CN106485233A - 可行驶区域检测方法、装置和电子设备 - Google Patents

Abstract

公开了一种可行驶区域检测方法、装置和电子设备。所述方法包括：获取成像器件所采集的行驶环境的图像信息；根据所述图像信息来检测所述行驶环境的环境边界；检测所述行驶环境中的障碍物；以及根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。因此，能够可靠地检测行驶环境中的可行驶区域。

Description

可行驶区域检测方法、装置和电子设备

技术领域

本申请涉及辅助驾驶领域，且更具体地，涉及一种可行驶区域检测方法、装置、电子设备、计算机程序产品和计算机可读存储介质。

背景技术

近年来随着交通工具(例如，车辆)产业的高速发展，交通事故已经成为全球性的问题，全世界每年交通事故的死伤人数估计超过50万人，因此集自动控制、人工智能、模式识别等技术于一体的辅助驾驶技术应运而生。辅助驾驶技术能够在用户驾驶交通工具时向用户提供必要的信息和/或警告，以避免产生碰撞、偏离轨迹等危险情况。在某些情况下，甚至可以使用辅助驾驶技术来自动地控制交通工具行进。

一直以来，可行驶区域检测都是辅助驾驶技术中的关键部分之一。目前已经提出了很多基于障碍物检测的可行驶区域检测方法，障碍物检测例如是在车辆辅助驾驶应用场景中的车辆/行人检测功能。但是，现有的障碍物检测功能往往不能覆盖行驶环境中的所有不可行驶区域。例如，在障碍物仅仅部分出现在所拍摄的行驶环境的图像信息中的情况下，或者由于拍摄时的天气、亮度等条件，或由于障碍物与其周边物体的亮度、色彩的差别很小的情况下，常常难以对障碍物进行正确的识别，从而导致无法获得正确的可行驶区域。

因此，现有的可行驶区域检测技术是不准确且不可靠的。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种可行驶区域检测方法、装置、电子设备、计算机程序产品和计算机可读存储介质，其能够可靠地检测行驶环境中的可行驶区域。

根据本申请的一个方面，提供了一种可行驶区域检测方法，包括：获取成像器件所采集的行驶环境的图像信息；根据所述图像信息来检测所述行驶环境的环境边界；检测所述行驶环境中的障碍物；以及根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。

根据本申请的另一方面，提供了一种可行驶区域检测装置，包括：图像获取单元，用于获取成像器件所采集的行驶环境的图像信息；边界检测单元，用于根据所述图像信息来检测所述行驶环境的环境边界；障碍物检测单元，用于检测所述行驶环境中的障碍物；以及区域确定单元，用于根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。

根据本申请的另一方面，提供了一种电子设备，包括：处理器；存储器；以及存储在所述存储器中的计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行上述的可行驶区域检测方法。

根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行上述的可行驶区域检测方法。

根据本申请的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行上述的可行驶区域检测方法。

与现有技术相比，采用根据本申请实施例的可行驶区域检测方法、装置、电子设备、计算机程序产品和计算机可读存储介质，可以根据行驶环境的图像信息来检测所述行驶环境的环境边界，检测所述行驶环境中的障碍物，并且根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。因此，与如现有技术那样、对障碍物进行单一检测的情况相比，通过对行驶环境的环境边界的检测结果和行驶环境中的障碍物的检测结果进行融合互补，能够可靠地检测行驶环境中的可行驶区域。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的成像器件所采集到的行驶环境的图像信息的示意图。

图2图示了根据本申请实施例的可行驶区域检测方法的流程图。

图3图示了根据本申请实施例的检测环境边界步骤的流程图。

图4图示了根据本申请实施例的检测障碍物步骤的流程图。

图5图示了根据本申请实施例的检测环境边界步骤的流程图。

图6图示了根据本申请实施例的可行驶区域确定步骤的流程图。

图7图示了根据本申请实施例的可行驶区域检测装置的框图。

图8图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上所述，现有技术中的障碍物检测功能往往不能覆盖行驶环境中的所有不可行驶区域。

针对该技术问题，本申请的基本构思是提出一种新的可行驶区域检测方法、装置、电子设备、计算机程序产品和计算机可读存储介质，其可以检测所述行驶环境的环境边界，检测所述行驶环境中的障碍物，并且将上述两个检测结果相融合，以综合地确定所述行驶环境中的可行驶区域。

本申请的实施例可以应用于各种场景。例如，本申请的实施例可以用于对交通工具所处的行驶环境的可行驶区域进行估计。例如，该交通工具可以是不同的类型，其可以是车辆、飞行器、航天器、水中运载工具等。为了便于说明，下面将以车辆作为交通工具的示例来继续描述。

例如，为了实现辅助驾驶等目的，在车辆上可以装备有一个或多个成像器件。这些成像器件可以用于采集关于行驶环境的图像信息，以防止当前车辆与路面上的障碍物产生碰撞并指引当前车辆选取正确的路线等等。

图1图示了根据本申请实施例的成像器件所采集到的行驶环境的图像信息的示意图。

如图1所示，当前车辆正行驶在作为其典型性行驶环境的道路路面上。在该道路路面上存在3个障碍物(作为其他车辆的障碍物1、障碍物2、和障碍物3)、3条车道线(车道线1、车道线2、和车道线3)、和中央隔离带等物体。

现有的障碍物检测方法通常是基于视觉特征来实现的，这是由于各种障碍物的外形常常具有一些典型的规律，例如，车辆具有对称性、颜色、阴影、几何特征(如角点、边缘)、纹理、车灯等，而行人的人体结构也具有相对的稳定性，且不同部位的颜色之间差异较小一般，因此，目前往往采用机器学习/模式识别的方法来实现诸如车辆、行人的障碍物检测。在通常情况下，这种障碍物检测方法是有效的。例如，图1所示的障碍物1和障碍物2由于存在车辆典型的外形特征，能够被准确地检测出来，并以方框进行标记，以用于后续的跟踪和车牌识别。然而，图1所示的障碍物3由于距离当前车辆较近，成像器件仅仅捕捉到其车身的部分区域，而无法拍摄到通常作为车辆识别特征的尾部区域，所以可能无法被准确地识别出来。

这样，如果当前车辆在这种情况下继续使用错误的图像分析和处理结果来执行辅助驾驶操作，则可能会对道路状况产生错误的判断，导致车辆采取向右加速并线等危险措施，产生交通安全隐患。

为此，在本申请的实施例中，可以根据行驶环境的图像信息来检测所述行驶环境的环境边界，检测所述行驶环境中的障碍物，并且根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。因此，根据该基本构思的本申请实施例能够可靠地检测行驶环境中的可行驶区域。

当然，尽管上面以交通工具为例对本申请的实施例进行了说明，但是本申请不限于此。本申请的实施例可以应用于诸如可移动机器人等各种电子设备。

下面，将结合图1的应用场景，参考附图来描述根据本申请的各个实施例。

示例性方法

图2图示了根据本申请实施例的可行驶区域检测方法的流程图。

如图2所示，根据本申请实施例的可行驶区域检测方法可以包括：

在步骤S110中，获取成像器件所采集的行驶环境的图像信息。

例如，该成像器件可以是用于捕捉图像信息的图像传感器，其可以是摄像头或摄像头阵列。例如，图像传感器所采集到的图像信息可以是连续图像帧序列(即，视频流)或离散图像帧序列(即，在预定采样时间点采样到的图像数据组)等。例如，该摄像头可以是如单目相机、双目相机、多目相机等，另外，其可以用于捕捉灰度图，也可以捕捉带有颜色信息的彩色图。当然，本领域中已知的以及将来可能出现的任何其他类型的相机都可以应用于本申请，本申请对其捕捉图像的方式没有特别限制，只要能够获得输入图像的灰度或颜色信息即可。为了减小后续操作中的计算量，在一个实施例中，可以在进行分析和处理之前，将彩色图进行灰度化处理。

例如，在成像器件装备在车辆上的应用场景中，可以通过该成像器件获取当前车辆所处的道路路面的图像信息，如图1所示。

在步骤S120中，根据所述图像信息来检测所述行驶环境的环境边界。

在获取到成像器件所采集的当前车辆所处的道路路面的图像信息之后，可以通过各种方法来检测所述行驶环境的环境边界。

图3图示了根据本申请实施例的检测环境边界步骤的流程图。

如图3所示，步骤S120可以包括：

在子步骤S121中，使用第一深度学习模型来从所述道路路面的图像信息中检测所述道路路面的路面边界，所述第一深度学习模型是预先根据训练用的路面边界的样本数据训练完成的。

例如，所述路面边界可以为以下各项中的至少一个：路沿、隔离带、绿化带、护栏、车道线、和其他车辆的边缘。

例如，可以预先采集道路路面上可能出现的各种路面边界的样本图像，建立样本库，对各种路面边界进行特征提取，通过机器学习方法训练得到路面边界的分类器，例如路沿分类器、隔离带分类器等。

在实际检测过程中，对采集到的道路路面的图像背景初始化，对所述路面图像进行特征提取，结合通过所述机器学习方法训练得到的路面边界的分类器，进行路面边界检测和跟踪。

在子步骤S122中，根据所述成像器件的标定参数来确定所述路面边界相对于所述当前车辆的位置坐标。

由于制造公差，在将成像器件安装到车辆上之后，每辆车都必须执行独立的终检线摄像机校准(end-of-line camera calibration)或后续市场摄像机调节，以便确定成像器件在该车辆上的俯仰角等标定参数，从而最终用于辅助驾驶等目的。例如，所述标定参数可以是指所述成像器件的外参矩阵，其可以包括所述成像器件相对于所述当前车辆的形式方向的俯仰角和倾斜角等中的一个或多个。当在图像信息中检测到路面边界之后，可以根据该校准后的俯仰角等和预设的算法，根据路面边界在图像中的位置来计算该路面边界与当前车辆的距离和角度。

例如，如图1所示，与现有技术中不同地，在接收到图1所示的道路路面的图像信息之后，可以根据该图像信息检测到在该道路路面中存在3条车道线(车道线1、车道线2、和车道线3)和中央隔离带，作为路面边界，还可以检测到在该道路路面中存在1个障碍物(作为其他车辆的障碍物3)的边缘，作为路面边界。显然，这样的检测结果更加符合实际情况，这是由于在辅助驾驶过程中，由障碍物3所占据的区域显然无法驶入，因此应该将该区域作为临时性的路面边界为宜。

返回参考图2，在步骤S130中，检测所述行驶环境中的障碍物。

在根据所述图像信息来检测所述行驶环境的环境边界之前、之后或与之同时地，还可以通过各种方法来检测所述行驶环境中的障碍物。

图4图示了根据本申请实施例的检测障碍物步骤的流程图。

如图4所示，步骤S130可以包括：

在子步骤S131中，使用第二深度学习模型来从所述道路路面的图像信息中检测所述行驶环境中的障碍物，所述第二深度学习模型是预先根据训练用的障碍物的样本数据训练完成的。

例如，所述障碍物可以为以下各项中的至少一个：行人、动物、遗撒物、警示牌、隔离墩、和其他车辆。

例如，可以预先采集道路路面上可能出现的各种障碍物的样本图像，建立样本库，对各种障碍物进行特征提取，通过机器学习方法训练得到障碍物的分类器，例如行人分类器、车辆分类器等。

在实际检测过程中，对采集到的道路路面的图像背景初始化，对所述路面图像进行特征提取，结合通过所述机器学习方法训练得到的障碍物的分类器，进行障碍物检测和跟踪。

在子步骤S132中，根据所述成像器件的标定参数来确定所述障碍物相对于所述当前车辆的位置坐标。

当在图像信息中检测到障碍物之后，可以根据校准后的俯仰角等标定参数和预设的算法，根据障碍物在图像中的位置来计算该障碍物与当前车辆的距离和角度。

例如，如图1所示，与现有技术中类似地，在接收到图1所示的道路路面的图像信息之后，可以根据该图像信息检测到在该道路路面中存在2个障碍物(作为其他车辆的障碍物1和障碍物2)。

需要说明的是，尽管上面以基于图像特征的检测方法为例说明了检测道路路面上的路面边界和障碍物的具体操作，但是本申请不限于此。例如，还可以采用诸如光流跟踪算法、CamShift、粒子滤波算法等任何公知的或者将来所开发出来的各种算法来实现目标物体的识别和跟踪。除此之外，在本申请的其他实施例中，还可以采用诸如深度传感器之类的其他方法来检测路面边界和障碍物。下面，将以使用深度传感器来检测障碍物为例进行说明。

图5图示了根据本申请实施例的检测环境边界步骤的流程图。

如图5所示，步骤S130可以包括：

在子步骤S133中，获取深度传感器所采集的所述当前车辆的行驶方向中的深度信息。

深度传感器可以是任何合适的传感器，比如基于双目视差图测量深度的双目相机或基于红外线的照射测量深度的红外线深度传感器。例如，深度传感器可以生成诸如深度图之类的深度信息，以用于测量障碍物相对于当前车辆的位置。深度传感器可以收集任何与障碍物距当前车辆的距离相关的合适的深度信息。例如，深度传感器可以收集关于障碍物在当前车辆前面多远处的信息。更进一步地，深度传感器除了距离信息之外还可以收集诸如关于障碍物是在当前车辆右边还是左边的信息之类的方向信息。深度传感器还可以收集在不同时间点关于障碍物距当前车辆的距离的信息以确定该障碍物是朝向还是远离当前车辆运动。

在子步骤S134中，根据所述深度信息判断在所述道路路面上是否存在障碍物。

如果根据深度信息判断出在当前车辆前方没有任何遮挡产生前景成像或者红外线反射，则判断出在所述道路路面上不存在障碍物，否则判断出存在障碍物。

在子步骤S135中，响应于存在障碍物，根据所述深度传感器的标定参数来确定所述障碍物相对于所述当前车辆的位置坐标。

与成像器件类似地，由于制造公差，在将深度传感器安装到车辆上之后，也需要首先确定该深度传感器在该车辆上的俯仰角等标定参数。当在深度信息中检测到障碍物之后，可以根据深度传感器相对于所述当前车辆的行驶方向的俯仰角等和预设的算法，来获得该障碍物与当前车辆的距离和角度。

返回参考图2，接下来，在步骤S140中，根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。

在确定了路面边界和障碍物的位置坐标之后，可以根据它们来综合地确定所述行驶环境中的可行驶区域。

图6图示了根据本申请实施例的可行驶区域确定步骤的流程图。

如图6所示，步骤S140可以包括：

在子步骤S141中，根据所述路面边界的位置坐标确定所述道路路面的路面区域。

可以取决于不同的辅助驾驶策略来确定当前车辆可行驶的路面范围。例如，在车道线1和车道线2为实线时，在通常情况下，可以将车道线1和车道线2作为路面边界来确定路面范围，但是在紧急情况下(如前方或后方出现可能碰撞的预警时)，可以将可以将中央隔离带和障碍物3的边缘作为路面边界来确定路面范围。

在子步骤S142中，根据所述障碍物的位置坐标从所述路面区域中去除不可行驶区域，以获得所述可行驶区域。

由于障碍物的位置区域通常是当前车辆不能驶入的区域，即不可行驶区域，所以可以从所确定的路面范围中去除障碍物所在的位置区域，以获得可行驶区域。

此外，由于障碍物的遮挡，在当前车辆与障碍物连线方向中无法观察到障碍物前方的情况，谨慎起见，可以将障碍物前方的区域也定义为不可行驶的区域。

因此，在一个示例中，子步骤S142可以包括：从所述路面区域中去除以所述障碍物的位置坐标为起点、向所述当前车辆的行驶方向延伸的区域。

最后，尽管未示出，根据本申请实施例的可行驶区域检测方法还可以包括：至少根据所确定的可行驶区域来生成当前车辆的行进路线。

例如，可以综合当前的驾驶策略、是否存在碰撞危险、预计到达时间等因此，在可行驶区域中确定一条行进路线，并控制当前车辆沿该行进路线前进。

在本申请的实施例中，通过将行驶环境的环境边界的检测结果和行驶环境中的障碍物的检测结果融合互补，综合地确定出所述行驶环境中的更加准确的可行驶区域。参考图1，尽管障碍物3由于距离当前车辆较近、没有拍摄到其特征区域而无法被识别为道路路面上的障碍物，但是其相关区域仍然可以被正确地判定为路面边界，属于不可行驶区域。这样，当前车辆可以使用综合的图像分析和处理结果来执行辅助驾驶操作，从而判定出当前不能向右侧并线，从而避免了潜在的交通安全隐患，提高了辅助驾驶系统的安全性。

由此可见，采用根据本申请实施例的可行驶区域检测方法，可以根据行驶环境的图像信息来检测所述行驶环境的环境边界，检测所述行驶环境中的障碍物，并且根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。因此，与如现有技术那样、对障碍物进行单一检测的情况相比，通过对行驶环境的环境边界的检测结果和行驶环境中的障碍物的检测结果进行融合互补，能够可靠地检测行驶环境中的可行驶区域。

示例性装置

下面，参考图7来描述根据本申请实施例的可行驶区域检测装置。

图7图示了根据本申请实施例的可行驶区域检测装置的框图。

如图7所示，所述可行驶区域检测装置100可以包括：图像获取单元110，用于获取成像器件所采集的行驶环境的图像信息；边界检测单元120，用于根据所述图像信息来检测所述行驶环境的环境边界；障碍物检测单元130，用于检测所述行驶环境中的障碍物；以及区域确定单元140，用于根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。

在一个示例中，所述图像获取单元110可以获取当前车辆所处的道路路面的图像信息。

在一个示例中，边界检测单元120可以包括：边界检测模块，用于使用第一深度学习模型来从所述道路路面的图像信息中检测所述道路路面的路面边界，所述第一深度学习模型是预先根据训练用的路面边界的样本数据训练完成的；以及坐标确定模块，用于根据所述成像器件的标定参数来确定所述路面边界相对于所述当前车辆的位置坐标。

在一个示例中，所述路面边界可以为以下各项中的至少一个：路沿、隔离带、绿化带、护栏、车道线、和其他车辆的边缘。

在一个示例中，障碍物检测单元130可以包括：障碍物检测模块，用于使用第二深度学习模型来从所述道路路面的图像信息中检测所述行驶环境中的障碍物，所述第二深度学习模型是预先根据训练用的障碍物的样本数据训练完成的；以及坐标确定模块，用于根据所述成像器件的标定参数来确定所述障碍物相对于所述当前车辆的位置坐标。

在一个示例中，障碍物检测单元130可以包括：深度获取模块，用于获取深度传感器所采集的所述当前车辆的行驶方向中的深度信息；障碍物检测模块，用于根据所述深度信息判断在所述道路路面上是否存在障碍物；以及坐标确定模块，用于响应于存在障碍物，根据所述深度传感器的标定参数来确定所述障碍物相对于所述当前车辆的位置坐标。

在一个示例中，所述障碍物可以为以下各项中的至少一个：行人、动物、遗撒物、警示牌、隔离墩、和其他车辆。

在一个示例中，区域确定单元140可以包括：路面区域确定模块，用于根据所述路面边界的位置坐标确定所述道路路面的路面区域；以及可行驶区域获得模块，用于根据所述障碍物的位置坐标从所述路面区域中去除不可行驶区域，以获得所述可行驶区域。

在一个示例中，所述区域获得模块从所述路面区域中去除以所述障碍物的位置坐标为起点、向所述当前车辆的行驶方向延伸的区域。

上述可行驶区域检测装置100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6描述的可行驶区域检测方法中详细介绍，并因此，将省略其重复描述。

如上所述，本申请的实施例可以应用于其上装备有成像器件的诸如交通工具、可移动机器人之类的电子设备。

相应地，根据本申请实施例的可行驶区域检测装置100可以作为一个软件模块和/或硬件模块而集成到该电子设备中，换言之，该电子设备可以包括该可行驶区域检测装置100。例如，该可行驶区域检测装置100可以是该电子设备的操作系统中的一个软件模块，或者可以是针对于该电子设备所开发的一个应用程序；当然，该可行驶区域检测装置100同样可以是该电子设备的众多硬件模块之一。

替换地，在另一示例中，该可行驶区域检测装置100与该电子设备也可以是分立的设备(例如，服务器)，并且该可行驶区域检测装置100可以通过有线和/或无线网络连接到该电子设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图8来描述根据本申请实施例的电子设备。该电子设备可以是其上装备有成像器件的诸如交通工具、可移动机器人之类的计算机或服务器或其他设备。

图8图示了根据本申请实施例的电子设备的框图。

如图8所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的可行驶区域检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如图像信息、深度信息、位置坐标等信息。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。应当注意，图8所示的电子设备10的组件和结构只是示例性的、而非限制性的，根据需要，电子设备10也可以具有其他组件和结构。

例如，该输入装置13可以是成像器件，用于采集图像信息，所采集的图像信息可以被存储在存储器12中以供其他组件使用。当然，也可以利用其他集成或分立的成像器件来采集该图像帧序列，并且将它发送到电子设备10。又如，该输入装置13也可以是深度传感器，用于采集深度信息，所采集的深度信息也可以被存储在存储器12中。此外，该输入设备13还可以包括例如键盘、鼠标、以及通信网络及其所连接的远程输入设备等等。

输出装置14可以向外部(例如，用户)输出各种信息，包括确定出的行驶环境的环境边界、障碍物、可行驶区域等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的可行驶区域检测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的可行驶区域检测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (12)

1.一种可行驶区域检测方法，包括：

获取成像器件所采集的行驶环境的图像信息；

根据所述图像信息来检测所述行驶环境的环境边界；

检测所述行驶环境中的障碍物；以及

根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。

2.如权利要求1所述的方法，其中，获取成像器件所采集的行驶环境的图像信息包括：

获取当前车辆所处的道路路面的图像信息。

3.如权利要求2所述的方法，其中，根据所述图像信息来检测所述行驶环境的环境边界包括：

使用第一深度学习模型来从所述道路路面的图像信息中检测所述道路路面的路面边界，所述第一深度学习模型是预先根据训练用的路面边界的样本数据训练完成的；以及

根据所述成像器件的标定参数来确定所述路面边界相对于所述当前车辆的位置坐标。

4.如权利要求3所述的方法，其中，所述路面边界为以下各项中的至少一个：路沿、隔离带、绿化带、护栏、车道线、和其他车辆的边缘。

5.如权利要求3所述的方法，其中，检测所述行驶环境中的障碍物包括：

使用第二深度学习模型来从所述道路路面的图像信息中检测所述行驶环境中的障碍物，所述第二深度学习模型是预先根据训练用的障碍物的样本数据训练完成的；以及

根据所述成像器件的标定参数来确定所述障碍物相对于所述当前车辆的位置坐标。

6.如权利要求3所述的方法，其中，检测所述行驶环境中的障碍物包括：

获取深度传感器所采集的所述当前车辆的行驶方向中的深度信息；

根据所述深度信息判断在所述道路路面上是否存在障碍物；以及

响应于存在障碍物，根据所述深度传感器的标定参数来确定所述障碍物相对于所述当前车辆的位置坐标。

7.如权利要求5或6所述的方法，其中，所述障碍物为以下各项中的至少一个：行人、动物、遗撒物、警示牌、隔离墩、和其他车辆。

8.如权利要求5或6所述的方法，其中，根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域包括：

根据所述路面边界的位置坐标确定所述道路路面的路面区域；以及

根据所述障碍物的位置坐标从所述路面区域中去除不可行驶区域，以获得所述可行驶区域。

9.如权利要求8所述的方法，其中，根据所述障碍物的位置坐标从所述路面区域中去除不可行驶区域包括：

从所述路面区域中去除以所述障碍物的位置坐标为起点、向所述当前车辆的行驶方向延伸的区域。

10.一种可行驶区域检测装置，包括：

图像获取单元，用于获取成像器件所采集的行驶环境的图像信息；

边界检测单元，用于根据所述图像信息来检测所述行驶环境的环境边界；

障碍物检测单元，用于检测所述行驶环境中的障碍物；以及

区域确定单元，用于根据所述环境边界和所述障碍物来确定所述行驶环境中的可行驶区域。

11.一种电子设备，包括：

处理器；

存储器；以及

存储在所述存储器中的计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-9中任一项所述的方法。

12.一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-9中任一项所述的方法。