道路对象的识别方法、装置、设备和存储介质与流程

1.本公开涉及车辆技术领域，具体涉及一种道路对象的识别方法、装置、设备和存储介质。


背景技术：

2.为了能够根据目标道路中道路对象的特征信息，实现对车辆状态的主动调整，相关技术提出采用众包方式进行道对象特征信息的标注的方法构建道路地图。具体的，车辆在道路上行驶时采用车载摄像头拍摄前方道路形成道路图像，随后采用图像处理模型处理道路图像，得到道路图像中道路对象的特征信息，并基于道路对象的特征信息将道路对象标注到道路地图上。但是，因为天气能见度、路面中各种障碍物的颜色和图像处理模型识别能力等原因，前述方法对道路对象特征信息的识别准确率较低。


技术实现要素：

3.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供一种道路对象的识别方法、装置、设备和存储介质。
4.一方面，本公开实施例提供一种道路对象的识别方法，包括：
5.获取目标道路的道路图像，以及车辆经过所述目标道路时振动信号传感器输出的振动特征信号；
6.基于所述道路图像和所述振动特征信号，确定所述目标道路中道路对象的特征信息，所述特征信息包括所述道路对象的类型和相对位置坐标，所述相对位置坐标为所述道路对象在车辆坐标系中的坐标。
7.可选地，所述基于所述道路图像和所述振动特征信号，确定所述目标道路中的道路对象的特征信息，包括：
8.采用融合处理模型，对所述道路图像和所述振动特征信号进行融合处理，确定所述道路对象的特征信息，所述融合处理模型基于样本道路图像、样本振动特征信号和对应的样本特征信息训练得到。
9.可选地，所述融合处理模型包括图像处理子模块、振动特征信号处理子模块和融合处理子模块；
10.所述采用融合处理模型，对所述道路图像和所述振动特征信号进行融合处理，确定所述道路对象的特征信息，包括：
11.采用所述图像处理子模块处理所述道路图像，得到第一特征向量；
12.采用所述振动特征信号处理子模块处理所述振动特征信号，得到第二特征向量；
13.采用所述融合处理子模块融合处理所述第一特征向量和所述第二特征向量，得到所述道路对象的特征信息。
14.可选地，所述基于所述道路图像和所述振动特征信号，确定所述目标道路中的道路对象的特征信息，包括：
15.采用图像处理模型处理所述道路图像，得到所述道路对象为各种类型的第一概率；
16.采用振动信号处理模型处理所述振动特征信号，得到所述道路对象为各种类型的第二概率；
17.基于第一概率和第二概率，计算所述道路对象为各种类型的第三概率；
18.选择最大的第三概率对应的类型作为所述道路对象的类型。
19.可选地，所述方法还包括：
20.获取目标道路的道路场景；
21.基于所述道路场景确定各个所述第一概率对应的第一权重，以及各个所述第二概率对应的第二权重；
22.所述基于第一概率和第二概率，计算所述道路对象为各种类型的第三概率，包括：
23.基于第一概率和所述第一权重计算第一修正概率，基于第二概率和所述第二权重计算第二修正概率；
24.计算所述第一修正概率和所述第二修正概率的平均值，作为所述道路对象为各种类型的第三概率。
25.可选地，所述基于所述道路图像和所述振动特征信号，确定所述目标道路中的道路对象的特征信息，包括：
26.采用图像处理模型处理所述道路图像，得到所述道路对象为各种类型的第一概率；
27.采用振动信号处理模型处理所述振动特征信号，得到所述道路对象为各种类型的第二概率；
28.选择第一概率和第二概率均超过设定概率阈值的类型作为所述道路对象的类型。
29.可选地，所述方法还包括：
30.获取所述车辆的实时定位信息；
31.基于所述实时定位信息和所述道路对象的相对位置坐标，计算所述道路对象的绝对位置坐标，所述绝对位置坐标为所述道路对象在世界坐标系中的坐标；
32.基于所述道路对象的类型和所述绝对位置坐标，将所述道路对象标注在道路地图中。
33.另一方面，本公开实施例提供一种道路对象的识别装置，包括：
34.数据获取单元，用于获取目标道路的道路图像，以及车辆经过所述目标道路时振动信号传感器输出的振动特征信号；
35.数据处理单元，用于基于所述道路图像和所述振动特征信号，确定所述目标道路中道路对象的特征信息，所述特征信息包括所述道路对象的类型和相对位置坐标，所述相对位置坐标为所述道路对象在车辆坐标系中的坐标。
36.再一方面，本公开实施例提供一种计算机设备，包括：存储器和处理器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如前所述的道路对象的识别方法。
37.再一方面，本公开实施例提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如前所述的道路对象的识别方法。
38.本公开实施例提供的技术方案与现有技术相比具有如下优点：
39.本公开实施例提供的技术方案，首先获取目标道路的道路图像和车辆经过目标道路时振动传感器输出的振动特征信号，随后，基于道路图像和振动特征信号，确定目标道路中道路对象的特征信息。因为道路对象的特征信息是基于道路图像和对应的振动特征信号综合处理得到，相比于现有仅采用道路图像确定道路对象的特征信息的方法，本公开实施例获得的道路对象的特征信息更为精准。
附图说明
40.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
41.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
42.图1是本公开一些实施例提供的道路对象的识别方法的流程图；
43.图2是本公开一些实施例提供的确定道路对象的类型的方法流程图；
44.图3是本公开一些实施例提供的确定道路对象的类型的方法流程图；
45.图4是本公开一些实施例提供的道路对象的识别装置的结构示意图；
46.图5是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
47.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。
48.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。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。
49.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”。
50.图1是本公开一些实施例提供的道路对象的识别方法的流程图。如图1所示，本公开实施提供的道路对象的识别方法包括步骤s101-s102。
51.应当注意的是，本公开实施例提供的道路对象的识别方法可以由车辆端执行(也就是由车辆控制器)执行，也可以由与车辆通信连接的云端服务器执行。
52.s101：获取目标道路的道路图像，以及车辆经过目标道路时振动传感器输出的振动特征信号。
53.本公开实施例中，道路对象是道路中影响车辆行驶稳定性和乘坐舒适性的对象。
道路对象可以是道路中的障碍物、各种类型的道路路面或者道路路段的类型。其中道路的障碍物可以包括减速带、坑洼和井盖。各种类型的道路路面可以是水泥路、土路或者沥青路。道路路段的类型可以是急转弯路段、上坡路段或者下坡路段。
54.本公开实施例中，车辆中配置有车载摄像头。在车辆在目标道路上行驶时，车载摄像头拍摄目标道路而形成目标道路的道路图像。道路图像中包括表征目标道路中道路对象的像素。
55.本公开实施例中，车辆中配置有振动传感器，振动传感器用于检测车辆在目标道路上行驶时由于道路对象造成的车辆振动并生成振动特征信号。具体的，振动传感器按照设定的采样频率进行采样，生成连续时间段的多个振动特征信号。本公开实施例中，振动传感器可以是位移传感器、加速度传感器、角速度传感器中的至少一种。振动传感器为安装在车辆车身上的传感器，也可以是安装在车轮上的传感器。
56.为了使得道路图像和振动特征信号是表征相同道路路段，本公开实施例中还需要实现道路图像和振动特征信号的对齐。
57.在本公开的一些实施例中，实现道路图像和振动特征信号的对齐可以采用如下的步骤实现。首先，基于车辆实时定位信息、车辆摄像头在车辆中的安装位置、安装角度和摄像头的内部参数，确定摄像头拍摄形成道路图像时的目标路段的坐标区域。随后，根据车辆的实时定位信息、车辆的速度和目标路段的坐标区域，确定车辆经过目标路段的时间区段，并将此时间区段内振动传感器输出的振动特征信号作为与道路图像对齐的振动特征信号。
58.s102：基于道路图像和和振动特征信号，确定位于目标道路中的道路对象的特征信息。
59.本公开实施例中，道路对象的特征信息包括道路对象的类型和相对位置坐标，其中相对位置坐标为道路对象在车辆坐标系中的坐标。
60.在本公开的一些实施例中，可以采用步骤s1021确定道路对象的特征信息。
61.步骤s1021：采用融合处理模型，对道路图像和对应的振动特征信号进行融合处理，确定道路对象的特征信息。
62.融合处理模型是预先训练得到的、用于融合处理道路图像和振动特征信号，继而得到道路对象的特征信息的模型。融合处理模型采用样本道路图像、对应的样本振动特征信号以及对应的障碍物类型标识和对应的样本特征信息训练得到。
63.在本公开的一些实施例中，融合处理模型可以包括图像处理子模块、振动特征信号处理子模块和融合处理子模块。
64.图像处理子模块用于处理道路图像，得到表征道路图像中道路对象特征的第一特征向量。图像处理子模块可以是卷积神经网络模块(convolutional neural networks,cnn)、对比学习网络模块等本领域已知的深度学习网络模块，本公开实施例并不做特别地限定。
65.振动特征信号处理子模块用于对振动特征信号进行处理，得到表征道路中道路对象特征的第二特征向量。振动特征信号处理子模块也可以是诸如卷积神经网路模块、对比学习网络模块等本领域已知的深度学习网络模块，本公开实施例也不做特别地限定。
66.融合处理子模块用于对第一特征向量和第二特征向量进行融合处理，得到道路对象的特征信息。本公开实施例中，融合处理子模块可以是全连接网络等本领域已知的网络
模块。在本公开一些实施例中，融合处理子模块可以将第一特征向量和第二特征向量拼接为一维向量后，再基于拼接后的一维向量进行运算处理，得到道路对象的特征信息。
67.基于前述融合处理模型，步骤s1021采用融合处理模型，对道路图像和对应的振动特征信号进行融合处理，确定道路对象的特征信息具体可以包括步骤s1021a-s1021c。
68.s1021a：采用图像处理子模块处理道路图像，得到第一特征向量。
69.s1021b：采用振动特征信号处理子模块处理振动特征信号，得到第二特征向量。
70.s1021c：采用融合处理子模块融合处理第一特征向量和第二特征向量，得到道路对象的特征信息。
71.本公开实施例提供的道路对象的识别方法，首先获取目标道路的道路图像和车辆经过目标道路时振动传感器输出的振动特征信号，随后，基于道路图像和振动特征信号，确定目标道路中道路对象的特征信息。
72.因为道路对象的特征信息是基于道路图像和对应的振动特征信号综合处理得到，相比于现有仅采用道路图像确定道路对象的特征信息的方法，本公开实施例获得的道路对象的特征信息更为精准。
73.在本公开的一些实施例中，道路对象的识别方法采用融合处理模型处理道路图形和振动特征信号，得到道路对象的特征信息。在本公开的其他一些实施例中，还可以采用其他方法确定道路对象的特征信息。
74.图2是本公开一些实施例提供的确定道路对象的类型的方法流程图。如图2所示，在本公开一些实施例中，确定道路对象的特征信息的方法可以包括步骤s1022-s1025。
75.s1022：采用图像处理模型处理道路图像，得到道路对象为各种类型的第一概率。
76.本公开实施例中，图像处理模型是采用大量的样本道路图像和对应的道路对象类型标识训练得到的深度学习模型。具体实施中，将道路图像输入至图像处理模型后，可以直接得到道路对象为各种类型的第一概率。
77.s1023：采用振动特征信号处理模型处理振动特征信号，得到道路对象为各种类型的第二概率。
78.振动特征信号处理模型是采用大量的样本振动特征信号和对应的道路对象类型标识训练得到的深度学习模型。具体实施例中，将振动特征信号输入值振动特征信号处理模型后，可以得到道路对象为各种可能类型的第二概率。
79.s1024：基于第一概率和第二概率，计算道路对象为各种类型的第三概率。
80.在本公开一些实施例中，可以计算第一概率和第二概率的均值，将二者的均值作为道路对象为各种类型的第三概率。
81.s1025：选择最大的第三概率对应的类型作为道路对象的类型。
82.在本公开的另外一些实施例中，在执行步骤s1024之前，还可以执行步骤s1026：获取目标道路的道路场景，基于道路场景确定与各个第一概率对应的第一权重，以及与各个第二概率对应的第二权重。
83.目标道路的道路场景是表征目标道路所处的环境状态。根据具体天气情况和时间，道路场景可以为白天场景、夜晚场景或者傍晚场景，、阴雨天气场景、晴天场景等。具体实施例中，可以处理道路图像，确定目标道路的道路场景。
84.在确定道路场景后，本公开实施例中可以基于道路场景查询对照表，确定与各个
第一概率对应的第一权重，以及与各个第二概率对应的第二权重。
85.对应步骤s1026，前述的步骤s1024中的基于第一概率和第二概率，确定道路对象为各种类型的第三概率可以包括步骤s1024a-s1024b。
86.s1024a：基于第一概率和第一权重计算第一修正概率，基于第二概率和第二权重计算第二修正概率。
87.s1024b：计算第一修正概率和第二修正概率的平均值，作为道路对象为各种类型的第三概率。
88.在不同的道路场景下，车载摄像头拍摄得到的道路图像的清晰度或者道路路面的路面特性不同，使得基于道路图像和振动特征信号确定的道路对象的特征信息的准确度不同。通过基于道路场景确定对应的权重，利用权重对对应的第一概率和第二概率进行修正，最终得到障碍物为各种类型的第三概率，并基于第三概率确定道路对象的类型，可以使得对道路对象类型的识别更为准确。
89.在本公开的一些实施例中，除了采用前述的步骤s1022-s1026确定道路对象的类型外，还可以采用步骤s1027-s1030确定道路对象的相对位置坐标。
90.s1027：采用图像处理模型处理道路图像，得到道路对象位于目标道路中各个相对位置坐标处的第四概率。
91.在本公开一些实施例中，图像处理模型处理可以
92.s1028：采用振动特征信号处理模型处理振动特征信号，确定道路对象位于目标道路各个相对位置坐标处的第五概率。
93.s1029：基于第四概率和第五概率确定道路对象位于各个相对位置坐标处的第六概率。
94.在本公开的一些实施例中，可以计算第四概率和第六概率的均值，将二者的均值作为道路对象位于各个相对位置坐标处的第三位置概率。
95.s1030：选择最大的第六概率对应的相对位置坐标作为道路对象的相对位置坐标。
96.在本公开的一些实施例中，还可以基于道路场景确定与各个第四概率对应的第四权重以及与各个第五概率对应的第五权重。对应的步骤s1029可以包括s1029a-s1029b。
97.s1029a：基于第四概率和第四权重计算第四修正概率，基于第五概率和第五权重计算第五修正概率。
98.s1029b：计算第四修正概率和第五修正概率的平均值，作为道路对象为各种类型的第六概率。
99.图3是本公开一些实施例提供的确定道路对象的类型的方法流程图。如图3所示，在本公开另外一些实施例中，确定道路对象的特征信息的方法可以包括步骤s1031-s1033。
100.s1031：采用图像处理模型处理道路图像，得到道路对象为各种类型的第一概率。
101.本公开实施例中，图像处理模型是采用大量的样本道路图像和对应的道路对象类型标识训练得到的深度学习模型。具体实施中，将道路图像输入至图像处理模型后，可以直接得到道路对象为各种类型的第一概率。
102.s1032：采用振动特征信号处理模型处理振动特征信号，得到道路对象为各种类型的第二概率。
103.振动特征信号处理模型是采用大量的样本振动特征信号和对应的道路对象类型
标识训练得到的深度学习模型。具体实施例中，将振动特征信号输入值振动特征信号处理模型后，可以得到道路对象为各种可能类型的第二概率。
104.s1033：选择第一概率和第二概率均超过第一设定概率阈值的类型作为道路对象类型。
105.采用前述步骤s1031-s1034的方法，通过选择第一概率和第二概率均超过第一设定概率阈值的类型作为道路对象的类型可以避免因为图像处理模型或者振动特征信号处理模型不能适应某些特征场景中的道路图像或者振动特征信号，而造成的最终识别准确度较差的问题。
106.在本公开的一些实施例中，在多个类型对应的第一概率和第二概率均超过第一设定概率阈值的情况下，可以将最大的第一概率和第二概率对应的类型作为道路对象的类型。
107.除了采用前述s1031-s1033外，本公开实施例中，还可以采用步骤s1034-s1036确定道路对象的相对位置坐标。
108.s1034：采用图像处理模型处理道路图像，得到道路对象位于目标道路中各个位置处的第三概率。
109.s10:5：采用振动信号处理模型处理振动特征信号，得到道路对象位于目标道路中各个位置处的第四概率。
110.s1036：以及选择三概率和第四概率均超过第二设定阈值的位置出的相对位置坐标作为道路对象的相对位置坐标。
111.本公开实施例中提供道路对象的识别方法除了包括前述步骤外，在道路对象为道路路面的情况下，还可以包括基于道路图像和振动特征信号确定道路路面的平整度，并将平整度标记在道路地图中。具体实施中，道路平整度可以采用0-100的打分。
112.在本公开的一些实施例中，道路对象的识别方法除了包括前述的步骤s101-s102外，还可以包括步骤s103-s105。
113.s103：获取车辆的实时定位信息。
114.s104：基于实时定位信息和道路对象的相对位置坐标，计算道路对象的绝对位置坐标。
115.本公开实施例中，绝对位置坐标为道路对象在世界坐标系中的坐标。
116.s105：基于道路对象的类型和绝对位置坐标，将道路对象标注在道路地图中。
117.在将道路对象标注在道路地图中后，在后续经过目标道路时基于车辆的实时定位信息和道路地图中的标注信息确定目标道路中的道路对象，无需再基于道路图像和振动特征信号确定道路对象。
118.图4是本公开一些实施例提供的道路对象的识别装置的结构示意图。道路对象的识别装置可以被理解为上述车载控制器或者云端服务器的部分功能模块。如图4所示，本公开提供的道路对象的识别装置400包括数据获取单元401和数据处理单元402。
119.数据获取单元401用于获取目标道路的道路图像，以及车辆经过目标道路时振动信号传感器输出的振动特征信号。
120.数据处理单元402用于基于道路图像和振动特征信号，确定目标道路中道路对象的特征信息，特征信息包括道路对象的类型和相对位置坐标，相对位置坐标为道路对象在
车辆坐标系中的坐标。
121.在本公开的一些实施例中，数据处理单元502采用融合处理模型，对道路图像和振动特征信号进行融合处理，确定道路对象的特征信息，融合处理模型基于样本道路图像、样本振动特征信号和对应的样本特征信息训练得到。
122.具体的，融合处理模型包括图像处理子模块、振动特征信号处理子模块和融合处理子模块。对应的，数据处理单元502采用融合处理模型，对道路图像和振动特征信号进行融合处理，确定道路对象的特征信息，包括：采用图像处理子模块处理道路图像，得到第一特征向量；采用振动特征信号处理子模块处理振动特征信号，得到第二特征向量；采用融合处理子模块融合处理第一特征向量和第二特征向量，得到道路对象的特征信息。
123.在本公开的一些实施例中，数据处理单元包括图像处理子单元、振动信号处理子单元、概率计算子单元和类型确定子单元。
124.图像处理子单元用于采用图像处理模型处理道路图像，得到道路对象为各种类型的第一概率。振动信号处理子单元采用振动信号处理模型处理振动特征信号，得到道路对象为各种类型的第二概率。概率计算子单元用于基于第一概率和第二概率，计算道路对象为各种类型的第三概率。类型确定子单元用于选择最大的第三概率对应的类型作为道路对象的类型。
125.在本公开的一些实施例中，数据处理单元包括，数据处理单元包括图像处理子单元、振动信号处理子单元和类型确定子单元。
126.图像处理子单元用于采用图像处理模型处理道路图像，得到道路对象为各种类型的第一概率。振动信号处理子单元用于采用振动信号处理模型处理振动特征信号，得到道路对象为各种类型的第二概率。类型确定子单元用于选择第一概率和第二概率均超过设定概率阈值的类型作为道路对象的类型。
127.本公开实施例还提供一种计算机设备，该计算机设备包括处理器和存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时可以实现上述任一实施例的道路对象的识别方法。
128.示例的，图5是本公开实施例提供的一种计算机设备的结构示意图。下面具体参考图5，其示出了适于用来实现本公开实施例中的计算机设备600的结构示意图。图5示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
129.如图5所示，计算机设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器rom502中的程序或者从存储装置508加载到随机访问存储器ram503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有计算机设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。输入/输出i/o接口505也连接至总线504。
130.通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许计算机设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的计算机设备500，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。
131.特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
132.需要说明的是，本公开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、或半导体的系统、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系统、装置或者器件使用或者与其结合使用。而在本公开中，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系统、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。
133.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，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。
134.上述计算机可读介质可以是上述计算机设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。
135.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计算机设备执行时，使得该计算机设备：获取目标道路的道路图像，以及车辆经过目标道路时振动信号传感器输出的振动特征信号；基于道路图像和振动特征信号，确定目标道路中道路对象的特征信息，特征信息包括道路对象的类型和相对位置坐标，相对位置坐标为道路对象在车辆坐标系中的坐标。
136.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操作的计算机程序代码，上述程序设计语言包括但不限于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)。
137.附图中的流程图和框图，图示了按照本公开各种实施例的系统、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根据硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
138.描述于本公开实施例中所涉及到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。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
139.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)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
140.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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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根据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。
141.本公开实施例还提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时可以实现上述任一方法实施例的方法，其执行方式和有益效果类似，在这里不再赘述。
142.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
143.以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。