CN108444390B - 一种无人驾驶汽车障碍物识别方法及装置 - Google Patents

Abstract

本发明公开了一种无人驾驶汽车障碍物识别方法及装置，方法包括：建立栅格激光器的网格坐标系，以过摄像机与地面的垂点为原点，建立实际坐标系；将获取的多个网格坐标数据转换到路面平整时的实际坐标系下；对障碍物的尺寸进行估计，通过对比路面平整时图像与存在障碍物时图像，利用几何关系得到障碍物上待测点三维坐标的估计；对障碍物的锐度进行估计。装置包括：坐标建立模块、坐标转换模块、规则障碍物估计模块、不规则障碍物估计模块和锐度估计模块。本发明能较精确的对障碍物的长、宽和高、刺破轮胎的障碍物的锐度进行估计，算法简单，具有可行性，也可用于有人驾驶汽车辅助安全技术及系统，其它地面运载工具，以及具有机器视觉的机器人。

Description

一种无人驾驶汽车障碍物识别方法及装置

技术领域

本发明涉及车前障碍物检测领域，尤其涉及一种无人驾驶汽车障碍物识别方法及装置。

背景技术

自无人车诞生以来，对周围环境的感知作为无人驾驶领域非常重要的研究内容吸引了众多学者和科研机构的目光，但目前仍然是一个难度很大的课题，车辆行驶道路上的障碍物检测是周围环境感知技术领域中的重要组成部分。

近年来，国内外在ITS(智能交通系统)研究领域中，针对车辆行驶路径上的障碍物检测方法，提出了许多算法和实施手段，其中有基于图像的检测方法，该方法主要包括：

(1)基于先验知识的障碍物检测；该方法是通过对图像进行预处理，再与已有的先验知识进行对比，得出结论，故具有精度低，适用面窄的弊端。

(2)基于立体视觉的障碍物检测：该方法包括双目立体视觉与三目立体视觉，由于其需要多台摄像机，成本比较高，而且算法复杂，不易计算。

另外一种常用的方法是基于雷达的检测方法，虽然其具有可测距远，精度高等优点，但是利用单一的传感器进行环境感知有其局限性，需要与图像融合，从而才能得到更精确的预测。

除此之外还有基于超声波的障碍物检测，该方法一般用于无人驾驶汽车的倒车防撞系统，但由于该种方法的精度不高，限制了实际应用的范围。

发明内容

本发明提供了一种无人驾驶汽车障碍物识别方法及装置，本方法能较精确的对障碍物的长、宽和高、刺破轮胎的障碍物的锐度进行估计，算法简单，具有可行性，本方法也可用于有人驾驶汽车辅助安全技术及系统，其他地面运载工具，以及具有机器视觉的机器人。详见下文描述：

一种无人驾驶汽车障碍物识别方法，所述障碍物识别方法包括以下步骤：

建立栅格激光器的网格坐标系，以过摄像机与地面的垂点为原点，建立固结于车上的实际坐标系；

将获取的多个网格坐标数据转换到路面平整时的实际坐标系下；

对规则障碍物进行长度、高度和宽度的估计；

对不规则障碍物进行宽度和高度的估计，计算机对障碍物上待测点的网格坐标进行识别，对比于无障碍物时图像上相同像素点的网格坐标，利用几何关系得到待测点三维坐标的估计；

对障碍物的锐度进行估计。

进一步地，所述栅格激光器具体为：

正方形栅格激光器、三角形栅格激光器、或梯形栅格激光器。

其中，在所述获取的多个网格坐标数据转换到路面平整时的实际坐标系下的步骤之前，所述方法还包括：

摄像机对栅格激光器照射的路面进行实时拍照，对采集的照片进行处理，找到障碍物的边界点的网格坐标。

进一步地，所述将获取的多个网格坐标数据转换到路面平整时的实际坐标系下具体为：

其中，z₀为激光器距地面垂直距离；b为当激光器与地面成一定角度照射时，网格中心O点距光源与地面交点的距离；a₀为激光器同一高度垂直照射地面时，一个网格的长度。

进一步地，所述对不规则障碍物进行宽度和高度的估计具体为：

获取障碍物的左边界点和右边界点的坐标，并转换为在平整路面下的实际坐标；

确定障碍物上的每个网格节点所在位置的节点坐标，对每个网格节点所在位置的高度作出估计，取所有结果的最大值作为障碍物高度的估计。

具体实现时，所述对每个网格节点所在位置的高度作出估计具体为：

测量摄像头与激光器之间的距离；

根据计算机检测得到的待测点的节点坐标，当路面平整时，该节点位置位于路面上E点，得到E、R之间的距离l_ER；

将有障碍物时的第一图像与路面平整时的第二图像对比，在第二图像中找到与第一图像所在位置像素点相同的点F，检测出F点的网格坐标，得到F点的实际坐标，进而得到l_FR；以及l_EF即l_ER-l_FR；进而对待测点的高度进行估计。

其中，所述对障碍物的锐度进行估计具体为：

计算机对采集的图像进行处理，识别障碍物的轮廓，检测图像中障碍物上沿y方向的激光线所在位置的坐标为u＝{u₁,u₂,u₃,...u_n}，其中u₁＞u₂＞u₃＞…＞u_n，当u＝u_i时，v方向的节点数为Δv_i；

对于i＝1……N，N≤n，若

δ为一个小于1的小数，则认为物体是尖锐的。

另一实施例，一种无人驾驶汽车障碍物识别装置，所述识别装置包括：

坐标建立模块，用于建立栅格激光器的网格坐标系，以过摄像机与地面的垂点为原点，建立固结于车上的实际坐标系；

坐标转换模块，用于将获取的多个网格坐标数据转换到路面平整时的实际坐标系下；

规则障碍物估计模块，用于对规则障碍物进行长度、高度和宽度的估计；

不规则障碍物估计模块，用于对不规则障碍物进行宽度和高度的估计，计算机对障碍物上待测点的网格坐标进行识别，对比于无障碍物时图像上相同像素点的网格坐标，利用几何关系得到待测点三维坐标的估计；

锐度估计模块，用于对障碍物的锐度进行估计。

进一步地，所述不规则障碍物估计模块包括：

获取与转换子模块，用于获取障碍物的左边界点和右边界点的坐标，并转换为在平整路面下的实际坐标；

高度估计子模块，用于确定障碍物上的每个网格节点所在位置的节点坐标，对每个网格节点所在位置的高度作出估计，取所有结果的最大值作为障碍物高度的估计。

其中，所述高度估计子模块包括：

测量单元，用于测量摄像头与激光器之间的距离；

获取单元，用于根据计算机检测得到的待测点的节点坐标，当路面平整时，该节点位置位于路面上E点，检测出E点的网格坐标；用于将有障碍物时的第一图像与路面平整时的第二图像对比，在第二图像中找到与第一图像所在位置像素点相同的点F，检测出F点的网格坐标。

计算单元，用于计算得到E、R之间的距离l_ER；F、R之间的距离l_FR；以及E、F之间的距离l_EF即l_ER-l_FR；进而对待测点的高度进行估计。

本发明提供的技术方案的有益效果是：

1、本发明利用激光网格对路面信息进行标记，计算机从摄像机摄取的图像中提取网格节点信息，并转化为实际坐标，通过对比有无障碍物时图像中网格节点位置的变化，根据几何知识识别障碍物；

2、本发明由于只采用一个摄像头，这与现有的双目立体视觉和三目立体视觉方法相比成本低廉、且算法简单，适合大规模推广应用；

3、本发明与基于先验知识的障碍物检测相比，具有精度高，适用面广的优点；

4、本发明可以与现有技术中的基于雷达的障碍物检测相融合使用，从而克服利用单一的传感器进行环境感知的局限性，进而得到更精确的预测结果。

5、本发明所采用的激光器可为可见光，也可为不可见光。

附图说明

图1为一种无人驾驶汽车障碍物识别方法的流程图；

图2为激光网格在实际坐标系下的示意图；

图3为三角形栅格激光器垂直照射示意图；

图4为梯形栅格激光器垂直照射示意图；

图5为测量立方体长、宽、高的示意图；

图6为圆柱体的边界命名的示意图；

图7为测量不规则障碍物某点高度的示意图；

图8为高度测量过程中实验图像的示意图；

图9为锐度估计实验图像的示意图；

图10为一种无人驾驶汽车障碍物识别装置的结构示意图；

图11为一种无人驾驶汽车障碍物识别装置的外观图；

图12为不规则障碍物估计模块的结构示意图；

图13为高度估计子模块的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

实施例1

本发明实施例提供了一种无人驾驶汽车障碍物识别方法，参见图1，该识别方法包括以下步骤：

101：建立栅格激光器的网格坐标系，以过摄像机与地面的垂点为原点，建立固结于车上的实际坐标系；

102：将获取的多个网格坐标数据转换到路面平整时的实际坐标系下；

103：对规则障碍物进行长度、高度和宽度的估计；

104：对不规则障碍物进行宽度和高度的估计，计算机对障碍物上待测点的网格坐标进行识别，对比于无障碍物时图像上相同像素点的网格坐标，利用几何关系得到待测点三维坐标的估计；

105：对障碍物的锐度进行估计。

其中，步骤101中的栅格激光器具体为：

正方形栅格激光器、三角形栅格激光器、或梯形栅格激光器。

进一步地，在步骤101之后，步骤102之前，该识别方法还包括：

摄像机对栅格激光器照射的路面进行实时拍照，对采集的照片进行处理，找到障碍物的边界点的网格坐标。

进一步地，步骤102中的将获取的多个网格坐标数据转换到路面平整时的实际坐标系下具体为：

其中，z₀为激光器距地面垂直距离；b为当激光器与地面成一定角度照射时，网格中心O点距光源与地面交点的距离；a₀为激光器同一高度垂直照射地面时，一个网格的长度。

具体实现时，步骤104中的对不规则障碍物进行宽度和高度的估计具体为：

获取障碍物的左边界点和右边界点的坐标，并转换为在平整路面下的实际坐标；

确定障碍物上的每个网格节点所在位置的节点坐标，对每个网格节点所在位置的高度作出估计，取所有结果的最大值作为障碍物高度的估计。

其中，上述对每个网格节点所在位置的高度作出估计具体为：

测量摄像头与激光器之间的距离；

根据计算机检测得到的待测点的节点坐标，当路面平整时，该节点位置位于路面上E点，得到E、R之间的距离l_ER；

将有障碍物时的第一图像与路面平整时的第二图像对比，在第二图像中找到与第一图像所在位置像素点相同的点F，检测出F点的网格坐标，得到F点的实际坐标，进而得到l_FR；以及l_EF即l_ER-l_FR；进而对待测点的高度进行估计。

综上所述，本发明实施例通过上述步骤101-步骤105能较精确的对障碍物的长、宽和高、刺破轮胎的障碍物的锐度进行估计，算法简单，具有可行性

实施例2

下面结合具体的实例、图2-图5、计算公式对实施例1中的方案进行进一步地介绍，详见下文描述：

本发明实施例以50×50正方形栅格的激光器为例，对本方法进行分析，该激光器垂直照射地面时为正方形，倾斜照射地面时为梯形，本方法采用其倾斜照射地面的情形为例进行说明。

具体实现时，本发明实施例对上述栅格的数量、形状等不做限制，仅以上述数值、形状等为例进行说明。

201：如图2所示，以50×50正方形栅格中心O为原点，建立网格坐标系ouv，其中，u为网格节点的横坐标(垂直于汽车前进方向)，表示该节点位于激光网格的第u行；v为网格节点的纵坐标(沿车辆前进方向)，表示该节点位于激光网格的第v列。以过摄像机与地面的垂点为原点R，建立实际坐标系Rxyz；摄像机对激光器照射的路面进行实时拍照，计算机对采集的照片进行处理，找到障碍物的边界点的网格坐标；将获取的多个网格坐标数据转换到路面平整时的实际坐标系下。

具体的，将步骤201中的网格坐标转换到路面平整时实际坐标系下，根据式(1)进行转换：

其中，z₀为激光器距地面垂直距离；b为当激光器与地面成一定角度照射时，网格中心O点距光源与地面交点R的距离；a₀为激光器同一高度垂直照射地面时，一个网格的长度。

具体实现时，本发明实施例采用激光网格对平整路面进行标记，但本方法不只适用于某一款激光器，针对不同型号的激光器，可将公式(1)统一表示为，

针对上文所述的50×50正方形栅格激光器a_u＝a₀。

202：对规则物体如立方体进行长度、高度和宽度的估计；

摄像机对路面进行拍照，存在障碍物时所得图片相比于路面平整时，相同网格节点在实际坐标系中的位置会发生变化，如图3中所示，C1点为路面平整时的网格节点，C点为存在障碍物时的网格节点，两者的网格坐标相同。通过计算机对图片中障碍物的边界点进行识别，得到边界点的网格坐标，根据步骤201中的式(1)将边界点的网格坐标转化到平整路面实际坐标系下，利用平整路面网格节点的实际坐标即可得到障碍物的真实尺寸。

具体的步骤包括：

1)摄像机对激光器照射的路面进行实时拍照，计算机对采集的照片进行处理，找到障碍物的边界点，如图3所示，包括：立方体的左边界线上的A点，立方体的右边界线上的B点，立方体前面与顶面相交线CD，立方体前面与地面相交线AB，立方体后面与顶面相交线C'D'，确定这些边界点的坐标(u,v)和边界线的坐标(u,0)；

2)根据公式(2)—(4)对立方体的长、宽、高进行估计；

物体的宽度：

Δy＝y(u_B,v_B)-y(u_A,v_A) (2)

物体的高度：

物体的长度(沿汽车运动方向)：

其中，y(u_B,v_B)，y(u_A,v_A)，x(u_CD,0)，x(u_AB,0)，x(u_C′D′,0)均由步骤201中的式(1)确定。

该方法只需对拍摄的照片进行分析，无需考虑摄像机的位置，摄像机可以不在z轴上，只要能拍摄到整个网格图像即可。

203：对不规则障碍物宽度和高度的估计，该方法则要求摄像机与激光器都位于z轴上，且摄像头高于激光器，计算机对障碍物上待测点的网格坐标进行识别，对比于无障碍物时图像上相同像素点的网格坐标，利用几何关系得到对待测点三维坐标的估计；

步骤203的具体方法包括：

2031：摄像机对激光器照射的路面进行实时拍照，计算机对采集的照片进行处理，找到障碍物的边界点，如图4所示，包括：障碍物的左边界点K，障碍物的右边界点G，确定这些边界点的坐标(u,v)，根据步骤201中的式(1)得到边界点的节点坐标在平整路面下的实际坐标。对于一般障碍物可由公式(5)来近似估计不规则物体的宽度；

Δy＝y(u_G,v_G)-y(u_K,v_K) (5)

2032：确定障碍物上的每个网格节点所在位置的节点坐标(u_i,v_i)，对每个网格节点所在位置的高度作出估计，取所有结果的最大值作为障碍物高度的估计。

具体的，所述步骤2032中确定每个网格节点的高度包括以下步骤：

20321：对障碍物上某一节点位置的高度进行估计，测量摄像头与激光器之间的距离l_PQ；

根据计算机检测得到的待测点M的节点坐标(u_M,v_M)，当路面平整时，该节点位置位于路面上E点，利用公式(1)得到E点的实际坐标，进而得到E、R之间的距离l_ER；将有障碍物时的第一图像与路面平整时的第二图像对比，在第二图像中找到与第一图像中点M所在位置像素点相同的点F，检测出F点的网格坐标(u_F,v_F)，利用公式(1)得到F点的实际坐标，进而得到l_FR；以及l_EF即l_ER-l_FR；

具体的，上述步骤20321中的l_ER、l_FR的确定，具体方法如下；

1)在图5所示实施例中，网格激光投射于路面，另有一摄像机倾斜拍摄；从图像上看，点M和F为同一像素点。

2)待测点M的网格坐标为(u_M,v_M)，平整路面时E点的网格坐标(u_E,v_E)＝(u_M,v_M)，根据公式(6)对l_ER进行估计；

3)将路面有障碍物时的第一图像与路面平整时的第二图像对比，第一图像上障碍物M点所在位置像素与第二图像上的F点重合，得到第二图像中F的网格坐标(u_F,v_F)根据公式(7)对l_FR进行估计；

4)根据公式(8)对l_EF进行估计；

l_EF＝l_ER-l_FR (8)

20322：根据公式(9)对待测点的高度进行估计；

根据待测点的高度信息，可以得到待测点x和y方向的坐标：

204：对障碍物的锐度进行估计，包括以下步骤：

2041：计算机对采集的图像进行处理，识别障碍物的轮廓，检测图像中障碍物上沿y方向的激光线所在位置的坐标为u＝{u₁,u₂,u₃,…u_n}，其中u₁＞u₂＞u₃＞…＞u_n，当u＝u_i时，v方向的节点数为Δv_i；

2042：对于i＝1……N，N≤n，若

δ为一个小于1的小数，则认为物体是尖锐的。

综上所述，本发明实施例通过上述步骤201-步骤204利用激光网格对路面信息进行标记，计算机从摄像机摄取的图像中提取网格节点信息，并转化为实际坐标，通过对比有无障碍物时图像中网格节点位置的变化，根据几何知识识别障碍物，具有精度高，适用面广的优点。

实施例3

本发明实施例与实施例2不同的仅在于栅格激光器的形状不同，以及对应的坐标系转换的公式不同，参见图6和图7，详见下文描述：

对于不同形状栅格激光器，公式(1a)中a_u将有所不同。

针对图6所示三角形栅格激光器：

其中，c为当激光于距地面z₀位置垂直照射地面时BC的长度；e为当激光器于距地面z₀位置垂直照射地面时AD的长度；n₁(偶数)为将AD n₁等分；n₂(偶数)为将BC n₂等分。图6为该激光器垂直照射地面时的情形，具体实现时采用其倾斜照射。

针对图7所示梯形栅格激光器：

其中，e为当激光器于距地面z₀位置垂直照射地面时EF的长度；d₁为当激光器于距地面z₀位置垂直照射地面时AB的长度；d₂为当激光器于距地面z₀位置垂直照射地面时DC的长度；n₁(偶数)为将EF n₁等分；n₂(偶数)为将AB、CD n₂等分。图7为该激光器垂直照射地面时的情形，具体实现时采用其倾斜照射。

相比于正方形栅格激光器，三角形栅格激光器在远距离处的测量范围要比近距离处大。梯形栅格激光器在远距离处的栅格更密一些，精度更高。对于正方形栅格激光器，栅格越密，精度越高，具体实现时可根据需要采用最合适的激光器。

激光器设计时，光源位于光栅中心的正上方。光栅可根据图6、图7等所示实施例进行设计。

其余的求解步骤均与实施例2相同，本发明实施例对此不做赘述。

综上所述，本发明实施例利用激光网格对路面信息进行标记，通过对比有无障碍物时图像中网格节点位置的变化，根据几何知识识别障碍物，具有精度高，适用面广的优点。

实施例4

下面结合具体的表1、表2、以及图8-图9对实施例1和2中的方案进行可行性验证，详见下文描述：

实验所需仪器：50×50网格效果红光激光器；万向支架；相机；立方体、圆柱体、圆锥体、斜面模型；卷尺。

实验流程如下：

(1)将网格激光器放置于万向支架上，调节激光器的线宽旋钮使之呈现清晰的网格图像，使激光器垂直照射于地面，测量激光器距地面垂直距离z₀，一个网格的长度a₀。

(2)调节激光器的方位使之倾斜照射于地面，测量网格中心点距激光器与地面垂点的距离b。

(3)放置立方体、圆柱体、圆锥体、斜面模型，用相机进行拍照。

(4)确定图像中障碍物边界点坐标，代入公式(1)－(11)进行估计，并与真实值进行对比。

(5)利用步骤2042中的公式对障碍物锐度进行估计。

优选的，当z₀＝100cm，a₀＝0.78cm，b＝124cm时，分别对三个不同大小的立方体1、2、3进行三次实验，得到估计值与真实值之间的对比，如表1所示。

表1：立方体1,2,3的估计值与真实值对比

从表1中数据可知，估计值与真实值的误差很小，可知该方法是有效的。考虑到结果的偏安全性(即保证估计结果是偏大于真实值的，以确保汽车在行驶过程中不会撞到障碍物)。在进行长度、宽度、高度估计时，应在估计值上加上某一预设值(该预设值可通过在具体应用时进行多次实验，取估计值与真实值的最大差值作为该预设值来确定，具体实现时，本发明实施例对此不做限制)。

优选的，对两个圆柱体的直径和倾斜面上的三个点的高度进行多次实验，如图8所示，估计值与真实值的对比如表2所示：

表2：高度估计值与真实值对比

具体的，如图9所示，以圆锥体为例，进行锐度估计，当N＝3，则对物体的锐度进行估计，Δv₁＝0.5，Δv₂＝1，

Δv₂＝1，Δv₃＝2，

Δv₃＝2，Δv₂＝3，

则认为图5中的圆锥体是尖锐的。

实施例5

本发明实施例提供的识别方法可以与现有技术中的基于雷达的障碍物检测相融合使用，主要是实现两者的数据融合。通过本识别方法和雷达传感器对障碍物进行检测，获得有效数据；将两种传感器所获得的数据进行空间同步，使得雷达与相机获取的信息相匹配；对两种传感器采集的数据进行特征点的提取，得到想要的关于待测目标的特征值；最后利用融合算法将同一目标的特征进行融合，得到该目标障碍物的确切描述。

实施例6

本发明实施例提供了一种无人驾驶汽车障碍物识别装置，该识别装置与实施例1和2中的识别方法相对应，参见图10-图13，该识别装置包括：

坐标建立模块1，用于建立栅格激光器的网格坐标系，以过摄像机与地面的垂点为原点，建立固结于车上的实际坐标系；

在本实施例中，激光器和摄像机安装在无人驾驶汽车的车头位置或车顶部，两者位于同一铅垂线上，摄像机位置高于激光器。参见图11，激光器发射网格激光束，摄像机对前方路面信息实时拍照，计算机对图片进行处理，获得障碍物边界点的网格节点信息。

坐标转换模块2，用于将获取的多个网格坐标数据转换到路面平整时的实际坐标系下；

规则障碍物估计模块3，用于对规则障碍物进行长度、高度和宽度的估计；

不规则障碍物估计模块4，用于对不规则障碍物进行宽度和高度的估计，计算机对障碍物上待测点的网格坐标进行识别，对比于无障碍物时图像上相同像素点的网格坐标，利用几何关系得到待测点三维坐标的估计；

锐度估计模块5，用于对障碍物的锐度进行估计。

进一步地，参见图12，不规则障碍物估计模块4包括：

获取与转换子模块41，用于获取障碍物的左边界点和右边界点的坐标，并转换为在平整路面下的实际坐标；

高度估计子模块42，用于确定障碍物上的每个网格节点所在位置的节点坐标，对每个网格节点所在位置的高度作出估计，取所有结果的最大值作为障碍物高度的估计。

其中，参见图13，高度估计子模块42包括：

测量单元421，用于测量摄像头与激光器之间的距离；

获取单元422，用于根据计算机检测得到的待测点的节点坐标，当路面平整时，该节点位置位于路面上E点，检测出E点的网格坐标；用于将有障碍物时的第一图像与路面平整时的第二图像对比，在第二图像中找到与第一图像所在位置像素点相同的点F，检测出F点的网格坐标；

计算单元423，用于计算得到E、R之间的距离l_ER；F、R之间的距离l_FR；以及E、F之间的距离l_EF即l_ER-l_FR；进而对待测点的高度进行估计。

本发明实施例对上述的模块、子模块、以及单元的执行主体不做限制，可以为单片机、微处理器等具有计算功能的器件，只要能实现上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种无人驾驶汽车障碍物识别方法，其特征在于，所述障碍物识别方法包括以下步骤：

建立栅格激光器的网格坐标系，以过摄像机与地面的垂点为原点，建立固结于车上的实际坐标系；

将获取的多个网格坐标数据转换到路面平整时的实际坐标系下；

其中，b为当激光器与地面成一定角度照射时，网格中心O点距光源与地面交点的距离；a₀为激光器同一高度垂直照射地面时，一个网格的长度；对规则障碍物进行长度、高度和宽度的估计；

宽度：

Δy＝y(u_B,v_B)-y(u_A,v_A)

高度：

长度：

对不规则障碍物进行宽度和高度的估计，计算机对障碍物上待测点的网格坐标进行识别，对比于无障碍物时图像上相同像素点的网格坐标，利用几何关系得到待测点三维坐标的估计；

对障碍物的锐度进行估计；

所述对不规则障碍物进行宽度和高度的估计具体为：

获取障碍物的左边界点和右边界点的坐标，并转换为在平整路面下的实际坐标；

确定障碍物上的每个网格节点所在位置的节点坐标，对每个网格节点所在位置的高度作出估计，取所有结果的最大值作为障碍物高度的估计；

所述对每个网格节点所在位置的高度作出估计具体为：

测量摄像头与激光器之间的距离l_PQ；

根据计算机检测得到的待测点的节点坐标，当路面平整时，该节点位置位于路面上E点，得到E、R之间的距离l_ER；

将有障碍物时的第一图像与路面平整时的第二图像对比，在第二图像中找到与第一图像所在位置像素点相同的点F，检测出F点的网格坐标(u_F,v_F)，得到F点的实际坐标，进而得到l_FR；以及l_EF即l_ER-l_FR；进而对待测点的高度h_MM′进行估计；

所述对障碍物的锐度进行估计具体为：

计算机对采集的图像进行处理，识别障碍物的轮廓，检测图像中障碍物上沿y方向的激光线所在位置的坐标为u＝{u₁,u₂,u₃,...u_n}，其中u₁＞u₂＞u₃＞…＞u_n，当u＝u_i时，v方向的节点数为Δv_i；

对于i＝1……N，N≤n，若

δ为一个小于1的小数，则认为物体是尖锐的；

其中，

E点的网格坐标为(u_E,v_E)，

z₀为激光器距地面垂直距离，待测点x和y方向的坐标

2.根据权利要求1所述的一种无人驾驶汽车障碍物识别方法，其特征在于，所述栅格激光器具体为：

正方形栅格激光器、三角形栅格激光器、或梯形栅格激光器。

3.根据权利要求1所述的一种无人驾驶汽车障碍物识别方法，其特征在于，在所述获取的多个网格坐标数据转换到路面平整时的实际坐标系下的步骤之前，所述方法还包括：

摄像机对栅格激光器照射的路面进行实时拍照，对采集的照片进行处理，找到障碍物的边界点的网格坐标。

4.一种用于权利要求1所述的无人驾驶汽车障碍物识别方法的识别装置，其特征在于，所述识别装置包括：

坐标建立模块，用于建立栅格激光器的网格坐标系，以过摄像机与地面的垂点为原点，建立固结于车上的实际坐标系；

坐标转换模块，用于将获取的多个网格坐标数据转换到路面平整时的实际坐标系下；

规则障碍物估计模块，用于对规则障碍物进行长度、高度和宽度的估计；

不规则障碍物估计模块，用于对不规则障碍物进行宽度和高度的估计，计算机对障碍物上待测点的网格坐标进行识别，对比于无障碍物时图像上相同像素点的网格坐标，利用几何关系得到待测点三维坐标的估计；

锐度估计模块，用于对障碍物的锐度进行估计。

5.根据权利要求4所述的识别装置，其特征在于，所述不规则障碍物估计模块包括：

获取与转换子模块，用于获取障碍物的左边界点和右边界点的坐标，并转换为在平整路面下的实际坐标；

高度估计子模块，用于确定障碍物上的每个网格节点所在位置的节点坐标，对每个网格节点所在位置的高度作出估计，取所有结果的最大值作为障碍物高度的估计。

6.根据权利要求5所述的识别装置，其特征在于，所述高度估计子模块包括：

测量单元，用于测量摄像头与激光器之间的距离；

获取单元，用于根据计算机检测得到的待测点的节点坐标，当路面平整时，该节点位置位于路面上E点，检测出E点的网格坐标；用于将有障碍物时的第一图像与路面平整时的第二图像对比，在第二图像中找到与第一图像所在位置像素点相同的点F，检测出F点的网格坐标。

计算单元，用于计算得到E、R之间的距离l_ER；F、R之间的距离l_FR；以及E、F之间的距离l_EF即l_ER-l_FR；进而对待测点的高度进行估计。

Images