩阵轨迹信息，其中，所述像素矩阵轨迹信息包括所述像素矩阵中各个元素值的变化轨迹；
雷达能量采集单元584，用于在所述像素矩阵轨迹信息满足第三条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值；
第一隐患确定单元586，用于在所述回波能量值大于等于第二阈值的情况下，确定所述第一识别区域不存在道路隐患。
在一个可选的实施例中，所述装置还包括：
雷达坐标采集模块510，用于在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，通过所述目标雷达获取所述目标区域的雷达坐标信息；
矩阵映射模块512，用于将所述雷达坐标信息与所述初始像素信息进行矩阵映射计算，以确定所述雷达坐标信息与所述像素矩阵的关联信息，以基于所述关联信息获取所述雷达能量信息。
在一个可选的实施例中，所述装置还包括：
气候采集模块514，用于在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，在所述初始像素信息不满足所述第一条件的情况下，获取所述目标道路的所述雷达能量信息以及所述目标道路的气候信息；
第二结果确定模块516，用于在所述气候信息为目标气候的情况下，确定所述雷达能量信息与第三阈值的第二结果；
第二隐患确定模块518，在所述第二结果小于所述第三阈值的情况下，确定所述目标道路存在道路隐患。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于雷视融合的道路隐患识别方法，其特征在于，包括：
获取目标区域的道路图像信息，其中，所述目标区域是通过GIS区域划分得到的，所述道路图像信息包括所述目标区域内的目标道路的网格信息；
基于所述网格信息，确定所述目标道路的初始像素信息，其中，所述初始像素信息包括所述目标道路的目标网格的像素矩阵；
在所述像素矩阵满足第一条件的情况下，根据所述像素矩阵确定第一识别区域，其中，所述网格信息包括所述第一识别区域，所述第一条件包括所述像素矩阵中的像素值是否存在不同；
基于所述第一识别区域，执行第一识别操作，其中，所述第一识别操作包括：
获取所述目标区域的历史像素信息，并将所述历史像素信息与所述初始像素信息进行比对计算，以得到第一像素结果；在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值，所述第二条件包括所述初始像素信息相对所述历史像素信息中包含的历史像素矩阵存在变化；在所述回波能量值小于第一阈值的情况下，确定所述第一识别区域存在道路隐患；
其中，在所述第一像素结果满足第二条件的情况下，所述第一识别操作还包括：
获取所述第一识别区域的像素矩阵轨迹信息，其中，所述像素矩阵轨迹信息包括所述像素矩阵中各个元素值的变化轨迹；
在所述像素矩阵轨迹信息满足第三条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值，所述第三条件包括像素矩阵轨迹存在变化；
在所述回波能量值大于等于第二阈值的情况下，确定所述第一识别区域不存在道路隐患。
2.根据权利要求1所述的方法，其特征在于，在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，所述方法还包括：
通过所述目标雷达获取所述目标区域的雷达坐标信息；
将所述雷达坐标信息与所述初始像素信息进行矩阵映射计算，以确定所述雷达坐标信息与所述像素矩阵的关联信息，以基于所述关联信息获取所述雷达能量信息。
3.根据权利要求1所述的方法，其特征在于，在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，所述方法还包括：
在所述初始像素信息不满足所述第一条件的情况下，获取所述目标道路的所述雷达能量信息以及所述目标道路的气候信息；
在所述气候信息为目标气候的情况下，确定所述雷达能量信息与第三阈值的第二结果；
在所述第二结果小于所述第三阈值的情况下，确定所述目标道路存在道路隐患。
4.一种基于雷视融合的道路隐患识别装置，其特征在于，包括：
道路图像采集模块，用于获取目标区域的道路图像信息，其中，所述目标区域是通过GIS区域划分得到的，所述道路图像信息包括所述目标区域内的目标道路的网格信息；
像素采集模块，用于基于所述网格信息，确定所述目标道路的初始像素信息，其中，所述初始像素信息包括所述目标道路的目标网格的像素矩阵；
第一区域确定模块，用于在所述像素矩阵满足第一条件的情况下，根据所述像素矩阵确定第一识别区域，其中，所述网格信息包括所述第一识别区域，所述第一条件包括所述像素矩阵中的像素值是否存在不同；
第一识别操作模块，用于基于所述第一识别区域，执行第一识别操作，其中，所述第一识别操作包括：
获取所述目标区域的历史像素信息，并将所述历史像素信息与所述初始像素信息进行比对计算，以得到第一像素结果；在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值，所述第二条件包括所述初始像素信息相对所述历史像素信息中包含的历史像素矩阵存在变化；在所述回波能量值小于第一阈值的情况下，确定所述第一识别区域存在道路隐患；
其中，所述第一识别操作模块还包括：
轨迹采集单元，用于在所述第一像素结果满足第二条件的情况下，获取所述第一识别区域的像素矩阵轨迹信息，其中，所述像素矩阵轨迹信息包括所述像素矩阵中各个元素值的变化轨迹；
雷达能量采集单元，用于在所述像素矩阵轨迹信息满足第三条件的情况下，获取所述第一识别区域的雷达能量信息，其中所述雷达能量信息包括目标雷达对所述第一识别区域进行雷达检测的回波能量值，所述第三条件包括像素矩阵轨迹存在变化；
第一隐患确定单元，用于在所述回波能量值大于等于第二阈值的情况下，确定所述第一识别区域不存在道路隐患。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
雷达坐标采集模块，用于在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，通过所述目标雷达获取所述目标区域的雷达坐标信息；
矩阵映射模块，用于将所述雷达坐标信息与所述初始像素信息进行矩阵映射计算，以确定所述雷达坐标信息与所述像素矩阵的关联信息，以基于所述关联信息获取所述雷达能量信息。
6.根据权利要求4所述的装置，其特征在于，所述装置还包括：
气候采集模块，用于在所述基于所述网格信息，确定所述目标道路的初始像素信息之后，在所述初始像素信息不满足所述第一条件的情况下，获取所述目标道路的所述雷达能量信息以及所述目标道路的气候信息；
第二结果确定模块，用于在所述气候信息为目标气候的情况下，确定所述雷达能量信息与第三阈值的第二结果；
第二隐患确定模块，在所述第二结果小于所述第三阈值的情况下，确定所述目标道路存在道路隐患。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至3任一项中所述的方法。
8.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至3任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211205829.6A CN115331190B (zh) | 2022-09-30 | 2022-09-30 | 一种基于雷视融合的道路隐患识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211205829.6A CN115331190B (zh) | 2022-09-30 | 2022-09-30 | 一种基于雷视融合的道路隐患识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115331190A CN115331190A (zh) | 2022-11-11 |
| CN115331190B true CN115331190B (zh) | 2022-12-09 |
Family
ID=83914092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211205829.6A Active CN115331190B (zh) | 2022-09-30 | 2022-09-30 | 一种基于雷视融合的道路隐患识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115331190B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115631356B (zh) * | 2022-11-28 | 2023-08-08 | 北京闪马智建科技有限公司 | 道路设施缺失识别方法、装置、存储介质及电子装置 |
| CN115631420B (zh) * | 2022-12-08 | 2023-04-04 | 北京闪马智建科技有限公司 | 一种隧道积水识别方法、装置、存储介质及电子装置 |
| CN115641334B (zh) * | 2022-12-09 | 2023-04-04 | 北京闪马智建科技有限公司 | 道路防撞设施损伤识别方法及装置 |
| CN115830032B (zh) * | 2023-02-13 | 2023-05-26 | 杭州闪马智擎科技有限公司 | 基于旧有设施的道路伸缩缝病变识别方法及装置 |
| CN116189133B (zh) * | 2023-04-26 | 2023-07-28 | 宜宾闪马智通科技有限公司 | 道路巡检判定方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110077402A (zh) * | 2019-05-13 | 2019-08-02 | 奇瑞汽车股份有限公司 | 目标物体的追踪方法、装置及存储介质 |
| WO2020151468A1 (zh) * | 2019-01-22 | 2020-07-30 | 岳秀兰 | 主次无线设备通过物联网连接建立的车辆远程驾驶体系 |
| CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及*** |
| CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
| WO2022083402A1 (zh) * | 2020-10-22 | 2022-04-28 | 腾讯科技（深圳）有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
| CN114895302A (zh) * | 2022-04-06 | 2022-08-12 | 广州易探科技有限公司 | 城市道路路基病害快速探测的方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040086153A1 (en) * | 2002-10-30 | 2004-05-06 | Yichang Tsai | Methods and systems for recognizing road signs in a digital image |
| WO2012170953A2 (en) * | 2011-06-10 | 2012-12-13 | Flir Systems, Inc. | Systems and methods for intelligent monitoring of thoroughfares using thermal imaging |
| CN108663677A (zh) * | 2018-03-29 | 2018-10-16 | 上海智瞳通科技有限公司 | 一种多传感器深度融合提高目标检测能力的方法 |
-
2022
- 2022-09-30 CN CN202211205829.6A patent/CN115331190B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020151468A1 (zh) * | 2019-01-22 | 2020-07-30 | 岳秀兰 | 主次无线设备通过物联网连接建立的车辆远程驾驶体系 |
| CN110077402A (zh) * | 2019-05-13 | 2019-08-02 | 奇瑞汽车股份有限公司 | 目标物体的追踪方法、装置及存储介质 |
| WO2022083402A1 (zh) * | 2020-10-22 | 2022-04-28 | 腾讯科技（深圳）有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
| CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及*** |
| CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
| CN114895302A (zh) * | 2022-04-06 | 2022-08-12 | 广州易探科技有限公司 | 城市道路路基病害快速探测的方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 不利视觉下道路裂缝识别算法研究与实现;倪新;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220315(第03期);第1-60页 * |
| 基于GPR的城市道路地下病害差值检测方法研究;许献磊 等;《科学技术与工程》;20160430;第16卷(第12期);第83-88页 * |
| 基于强度信息聚类的机载LiDAR点云道路提取;龚亮 等;《测绘通报》;20110930(第09期);第15-17、24页 * |
| 小样本条件下井周裂缝自动检测算法研究;吴桐;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20220115(第01期);第1-69页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115331190A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115331190B (zh) | 一种基于雷视融合的道路隐患识别方法及装置 | |
| CN108318043B (zh) | 用于更新电子地图的方法、装置和计算机可读存储介质 | |
| CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
| CN115631356B (zh) | 道路设施缺失识别方法、装置、存储介质及电子装置 | |
| CN111062351B (zh) | 一种星/机载影像数据融合识别煤矿区场地特征的方法 | |
| CN109444904B (zh) | 定位测试数据的生成方法、装置、设备及存储介质 | |
| CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
| CN114722944A (zh) | 点云精度确定方法、电子设备及计算机存储介质 | |
| CN113297946A (zh) | 一种监控盲区识别方法和识别*** | |
| CN112308913A (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
| CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
| CN110750107A (zh) | 一种基于光学标识的光伏电站无人机巡检方法 | |
| CN114252884A (zh) | 路侧雷达定位监测方法、装置、计算机设备和存储介质 | |
| CN116719334A (zh) | 一种水库智能巡检***及方法 | |
| CN115861408A (zh) | 基于激光点跟踪的无人机巡检路面坑洞方法及其应用 | |
| CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
| Shatnawi et al. | Road pavement rut detection using mobile and static terrestrial laser scanning | |
| Griesbaum et al. | Direct local building inundation depth determination in 3-D point clouds generated from user-generated flood images | |
| CN114252859A (zh) | 目标区域的确定方法、装置、计算机设备和存储介质 | |
| CN114927002B (zh) | 一种用于灾后救援的道路诱导方法及设备 | |
| CN116363088A (zh) | 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质 | |
| CN115618602A (zh) | 一种车道级场景仿真方法及*** | |
| Florkova et al. | Three-dimensional mobile mapping system and its use in road engineering | |
| CN212256331U (zh) | 一种消落区识别*** | |
| CN114019503A (zh) | 基于fod检测***的机场跑道异物检测方法、设备、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 |