CN106709475B - 障碍物识别方法及装置、计算机设备及可读存储介质 - Google Patents

Abstract

本发明提供一种障碍物识别方法及装置、计算机设备及可读介质。其所述方法包括：将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；将至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；根据至少一个霍夫图，生成待识别的障碍物的特征向量；根据预先训练的分类器模型和待识别的障碍物的特征向量，识别待识别的障碍物的类别。本发明的技术方案，通过对待识别的障碍物的点云进行剖析，使得待识别的障碍物的特征向量中包含更加丰富的待识别的障碍物的信息，能够有效地提高对待识别的障碍物的识别准确度，从而能够有效地提高对待识别的障碍物的识别效率。

Description

障碍物识别方法及装置、计算机设备及可读存储介质

【技术领域】

本发明涉及自动驾驶技术领域，尤其涉及一种障碍物识别方法及装置、计算机设备及可读存储介质。

【背景技术】

在现有的自动驾驶技术中，待识别的障碍物识别输出的信息会作为控制和策划的信息的输入，因此，对待识别的障碍物进行准确而快速的识别是一项非常关键的技术。

现有技术中，通常采用摄像头和激光雷达对待识别的障碍物进行识别。其中摄像头方案可以应用在光照非常充足，环境比较稳定的场景下。但是在天气不好和道路环境混乱的情况下，摄像头方案的视觉一直都不够稳定，导致采集的待识别的障碍物的信息不准确。而激光雷达虽然非常昂贵，但是激光雷达方案识别的待识别的障碍物时非常稳定和安全。现有技术中，采用激光雷达识别待识别的障碍物时，根据激光雷达扫描待识别的障碍物所获取的待识别的障碍物的点云大小以及局部特征，来判断待识别的障碍物的类别。例如，可以根据待识别的障碍物的点云的局部特征是否为人的头像，来判断待识别的障碍物是否为人；根据待识别的障碍物的点云的局部特征是否为自行车的车头特征，来判断待识别的障碍物是否为自行车等等。

但是现有技术中，激光雷达扫描的点云中待识别的障碍物的点云的局部特征通常并不是那么明显，导致对待识别的障碍物的识别准确度较差、识别效率较低。

【发明内容】

本发明提供了一种障碍物识别方法及装置、计算机设备及可读介质，用于提高自动驾驶中待识别的障碍物的识别准确度和识别效率。

本发明提供一种障碍物识别方法，所述方法包括：

将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；

将所述至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；

根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量；

根据预先训练的分类器模型和所述待识别的障碍物的特征向量，识别所述待识别的障碍物的类别。

进一步可选地，在如上所述的方法中，根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量，具体包括：

根据所述至少一个霍夫图获取所述待识别的障碍物的多个霍夫特征；

根据所述待识别的障碍物的多个霍夫特征，生成所述待识别的障碍物的特征向量。

进一步可选地，在如上所述的方法中，根据所述至少一个霍夫图获取所述待识别的障碍物的多个霍夫特征，具体包括：

将所述至少一个霍夫图中的各像素点的值作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图中的各像素点的值进行归一化处理后，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值累加作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值进行累加，得到累加值；将属于同一所述霍夫图中的各所述累加值进行归一化处理，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征。

进一步可选地，在如上所述的方法中，根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量，具体包括：

根据所述至少一个霍夫图，并结合所述待识别的障碍物的点云的尺寸、质心坐标以及点的总数中的至少一个，生成所述待识别的障碍物的特征向量。

进一步可选地，在如上所述的方法中，将所述至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图之前，还包括：

将所述至少一个投影图像分别进行网格化和二值化处理，得到对应的所述至少一个二值化投影图像。

进一步可选地，在如上所述的方法中，根据预先训练的分类器模型和所述待识别的障碍物的特征向量，识别所述待识别的障碍物的类别之前，所述方法还包括：

采集多个已标注障碍物类别的预设障碍物的点云信息，生成障碍物训练集；

根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型。

进一步可选地，在如上所述的方法中，根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型，具体包括：

将所述障碍物训练集中的各所述预设障碍物的点云在所述预设的至少一个平面上进行投影，得到至少一个预设投影图像；

将所述至少一个预设投影图像对应的至少一个二值化预设投影图像分别进行霍夫变化，得到至少一个预设霍夫图；

根据所述至少一个预设霍夫图，生成所述预设障碍物的特征向量；

根据各所述预设障碍物的特征向量和对应的所述预设障碍物的点云的类别，训练所述分类器模型，从而确定所述分类器模型。

本发明还提供一种障碍物识别装置，所述装置包括：

投影模块，用于将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；

霍夫变化模块，用于将所述至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；

特征向量生成模块，用于根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量；

识别模块，用于根据预先训练的分类器模型和所述待识别的障碍物的特征向量，识别所述待识别的障碍物的类别。

进一步可选地，在如上所述的装置中，所述特征向量生成模块，具体包括：

霍夫特征获取单元，用于根据所述至少一个霍夫图获取所述待识别的障碍物的多个霍夫特征；

特征向量生成单元，用于根据所述待识别的障碍物的多个霍夫特征，生成所述待识别的障碍物的特征向量。

进一步可选地，在如上所述的装置中，所述霍夫特征获取单元，具体用于：

将所述至少一个霍夫图中的各像素点的值作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图中的各像素点的值进行归一化处理后，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值累加作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值进行累加，得到累加值；将属于同一所述霍夫图中的各所述累加值进行归一化处理，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征。

进一步可选地，在如上所述的装置中，所述特征向量生成模块，具体用于根据所述至少一个霍夫图，并结合所述待识别的障碍物的点云的尺寸、质心坐标以及点的总数中的至少一个，生成所述待识别的障碍物的特征向量。

进一步可选地，在如上所述的装置中，还包括：

投影图像处理模块，用于将所述至少一个投影图像分别进行网格化和二值化处理，得到对应的所述至少一个二值化投影图像。

进一步可选地，在如上所述的装置中，所述装置还包括：

采集模块，用于采集多个已标注障碍物类别的预设障碍物的点云信息，生成障碍物训练集；

训练模块，用于根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型。

进一步可选地，在如上所述的装置中，所述训练模块，具体用于：

将所述障碍物训练集中的各所述预设障碍物的点云在所述预设的至少一个平面上进行投影，得到至少一个预设投影图像；

将所述至少一个预设投影图像对应的至少一个二值化预设投影图像分别进行霍夫变化，得到至少一个预设霍夫图；

根据所述至少一个预设霍夫图，生成所述预设障碍物的特征向量；

根据各所述预设障碍物的特征向量和对应的所述预设障碍物的点云的类别，训练所述分类器模型，从而确定所述分类器模型。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的障碍物识别方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的障碍物识别方法。

本发明的障碍物识别方法及装置、计算机设备及可读介质，通过将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；将至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；根据至少一个霍夫图，生成待识别的障碍物的特征向量；根据预先训练的分类器模型和待识别的障碍物的特征向量，识别待识别的障碍物的类别。与现有技术中的根据待识别的障碍物点云的大小和局部特征，识别待识别的障碍物的识别方法相比，本发明的技术方案，通过对待识别的障碍物的点云进行剖析，使得待识别的障碍物的特征向量中包含更加丰富的待识别的障碍物的信息，并根据预先训练的分类器模型对待识别的障碍物的特征向量进行识别，以确定待识别的障碍物的类别，能够有效地提高对待识别的障碍物的识别准确度，从而能够有效地提高对待识别的障碍物的识别效率。

【附图说明】

图1为本发明的障碍物识别方法实施例的流程图。

图2为本发明实施例提供的一种对待识别的障碍物的点云进行投影的示意图。

图3为本发明的障碍物识别装置实施例一的结构图。

图4为本发明的障碍物识别装置实施例二的结构图。

图5为本发明提供的一种计算机设备的结构图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的障碍物识别方法实施例的流程图。如图1所示，本实施例的障碍物识别方法，具体可以包括如下步骤：

100、将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；

本实施例的障碍物识别方法应用在自动驾驶技术领域中。在自动驾驶中，需要车辆能够自动识别道路中的障碍物，以在车辆行驶中及时做出决策与控制，便于车辆的安全行驶。本实施例的障碍物识别方法的执行主体可以为障碍物识别装置，该障碍物识别装置可以采用多个模块集成而得，该障碍物识别装置具体可以设置在自动驾驶的车辆中，以对自动驾驶的车辆进行控制。

本实施例的待识别的障碍物的点云可以采用激光雷达扫射得到的。激光雷达的规格可以采用16线、32线或者64线等等。其中线数越高表示激光雷达的单位能量密度越大。本实施例中，预设的至少一个平面为平行于xy平面、xz平面或者yz平面的平面，甚至还可以为不平行于xy平面、xz平面以及yz平面的平面。当至少一个平面仅包括一个平面时，该平面不能穿过待识别的障碍物的点云，只能位于待识别的障碍物的点云的上方、下方、左方或者右方，以便于待识别的障碍物的点云在该平面上做投影。当至少一个平面包括两个以上平面时，两个以上平面之间互相平行，且其中有一个平面位于待识别的障碍物的点云的一侧，即不能穿过待识别的障碍物的点云，其它平面可以穿过待识别的障碍物的点云。例如，图2为本发明实施例提供的一种对待识别的障碍物的点云进行投影的示意图。如图2所示，平面S1、S2和S3为一组平行于xy平面的平面，其中平面S3位于待识别的障碍物M的点云的底部，即不穿过待识别的障碍物M的点云。平面S1和平面S2分别穿过待识别的障碍物M的点云。这样，平面S1、平面S2和平面S3将待识别的障碍物M的点云分成三段。将待识别的障碍物M的点云在预设的至少一个平面上进行投影时，从待识别的障碍物M的外部没有平面的那一侧开始，依次将待识别的障碍物M的点云的三段投影到下方的平面上；如图2所示，即将待识别的障碍物M的点云的位于平面S1上方的那一部分投影到平面S1上，将待识别的障碍物M的点云的位于平面S1和平面S2之间的那一部分投影到平面S2上，将待识别的障碍物M的点云的位于平面S2下方的那一部分投影到平面S3上；这样得到三个投影图像。图2所示仅为本实施例的一个举例，实际应用中，也可以没有平面S1和平面S2，而直接将整个待识别的障碍物M的点云投影到平面S3上；或者也可以仅包括两个平面，或者也可以包括四个或者四个以上平面。实际应用中，至少一个平面的数量可以根据待识别的障碍物的点云的大小来设置，在此不做限制。

101、将至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；

对于每一个投影图像可以获取到对应的二值化投影图像。例如在步骤101之前，可以包括如下步骤：将至少一个投影图像分别进行网格化和二值化处理，得到对应的至少一个二值化投影图像。本实施例中在进行网络化时，每一个投影图像的网格化时所包括的网格的数量必须一样。且在每一个投影图像中，网格的边缘需要刚好能够包裹住待识别的障碍物的点云在该投影图像所在平面的投影。然后对于每一个网格，若该网格内存在投影点，将该网格的像素点值设为1，否则若该网格内不存在投影点，则将该网格的像素点值设为0。这样便得到每一个投影图像对应的二值化投影图像。本实施例中的网格的数量可以根据激光雷达的规格以及实验效果来设定。而且对于不同的障碍物的大小，所选择的网格的尺度可以不一样，但是要求网格的数量必须相同。

本实施例中，可以采用霍夫变换算法计算二值化投影图像的霍夫图，霍夫变换算法是一个标准算法，目的是为了寻找图像中的直线，霍夫图上的每个点都包含着原始投影图像的全局信息，对描述全局结构有着重要作用，很适合用于随机森林等不需要特征之间强关联的分类器，因此，本实施例中，将其用于对目标的分类。进行霍夫变化时所采用的霍夫变换的参数可根据实际需要进行设定。

102、根据至少一个霍夫图，生成待识别的障碍物的特征向量；

由于霍夫图的每个像素点的值就是一个特征值，因此，可以根据至少一个霍夫图中的多个特征值，确定多个霍夫特征，并根据确定的多个霍夫特征生成待识别的障碍物的特征向量。

103、根据预先训练的分类器模型和待识别的障碍物的特征向量，识别待识别的障碍物的类别。

本实施例中，预先训练有分类器模型，该分类器模型的输入可以为障碍物的特征向量，输出可以为障碍物的类别。这样，向该分类器模型输入上述实施例获取的待识别的障碍物的特征向量，该分类器模型输出的类别即为该待识别的障碍物的类别。可选地，本实施例中，可以将待识别的障碍物的类别分为行人、自行车、小汽车、大汽车或者其它类别。在对障碍物进行识别时，不确定的障碍物的类别都识别为其他类别。而且根据实际应用中，道路中出现的新的交通工具，还可以逐步增加障碍物的类别，并根据无数条该类别的障碍物的点云信息对分类器模型进行更新训练，使得更新后的分类器模型也可以对新增加类别的障碍物进行识别。

本实施例的障碍物识别方法，通过将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；将至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；根据至少一个霍夫图，生成待识别的障碍物的特征向量；根据预先训练的分类器模型和待识别的障碍物的特征向量，识别待识别的障碍物的类别。与现有技术中的根据待识别的障碍物点云的大小和局部特征，识别待识别的障碍物的识别方法相比，本实施例的技术方案，通过对待识别的障碍物的点云进行剖析，使得待识别的障碍物的特征向量中包含更加丰富的待识别的障碍物的信息，并根据预先训练的分类器模型对待识别的障碍物的特征向量进行识别，以确定待识别的障碍物的类别，能够有效地提高对待识别的障碍物的识别准确度，从而能够有效地提高对待识别的障碍物的识别效率。

进一步可选地，在上述图1所示实施例的技术方案的基础上，其中步骤102“根据至少一个霍夫图，生成待识别的障碍物的特征向量”，具体可以包括如下步骤：

(a1)根据至少一个霍夫图获取待识别的障碍物的多个霍夫特征；

(a2)根据待识别的障碍物的多个霍夫特征，生成待识别的障碍物的特征向量。

获取每一个霍夫图中对应的待识别的障碍物的所有霍夫特征，至少一个霍夫图，共可以得到多个霍夫特征。然后将多个霍夫特征排列在一起，便组成一个多维向量，作为待识别的障碍物的特征向量。

其中，步骤(a1)“根据至少一个霍夫图获取待识别的障碍物的多个霍夫特征”，具体可以包括如下几种情况：

第一种情况：将至少一个霍夫图中的各像素点的值作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征；

例如，当一个待识别的障碍物仅对应包括一个霍夫图时，该霍夫图中的每个像素点的值就是一个特征值，作为该待识别的障碍物的一个霍夫特征。例如，对于40*40的霍夫图，共存在40*40＝1600个霍夫特征，得到的待识别的障碍物的特征向量的大小就是40*40＝1600维。

当一个待识别的障碍物对应包括两个霍夫图时，同理，每一个霍夫图中的每个像素点的值就是一个特征值，作为该待识别的障碍物的一个霍夫特征。对于两个40*40的霍夫图，共存在40*40*2＝3200个霍夫特征，得到的待识别的障碍物的特征向量的大小就是40*40*2＝3200维。同理，该待识别的障碍物对应包括多个霍夫图时，与上述包括两个霍夫图的实现相同，在此不再赘述。

第二种情况：将至少一个霍夫图中各霍夫图中的各像素点的值进行归一化处理后，作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征；

在上述第一种情况的基础上，由于每个像素点的值可能过大，在该种情况中，将各霍夫图中的所有像素点的值进行归一化处理。即归一化处理时，是以每一个霍夫图作为一个整体，将该霍夫图中的所有像素点的值进行归一化处理，而不参考其它霍夫图中的像素点的值。归一化处理后不会对霍夫图中的霍夫特征的数量产生改变，即对于相同的霍夫图，第二种情况得到的待识别的障碍物的霍夫特征的数量与第一种情况得到的待识别的障碍物的霍夫特征的数量是相同的。

第三种情况：将至少一个霍夫图中各霍夫图进行切片，将各切片中的像素点的值累加作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征；

在上述第一种情况和第二种情况中，得到的待识别的障碍物的霍夫特征的数量可能较多。为了有效地减少待识别的障碍物的霍夫特征的数量，该种情况中，对各霍夫图进行切片，然后将各切片中的像素点的值累加作为待识别的障碍物的一个霍夫特征。至少一个霍夫图中的每一个切片对应待识别的障碍物的一个霍夫特征，总共可以得到多个霍夫特征。例如，若待识别的障碍物仅包括一个40*40的霍夫图，图中每个点的坐标(x，y)，如果按行进行切片，即统计在同一个x区间下，不同y的点的值累加，作为一个霍夫特征。比如2行切一片，那么40行就能切20片，得到20个霍夫特征，可以形成20维的待识别的障碍物的特征向量。

第四种情况：将至少一个霍夫图中各霍夫图进行切片，将各切片中的像素点的值进行累加，得到累加值；将属于同一霍夫图中的各累加值进行归一化处理，作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征。

该种情况在上述第三种情况的基础上，切片之后，将各切片中的像素点的值进行累加，然后将属于同一霍夫图中的各累加值进行归一化处理，作为待识别的障碍物的霍夫特征。同理，归一化处理是以每一个霍夫图作为一个整体，将该霍夫图中的所有切片后的累加值进行归一化处理，而不参考其它霍夫图中的切片后的累加值。归一化后，每一个累加值对应一个霍夫特征，对于至少一个霍夫图，共可以得到多个霍夫特征。

上述实施例中的步骤102“根据至少一个霍夫图，生成待识别的障碍物的特征向量”，可以仅仅根据至少一个霍夫图生成待识别的障碍物的特征向量。进一步可选地，步骤102具体还可以包括如下步骤：根据至少一个霍夫图，并结合待识别的障碍物的点云的尺寸、质心坐标以及点的总数中的至少一个，生成待识别的障碍物的特征向量。

对应地，该步骤就可以包括如下步骤：

(b1)根据激光雷达扫描待识别的障碍物得到的待识别的障碍物的点云，获取待识别的障碍物的点云的尺寸、质心坐标以及点的总数；

本实施例中的待识别的障碍物的点云中每一个点都有坐标。对应的所使用的坐标系的原点为当前载有激光雷达的车辆的质心位置。这样，检测得到的待识别障碍物的点云中的每一个点，均可以以车辆的质心位置为原点，对应标识的一个坐标点。根据障碍物的点云中所有点的坐标，可以从中确定该障碍物的点云在长度方向上的最大值ymax和最小值ymin，宽度方向上的最大值xmax和最小值xmin，以及高度方向上的最大值zmax和最小值zmin，然后可以取该障碍物的长等于点云中最大的长减去最小长ymax-ymin，该障碍物的宽等于点云中的最大宽减去最小宽xmax-xmin，该障碍物的高等于点云中的最大高减去最小高zmax-zmin；从而确定待识别的障碍物的点云的尺寸。另外，根据待识别的障碍物的点云可以确定该待识别的障碍物的点云的质心坐标，同理，该质心坐标包括待识别的障碍物的点云的质心所在的长、宽和高可以表示为center x，center y，center z。再者，根据激光雷达扫描得到的待识别的障碍物的点云可以确定该待识别的障碍物的点云所包括的点的总数。

(b2)根据至少一个霍夫图获取待识别的障碍物的多个霍夫特征；

该步骤的实现具体可以参考上述四种情况，以获取待识别的障碍物的多个霍夫特征，在此不再赘述。

(b3)根据待识别的障碍物的多个霍夫特征，并结合待识别的障碍物的点云的尺寸、质心坐标以及点的总数中至少一个，生成待识别的障碍物的特征向量。

该步骤与上述实施例中的步骤(a2)的区别在，为了丰富待识别的障碍物的特征向量的信息，在待识别的障碍物的特征向量中增加待识别的障碍物的点云的尺寸、质心坐标以及点的总数中至少一个，从而增加了生成的待识别的障碍物的特征向量的维数。实际应用中，待识别的障碍物的特征向量的维数越高，包含的信息越多，待识别的障碍物的特征向量越能表征待识别的障碍物的信息，对该待识别的障碍物进行识别的准确性越高。因此，优选地，本实施例中，以根据待识别的障碍物的多个霍夫特征、待识别的障碍物的点云的尺寸、质心坐标以及点的总数，共同生成的待识别的障碍物的特征向量，作为识别效果最好的待识别的障碍物的特征向量。

进一步可选地，本实施例的分类器模型在预先的训练时，可以采用一些已经标注了类别的障碍物的点云信息进行训练，例如，在步骤103“根据预先训练的分类器模型和待识别的障碍物的特征向量，识别待识别的障碍物的类别”之前，具体可以包括如下步骤：

(c1)采集多个已标注障碍物类别的预设障碍物的点云信息，生成障碍物训练集；

(c2)根据障碍物训练集中的多个预设障碍物的点云信息，训练分类器模型。

本实施例中障碍物训练集中包括的预设障碍物的点云信息的条数可以很多，例如5000以上或者上万或者更多，障碍物训练集中包括的预设障碍物的点云信息的条数越多，训练的分类器模型时，确定的分类器模型的参数越准确，后续根据分类器模型识别待识别的障碍物的类别便越准确。

例如，该步骤(c2)“根据障碍物训练集中的多个预设障碍物的点云信息，训练分类器模型”，具体可以包括如下步骤：

(d1)将障碍物训练集中的各预设障碍物的点云在预设的至少一个平面上进行投影，得到至少一个预设投影图像；

(d2)将至少一个预设投影图像对应的至少一个二值化预设投影图像分别进行霍夫变化，得到至少一个预设霍夫图；

(d3)根据至少一个预设霍夫图，生成预设障碍物的特征向量；

(d4)根据各预设障碍物的特征向量和对应的预设障碍物的点云的类别，训练分类器模型，从而确定分类器模型。

本实施例中，步骤(d1)-(d3)的实施过程详细可以参考上述步骤100-102的实施过程。也就是说，在识别待识别障碍物时，将待识别的障碍物的点云投影的至少一个平面，与在训练分类器模型时，将各预设障碍物的点云投影的至少一个平面时互相平行的；且平面的数量是相等，得到的霍夫图的数量与预设霍夫图的数量是相等的。待识别的障碍物的特征向量与预设障碍物的特征向量的维数是相同的。然后在使用分类器模型识别待识别的障碍物类别的过程中，根据至少一个霍夫图生成待识别的障碍物的特征向量的生成方式，与在训练分类器模型时，根据至少一个预设霍夫图生成预设障碍物的特征向量的生成方式是相同的；得到的预设障碍物的特征向量的维数与待识别的障碍物的特征向量的维数是相同的。例如，预设障碍物的特征向量除了包括霍夫特征，还包括预设障碍物的点云的尺寸、质心坐标以及点的总数中的哪些；在生成的待识别的障碍物的特征向量除了包括霍夫特征，也必须包括对应地特征。且实际应用中，预设障碍物的特征向量所包含的特征的数量越多即维数越高，对应的预设障碍物的特征越丰富，得到的分类器模型越准确，在对待识别的障碍物进行识别时，获取的待识别的障碍物的特征向量也需要包括同样数量的特征，这样，待识别的障碍物的特征也比较丰富，使用分类器模型对待识别的障碍物的识别也比较准确。而且在识别待识别障碍物时，获取待识别的障碍物的点云所采用的激光雷达的规格，也需要与在训练时获取的各预设障碍物的点云的所采用的激光雷达的规格相同，否则会造成点云所包括的点数不在一个级别，无法对待识别的障碍物进行准确地识别。

最后，根据各预设障碍物的特征向量和各预设障碍物的类别对分类器模型进行训练，使得分类器模型在输入预设障碍物的特征向量的时候，能够输出预设障碍物的类别。训练时，因为已经知道预障碍物的类别，若输入预设障碍物的特征向量，输出的预设障碍物的类别不符合预先知道的预障碍物的类别，可以对分类器的模型的参数进行调整，使得分类器模型输出的预设障碍物的类别与预先知道的预设障碍物的类别相符合。经过使用障碍物训练集中的无数条的预设障碍物的点云信息，采用上述步骤(d1)-(d4)对该分类器模型进行训练，可以确定该分类器模型的参数，从而确定该分类器模型。此时若将待识别的障碍物的特征向量输入至已经确定的分类器模型中，该分类器模型便可以准确输入该待识别的障碍物的类别。

本实施例的分类器模型可以为随机森林模型、决策树模型、逻辑回归模型、、支持向量机(Support Vector Machine；SVM)模型以及神经网络模型中的任意一种，在此不做限定。

通过采用本实施例的障碍物识别方法，自动驾驶的车辆通过激光雷达扫描到待识别的障碍物的点云之后，便可以根据上述的障碍物识别方法对待识别的障碍物进行识别，进一步可以根据障碍物的类别控制车辆的行驶，例如控制车辆避让障碍物，从而有效地增加了自动驾驶的车辆的行驶安全。

本实施例的技术方案，通过对待识别的障碍物的点云进行剖析，使得待识别的障碍物的特征向量中包含更加丰富的待识别的障碍物的信息，并根据预先训练的分类器模型对待识别的障碍物的特征向量进行识别，以确定待识别的障碍物的类别，能够有效地提高对待识别的障碍物的识别准确度，从而能够有效地提高对待识别的障碍物的识别效率。

图3为本发明的障碍物识别装置实施例一的结构图。如图3所示，本实施例的障碍物识别装置，具体可以包括：投影模块10、霍夫变化模块11、特征向量生成模块12和识别模块13。

其中投影模块10用于将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；霍夫变化模块11用于将投影模块10得到的至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；特征向量生成模块12用于根据霍夫变化模块11得到的至少一个霍夫图，生成待识别的障碍物的特征向量；识别模块13用于根据预先训练的分类器模型和特征向量生成模块12生成的待识别的障碍物的特征向量，识别待识别的障碍物的类别。

本实施例的障碍物识别装置，通过采用上述模块实现对待识别的障碍物进行识别，与上述相关方法实施例的实现原理与技术效果相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图4为本发明的障碍物识别装置实施例二的结构图。如图3所示，本实施例的障碍物识别装置，在上述图3所示实施例的技术方案的基础上，进一步更加详细地描述本发明的技术方案。

如图4所示，本实施例的障碍物识别装置中，特征向量生成模块12具体包括：霍夫特征获取单元121和特征向量生成单元122。

其中霍夫特征获取单元121用于根据霍夫变化模块11得到的至少一个霍夫图获取待识别的障碍物的多个霍夫特征；特征向量生成单元122用于根据霍夫特征获取单元121得到的待识别的障碍物的多个霍夫特征，生成待识别的障碍物的特征向量。

对应地，识别模块13用于根据预先训练的分类器模型和特征向量生成单元122生成的待识别的障碍物的特征向量，识别待识别的障碍物的类别。

进一步可选地，本实施例的障碍物识别装置中，霍夫特征获取单元121具体用于：

将霍夫变化模块11得到的至少一个霍夫图中的各像素点的值作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征；或者

将霍夫变化模块11得到的至少一个霍夫图中各霍夫图中的各像素点的值进行归一化处理后，作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征；或者

将霍夫变化模块11得到的至少一个霍夫图中各霍夫图进行切片，将各切片中的像素点的值累加作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征；或者

将霍夫变化模块11得到的至少一个霍夫图中各霍夫图进行切片，将各切片中的像素点的值进行累加，得到累加值；将属于同一霍夫图中的各累加值进行归一化处理，作为待识别的障碍物的霍夫特征，得到待识别的障碍物的多个霍夫特征。

进一步可选地，本实施例的障碍物识别装置中，特征向量生成模块12具体用于根据霍夫变化模块11得到的至少一个霍夫图，并结合待识别的障碍物的点云的尺寸、质心坐标以及点的总数中的至少一个，生成待识别的障碍物的特征向量。例如，具体地，由霍夫特征获取单元121用于根据霍夫变化模块11得到的至少一个霍夫图获取待识别的障碍物的多个霍夫特征；特征向量生成单元122用于根据霍夫特征获取单元121得到的待识别的障碍物的多个霍夫特征，并结合待识别的障碍物的点云的尺寸、质心坐标以及点的总数中的至少一个，生成待识别的障碍物的特征向量。

进一步可选地，如图4所示，本实施例的障碍物识别装置中，还包括投影图像处理模块14。其中，投影图像处理模块14用于投影模块10得到的将至少一个投影图像分别进行网格化和二值化处理，得到对应的至少一个二值化投影图像。

对应地，霍夫变化模块11用于将投影图像处理模块14得到的至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；

进一步可选地，如图4所示，本实施例的障碍物识别装置中，还包括：采集模块15和训练模块16。

其中采集模块15用于采集多个已标注障碍物类别的预设障碍物的点云信息，生成障碍物训练集；训练模块16用于根据采集模块15采集的障碍物训练集中的多个预设障碍物的点云信息，训练分类器模型。

对应地，识别模块13用于根据训练模块16预先训练的分类器模型和特征向量生成单元122生成的待识别的障碍物的特征向量，识别待识别的障碍物的类别。

进一步可选地，本实施例的障碍物识别装置中，训练模块16具体用于：

将障碍物训练集中的各预设障碍物的点云在预设的至少一个平面上进行投影，得到至少一个预设投影图像；

将至少一个预设投影图像对应的至少一个二值化预设投影图像分别进行霍夫变化，得到至少一个预设霍夫图；

根据至少一个预设霍夫图、预设障碍物的点云的尺寸、质心坐标以及点的总数，生成预设障碍物的特征向量；

根据各预设障碍物的特征向量和对应的预设障碍物的点云的类别，训练分类器模型，从而确定分类器模型。

本实施例的障碍物识别装置，通过采用上述模块实现对待识别的障碍物进行识别，与上述相关方法实施例的实现原理与技术效果相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述实施例所示的障碍物识别方法。

例如，图5为本发明提供的一种计算机设备的结构图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图5显示的计算机设备12a仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于：一个或者多个处理器或者处理器16a，系统存储器28a，连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。

总线18a表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28a可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34a可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。存储器28a可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明上述图1-图4各实施例的功能。

具有一组(至少一个)程序模块42a的程序/实用工具40a，可以存储在例如存储器28a中，这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图4各实施例中的功能和/或方法。

计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信，还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信，和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22a进行。并且，计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12a使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器16a通过运行存储在系统存储器28a中的程序，从而执行各种功能应用以及数据处理，例如实现上述实施例所示的障碍物识别方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所示的障碍物识别方法。

本实施例的计算机可读介质可以包括上述图5所示实施例中的系统存储器28a中的RAM30a、和/或高速缓存存储器32a、和/或存储系统34a。

随着科技的发展，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载，或者采用其他方式获取。因此，本实施例中的计算机可读介质不仅可以包括有形的介质，还可以包括无形的介质。

本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：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。在本文件中，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。

计算机可读的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。计算机可读的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——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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发明操作的计算机程序代码，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)。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (16)

1.一种障碍物识别方法，其特征在于，所述方法包括：

将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；

将所述至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；

根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量；

根据预先训练的分类器模型和所述待识别的障碍物的特征向量，识别所述待识别的障碍物的类别。

2.根据权利要求1所述的方法，其特征在于，根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量，具体包括：

根据所述至少一个霍夫图获取所述待识别的障碍物的多个霍夫特征；

根据所述待识别的障碍物的多个霍夫特征，生成所述待识别的障碍物的特征向量。

3.根据权利要求2所述的方法，其特征在于，根据所述至少一个霍夫图获取所述待识别的障碍物的多个霍夫特征，具体包括：

将所述至少一个霍夫图中的各像素点的值作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图中的各像素点的值进行归一化处理后，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值累加作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值进行累加，得到累加值；将属于同一所述霍夫图中的各所述累加值进行归一化处理，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征。

4.根据权利要求1所述的方法，其特征在于，根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量，具体包括：

根据所述至少一个霍夫图，并结合所述待识别的障碍物的点云的尺寸、质心坐标以及点的总数中的至少一个，生成所述待识别的障碍物的特征向量。

5.根据权利要求1-4任一所述的方法，其特征在于，将所述至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图之前，还包括：

将所述至少一个投影图像分别进行网格化和二值化处理，得到对应的所述至少一个二值化投影图像。

6.根据权利要求1-4任一所述的方法，其特征在于，根据预先训练的分类器模型和所述待识别的障碍物的特征向量，识别所述待识别的障碍物的类别之前，所述方法还包括：

采集多个已标注障碍物类别的预设障碍物的点云信息，生成障碍物训练集；

根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型。

7.根据权利要求6所述的方法，其特征在于，根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型，具体包括：

将所述障碍物训练集中的各所述预设障碍物的点云在所述预设的至少一个平面上进行投影，得到至少一个预设投影图像；

将所述至少一个预设投影图像对应的至少一个二值化预设投影图像分别进行霍夫变化，得到至少一个预设霍夫图；

根据所述至少一个预设霍夫图，生成所述预设障碍物的特征向量；

根据各所述预设障碍物的特征向量和对应的所述预设障碍物的点云的类别，训练所述分类器模型，从而确定所述分类器模型。

8.一种障碍物识别装置，其特征在于，所述装置包括：

投影模块，用于将待识别的障碍物的点云在预设的至少一个平面上进行投影，得到至少一个投影图像；

霍夫变化模块，用于将所述至少一个投影图像对应的至少一个二值化投影图像分别进行霍夫变化，得到至少一个霍夫图；

特征向量生成模块，用于根据所述至少一个霍夫图，生成所述待识别的障碍物的特征向量；

识别模块，用于根据预先训练的分类器模型和所述待识别的障碍物的特征向量，识别所述待识别的障碍物的类别。

9.根据权利要求8所述的装置，其特征在于，所述特征向量生成模块，具体包括：

霍夫特征获取单元，用于根据所述至少一个霍夫图获取所述待识别的障碍物的多个霍夫特征；

特征向量生成单元，用于根据所述待识别的障碍物的多个霍夫特征，生成所述待识别的障碍物的特征向量。

10.根据权利要求9所述的装置，其特征在于，所述霍夫特征获取单元，具体用于：

将所述至少一个霍夫图中的各像素点的值作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图中的各像素点的值进行归一化处理后，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值累加作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征；或者

将所述至少一个霍夫图中各所述霍夫图进行切片，将各所述切片中的像素点的值进行累加，得到累加值；将属于同一所述霍夫图中的各所述累加值进行归一化处理，作为所述待识别的障碍物的霍夫特征，得到所述待识别的障碍物的所述多个霍夫特征。

11.根据权利要求8所述的装置，其特征在于，所述特征向量生成模块，具体用于根据所述至少一个霍夫图，并结合所述待识别的障碍物的点云的尺寸、质心坐标以及点的总数中的至少一个，生成所述待识别的障碍物的特征向量。

12.根据权利要求8-11任一所述的装置，其特征在于，还包括：

投影图像处理模块，用于将所述至少一个投影图像分别进行网格化和二值化处理，得到对应的所述至少一个二值化投影图像。

13.根据权利要求8-11任一所述的装置，其特征在于，所述装置还包括：

采集模块，用于采集多个已标注障碍物类别的预设障碍物的点云信息，生成障碍物训练集；

训练模块，用于根据所述障碍物训练集中的所述多个预设障碍物的点云信息，训练所述分类器模型。

14.根据权利要求13所述的装置，其特征在于，所述训练模块，具体用于：

将所述障碍物训练集中的各所述预设障碍物的点云在所述预设的至少一个平面上进行投影，得到至少一个预设投影图像；

将所述至少一个预设投影图像对应的至少一个二值化预设投影图像分别进行霍夫变化，得到至少一个预设霍夫图；

根据所述至少一个预设霍夫图，生成所述预设障碍物的特征向量；

根据各所述预设障碍物的特征向量和对应的所述预设障碍物的点云的类别，训练所述分类器模型，从而确定所述分类器模型。

15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images