CN116704473B - 障碍物信息检测方法、装置、电子设备和计算机可读介质 - Google Patents
障碍物信息检测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116704473B CN116704473B CN202310595751.1A CN202310595751A CN116704473B CN 116704473 B CN116704473 B CN 116704473B CN 202310595751 A CN202310595751 A CN 202310595751A CN 116704473 B CN116704473 B CN 116704473B
- Authority
- CN
- China
- Prior art keywords
- image
- edge detection
- detection
- obstacle
- generate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 238000003708 edge detection Methods 0.000 claims abstract description 188
- 238000003709 image segmentation Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 12
- 239000003086 colorant Substances 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000219289 Silene Species 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了障碍物信息检测方法、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：获取道路图像；对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像；基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。该实施方式可以生成的障碍物信息的准确度。
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检测方法、装置、电子设备和计算机可读介质。
背景技术
障碍物信息检测方法，是确定图像中障碍物信息的一项技术。目前，在生成障碍物信息(例如，障碍物为其他车辆，障碍物信息可以是其他车辆的距离、速度、位置坐标等信息)时，通常采用的方式为：通过预设的卷积神经网络对图像进行分类或者分割，然后进行障碍物信息检测，得到障碍物检测信息。
然而，发明人发现，当采用上述方式进行障碍物信息检测时，经常会存在如下技术问题：
第一，在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，会使得障碍物车辆在图像中的特征较少，且容易被认定为同一障碍物，从而，导致图像分割的准确度降低，进而，导致生成的障碍物检测信息的准确度降低；
第二，卷积神经网络高度依赖于训练集的多样性，以及训练样本的质量，且需要大量的序列数据提高识别性能，而在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，难为卷积神经网络的训练提供较好的训练数据，从而，导致训练后的卷积神经网络模型的图像分割能力降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
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检测方法、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检测方法，该方法包括：获取道路图像；对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像；基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。
第二方面，本公开的一些实施例提供了一种障碍物信息检测装置，该装置包括：获取单元，被配置成获取道路图像；边缘检测单元，被配置成对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像；生成单元，被配置成基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。
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检测方法，可以提高生成的障碍物检测信息的准确度。具体来说，造成生成的障碍物检测信息的准确度降低的原因在于：在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，会使得障碍物车辆在图像中的特征较少，且容易被认定为同一障碍物，从而，导致图像分割的准确度降低，进而，导致生成的障碍物检测信息的准确度降低。基于此，本公开的一些实施例的障碍物信息检测方法，首先，获取道路图像。然后，对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像。通过边缘检测，可以用于为障碍物信息检测提供特征支持。也因为生成了第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像，可以便于凸显出障碍物车辆的特征。即使在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，也可以较好的区分不同车辆的特征。最后，基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。从而，可以极大的避免近似障碍物被认定为同一障碍物的情况，使得提高图像分割模型对道路图像中各个障碍物的分割能力。进而，可以提高生成的障碍物信息的准确度。
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检测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检测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检测方法的一些实施例的流程100。该障碍物信息检测方法，包括以下步骤：
步骤101，获取道路图像。
在一些实施例中，障碍物信息检测方法的执行主体可以通过有线的方式或者无线的方式获取道路图像。其中，道路图像可以是当前车辆的车载相机拍摄的图像。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
实践中，可以对单帧的道路图像进行障碍物信息检测，也可以对连续帧的道路图像进行障碍物信息检测。
步骤102，对道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像。
在一些实施例中，上述执行主体可以通过各种方式对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像。
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道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像，可以包括以下步骤：
第一步，对上述道路图像进行灰度化，得到灰度图像。其中，可以通过预设的灰度算法，对上述道路图像进行灰度化，得到灰度图像。
第二步，基于预设的第一检测算子，对上述灰度图像进行边缘检测，以生成第一边缘检测图像。
作为示例，第一检测算子可以包括但不限于以下至少一项：拉普拉斯算子、高斯拉普拉斯算子等。
第三步，基于预设的第二检测算子，对上述灰度图像进行边缘检测，以生成第二边缘检测图像。
作为示例，第二检测算子可以包括但不限于以下至少一项：scharr(特征梯度)算子、索贝尔算子等。
第四步，基于预设的第三检测算子，对上述灰度图像进行边缘检测，以生成第三边缘检测图像。
作为示例，第三检测算子可以包括但不限于以下至少一项：罗伯茨算子、非微分边缘检测算子等。
第五步，基于预设的第四检测算子，对上述灰度图像进行边缘检测，以生成第四边缘检测图像。
作为示例，第四检测算子可以是蒲瑞维特算子。
步骤103，基于第一边缘检测图像、第二边缘检测图像、第三边缘检测图像、第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。
在一些实施例中，上述执行主体可以基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，通过各种方式生成障碍物检测信息。
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第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息，可以包括以下步骤：
第一步，对上述灰度图像、上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像和上述第四边缘检测图像进行拼接处理，以生成拼接后图像。其中，上述拼接后图像为5通道的图像。其次，拼接处理可以是将上述灰度图像、上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像和上述第四边缘检测图像重叠在一起得到5通道的特征图像。
第二步，将上述拼接后图像输入至预设的图像分割模型，以生成分割后道路图像。其中，图像分割模型可以对图像进行分割，得到障碍物边缘坐标集。其次，可以将障碍物边缘坐标集中的各个障碍物边缘坐标标记至与上述灰度图像尺寸相同的空白图像中，得到分割后道路图像。
作为示例，图像分割模型可以包括但不限于以下至少一项：Resnet(ResidualNetwork，残差神经网络)模型、VGG(Visual Geometry Group Network，卷积神经网络)模型和GoogLeNet(深度神经网络)模型等。
第三步，对上述分割后道路图像进行障碍物检测，以生成障碍物检测信息。其中，可以通过预设的检测算法对分割后道路图像进行障碍物检测，以生成障碍物检测信息。其次，障碍物检测信息可以包括至少一个障碍物的信息。
作为示例，检测算法可以包括但不限于以下至少一项：MRF(MRF-Markov RandomField，马尔科夫条件随机场)模型、SPP(Spatial Pyramid Pooling，空间金字塔池化模块)模型和FCN(Fully Convolutional Networks，全卷机神经网络)模型等。
可选的，上述图像分割模型可以是通过以下步骤训练的：
第一步，获取训练样本。其中，上述训练样本包括：样本检测图像和分割结果样本图，上述样本检测图像为通过上述第一检测算子、第二检测算子、第三检测算子、第四检测算子对原始图像检测后生成的四个样本检测图像与原始图像的灰度图像拼接处理后的图像，上述样本检测图像为5通道的图像。其次，上述分割结果样本图为标签图像。这里，分割结果样本图可以包括分割图像坐标集。分割图像坐标集中的各个分割图像坐标可以是分割结果样本图中物体边缘的坐标。
第二步，将上述训练样本包括的样本检测图像和分割结果样本图输入至初始图像分割模型，得到输出后分割图像，其中，上述输出后分割图像中包括输出后边缘检测坐标集。
第三步，利用预设的第一损失函数，确定上述输出后分割图像与上述分割结果样本图像之间的图像相似度，作为第一损失值。
作为示例，上述第一损失函数可以包括但不限于以下至少一项：SSIM(structuralsimilarity)结构相似性度量算法、余弦相似度、均值哈希算法、差值哈希算法、感知哈希算法、pixelmatch像素匹配算法等。
第四步，利用预设的第二损失函数，确定上述输出后分割图像中的输出后边缘检测坐标集中的各个输出后边缘检测坐标、与上述分割结果样本图中分割图像坐标集中的各个分割图像坐标之间的坐标相似度，作为第二损失函数。
作为示例，上述第二损失函数可以包括但不限于以下至少一项：欧式距离值、曼哈顿距离值、切比雪夫距离值、闵可夫斯基距离值、夹角余弦值、皮尔逊相关系数值和杰卡德相似系数值等。
第五步，根据预设的权重比，对上述第一损失值和上述第二损失值进行加权求和，得到综合损失值。
第六步，响应于确定上述综合损失值小于预设的损失阈值，确定上述初始图像分割模型训练完成，以及将上述初始图像分割模型确定为图像分割模型。
另外，若响应于确定上述综合损失值大于等于预设的损失阈值，可以通过梯度下降算法调整初始图像分割模型中的参数，以及再次获取训练样本，以供对初始图像分割模型进行训练。
上述步骤103其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“卷积神经网络高度依赖于训练集的多样性，以及训练样本的质量，且需要大量的序列数据提高识别性能，而在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，难为卷积神经网络的训练提供较好的训练数据，从而，导致训练后的卷积神经网络模型的图像分割能力降低”。导致训练后的卷积神经网络模型的图像分割能力降低的因素往往如下：卷积神经网络高度依赖于训练集的多样性，以及训练样本的质量，且需要大量的序列数据提高识别性能，而在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，难为卷积神经网络的训练提供较好的训练数据。为了达到这一效果，首先，通过预设的第一检测算子、第二检测算子、第三检测算子、第四检测算子，可以从多个角度对图像进行边缘检测。由此，可以综合不同检测算子的优点，以便将其代入至拼接后图像中。也以为将各个图像拼接为拼接后图像，使得可以提高图像特征的数量和多样性。以此，使得在进行模型训练的过程中，可以提高初始图像分割模型的图像识别分割能力。然后，通过引入第一损失函数和第二损失函数，可以分别用于从图像整体角度和图像中边缘检测坐标的角度确定与标签图像之间的综合损失值。从而，可以进一步提高初始图像分割模型在训练过程中的准确度。由此，即使在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，训练完成的图像分割模型也可以较好的进行图像分割。进而，可以提高训练后的卷积神经网络模型的图像分割能力。
可选的，上述执行主体还可以将上述障碍物检测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检测方法，可以提高生成的障碍物检测信息的准确度。具体来说，造成生成的障碍物检测信息的准确度降低的原因在于：在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，会使得障碍物车辆在图像中的特征较少，且容易被认定为同一障碍物，从而，导致图像分割的准确度降低，进而，导致生成的障碍物检测信息的准确度降低。基于此，本公开的一些实施例的障碍物信息检测方法，首先，获取道路图像。然后，对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像。通过边缘检测，可以用于为障碍物信息检测提供特征支持。也因为生成了第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像，可以便于凸显出障碍物车辆的特征。即使在障碍物车辆多、距离远、车辆颜色相近、且障碍物车辆之间距离相近的情况下，也可以较好的区分不同车辆的特征。最后，基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。从而，可以极大的避免近似障碍物被认定为同一障碍物的情况，使得提高图像分割模型对道路图像中各个障碍物的分割能力。进而，可以提高生成的障碍物信息的准确度。
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检测装置的一些实施例，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检测装置200包括：获取单元201、边缘检测单元202和生成单元203。其中，获取单元201，被配置成获取道路图像；边缘检测单元202，被配置成对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像；生成单元203，被配置成基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。
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301(例如中央处理器、图形处理器等)，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(Hyper Text 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：获取道路图像；对上述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像；基于上述第一边缘检测图像、上述第二边缘检测图像、上述第三边缘检测图像、上述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息。
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：一种处理器包括获取单元、边缘检测单元和生成单元。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，边缘检测单元还可以被描述为“对道路图像进行边缘检测的单元”。
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 (5)
1.一种障碍物信息检测方法，包括：
获取道路图像；
对所述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像；
基于所述第一边缘检测图像、所述第二边缘检测图像、所述第三边缘检测图像、所述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息；
其中，所述对所述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像，包括：
对所述道路图像进行灰度化，得到灰度图像；
基于预设的第一检测算子，对所述灰度图像进行边缘检测，以生成第一边缘检测图像；
基于预设的第二检测算子，对所述灰度图像进行边缘检测，以生成第二边缘检测图像；
基于预设的第三检测算子，对所述灰度图像进行边缘检测，以生成第三边缘检测图像；
基于预设的第四检测算子，对所述灰度图像进行边缘检测，以生成第四边缘检测图像，其中，第一检测算子、第二检测算子、第三检测算子和第四检测算子为不同的检测算子；
其中，所述基于所述第一边缘检测图像、所述第二边缘检测图像、所述第三边缘检测图像、所述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息，包括：
对所述灰度图像、所述第一边缘检测图像、所述第二边缘检测图像、所述第三边缘检测图像和所述第四边缘检测图像进行拼接处理，以生成拼接后图像，其中，所述拼接后图像为5通道的图像；
将所述拼接后图像输入至预设的图像分割模型，以生成分割后道路图像；
对所述分割后道路图像进行障碍物检测，以生成障碍物检测信息；
其中，所述对所述分割后道路图像进行障碍物检测，以生成障碍物检测信息，包括：
对所述分割后道路图像进行检测处理，以生成图像区域检测信息集，其中，所述图像区域检测信息集中的每个图像区域检测信息包括一个障碍物检测数据；
将所述图像区域检测信息集中的每个图像区域检测信息与分割后道路图像中对应的图像区域确定为障碍物检测信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述障碍物检测信息发送至显示终端以供显示。
3.一种障碍物信息检测装置，包括：
获取单元，被配置成获取道路图像；
边缘检测单元，被配置成对所述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像；
生成单元，被配置成基于所述第一边缘检测图像、所述第二边缘检测图像、所述第三边缘检测图像、所述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息；
其中，所述对所述道路图像进行边缘检测，以生成第一边缘检测图像、第二边缘检测图像、第三边缘检测图像和第四边缘检测图像，包括：
对所述道路图像进行灰度化，得到灰度图像；
基于预设的第一检测算子，对所述灰度图像进行边缘检测，以生成第一边缘检测图像；
基于预设的第二检测算子，对所述灰度图像进行边缘检测，以生成第二边缘检测图像；
基于预设的第三检测算子，对所述灰度图像进行边缘检测，以生成第三边缘检测图像；
基于预设的第四检测算子，对所述灰度图像进行边缘检测，以生成第四边缘检测图像，其中，第一检测算子、第二检测算子、第三检测算子和第四检测算子为不同的检测算子；
其中，所述基于所述第一边缘检测图像、所述第二边缘检测图像、所述第三边缘检测图像、所述第四边缘检测图像和预设的图像分割模型，生成障碍物检测信息，包括：
对所述灰度图像、所述第一边缘检测图像、所述第二边缘检测图像、所述第三边缘检测图像和所述第四边缘检测图像进行拼接处理，以生成拼接后图像，其中，所述拼接后图像为5通道的图像；
将所述拼接后图像输入至预设的图像分割模型，以生成分割后道路图像；
对所述分割后道路图像进行障碍物检测，以生成障碍物检测信息；
其中，所述对所述分割后道路图像进行障碍物检测，以生成障碍物检测信息，包括：
对所述分割后道路图像进行检测处理，以生成图像区域检测信息集，其中，所述图像区域检测信息集中的每个图像区域检测信息包括一个障碍物检测数据；
将所述图像区域检测信息集中的每个图像区域检测信息与分割后道路图像中对应的图像区域确定为障碍物检测信息。
4.一种电子设备，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1-2中任一所述的方法。
5.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-2中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310595751.1A CN116704473B (zh) | 2023-05-24 | 2023-05-24 | 障碍物信息检测方法、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 |
|---|---|---|---|
| CN202310595751.1A CN116704473B (zh) | 2023-05-24 | 2023-05-24 | 障碍物信息检测方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116704473A CN116704473A (zh) | 2023-09-05 |
| CN116704473B true CN116704473B (zh) | 2024-03-08 |
Family
ID=87826887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310595751.1A Active CN116704473B (zh) | 2023-05-24 | 2023-05-24 | 障碍物信息检测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116704473B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007059735A1 (de) * | 2006-12-12 | 2008-07-24 | Cognex Corp., Natick | Stereo-Sichtsystem für Fahrzeuge zur Erkennung seitlich liegender Hindernisse |
| CN110502983A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| CN112489029A (zh) * | 2020-12-10 | 2021-03-12 | 深圳先进技术研究院 | 一种基于卷积神经网络的医学图像分割方法及装置 |
| CN112818932A (zh) * | 2021-02-26 | 2021-05-18 | 北京车和家信息技术有限公司 | 图像处理方法、障碍物检测方法、装置、介质及车辆 |
| WO2021093418A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
| 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 |
| CN114419604A (zh) * | 2022-03-28 | 2022-04-29 | 禾多科技（北京）有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
| CN114693712A (zh) * | 2022-04-08 | 2022-07-01 | 重庆邮电大学 | 一种基于深度学习的暗视觉及低照度图像边缘检测方法 |
| CN115423865A (zh) * | 2022-07-29 | 2022-12-02 | 松灵机器人(深圳)有限公司 | 障碍物检测方法、装置、割草机器人以及存储介质 |
| CN116071707A (zh) * | 2023-02-27 | 2023-05-05 | 南京航空航天大学 | 一种机场特种车辆识别方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9972096B2 (en) * | 2016-06-14 | 2018-05-15 | International Business Machines Corporation | Detection of obstructions |
-
2023
- 2023-05-24 CN CN202310595751.1A patent/CN116704473B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007059735A1 (de) * | 2006-12-12 | 2008-07-24 | Cognex Corp., Natick | Stereo-Sichtsystem für Fahrzeuge zur Erkennung seitlich liegender Hindernisse |
| CN110502983A (zh) * | 2019-07-11 | 2019-11-26 | 平安科技（深圳）有限公司 | 一种检测高速公路中障碍物的方法、装置及计算机设备 |
| WO2021093418A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
| 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 |
| CN112489029A (zh) * | 2020-12-10 | 2021-03-12 | 深圳先进技术研究院 | 一种基于卷积神经网络的医学图像分割方法及装置 |
| CN112818932A (zh) * | 2021-02-26 | 2021-05-18 | 北京车和家信息技术有限公司 | 图像处理方法、障碍物检测方法、装置、介质及车辆 |
| CN114419604A (zh) * | 2022-03-28 | 2022-04-29 | 禾多科技（北京）有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
| CN114693712A (zh) * | 2022-04-08 | 2022-07-01 | 重庆邮电大学 | 一种基于深度学习的暗视觉及低照度图像边缘检测方法 |
| CN115423865A (zh) * | 2022-07-29 | 2022-12-02 | 松灵机器人(深圳)有限公司 | 障碍物检测方法、装置、割草机器人以及存储介质 |
| CN116071707A (zh) * | 2023-02-27 | 2023-05-05 | 南京航空航天大学 | 一种机场特种车辆识别方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| Pothole Classification Model Using Edge Detection in Road Image;Ji-Won Baek等;《applied sciences》;第10卷(第19期);1-19 * |
| 基于深度学习的轨道侵限异物检测方法研究;刘力;《中国优秀硕士学位论文全文数据库 (中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》(第2期);B026-325 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116704473A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
| CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| 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 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN114282581A (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
| CN110633718B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
| CN111209856B (zh) | ***信息的识别方法、装置、电子设备及存储介质 | |
| CN114898177B (zh) | 缺陷图像生成方法、模型训练方法、设备、介质及产品 | |
| CN116164770A (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
| CN111382695A (zh) | 用于检测目标的边界点的方法和装置 | |
| CN110956128A (zh) | 生成车道线图像的方法、装置、电子设备和介质 | |
| CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
| CN116704473B (zh) | 障碍物信息检测方法、装置、电子设备和计算机可读介质 | |
| CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
| CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
| CN115546766A (zh) | 车道线生成方法、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 | |
| CN111340813B (zh) | 图像实例分割方法、装置、电子设备及存储介质 | |
| CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
| CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
| CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
| CN110348374B (zh) | 车辆检测方法、装置、电子设备及存储介质 | |
| CN111797931A (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
| CN111382696A (zh) | 用于检测目标的边界点的方法和装置 |
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 |