CN115830268A - 用于优化感知算法的数据的获取方法、装置和存储介质 - Google Patents

Abstract

本公开提供了一种用于优化感知算法的数据的获取方法、装置和存储介质，涉及人工智能技术领域，具体涉及自动驾驶、深度学习等技术领域。具体实现方案为：通过车辆中的雷达设备和相机对同一个场景进行数据采集，以得到同一个场景的点云数据和视频图像，并根据同一个场景的点云数据和视频图像，准确确定出该场景中目标的第一特征信息，并将第一特征信息与车辆的感知算法所漏检和/或误检的第二目标的特征信息进行匹配，从而基于匹配结果可快速识别出该视频图像中是否包含感知算法所漏检和/或误检的目标，并在包含感知算法所漏检和/或误检的目标的情况下，及时将该视频图像上传至服务器，以方便后续服务器对感知算法进行迭代更新。

Description

用于优化感知算法的数据的获取方法、装置和存储介质

技术领域

本公开涉及为人工智能领域，具体涉及自动驾驶、深度学习等技术领域，尤其涉及一种用于优化感知算法的数据的获取方法、装置和存储介质。

背景技术

目前，在服务器侧对车辆中的感知算法进行迭代的过程中，经常需要对感知算法误检和/或漏检目标的情况进行优化，优化的方式补充包含误检和/或漏检目标的图像。在对车辆的感知算法进行优化的场景中，如何利用车辆快速识别包含误检和/或漏检目标的图像，并及时将图像上传至服务器，对于实现车辆的感知算法的快速优化迭代是十分重要的。

发明内容

本公开提供了一种用于优化感知算法的数据的获取方法、装置和存储介质。

根据本公开的一方面，提供了一种用于优化感知算法的数据的获取方法，所述方法用于在车辆中，所述方法包括：获取针对同一个场景的点云数据和视频图像，其中，所述点云数据是由所述车辆中的雷达设备采集的，所述视频图像是由所述车辆中的相机采集的；根据所述点云数据和所述视频图像，确定所述场景中至少一个第一目标的第一特征信息；将所述第一特征信息与特征信息库中的第二特征信息进行匹配，其中，所述特征信息库是基于所述车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的；在所述第一特征信息与特征信息库中的任意一个特征信息匹配的情况下，将所述视频图像上传至服务器，所述视频图像用于对所述车辆的感知算法进行优化。

根据本公开的另一方面，提供了一种用于优化感知算法的数据的获取装置，所述装置用于在车辆中，所述装置包括：获取模块，用于获取针对同一个场景的点云数据和视频图像，其中，所述点云数据是由所述车辆中的雷达设备采集的，所述视频图像是由所述车辆中的相机采集的；确定模块，用于根据所述点云数据和所述视频图像，确定所述场景中至少一个第一目标的第一特征信息；匹配模块，用于将所述第一特征信息与特征信息库中的第二特征信息进行匹配，其中，所述特征信息库是基于所述车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的；上传模块，用于在所述第一特征信息与特征信息库中的任意一个第二特征信息匹配的情况下，将所述视频图像上传至服务器，所述视频图像用于对所述车辆的感知算法进行优化。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的用于优化感知算法的数据的获取方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例公开的用于优化感知算法的数据的获取方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本公开的用于优化感知算法的数据的获取方法。

根据本公开的另一方面，提供了一种车辆，车辆包括本公开实施例所公开的电子设备。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图；

图7是用来实现本公开实施例的用于优化感知算法的数据的获取方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

下面参考附图描述本公开实施例的用于优化感知算法的数据的获取方法、装置和存储介质。

图1是根据本公开第一实施例的示意图，该实施例提供一种用于优化感知算法的数据的获取方法。

如图1所示，该用于优化感知算法的数据的获取方法可以包括：

步骤101，获取针对同一个场景的点云数据和视频图像，其中，点云数据是由车辆中的雷达设备采集的，视频图像是由车辆中的相机采集的。

其中，需要说明的是，本实施例中用于优化感知算法的数据的获取方法的执行主体为用于优化感知算法的数据的获取装置，该用于优化感知算法的数据的获取装置可以由软件和/或硬件实现，该用于优化感知算法的数据的获取装置可以为电子设备，或者，可以配置在电子设备。

其中，该电子设备可以配置在车辆中，该车辆中可以配置有辅助系统或者自动驾驶系统。

其中，雷达设备可以包括但不限于激光雷达、毫米波雷达等。

其中，本示例中的激光雷达可以但不限于是8线激光雷达、16线激光雷达、32线激光雷达、64线激光雷达、128线激光雷达等。

其中，本示例中的毫米波雷达可以对应多个工作频段，例如77GHz、24GHz等，该实施例对此不作具体限定。

其中，本示例中的场景是指车辆当前所在位置所对应的场景，例如，可通过车辆中的雷达设备以及相机针对同一个路口进行数据采集，以得到针对同一个路口所对应的点云数据和视频图像。又例如，在车辆行驶的过程中，可通过车辆中的雷达设备以及相机对车辆前方道路场景进行数据采集，以得到该车辆前方道路场景的点云数据和视频图像。

步骤102，根据点云数据和视频图像，确定场景中至少一个第一目标的第一特征信息。

其中，本示例中的第一目标是在该场景中的物体，例如，建筑物、机动车、非机动车、行人、栏杆等等。

其中，可以理解的是，根据点云数据和视频图像，确定场景中至少一个第一目标的第一特征信息可以通过多种方式实现，示例性说明如下:

作为一种示例，可根据点云数据和视频图像对场景进行三维建模，以得到该场景对应的三维场景模型，并根据三维场景模型，确定场景中至少一个目标的特征信息。

作为另一种示例，可将点云数据和视频图像输入到通用目标检测模型中，以通过该通用目标检测模型得到场景中各个第一目标的第一特征信息。

作为另一种示例，根据雷达设备所对应的雷达坐标系和相机所对应的相机坐标系之间的转换关系，对点云数据进行二维映射，以得到映射图像，将映射图像和视频图像进行融合以得到融合图像，根据融合图像，确定场景中至少一个目标的第一特征信息。

在本公开的一个示例性的实施方式中，可对融合图像进行目标检测，以得到目标检测结果，其中，目标检测结果包括场景中至少一个第一目标在融合图像中的位置信息，针对各个第一目标，可根据该第一目标在融合图像中的位置信息，确定出该第一目标在融合图像中的目标图像区域；对目标图像区域进行特征提取，以得到该第一目标的第一特征信息。

作为一种示例，可将融合图像输入到通用目标检测模型中，以通过通用目标检测模型得到目标检测结果。

其中，关于根据点云数据和视频图像，确定场景中至少一个第一目标的第一特征信息的其他实现方式，将在后续实施例中进行描述。

步骤103，将第一特征信息与特征信息库中的第二特征信息进行匹配，其中，特征信息库是基于车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的。

其中，上述特征信息库是车辆从服务器中获取的，例如，车辆可接收向服务器下发的该特征信息库。

步骤104，在第一特征信息与特征信息库中的任意一个第二特征信息匹配的情况下，将视频图像上传至服务器，视频图像用于对车辆的感知算法进行优化。

具体地，针对场景中各第一目标，可确定该第一目标的特征信息与特征信息库中各个第二特征信息之间的匹配度，在存在与该第一目标的第一特征信息之间的匹配度大于预设匹配度阈值的至少一个第二特征信息的情况下，则确定视频图像中存在感知算法所漏检和/或误检的目标，也就是说，该视频图像为包含感知算法所漏检和/或误检的目标的图像，此时，可将视频图像上传至服务器，视频图像用于对车辆的感知算法进行优化。

其中，可以理解的是，如果各个第一目标所对应的第一特征信息均与特征信息库没有匹配成功，则说明该视频图像中不存在漏检和/或误检的目标，此时，可无需将该视频图像上传至服务器。

本公开实施例提供的用于优化感知算法的数据的获取方法，在车辆中可对用于优化感知算法的图像进行收集的过程中，可获取针对同一个场景的点云数据和视频图像，其中，点云数据是由车辆中的雷达设备采集的，视频图像是由车辆中的相机采集的；根据点云数据和视频图像，确定场景中至少一个第一目标的第一特征信息；将第一特征信息与特征信息库中的第二特征信息进行匹配，其中，特征信息库是基于车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的；在第一特征信息与特征信息库中的任意一个特征信息匹配的情况下，将视频图像上传至服务器，视频图像用于对车辆的感知算法进行优化。由此，基于同一个场景的点云数据和视频图像，准确确定出该场景中目标的第一特征信息，并将第一特征信息与车辆的感知算法所漏检和/或误检的第二目标的特征信息进行匹配，从而基于匹配结果可快速识别出该视频图像中是否包含感知算法所漏检和/或误检的目标，并在包含感知算法所漏检和/或误检的目标的情况下，及时将该视频图像上传至服务器，以方便后续服务器对感知算法进行迭代更新。

在一些示例性的实施方式中，为了可以清楚理解是如何确定出场景中至少一个第一目标的第一特征信息的，本实施例还提出了一种用于优化感知算法的数据的获取方法。下面结合图2对该用于优化感知算法的数据的获取方法进行示例性描述。

图2是根据本公开第二实施例的示意图。

如图2所示，该方法可以包括：

步骤201，获取针对同一个场景的点云数据和视频图像，其中，点云数据是由车辆中的雷达设备采集的，视频图像是由车辆中的相机采集的。

步骤202，根据点云数据，确定场景中至少一个第一目标的位置信息。

在一些实例性的实施方式中，可对点云数据进行目标检测，以得到点云数据的目标检测结果，其中，目标检测结果中包括场景中至少一个第一目标的位置信息。由此，通过对点云数据进行目标检测，来准确确定出场景中至少一个第一目标的位置信息。

作为一种可能的实现方式，可将点云数据输入到预先训练好的通用目标检测模型中，以通过通用目标检测模型得到点云数据的目标检测结果。由此，通过通用目标检测模型快速且准确地确定出该场景中各个第一目标的位置信息。

作为另一种可能的实现方式，可通过目标检测算法对点云数据进行目标检测，以得到该点云数据的目标检测结果，其中，目标检测结果中包括场景中至少一个第一目标的位置信息。

步骤203，针对各个第一目标，根据第一目标的位置信息，确定第一目标在视频图像中所对应的目标图像区域。

步骤204，根据目标图像区域，确定第一目标的第一特征信息。

在一些示例性的实施方式中，可对该目标图像区域进行特征提取，以得到第一目标的第一特征信息。

作为一种可能的实现方式，可将目标图像区域输入到通用特征提取模型中，以通过该通用特征提取模型对该目标图像区域进行特征提取，以得到该第一目标的第一特征信息。由此，通过通用特征提取模型快速确定出了该第一目标的第一特征信息。

作为另一种可能的实现方式，可通过特征提取算法，对目标图像区域进行特征提取，以得到第一目标的第一特征信息。

步骤205，将第一特征信息与特征信息库中的第二特征信息进行匹配，其中，特征信息库是基于车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的。

步骤206，在第一特征信息与特征信息库中的任意一个第二特征信息匹配的情况下，将视频图像上传至服务器，视频图像用于对车辆的感知算法进行优化。

其中，关于步骤205和步骤206的具体实现方式，可参见本公开实施例的相关描述，此处不再赘述。

在本示例中，通过对点云数据，快速确定出了场景中各个第一目标的位置信息，并根据第一目标的位置从视频图像中获取该第一目标对应的目标图像区域，并通过对目标图像区域进行特征提取，可快速且准确地确定出该第一目标的第一特征信息，提高后续确定该视频图像中是否包含第二目标的准确率。

在一些示例性的实施方式中，为了可以准确确定出第一目标在视频图像中所对应的目标图像区域，可结合雷达设备所对应的雷达坐标系和相机所对应的相机坐标系之间的转换关系对第一目标在场景中的位置信息进行转换，并基于转换后的位置信息，从视频图像中获取该第一目标所对应的目标图像区域，以方便后续基于该目标图像区域准确确定出该第一目标的特征信息。为了可以清楚了解该过程，下面结合图3对该实施例的方法进行示例性描述。

图3是根据本公开第三实施例的示意图。

如图3所示，该方法可以包括：

步骤301，获取针对同一个场景的点云数据和视频图像，其中，点云数据是由车辆中的雷达设备采集的，视频图像是由车辆中的相机采集的。

步骤302，根据点云数据，确定场景中至少一个第一目标的位置信息。

其中，需要说明的是，关于步骤301和步骤302的具体实现方式，可参见本公开实施例的相关描述，此处不再赘述。

步骤303，针对各个第一目标，基于雷达设备所对应的雷达坐标系和相机所对应的相机坐标系之间的转换关系，对第一目标的位置信息进行转换，以得到第一目标在相机坐标系下的目标位置信息。

步骤304，根据目标位置信息，确定第一目标在视频图像中所对应的目标图像区域。

步骤305，根据目标图像区域，确定第一目标的第一特征信息。

其中，关于步骤305的具体实现方式，可参见本公开实施例的相关描述，该实施例对此不作具体限定。

步骤306，将第一特征信息与特征信息库中的第二特征信息进行匹配，其中，特征信息库是基于车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的。

步骤307，在第一特征信息与特征信息库中的任意一个第二特征信息匹配的情况下，将视频图像上传至服务器，视频图像用于对车辆的感知算法进行优化。

在本示例中，结合雷达设备所对应的雷达坐标系和相机所对应的相机坐标系之间的转换关系，对第一目标在场景中的位置信息进行转换，并以得到第一目标在相机坐标系中的目标位置信息，并基于目标位置信息从视频图像中获取该第一目标所对应的目标图像区域，由此，可从视频图像中准确确定出该第一目标所对应的目标图像区域，进而可提高后续所确定出第一目标的特征信息，有利于提高识别该视频图像中是否包含第二目标的准确率。

为了可以清楚理解本公开，下面结合图4对该实施例的用于优化感知算法的数据的获取方法进行示例性描述。

图4是根据本公开第四实施例的示意图。

如图4所示，该方法可以包括：

步骤401，通过车辆中的相机以及雷达设备对同一个场景进行采集，以通过相机获取该场景的视频图像和雷达设备获取该场景的点云数据。

步骤402，根据点云数据，确定出该场景中每个第一目标的位置信息。

步骤403，根据相机和雷达设备两者之间的坐标系之间的转换关系，对该位置信息进行转换，以得到各个第一目标在相机坐标系下的目标位置信息。

步骤404，针对各个第一目标，基于目标位置信息，将包含该第一目标的目标图像区域裁剪出来，以得到裁剪图像。

步骤405，通过通用特征提取模型，对裁剪图像进行特征提取，以得到该第一目标的第一特征信息。

步骤406，确定第一特征信息与特征信息库中各个第二特征信息之间的匹配度。

其中，本示例中的特征信息库中的特征信息也是通过通用特征信息提取模型对感知算法所漏检和/或误检的目标的图像进行特征提取的。

步骤407，判断各个匹配度中是否存在大于预设匹配度的匹配度，若存在，则执行步骤408。

步骤408，将该视频图像上传至服务器，以方便后续服务器基于该视频图像对车辆的感知算法进行优化。

其中，可以理解的是，如果各个匹配度中存在大于预设匹配度阈值的匹配度，则说明在特征信息库中存在与该第一特征信息之间的匹配度大于预设匹配度阈值的第二特征信息，此时，确定该视频图像中包含感知算法所漏检或者误检的目标，可将将该视频图像上传至服务器，以方便后续服务器基于该视频图像对车辆的感知算法进行优化。

在本实施例中，结合点云数据对视频图像中是否包含感知算法所漏检或者误检的目标进行快速识别，并在该视频图像中包含感知算法所漏检或者误检的目标的情况下下，通过车辆及时将包含感知算法所漏检或者误检的目标的视频图像及时上传至服务器，以方便后续服务器基于车辆所提供的视频图像对车辆的感知算法进行及时迭代更新。

为了实现上述实施例，本公开实施例还提供一种用于优化感知算法的数据的获取装置。

图5是根据本公开第五实施例的示意图，该实施例提供一种用于优化感知算法的数据的获取装置，其中，该用于优化感知算法的数据的获取装置应用在车辆中。

如图5所示，该用于优化感知算法的数据的获取装置50可以包括获取模块501、确定模块502、匹配模块503和上传模块504，其中：

获取模块501，用于获取针对同一个场景的点云数据和视频图像，其中，点云数据是由车辆中的雷达设备采集的，视频图像是由车辆中的相机采集的。

确定模块502，用于根据点云数据和视频图像，确定场景中至少一个第一目标的第一特征信息。

匹配模块503，用于将第一特征信息与特征信息库中的第二特征信息进行匹配，其中，特征信息库是基于车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的。

上传模块504，用于在第一特征信息与特征信息库中的任意一个第二特征信息匹配的情况下，将视频图像上传至服务器，视频图像用于对车辆的感知算法进行优化。

本公开实施例的用于优化感知算法的数据的获取装置，在车辆中可对用于优化感知算法的图像进行收集的过程中，可获取针对同一个场景的点云数据和视频图像，其中，点云数据是由车辆中的雷达设备采集的，视频图像是由车辆中的相机采集的；根据点云数据和视频图像，确定场景中至少一个第一目标的第一特征信息；将第一特征信息与特征信息库中的第二特征信息进行匹配，其中，特征信息库是基于车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的；在第一特征信息与特征信息库中的任意一个特征信息匹配的情况下，将视频图像上传至服务器，视频图像用于对车辆的感知算法进行优化。由此，基于同一个场景的点云数据和视频图像，准确确定出该场景中目标的第一特征信息，并将第一特征信息与车辆的感知算法所漏检和/或误检的第二目标的特征信息进行匹配，从而基于匹配结果可快速识别出该视频图像中是否包含感知算法所漏检和/或误检的目标，并在包含感知算法所漏检和/或误检的目标的情况下，及时将该视频图像上传至服务器，以方便后续服务器对感知算法进行迭代更新。

在本公开的一个实施例中，如图6所示，该用于优化感知算法的数据的获取装置60可以包括：获取模块601、确定模块602、匹配模块603和上传模块604，其中，确定模块602可以包括第一确定单元6021、第二确定单元6022和第三确定单元6023，其中：

其中，关于获取模块601、匹配模块603和上传模块604的详细描述请参考图5所示实施例中获取模块501、匹配模块503和上传模块504的说明，此处不再进行描述。

在本公开的一个实施例中，确定模块602可以包括：

第一确定单元6021，用于根据点云数据，确定场景中至少一个第一目标的位置信息；

第二确定单元6022，用于针对各个第一目标，根据第一目标的位置信息，确定第一目标在视频图像中所对应的目标图像区域；

第三确定单元6023，用于根据目标图像区域，确定第一目标的第一特征信息。

在本公开的一个实施例中，第一确定单元6021，具体用于：对点云数据进行目标检测，以得到点云数据的目标检测结果，其中，目标检测结果中包括场景中至少一个第一目标的位置信息。

在本公开的一个实施例中，第一确定单元6021，具体用于：将点云数据输入到预先训练好的通用目标检测模型中，以通过通用目标检测模型得到点云数据的目标检测结果。

在本公开的一个实施例中，第二确定单元6022，具体用于：基于雷达设备所对应的雷达坐标系和相机所对应的相机坐标系之间的转换关系，对第一目标的位置信息进行转换，以得到第一目标在相机坐标系下的目标位置信息；根据目标位置信息，确定第一目标在视频图像中所对应的目标图像区域。

在本公开的一个实施例中，第三确定单元6023，具体用于：将目标图像区域输入到预先训练的通用特征提取模型中，以通过通用特征提取模型得到第一目标的第一特征信息。

其中，需要说明的是，上述对用于优化感知算法的数据的获取方法的解释说明也适用于本实施例中的用于优化感知算法的数据的获取装置，该实施例对此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，本公开还提供了一种车辆，该车辆包括本公开实施所公开的电子设备。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，该电子设备700可以包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如用于优化感知算法的数据的获取方法。例如，在一些实施例中，用于优化感知算法的数据的获取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的用于优化感知算法的数据的获取方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于优化感知算法的数据的获取方法。

本文中以上描述的装置和技术的各种实施方式可以在数字电子电路装置、集成电路装置、场可编程门阵列(FPGA)、专用集成电路(AS I C)、专用标准产品(ASSP)、芯片上装置的装置(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程装置上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储装置、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储装置、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行装置、装置或设备使用或与指令执行装置、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体装置、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的装置和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的装置和技术实施在包括后台部件的计算装置(例如，作为数据服务器)、或者包括中间件部件的计算装置(例如，应用服务器)、或者包括前端部件的计算装置(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的装置和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算装置中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将装置的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机装置可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtua l Pr i vate Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器可以是云服务器，也可以为分布式装置的服务器，或者是结合了区块链的服务器。

其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (16)

1.一种用于优化感知算法的数据的获取方法，所述方法用于在车辆中，所述方法包括：

获取针对同一个场景的点云数据和视频图像，其中，所述点云数据是由所述车辆中的雷达设备采集的，所述视频图像是由所述车辆中的相机采集的；

根据所述点云数据和所述视频图像，确定所述场景中至少一个第一目标的第一特征信息；

将所述第一特征信息与特征信息库中的第二特征信息进行匹配，其中，所述特征信息库是基于所述车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的；

在所述第一特征信息与特征信息库中的任意一个特征信息匹配的情况下，将所述视频图像上传至服务器，所述视频图像用于对所述车辆的感知算法进行优化。

2.根据权利要求1所述的方法，其中，所述根据所述点云数据和所述视频图像，确定所述场景中至少一个第一目标的第一特征信息，包括：

根据所述点云数据，确定所述场景中至少一个第一目标的位置信息；

针对各个第一目标，根据所述第一目标的位置信息，确定所述第一目标在所述视频图像中所对应的目标图像区域；

根据所述目标图像区域，确定所述第一目标的第一特征信息。

3.根据权利要求2所述的方法，其中，所述根据所述点云数据，确定所述场景中至少一个第一目标的位置信息，包括：

对所述点云数据进行目标检测，以得到所述点云数据的目标检测结果，其中，所述目标检测结果中包括所述场景中至少一个第一目标的位置信息。

4.根据权利要求3所述的方法，其中，所述对所述点云数据进行目标检测，以得到所述点云数据的目标检测结果，包括：

将所述点云数据输入到预先训练好的通用目标检测模型中，以通过所述通用目标检测模型得到所述点云数据的目标检测结果。

5.根据权利要求2所述的方法，其中，所述根据所述第一目标的位置信息，确定所述第一目标在所述视频图像中所对应的目标图像区域，包括：

基于所述雷达设备所对应的雷达坐标系和所述相机所对应的相机坐标系之间的转换关系，对所述第一目标的位置信息进行转换，以得到所述第一目标在所述相机坐标系下的目标位置信息；

根据所述目标位置信息，确定所述第一目标在所述视频图像中所对应的目标图像区域。

6.根据权利要求1-4中任一项所述的方法，其中，所述根据所述目标图像区域，确定所述第一目标的第一特征信息，包括：

将所述目标图像区域输入到预先训练的通用特征提取模型中，以通过所述通用特征提取模型得到所述第一目标的第一特征信息。

7.一种用于优化感知算法的数据的获取装置，所述装置用于在车辆中，所述装置包括：

获取模块，用于获取针对同一个场景的点云数据和视频图像，其中，所述点云数据是由所述车辆中的雷达设备采集的，所述视频图像是由所述车辆中的相机采集的；

确定模块，用于根据所述点云数据和所述视频图像，确定所述场景中至少一个第一目标的第一特征信息；

匹配模块，用于将所述第一特征信息与特征信息库中的第二特征信息进行匹配，其中，所述特征信息库是基于所述车辆的感知算法所漏检和/或误检的第二目标的特征信息预先建立的；

上传模块，用于在所述第一特征信息与特征信息库中的任意一个特征信息匹配的情况下，将所述视频图像上传至服务器，所述视频图像用于对所述车辆的感知算法进行优化。

8.根据权利要求7所述的装置，其中，所述确定模块，包括：

第一确定单元，用于根据所述点云数据，确定所述场景中至少一个第一目标的位置信息；

第二确定单元，用于针对各个第一目标，根据所述第一目标的位置信息，确定所述第一目标在所述视频图像中所对应的目标图像区域；

第三确定单元，用于根据所述目标图像区域，确定所述第一目标的第一特征信息。

9.根据权利要求8所述的装置，其中，所述第一确定单元，具体用于：

对所述点云数据进行目标检测，以得到所述点云数据的目标检测结果，其中，所述目标检测结果中包括所述场景中至少一个第一目标的位置信息。

10.根据权利要求9所述的装置，其中，所述第一确定单元，具体用于：

将所述点云数据输入到预先训练好的通用目标检测模型中，以通过所述通用目标检测模型得到所述点云数据的目标检测结果。

11.根据权利要求8所述的装置，其中，所述第二确定单元，具体用于：

基于所述雷达设备所对应的雷达坐标系和所述相机所对应的相机坐标系之间的转换关系，对所述第一目标的位置信息进行转换，以得到所述第一目标在所述相机坐标系下的目标位置信息；

根据所述目标位置信息，确定所述第一目标在所述视频图像中所对应的目标图像区域。

12.根据权利要求7-10中任一项所述的装置，其中，所述第三确定单元，具体用于：

将所述目标图像区域输入到预先训练的通用特征提取模型中，以通过所述通用特征提取模型得到所述第一目标的第一特征信息。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。

16.一种车辆，包括如权利要求13所述的电子设备。

Images