目标检测方法、电子设备、路侧设备和云控平台技术

本公开提供了一种目标检测方法、电子设备、路侧设备和云控平台，涉及智能交通技术领域，尤其涉及计算机视觉和深度学习技术。实现方案为：获取待检测目标的检测图像，检测图像为检测单目相机针对待检测目标拍摄的图像；获取目标检测模型，目标检测模型被配置为从检测图像提取待检测目标的位置信息，待检测目标的位置信息包括待检测目标在该待检测目标所在地面上的正投影的中心点投影在检测单目相机的图像平面上的像素坐标；将检测图像输入目标检测模型，以提取待检测目标的位置信息；以及基于待检测目标的位置信息，确定待检测目标的三维位置。三维位置。三维位置。

【技术实现步骤摘要】
目标检测方法、电子设备、路侧设备和云控平台


[0001]本公开涉及智能交通
，具体为计算机视觉和深度学习技术。具体地，本公开提供了一种目标检测方法、电子设备、路侧设备和云控平台。

技术介绍

[0002]智能交通系统将信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术等有效地综合运用于整个交通运输管理体系，从而建立起大范围内、全方位发挥作用的、实时、准确、高效的综合运输和管理系统。已被广泛应用的智能交通系统包括机场、车站客流疏导系统，城市交通智能调度系统，高速公路智能调度系统，运营车辆调度管理系统，机动车自动控制系统等。智能交通系统通过人、车、路的和谐、密切配合提高交通运输效率，缓解交通阻塞，提高路网通过能力，减少交通事故，降低能源消耗，减轻环境污染。
[0003]基于图像对目标进行检测和识别是智能交通
中的一个备受关注的研究方向。在包括智慧城市、智能交通等许多计算机视觉应用领域中，对目标位置的估计具有至关重要的作用。在相关技术中，基于图像对目标的位置进行检测的技术方案还有很大的提高空间。/>[0004]在此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，包括：获取待检测目标的检测图像，所述检测图像为检测单目相机针对所述待检测目标拍摄的图像；获取目标检测模型，所述目标检测模型被配置为从所述检测图像提取所述待检测目标的位置信息，所述待检测目标的位置信息包括所述待检测目标在该待检测目标所在地面上的正投影的中心点投影在所述检测单目相机的图像平面上的像素坐标；将所述检测图像输入所述目标检测模型，以提取所述待检测目标的位置信息；以及基于所述待检测目标的位置信息，确定所述待检测目标的三维位置。2.如权利要求1所述的方法，其中，所述基于所述待检测目标的位置信息，确定所述待检测目标的三维位置包括：获取所述检测单目相机的内参；获取所述检测单目相机的外参，所述外参包括所述待检测目标所在的地面在所述检测单目相机的坐标系中的平面方程的参数；基于所述检测单目相机的内参和所述待检测目标的位置信息，确定通过所述检测单目相机的坐标系的原点与所述位置信息中的、所述待检测目标在所述地面上的正投影的中心点投影在所述检测单目相机的图像平面上的像素坐标的直线，其中，所述待检测目标在所述地面上的正投影的中心点在所述检测单目相机的坐标系中的坐标位于所述直线上；基于所述直线与所述地面的平面方程的参数，确定所述直线与所述地面的交点在所述检测单目相机的坐标系中的坐标，以作为所述待检测目标在所述地面上的正投影的中心点在所述检测单目相机的坐标系中的坐标；将所述待检测目标的位置信息中的、所述正投影的中心点投影在所述检测单目相机的图像平面上的像素坐标替换为所述正投影的中心点在所述检测单目相机的坐标系中的坐标；以及提供经替换后的所述待检测目标的位置信息作为所述待检测目标的三维位置。3.如权利要求1所述的方法，其中，所述基于所述待检测目标的位置信息，确定所述待检测目标的三维位置包括：获取所述待检测目标所在的地面的地面深度图，其中，所述地面深度图表示所述地面中的点在所述检测单目相机的坐标系中的坐标与该点投影在所述检测单目相机的图像平面上的像素坐标之间的映射关系；基于所述地面深度图，查找所述待检测目标的位置信息中的、所述待检测目标在所述地面上的正投影的中心点投影在所述检测单目相机的图像平面上的像素坐标在所述检测单目相机坐标系中的坐标；将所述待检测目标的位置信息中的、所述正投影的中心点投影在所述检测单目相机的图像平面上的像素坐标替换为所述正投影的中心点在所述检测单目相机的坐标系中的坐标；以及提供经替换后的所述待检测目标的位置信息作为所述待检测目标的三维位置。4.一种目标检测模型的训练方法，包括：获取训练数据，所述训练数据包括单目相机针对目标拍摄的训练图像；构建基础模型，所述基础模型包括多层卷积神经网络，其中所述多层卷积神经网络被
配置为从所述训练图像提取所述目标的位置信息，所述目标的位置信息包括所述目标在该目标所在地面上的正投影的中心点投影在所述单目相机的图像平面上的像素坐标；以及使用所述训练数据训练所述基础模型从而得到所述目标检测模型。5.如权利要求4所述的方法，其中，所述多层卷积神经网络包括：图像特征提取层，所述图像特征提取层被配置为从所述训练图像提取图像特征；和目标参数提取层，所述目标参数提取层被配置为基于所述图像特征，提取所述目标的位置信息。6.如权利要求5所述的方法，其中，所述目标参数提取层包括：三维信息检测层，所述三维信息检测层被配置为基于所述图像特征，检测所述目标的三维位置信息，其中，所述目标的位置信息还包括所述目标的三维位置信息。7.如权利要求6所述的方法，其中，所述目标的三维位置信息包括所述目标在所述单目相机的坐标系中的长度、宽度、高度和偏航角度。8.如权利要求6所述的方法，其中，所述目标参数提取层还包括：二维信息检测层，所述二维信息检测层被配置为基于所述图像特征，检测所述目标投影在所述单目相机的图像平面上的目标图像在所述单目相机的图像平面坐标系中的二维位置信息，其中，所述目标的位置信息还包括所述目标的二维位置信息。9.如权利要求8所述的方法，其中，所述二维位置信息包括所述目标图像在所述图像平面坐标系中的高度、宽度、所述目标图像的中心点的像素坐标、置信度以及分数，其中，所述目标图像在所述图像平面坐标系中的高度、宽度和所述目标图像的中心点的像素坐标表示所述目标图像的二维包围框，其中，所述置信度表示所述二维包围框与所述训练数据中的真实二维包围框之间的接近程度，其中，所述分数表示所述二维包围框与所述真实二维包围框之间的重叠程度。10.如权利要求5所述的方法，其中，所述多层卷积神经网络还包括：区域候选网络层，所述区域候选网络层被配置为基于所述图像特征，检测所述目标的图像候选区域；和候选区域池...

【专利技术属性】
技术研发人员：夏春龙，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：