CN115578386A - 泊车图像生成方法、装置、电子设备及存储介质 - Google Patents
泊车图像生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115578386A CN115578386A CN202211535532.6A CN202211535532A CN115578386A CN 115578386 A CN115578386 A CN 115578386A CN 202211535532 A CN202211535532 A CN 202211535532A CN 115578386 A CN115578386 A CN 115578386A
- Authority
- CN
- China
- Prior art keywords
- semantic
- information
- initial
- target
- type
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本公开提出一种泊车图像生成方法、装置、电子设备及存储介质,该方法包括:获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息,并根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,再根据第二语义信息,生成目标泊车图像。通过本公开,由于是基于车辆泊车场景中实时采集的当前位姿信息和场景图像,生成目标泊车图像,从而使得生成得到的目标泊车图像能够与当前车辆的自动泊车场景相适配,在有效地保障泊车图像生成效果的同时,使得泊车图像能够有效地满足实时性更高的车辆泊车需求。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种泊车图像生成方法、装置、电子设备及存储介质。
背景技术
随着自动驾驶技术的快速发展,现阶段自动驾驶已逐渐成为车辆的基础功能,车辆的自动泊车依赖于泊车图像,泊车图像拥有精确的车辆泊车场景的位置信息和丰富的道路元素数据信息,可以帮助车辆预知路面复杂信息,如坡度、曲率、航向等,更好地规避潜在的风险,由此,需要为自动驾驶车辆提供适配于当前车辆泊车环境的泊车图像,以提高车辆自动泊车的安全性。
相关技术中,车辆自动驾驶过程中的泊车图像通常是由图商提供,即可以是在车辆驾驶之前,先将泊车图像下发至车辆,以控制车辆基于该泊车图像进行自动驾驶。
这种方式下,由于车辆泊车的环境复杂多变,导致预先下发至车辆的泊车图像无法与当前车辆的泊车场景相适配,从而使得泊车图像无法有效地满足实时性更高的车辆泊车场景需求。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本公开提出一种泊车图像生成方法、装置、电子设备及存储介质,由于是基于车辆泊车场景中实时采集的当前位姿信息和场景图像,生成目标泊车图像,从而使得生成得到的目标泊车图像能够与当前车辆的泊车场景相适配,在有效地保障泊车图像生成效果的同时,使得泊车图像能够有效地满足实时性更高的车辆泊车场景需求。
本公开第一方面实施例提出的泊车图像生成方法,包括:获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息;根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息;根据第二语义信息,生成目标泊车图像。
在本公开的一些实施例中,根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,包括:
获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息;
根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果;
根据目标匹配结果,确定与语义元素分别对应的第二语义信息。
在本公开的一些实施例中,根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果,包括:
对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果。
根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果。
在本公开的一些实施例中,对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果,包括:
如果第一语义类型和初始语义类型相同,则确定类型匹配结果是第一语义类型和初始语义类型相匹配;
如果第一语义类型和初始语义类型不相同,则确定类型匹配结果是第一语义类型和初始语义类型不匹配。
在本公开的一些实施例中,目标匹配结果包括:不匹配;
其中,根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果,包括:
如果类型匹配结果是第一语义类型和初始语义类型相匹配,则根据当前位姿信息对第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果;或者
如果类型匹配结果是第一语义类型和初始语义类型不匹配,则确定目标匹配结果是不匹配。
在本公开的一些实施例中,根据当前位姿信息对第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果,包括:
根据当前位姿信息和第一位置信息,确定相应语义元素在世界坐标系中的第一空间坐标;
根据当前位姿信息和初始位置信息,确定相应初始语义元素在世界坐标系中的第二空间坐标;
对第一空间坐标和第二空间坐标进行匹配处理,以得到目标匹配结果。
在本公开的一些实施例中,目标匹配结果还包括:匹配;
其中,对第一空间坐标和第二空间坐标进行匹配处理,以得到目标匹配结果,包括:
确定第一空间坐标和第二空间坐标之间的坐标偏差值;
如果坐标偏差值小于或等于偏差阈值,则确定目标匹配结果是匹配;
如果坐标偏差值大于偏差阈值,则确定目标匹配结果是不匹配。
在本公开的一些实施例中,
根据目标匹配结果,确定与语义元素分别对应的第二语义信息,包括:
如果目标匹配结果是匹配,则对相应第一空间坐标和第二空间坐标进行拟合,以确定相应语义元素的目标空间坐标,其中,将目标空间坐标作为第二语义信息。
在本公开的一些实施例中,根据第二语义信息,生成目标泊车图像,包括:
采用第二语义信息对初始泊车图像中相应的初始语义信息进行更新,并将更新后的初始泊车图像作为目标泊车图像。
在本公开的一些实施例中,语义元素的数量是多个;
其中,根据第二语义信息,生成目标泊车图像,还包括:
对多个语义元素相应的目标空间坐标进行融合处理,以生成目标泊车图像。
在本公开的一些实施例中,获取车辆的当前位姿信息,包括:
采用车辆的传感器采集车辆的定位数据;
根据定位数据对车辆进行定位,得到车辆的当前位姿信息。
本公开第一方面实施例提出的泊车图像生成方法,通过获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息,并根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,再根据第二语义信息,生成目标泊车图像,由于是基于车辆泊车场景中实时采集的当前位姿信息和场景图像,生成目标泊车图像,从而使得生成得到的目标泊车图像能够与当前车辆的泊车场景相适配,在有效地保障泊车图像生成效果的同时,使得泊车图像能够有效地满足实时性更高的泊车场景需求。
本公开第二方面实施例提出的泊车图像生成装置,包括:获取模块,用于获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息;确定模块,用于根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息;生成模块,用于根据第二语义信息,生成目标泊车图像。
在本公开的一些实施例中,确定模块,包括:
获取子模块,用于获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息;
处理子模块,用于根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果;
确定子模块,用于根据目标匹配结果,确定与语义元素分别对应的第二语义信息。
在本公开的一些实施例中,处理子模块,还用于:
对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果。
根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果。
在本公开的一些实施例中,处理子模块,还用于:
如果第一语义类型和初始语义类型相同,则确定类型匹配结果是第一语义类型和初始语义类型相匹配;
如果第一语义类型和初始语义类型不相同,则确定类型匹配结果是第一语义类型和初始语义类型不匹配。
在本公开的一些实施例中,目标匹配结果包括:不匹配;
其中,处理子模块,还用于:
如果类型匹配结果是第一语义类型和初始语义类型相匹配,则根据当前位姿信息对第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果;或者
如果类型匹配结果是第一语义类型和初始语义类型不匹配,则确定目标匹配结果是不匹配。
在本公开的一些实施例中,处理子模块,还用于:
根据当前位姿信息和第一位置信息,确定相应语义元素在世界坐标系中的第一空间坐标;
根据当前位姿信息和初始位置信息,确定相应初始语义元素在世界坐标系中的第二空间坐标;
对第一空间坐标和第二空间坐标进行匹配处理,以得到目标匹配结果。
在本公开的一些实施例中,目标匹配结果还包括:匹配;
其中,所处理子模块,还用于:
确定第一空间坐标和第二空间坐标之间的坐标偏差值;
如果坐标偏差值小于或等于偏差阈值,则确定目标匹配结果是匹配;
如果坐标偏差值大于偏差阈值,则确定目标匹配结果是不匹配。
在本公开的一些实施例中,处理子模块,还用于:
如果目标匹配结果是匹配,则对相应第一空间坐标和第二空间坐标进行拟合,以确定相应语义元素的目标空间坐标,其中,将目标空间坐标作为第二语义信息。
在本公开的一些实施例中,生成模块,还用于:
采用第二语义信息对初始泊车图像中相应的初始语义信息进行更新,并将更新后的初始泊车图像作为目标泊车图像。
在本公开的一些实施例中,语义元素的数量是多个;
其中,生成模块,还用于:
对多个语义元素相应的目标空间坐标进行融合处理,以生成目标泊车图像。
在本公开的一些实施例中,获取模块,还用于:
采用车辆的传感器采集车辆的定位数据;
根据定位数据对车辆进行定位,得到车辆的当前位姿信息。
本公开第二方面实施例提出的泊车图像生成装置,通过获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息,并根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,再根据第二语义信息,生成目标泊车图像,由于是基于车辆泊车场景中实时采集的当前位姿信息和场景图像,生成目标泊车图像,从而使得生成得到的目标泊车图像能够与当前车辆的泊车场景相适配,在有效地保障泊车图像生成效果的同时,使得泊车图像能够有效地满足实时性更高的泊车场景需求。
本公开第三方面实施例提出的电子设备,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本公开第一方面实施例提出的泊车图像生成方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开第一方面实施例提出的泊车图像生成方法。
本公开第五方面实施例提出了一种计算机程序产品,当计算机程序产品中的指令由处理器执行时,执行如本公开第一方面实施例提出的泊车图像生成方法。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本公开一实施例提出的泊车图像生成方法的流程示意图;
图2是本公开另一实施例提出的泊车图像生成方法的流程示意图;
图3是本公开另一实施例提出的泊车图像生成方法的流程示意图;
图4是本公开一实施例提出的泊车图像生成装置的结构示意图;
图5是本公开另一实施例提出的泊车图像生成装置的结构示意图;
图6示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的泊车图像生成方法的流程示意图。
本公开实施例以泊车图像生成方法被配置为泊车图像生成装置中来举例说明。
本公开实施例中泊车图像生成方法可以被配置在泊车图像生成装置中,该泊车图像生成装置可以设置在服务器中,或者也可以设置在电子设备中,本公开实施例对此不作限制。
在本公开的一些实施例中,电子设备可以是任何适于实施的电子设备类型,例如智能手机、平板电脑、可穿戴设备、以及个人计算机(Personal Computer,PC)设备等,本公开实施例对此不作限制。
需要说明的是,本公开实施例的执行主体,在硬件上可以例如为服务器或者电子设备中的中央处理器(Central Processing Unit,CPU),在软件上可以例如为服务器或者电子设备中的相关的后台服务,对此不作限制。
如图1所示,该泊车图像生成方法,包括:
S101:获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息。
其中,在车辆泊车场景中,针对车辆实时采集的用于对车辆的位姿进行描述的信息,即可以被称为车辆的当前位姿信息,该车辆位姿信息可以具体例如为车辆的当前位姿,对此不做限制。
[01]其中,在车辆泊车场景中,针对车辆采集得到车辆所在的泊车场景的图像,即可以被称为场景图像,该场景图像可以具体例如为车辆所处泊车场景的障碍物图像,车辆所处泊车场景的道路图像,车辆所处泊车场景的行人图像等,对此不做限制。
其中,车辆的场景图像可以是一张或者多张,对此不做限制。
[02]一些实施例中,获取车辆所处泊车场景的图像,可以是获取车辆所处泊车场景的视频流,而后可以对车辆所处泊车场景的视频流进行解析处理,以得到多张视频帧图像,而后可以从前述多张视频帧图像中确定出车辆的场景图像,或者,获取车辆的场景图像,还可以是针对车辆预先配置相应的摄像装置,而后经由该摄像装置采集车辆所处泊车场景的图像,并将该图像作为场景图像,当然,也可以采用其他任意可能的方式,获取车辆的场景图像,对此不做限制。
一些实施例中,获取车辆的当前位姿信息,可以是确定采集车辆的摄像装置的相机位姿信息,并根据摄像装置的相机位姿信息,对车辆进行位姿检测,以确定车辆的当前位姿,并将前述确定的车辆位姿作为当前位姿信息,对此不做限制。
可选地,一些实施例中,获取车辆的当前位姿信息,还可以是采用车辆的传感器采集车辆的定位数据,并根据定位数据对车辆进行定位,得到车辆的当前位姿信息。
[03]其中,用于对车辆进行定位的数据,即可以被称为车辆的定位数据,而车辆的定位数据可以具体例如为车辆的全球定位***(Global Positioning System,GPS)数据,车辆在高精度泊车图像中相应的位置数据等,对此不做限制。
也即是说,本公开实施例中,确定车辆的定位数据,可以是针对车辆预先搭载相应的传感器(例如:惯性测量单元(Inertial Measurement Unit,IMU),轮速计等,对此不做限制),而后可以基于该传感器,采集车辆的定位数据(例如,GPS数据,车辆在高精度泊车图像中相应的位置坐标等,对此不做限制),并根据定位数据,通过航迹推算的方式,获取车辆的当前位姿(例如,车辆相对于全局坐标系的位置,车辆相对于全局坐标系的姿态,对此不做限制),并将该当前位姿作为车辆的当前位姿信息,对此不做限制。
本公开实施例中,车辆的场景图像可以包括:语义元素,该语义元素可以用于对车辆所处的场景进行表征,例如当车辆所处泊车场景为停车场时,语义元素可以具体例如为车道线、停车线、减速带、箭头、斑马线、虚线段等,对此不做限制。
其中,上述语义元素可以具有一些相关的描述信息,该描述信息即可以被称为第一语义信息,该第一语义信息可以例如为,语义元素的类型信息,语义元素的特征信息等,对此不做限制。
S102:根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息。
本公开实施例在获取车辆的当前位姿信息和场景图像,可以根据场景图像中语义元素的第一语义信息和当前位姿信息,对第一语义信息进行更新,以获取更新后的语义信息,该语义信息即可以被称为第二语义信息。
一些实施例中,根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,可以是根据当前位姿信息,对第一语义信息进行更新处理,并将前述更新处理得到的语义信息作为第二语义信息,对此不做限制。
另一些实施例中,根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,还可以是从当前位姿信息中,识别得到对应的语义元素信息,并对前述识别得到的语义信息和第一语义信息进行匹配处理,以得到相应的匹配处理结果,并根据匹配处理结果,对相应语义元素的语义信息进行重建,以得到第二语义信息,对此不做限制。
S103:根据第二语义信息,生成目标泊车图像。
本公开实施例中,在根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息之后,可以根据第二语义信息,生成目标泊车图像。
其中,目标泊车图像可以对车辆泊车场景中的位置信息和丰富的道路元素数据信息进行表征,可以帮助车辆预知路面复杂信息,如坡度、曲率、航向等,更好地规避潜在的风险,从而在将目标泊车图像用于车辆泊车场景中时,能够有效地提升车辆自动泊车的安全性。
一些实施例中,根据第二语义信息,生成目标泊车图像,可以是在泊车图像生成方法的初始阶段,获取同一场景的初始泊车图像,并在处理得到第二语义信息后,采用第二语义信息对初始泊车图像中相应语义元素的语义信息进行更新处理,并将语义信息更新后得到的泊车图像作为目标泊车图像,对此不做限制。
可以理解的是,上述得到的第二语义信息可以包括相应语义元素的特征信息,位置坐标信息,轮廓关键点信息,即第二语义信息可以表征为用于对相应语义元素进行描述的局部泊车图像,由此,根据第二语义信息,生成目标泊车图像,可以是对相应语义元素的第二语义信息进行拼接处理,即可以对用于对相应语义元素进行描述的局部泊车图像进行拼接处理,以得到目标泊车图像。
本公开实施例中,通过获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息,并根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,再根据第二语义信息,生成目标泊车图像,由于是基于车辆泊车场景中实时采集的当前位姿信息和场景图像,生成目标泊车图像,从而使得生成得到的目标泊车图像能够与当前车辆的泊车场景相适配,在有效地保障泊车图像生成效果的同时,使得泊车图像能够有效地满足实时性更高的泊车场景需求。
图2是本公开另一实施例提出的泊车图像生成方法的流程示意图。
如图2所示,该泊车图像生成方法,包括:
S201:获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息。
S201的描述说明可以具体参见上述实施例,在此不再赘述。
S202:获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息。
其中,在泊车图像生成方法的初始阶段,针对车辆的泊车场景所获取的泊车图像,即可以被称为初始泊车图像,该初始泊车图像可以是由图商提供的,预先针对车辆的泊车场景所获取的泊车图像,或者,该初始泊车图像,还可以是采用本公开实施例描述的泊车图像生成方法,根据车辆前一时刻的位姿信息和前一帧场景图像,所生成的泊车图像,对此不做限制。
其中,初始泊车图像中所包括的语义元素,即可以被称为初始语义元素,相应的,该初始语义元素可以具有一些相关的描述信息,该描述信息即可以被称为初始语义信息,对此不做限制。
S203:根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果。
本公开实施例在获取初始泊车图像后,可以根据当前位姿信息对初始泊车图像中初始语义元素的初始语义信息和第一语义信息进行匹配处理,以得到相应的匹配处理结果,该匹配处理结果即可以被称为目标匹配结果。
一些实施例中,根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,可以是采用当前位姿信息分别对第一语义信息和初始语义信息进行修正,并对修正后的第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果。
或者,还可以是采用其他任意可能的方式,实现根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果,例如,模型匹配的方式,特征匹配的方式等,对此不做限制。
S204:根据目标匹配结果,确定语义元素分别对应的第二语义信息。
本公开实例中,在根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果之后,可以根据目标匹配结果,确定语义元素分别对应的第二语义信息。
一些实施例中,根据目标匹配结果,确定语义元素分别对应的第二语义信息,可以是根据前述匹配结果,对语义元素相应的第一语义信息进行调整,并将调整后的语义信息作为第二语义信息,对此不做限制
或者,根据目标匹配结果,确定语义元素分别对应的第二语义信息,还可以是获取不同时刻车辆的当前位姿和相应时刻的场景图像,以得到多个目标匹配结果,并根据多个目标匹配结果,对相应语义元素对应的语义信息进行要素重建,具体地,可以联合样条线或者贝塞尔曲线,在要素重建过程中构建相应的约束,以生成与语义元素分别对应的第二语义信息,而后,可以联合第二语义信息,生成目标泊车图像,具体可以参见后续实施例,对此不再赘述。
本公开实施例中,通过获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息,并根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果,再根据目标匹配结果,确定与语义元素分别对应的第二语义信息,由此,能够联合多帧语义信息的匹配处理结果,实现准确地对语义元素相应的语义信息进行更新,从而能够有效地提升第二语义信息的确定效果。
S205:采用第二语义信息对初始泊车图像中相应的初始语义信息进行更新,并将更新后的初始泊车图像作为目标泊车图像。
本公开实施例在根据目标匹配结果,确定语义元素分别对应的第二语义信息后,可以采用第二语义信息,对初始泊车图像中相应的初始语义信息进行更新,并将更新后的初始泊车图像作为目标泊车图像。
也即是说,本公开实施例中,可以是将初始泊车图像中相应语义元素的初始语义信息更新为第二语义信息,并将更新后的初始泊车图像作为目标泊车图像,由于是采用处理得到的第二语义信息,对初始泊车图像中相应语义元素的初始语义信息进行更新,从而能够有效地保障初始泊车图像的新鲜度,使得更新得到的目标泊车图像能够满足实时性较高的车辆泊车场景中的泊车图像需求。
本实施例中,通过获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息,获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息,并根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果,再根据目标匹配结果,确定与语义元素分别对应的第二语义信息,由此,能够联合多帧语义信息的匹配处理结果,实现准确地对语义元素相应的语义信息进行更新,从而能够有效地提升第二语义信息的确定效果,再将初始泊车图像中相应语义元素的初始语义信息更新为第二语义信息,并将更新后的初始泊车图像作为目标泊车图像,由于是采用处理得到的第二语义信息,对初始泊车图像中相应语义元素的初始语义信息进行更新,从而能够有效地保障初始泊车图像的新鲜度,使得更新得到的目标泊车图像能够满足实时性较高的车辆泊车场景中的泊车图像需求。
图3是本公开另一实施例提出的泊车图像生成方法的流程示意图。
如图3所示,该泊车图像生成方法,包括:
S301:获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息。
S302:获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息。
S301- S302的描述说明可以具体参见上述实施例,在此不再赘述。
S303:对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果。
其中,第一语义信息中可以包括:第一语义类型,该第一语义类型可以用于描述语义元素所属的元素类型,该第一语义类型可以具体例如为,车道线类型,库位类型,障碍物类型等,对此不做限制。
其中,初始语义信息中可以包括:初始语义类型,该初始语义类型可以用于描述初始语义元素所属的元素类型,该初始语义类型可以具体例如为,车道线类型,库位类型,障碍物类型等,对此不做限制。
本公开实施例中,可以对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,以得到相应的匹配处理结果,该匹配处理结果即可以被称为类型匹配结果。
可选地,一些实施例中,对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果,可以是在第一语义类型和初始语义类型相同时,确定类型匹配结果是第一语义类型和初始语义类型相匹配,还可以是在第一语义类型和初始语义类型不相同时,确定类型匹配结果是第一语义类型和初始语义类型不匹配。
也即是说,本公开实施例中,对第一语义类型和初始语义类型进行匹配处理,可以是判断地域语义类型和初始语义类型是否相同,并在第一语义类型和初始语义类型相同时,确定类型匹配结果是第一语义类型和初始语义类型相匹配,反之,在在第一语义类型和初始语义类型不相同时,确定类型匹配结果是第一语义类型和初始语义类型不匹配。
S304:根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果。
其中,第一语义信息中可以包括:第一位置信息,该第一位置信息可以用于对相应语义元素的位置进行描述,该第一位置信息可以具体例如为,相应语义元素的空间坐标,对此不做限制。
其中,初始语义信息中可以包括:初始位置信息,该初始位置信息可以用于对相应初始语义元素的位置进行描述,该初始位置信息可以具体例如为,相应初始语义元素的空间坐标,对此不做限制。
本公开实施例中,在确定类型匹配结果后,可以根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果。
举例而言,根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果,可以是在类型匹配结果指示是第一语义类型和初始语义类型相匹配时,根据当前位姿信息对第一位置信息和初始位置信息进行空间坐标变换,并对前述坐标变换处理后的第一位置信息和初始位置信息进行匹配处理,以得到相应的目标匹配结果,对此不做限制。
可选地,一些实施例中,根据当前位姿信息对第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果,可以是在类型匹配结果是第一语义类型和初始语义类型相匹配,则根据当前位姿信息对第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果,或者在类型匹配结果是第一语义类型和初始语义类型不匹配时,确定目标匹配结果是不匹配。
也即是说,本公开实施例中,可以是在在类型匹配结果是第一语义类型和初始语义类型相匹配,则根据当前位姿信息对第一位置信息和初始位置信息,进行空间坐标变换,并对前述变换处理后的第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果;或者在类型匹配结果是第一语义类型和初始语义类型不匹配时,确定目标匹配结果是不匹配。
可选地,一些实施例中,根据当前位姿信息对第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果,可以是根据当前位姿信息和第一位置信息,确定相应语义元素在世界坐标系中的第一空间坐标,并根据当前位姿信息和初始位置信息,确定相应初始语义元素在世界坐标系中的第二空间坐标,再对第一空间坐标和第二空间坐标进行匹配处理,以得到目标匹配结果。
也即是说,本公开实施例中,可以是根据当前位姿信息和第一位置信息,确定相应语义元素在世界坐标系中的空间坐标,并将该空间坐标作为第一空间坐标。
相应的,可以根据当前位姿信息和初始位置信息,确定相应初始语义元素在世界坐标系中的空间坐标,并将该空间坐标作为第二空间坐标。
本公开实施例在确定第一空间坐标和第二空间坐标后,可以对第一空间坐标和第二空间坐标进行匹配处理(其中,该匹配处理方式可以具体例如为特征匹配,模型匹配等,对此不做限制),以得到目标匹配结果。
可选地,一些实施例中,对第一空间坐标和第二空间坐标进行匹配处理,以得到目标匹配结果,可以是确定第一空间坐标和第二空间坐标之间的坐标偏差值,并在坐标偏差值小于或等于偏差阈值时,确定目标匹配结果是匹配,并在坐标偏差值大于偏差阈值时,确定目标匹配结果是不匹配。
其中,用于对第一空间坐标和第二空间坐标之间的偏差情况进行具体量化描述的值,即可以被称为坐标偏差值,该坐标偏差值可以具体例如为,第一空间坐标和第二空间坐标之间的空间距离,对此不做限制。
其中,针对第一空间坐标和第二空间坐标之间的坐标偏差,预先设定的临界值,即可以被称为偏差阈值。
本公开实施例中,对第一空间坐标和第二空间坐标进行匹配处理,以得到目标匹配结果,可以是确定第一空间坐标和第二空间坐标之间的空间距离作为坐标偏差值,并在坐标偏差值小于或等于偏差阈值时,确定目标匹配结果是匹配,并在坐标偏差值大于偏差阈值时,确定目标匹配结果是不匹配。
本公开实施例中,由于是先对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果,再根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果,从而能够基于类型匹配结果,对同一类型的第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,避免因类型不同所产生的无效匹配操作,进而有效地提升位置信息的匹配效率,从而能够在一定程度上提升泊车图像的生成效率。
S305:如果目标匹配结果是匹配,则对相应第一空间坐标和第二空间坐标进行拟合,以确定相应语义元素的目标空间坐标,其中,将目标空间坐标作为第二语义信息。
本公开实施例中,在目标匹配结果是匹配时,可以对相应第一空间坐标和第二空间坐标进行拟合,以确定相应语义元素的空间坐标,该坐标即可以被称为目标空间坐标。
也即是说,可以是根据多个语义元素相应的第一空间坐标和第二空间坐标进行拟合,以确定较为准确的空间坐标作为目标空间坐标,对此不做限制。
S306:对多个语义元素相应的目标空间坐标进行融合处理,以生成目标泊车图像。
本公开实施例中,在确定多个语义元素相应的空间坐标后,可以对多个语义元素相应的目标空间坐标进行融合处理,以生成目标泊车图像,由于是对多个语义元素相应的目标空间坐标进行融合处理,从而使得生成得到的目标泊车图像能够准确地对相应语义元素的空间坐标进行表征,从而能够有效地保障泊车图像精度,有效地提升泊车图像生成效果。
本公开实施例中,通过获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息,并获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息,再对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果,再根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果,从而能够基于类型匹配结果,对同一类型的第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,避免因类型不同所产生的无效匹配操作,进而有效地提升位置信息的匹配效率,从而能够在一定程度上提升泊车图像的生成效率,并在目标匹配结果是匹配,则对相应第一空间坐标和第二空间坐标进行拟合,以确定相应语义元素的目标空间坐标,其中,将目标空间坐标作为第二语义信息,再在确定多个语义元素相应的空间坐标后,可以对多个语义元素相应的目标空间坐标进行融合处理,以生成目标泊车图像,由于是对多个语义元素相应的目标空间坐标进行融合处理,从而使得生成得到的目标泊车图像能够准确地对相应语义元素的空间坐标进行表征,从而能够有效地保障泊车图像精度,有效地提升泊车图像生成效果。
图4是本公开一实施例提出的泊车图像生成装置的结构示意图。
如图4所示,在一些实施例中,本公开实施例的泊车图像生成装置40,包括:
获取模块401,用于获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息;
确定模块402,用于根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息;
生成模块403,用于根据第二语义信息,生成目标泊车图像。
在本公开的一些实施例中,如图5所示,图5是本公开另一实施例提出的泊车图像生成装置的结构示意图,确定模块402,包括:
获取子模块4021,用于获取初始泊车图像,其中,初始泊车图像包括:初始语义元素,初始语义元素具有对应的初始语义信息;
处理子模块4022,用于根据当前位姿信息对第一语义信息和初始语义信息进行匹配处理,得到目标匹配结果;
确定子模块4023,用于根据目标匹配结果,确定与语义元素分别对应的第二语义信息。
在本公开的一些实施例中,处理子模块4022,还用于:
对第一语义信息中的第一语义类型和初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果。
根据当前位姿信息和类型匹配结果,对第一语义信息中的第一位置信息和初始语义信息中的初始位置信息进行匹配处理,以得到目标匹配结果。
在本公开的一些实施例中,处理子模块4022,还用于:
如果第一语义类型和初始语义类型相同,则确定类型匹配结果是第一语义类型和初始语义类型相匹配;
如果第一语义类型和初始语义类型不相同,则确定类型匹配结果是第一语义类型和初始语义类型不匹配。
在本公开的一些实施例中,目标匹配结果包括:不匹配;
其中,处理子模块4022,还用于:
如果类型匹配结果是第一语义类型和初始语义类型相匹配,则根据当前位姿信息对第一位置信息和初始位置信息进行匹配处理,以得到目标匹配结果;或者
如果类型匹配结果是第一语义类型和初始语义类型不匹配,则确定目标匹配结果是不匹配。
在本公开的一些实施例中,处理子模块4022,还用于:
根据当前位姿信息和第一位置信息,确定相应语义元素在世界坐标系中的第一空间坐标;
根据当前位姿信息和初始位置信息,确定相应初始语义元素在世界坐标系中的第二空间坐标;
对第一空间坐标和第二空间坐标进行匹配处理,以得到目标匹配结果。
在本公开的一些实施例中,目标匹配结果还包括:匹配;
其中,所处理子模块4022,还用于:
确定第一空间坐标和第二空间坐标之间的坐标偏差值;
如果坐标偏差值小于或等于偏差阈值,则确定目标匹配结果是匹配;
如果坐标偏差值大于偏差阈值,则确定目标匹配结果是不匹配。
在本公开的一些实施例中,所处理子模块4022,还用于:
如果目标匹配结果是匹配,则对相应第一空间坐标和第二空间坐标进行拟合,以确定相应语义元素的目标空间坐标,其中,将目标空间坐标作为第二语义信息。
在本公开的一些实施例中,生成模块403,还用于:
采用第二语义信息对初始泊车图像中相应的初始语义信息进行更新,并将更新后的初始泊车图像作为目标泊车图像。
在本公开的一些实施例中,语义元素的数量是多个;
其中,生成模块403,还用于:
对多个语义元素相应的目标空间坐标进行融合处理,以生成目标泊车图像。
在本公开的一些实施例中,获取模块401,还用于:
采用车辆的传感器采集车辆的定位数据;
根据定位数据对车辆进行定位,得到车辆的当前位姿信息。
需要说明的是,前述对泊车图像生成方法实施例的解释说明也适用于该实施例的泊车图像生成装置,此处不再赘述。
本实施例中,通过获取车辆的当前位姿信息和场景图像,其中,场景图像包括:语义元素,其中,语义元素具有对应的第一语义信息,并根据第一语义信息和当前位姿信息,确定与语义元素对应的第二语义信息,再根据第二语义信息,生成目标泊车图像,由于是基于车辆泊车场景中实时采集的当前位姿信息和场景图像,生成目标泊车图像,从而使得生成得到的目标泊车图像能够与当前车辆的泊车场景相适配,在有效地保障泊车图像生成效果的同时,使得泊车图像能够有效地满足实时性更高的泊车场景需求。
为了实现上述的一些实施例,本公开还提出一种电子设备,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,实现如本公开前述实施例提出的泊车图像生成方法。
为了实现上述的一些实施例,本公开还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开前述实施例提出的泊车图像生成方法。
为了实现上述的一些实施例,本公开还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本公开前述实施例提出的泊车图像生成方法。
图6示出了适于用来实现本公开实施方式的示例性电子设备的框图。图6显示的电子设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。
尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其他程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其他模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的泊车图像生成方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
需要说明的是,在本公开的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种泊车图像生成方法,其特征在于,包括:
获取车辆的当前位姿信息和场景图像,其中,所述场景图像包括:语义元素,其中,所述语义元素具有对应的第一语义信息;
根据所述第一语义信息和所述当前位姿信息,确定与所述语义元素对应的第二语义信息;
根据所述第二语义信息,生成目标泊车图像。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一语义信息和所述当前位姿信息,确定与所述语义元素对应的第二语义信息,包括:
获取初始泊车图像,其中,所述初始泊车图像包括:初始语义元素,所述初始语义元素具有对应的初始语义信息;
根据所述当前位姿信息对所述第一语义信息和所述初始语义信息进行匹配处理,得到目标匹配结果;
根据所述目标匹配结果,确定与所述语义元素分别对应的所述第二语义信息。
3.如权利要求2所述的方法,其特征在于,所述根据所述当前位姿信息对所述第一语义信息和所述初始语义信息进行匹配处理,得到目标匹配结果,包括:
对所述第一语义信息中的第一语义类型和所述初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果;
根据所述当前位姿信息和所述类型匹配结果,对所述第一语义信息中的第一位置信息和所述初始语义信息中的初始位置信息进行匹配处理,以得到所述目标匹配结果。
4.如权利要求3所述的方法,其特征在于,所述对所述第一语义信息中的第一语义类型和所述初始语义信息中的初始语义类型进行匹配处理,得到类型匹配结果,包括:
如果所述第一语义类型和所述初始语义类型相同,则确定所述类型匹配结果是所述第一语义类型和所述初始语义类型相匹配;
如果所述第一语义类型和所述初始语义类型不相同,则确定所述类型匹配结果是所述第一语义类型和所述初始语义类型不匹配。
5.如权利要求4所述的方法,其特征在于,所述目标匹配结果包括:不匹配;
其中,所述根据所述当前位姿信息和所述类型匹配结果,对所述第一语义信息中的第一位置信息和所述初始语义信息中的初始位置信息进行匹配处理,以得到所述目标匹配结果,包括:
如果所述类型匹配结果是所述第一语义类型和所述初始语义类型相匹配,则根据所述当前位姿信息对所述第一位置信息和所述初始位置信息进行匹配处理,以得到所述目标匹配结果;或者
如果所述类型匹配结果是所述第一语义类型和所述初始语义类型不匹配,则确定所述目标匹配结果是所述不匹配。
6.如权利要求5所述的方法,其特征在于,所述根据所述当前位姿信息对所述第一位置信息和所述初始位置信息进行匹配处理,以得到所述目标匹配结果,包括:
根据所述当前位姿信息和所述第一位置信息,确定相应所述语义元素在世界坐标系中的第一空间坐标;
根据所述当前位姿信息和所述初始位置信息,确定相应所述初始语义元素在所述世界坐标系中的第二空间坐标;
对所述第一空间坐标和所述第二空间坐标进行匹配处理,以得到所述目标匹配结果。
7.如权利要求6所述的方法,其特征在于,所述目标匹配结果还包括:匹配;
其中,所述对所述第一空间坐标和所述第二空间坐标进行匹配处理,以得到所述目标匹配结果,包括:
确定所述第一空间坐标和所述第二空间坐标之间的坐标偏差值;
如果所述坐标偏差值小于或等于偏差阈值,则确定所述目标匹配结果是所述匹配;
如果所述坐标偏差值大于所述偏差阈值,则确定所述目标匹配结果是所述不匹配。
8.如权利要求7所述的方法,其特征在于,所述根据所述目标匹配结果,确定与所述语义元素分别对应的所述第二语义信息,包括:
如果所述目标匹配结果是所述匹配,则对相应所述第一空间坐标和所述第二空间坐标进行拟合,以确定相应所述语义元素的目标空间坐标,其中,将所述目标空间坐标作为所述第二语义信息。
9.如权利要求2所述的方法,其特征在于,所述根据所述第二语义信息,生成目标泊车图像,包括:
采用所述第二语义信息对所述初始泊车图像中的所述的初始语义信息进行更新,并将更新后的所述初始泊车图像作为所述目标泊车图像。
10.如权利要求8所述的方法,其特征在于,所述语义元素的数量是多个;
其中,所述根据所述第二语义信息,生成目标泊车图像,还包括:
对多个所述语义元素相应的所述目标空间坐标进行融合处理,以生成所述目标泊车图像。
11.如权利要求1所述的方法,其特征在于,所述获取所述车辆的当前位姿信息,包括:
采用所述车辆的传感器采集所述车辆的定位数据;
根据所述定位数据对所述车辆进行定位,得到所述车辆的所述当前位姿信息。
12.一种泊车图像生成装置,其特征在于,包括:
获取模块,用于获取车辆的当前位姿信息和场景图像,其中,所述场景图像包括:语义元素,其中,所述语义元素具有对应的第一语义信息;
确定模块,用于根据所述第一语义信息和所述当前位姿信息,确定与所述语义元素对应的第二语义信息;
生成模块,用于根据所述第二语义信息,生成目标泊车图像。
13.一种电子设备,其特征在于,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,所述处理器执行所述程序时实现如权利要求1-11中任一项所述的泊车图像生成方法。
14.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-11中任一项所述的泊车图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535532.6A CN115578386B (zh) | 2022-12-02 | 2022-12-02 | 泊车图像生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535532.6A CN115578386B (zh) | 2022-12-02 | 2022-12-02 | 泊车图像生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578386A true CN115578386A (zh) | 2023-01-06 |
CN115578386B CN115578386B (zh) | 2023-06-06 |
Family
ID=84590140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211535532.6A Active CN115578386B (zh) | 2022-12-02 | 2022-12-02 | 泊车图像生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578386B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115848358A (zh) * | 2023-01-19 | 2023-03-28 | 禾多科技(北京)有限公司 | 车辆泊车方法、装置、电子设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321398A (zh) * | 2019-06-26 | 2019-10-11 | 浙江吉利控股集团有限公司 | 一种无信号区泊车地图的建立方法、装置及终端 |
CN111824130A (zh) * | 2020-07-09 | 2020-10-27 | 广州小鹏车联网科技有限公司 | 一种泊车控制方法、装置、车辆、存储介质 |
US20220163346A1 (en) * | 2020-11-23 | 2022-05-26 | Electronics And Telecommunications Research Institute | Method and apparatus for generating a map for autonomous driving and recognizing location |
CN114543819A (zh) * | 2021-09-16 | 2022-05-27 | 北京小米移动软件有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
CN114643980A (zh) * | 2022-03-29 | 2022-06-21 | 北斗星通智联科技有限责任公司 | 泊车路径实时调整方法、装置、设备及存储介质 |
-
2022
- 2022-12-02 CN CN202211535532.6A patent/CN115578386B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321398A (zh) * | 2019-06-26 | 2019-10-11 | 浙江吉利控股集团有限公司 | 一种无信号区泊车地图的建立方法、装置及终端 |
CN111824130A (zh) * | 2020-07-09 | 2020-10-27 | 广州小鹏车联网科技有限公司 | 一种泊车控制方法、装置、车辆、存储介质 |
US20220163346A1 (en) * | 2020-11-23 | 2022-05-26 | Electronics And Telecommunications Research Institute | Method and apparatus for generating a map for autonomous driving and recognizing location |
CN114543819A (zh) * | 2021-09-16 | 2022-05-27 | 北京小米移动软件有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
CN114643980A (zh) * | 2022-03-29 | 2022-06-21 | 北斗星通智联科技有限责任公司 | 泊车路径实时调整方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115848358A (zh) * | 2023-01-19 | 2023-03-28 | 禾多科技(北京)有限公司 | 车辆泊车方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115578386B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6862409B2 (ja) | 地図生成及び移動主体の位置決めの方法及び装置 | |
US10984556B2 (en) | Method and apparatus for calibrating relative parameters of collector, device and storage medium | |
CN109345596B (zh) | 多传感器标定方法、装置、计算机设备、介质和车辆 | |
CN109215372B (zh) | 路网信息更新方法、装置及设备 | |
EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
CN109931945B (zh) | Ar导航方法、装置、设备和存储介质 | |
CN109961522B (zh) | 图像投射方法、装置、设备和存储介质 | |
CN110095752B (zh) | 定位方法、装置、设备和介质 | |
CN109435955B (zh) | 一种自动驾驶***性能评估方法、装置、设备及存储介质 | |
JP7204823B2 (ja) | 車両制御方法、車両制御装置及び車両 | |
CN107339996A (zh) | 车辆自定位方法、装置、设备及存储介质 | |
CN109543680B (zh) | 兴趣点的位置确定方法、装置设备和介质 | |
CN111461981B (zh) | 点云拼接算法的误差估计方法和装置 | |
US20210090266A1 (en) | Method and device for labeling point of interest | |
JP2021119507A (ja) | 車線の決定方法、車線測位精度の評価方法、車線の決定装置、車線測位精度の評価装置、電子デバイス、コンピュータ可読記憶媒体、及びプログラム | |
CN115578386B (zh) | 泊车图像生成方法、装置、电子设备及存储介质 | |
CN114913197A (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN114820679A (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN108986253B (zh) | 用于多线程并行处理的存储数据方法和装置 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN114627438A (zh) | 目标检测模型生成方法、目标检测方法、设备及介质 | |
CN116642511A (zh) | Ar导航图像渲染方法、装置、电子设备及存储介质 | |
CN115032672A (zh) | 一种基于定位子***的融合定位方法及*** | |
CN109829440B (zh) | 一种检测道路差异的方法、装置、电子设备及存储介质 | |
CN111383337A (zh) | 用于识别对象的方法和装置 |
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 |