CN109117690A - 可行驶区域检测方法、装置、设备及存储介质 - Google Patents

可行驶区域检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109117690A
CN109117690A CN201710487137.8A CN201710487137A CN109117690A CN 109117690 A CN109117690 A CN 109117690A CN 201710487137 A CN201710487137 A CN 201710487137A CN 109117690 A CN109117690 A CN 109117690A
Authority
CN
China
Prior art keywords
region
image
travelable
space
travel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710487137.8A
Other languages
English (en)
Inventor
陈世佳
何明
夏添
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710487137.8A priority Critical patent/CN109117690A/zh
Publication of CN109117690A publication Critical patent/CN109117690A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了可行驶区域检测方法、装置、设备及存储介质，其中方法包括：获取安装在无人驾驶车辆上的单目摄像头采集的路面图像；将路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域；根据相似三角形原理，将可行驶区域映射到三维空间，得到空间可行驶区域。应用本发明所述方案，能够提高检测结果的准确性等。

Description

可行驶区域检测方法、装置、设备及存储介质
【技术领域】
本发明涉及计算机应用技术，特别涉及可行驶区域检测方法、装置、设备及存储介质。
【背景技术】
近年来随着交通改善和驾驶安全需求的不断增强，自动驾驶技术迅速进入大众视野。
在无人驾驶车辆的行驶过程中，可实时地进行障碍物检测，以便进行避障等操作，目前虽然已经有比较有效的障碍物检测方案，但其检测准确性仍有待提高，而且只能检测定义好的障碍物类型，应对突发或未知类型的障碍物存在困难。
为此，现有技术中又提出了可行驶区域检测技术，可行驶区域检测技术的检测目标与障碍物检测相反，只考虑可以行驶的路面部分(不包含障碍物部分)，不需要对障碍物进行各种细分，只需要区分出路面上的可行驶区域和不可行驶区域即可。
具体的可行驶区域检测方式可为：通过双目摄像头采集左右目图像，计算并生成视差信息图，从而获得每个像素的三维信息，之后通过投影、拟合等方式，得到路面边缘信息，进而通过扫描方式确定路面可行驶区域。
但双目摄像头在室外运动环境中的配置要求严格，获取的视差精度通常较低，从而导致后续可行驶区域的检测结果不够准确。
【发明内容】
有鉴于此，本发明提供了可行驶区域检测方法、装置、设备及存储介质，能够提高检测结果的准确性。
具体技术方案如下：
一种可行驶区域检测方法，包括：
获取安装在无人驾驶车辆上的单目摄像头采集的路面图像；
将所述路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域；
根据相似三角形原理，将所述可行驶区域映射到三维空间，得到空间可行驶区域。
根据本发明一优选实施例，所述获取安装在无人驾驶车辆上的单目摄像头采集的路面图像之前，进一步包括：
获取作为训练数据的单目摄像头采集的路面图像；
针对作为训练数据的每张路面图像，分别获取其中的各像素点的标注结果，所述标注结果包括属于可行驶区域以及属于不可行驶区域；
根据作为训练数据的各路面图像以及标注结果，训练得到所述深度学习模型。
根据本发明一优选实施例，所述将所述路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域包括：
将所述路面图像输入给所述深度学习模型，得到由可行驶区域以及不可行驶区域组成的分类结果图像。
根据本发明一优选实施例，所述得到由可行驶区域以及不可行驶区域组成的分类结果图像之后，进一步包括：
对所述分类结果图像进行图像后处理，得到优化后的可行驶区域。
根据本发明一优选实施例，所述将所述可行驶区域映射到三维空间包括：
针对所述可行驶区域中的每个像素点，分别根据所述单目摄像头的参数以及相似三角形原理，将所述像素点映射到三维空间。
根据本发明一优选实施例，所述得到空间可行驶区域之后，进一步包括：
对所述空间可行驶区域进行空间后处理，得到优化后的空间可行驶区域。
一种可行驶区域检测装置，包括：获取单元以及检测单元；
所述获取单元，用于获取安装在无人驾驶车辆上的单目摄像头采集的路面图像；
所述检测单元，用于将所述路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域，并根据相似三角形原理，将所述可行驶区域映射到三维空间，得到空间可行驶区域。
根据本发明一优选实施例，所述装置中进一步包括：预处理单元；
所述预处理单元，用于获取作为训练数据的单目摄像头采集的路面图像，针对作为训练数据的每张路面图像，分别获取其中的各像素点的标注结果，所述标注结果包括属于可行驶区域以及属于不可行驶区域，根据作为训练数据的各路面图像以及标注结果，训练得到所述深度学习模型。
根据本发明一优选实施例，所述检测单元将所述路面图像输入给所述深度学习模型，得到由可行驶区域以及不可行驶区域组成的分类结果图像。
根据本发明一优选实施例，所述检测单元进一步用于，
对所述分类结果图像进行图像后处理，得到优化后的可行驶区域。
根据本发明一优选实施例，所述检测单元针对所述可行驶区域中的每个像素点，分别根据所述单目摄像头的参数以及相似三角形原理，将所述像素点映射到三维空间。
根据本发明一优选实施例，所述检测单元进一步用于，
对所述空间可行驶区域进行空间后处理，得到优化后的空间可行驶区域。
一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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以上所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出，采用本发明所述方案，可获取安装在无人驾驶车辆上的单目摄像头采集的路面图像，之后将路面图像输入给预先训练得到的深度学习模型，从而得到检测出的图像上的可行驶区域，进而可根据相似三角形原理等，将可行驶区域映射到三维空间，得到所需的空间可行驶区域，相比于现有技术，本发明中基于深度学习的方式直接在单目摄像头采集的图像上进行可行驶区域检测等，从而克服了现有技术中存在的问题，进而提高了检测结果的准确性。
【附图说明】
图1为本发明所述可行驶区域的示意图。
图2为本发明所述可行驶区域检测方法实施例的流程图。
图3为本发明所述可行驶区域检测方法较佳实施例的流程图。
图4为本发明所述可行驶区域检测装置实施例的组成结构示意图。
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系统/服务器12的框图。
【具体实施方式】
针对现有技术中存在的问题，本发明中提出一种基于深度学习的可行驶区域检测方式。
可行驶区域主要是指车辆在不发生碰撞等危险的情况下，短时间内可抵达的安全路面区域，包括同向车道没有障碍物区域、路口或者匝道潜在可行驶方向路面等。
如图1所示，图1为本发明所述可行驶区域的示意图，为了方便查看，用虚线对可行驶区域进行了标注。
为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案进行进一步说明。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图2为本发明所述可行驶区域检测方法实施例的流程图，如图2所示，包括以下具体实现方式：
在201中，获取安装在无人驾驶车辆上的单目摄像头采集的路面图像；
在202中，将路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域；
在203中，根据相似三角形原理，将可行驶区域映射到三维空间，得到空间可行驶区域。
可以看出，为实现上述方案，需要首先训练得到深度学习模型，之后即可根据深度学习模型来进行可行驶区域的检测，以下分别对上述各部分的具体实现进行详细说明。
一)深度学习模型
为训练得到深度学习模型，需要首先获取训练数据，进而根据训练数据训练得到深度学习模型。
可利用安装有单目摄像头的采集车来采集作为训练数据的路面图像，采集车可以为无人驾驶车辆，也可以为有人驾驶车辆。
所采集的作为训练数据的路面图像的数量可根据实际需要而定。
针对作为训练数据的每张路面图像，可分别获取其中的各像素点的标注结果，标注结果包括属于可行驶区域以及属于不可行驶区域。
如何进行标注不作限制，比如，可以采用人工标注方式，也可以采用机器标注方式。
之后，即可根据作为训练数据的各路面图像以及标注结果，训练得到深度学习模型。
深度学习模型为图像到图像的端到端预测模型，输入是图像，输出仍是图像。
二)可行驶区域检测
在训练得到深度学习模型之后，即可利用深度学习模型来进行实际的可行驶区域检测。
比如，在无人驾驶车辆的行驶过程中，针对无人驾驶车辆上安装的单目摄像头每次采集到的路面图像，可分别将其输入给深度学习模型，从而得到检测出的图像上的可行驶区域。
对于输入的每张路面图像来说，深度学习模型会分别预测出图像中的每个像素点属于可行驶区域还是不可行驶区域，进而输出由可行驶区域以及不可行驶区域组成的分类结果图像，即将图像中的各像素点分为了两类，一类属于可行驶区域，另一类属于不可行驶区域。
对于得到的分类结果图像，还可进一步对其进行图像后处理，从而得到优化后的可行驶区域。
如可对分类结果图像进行平滑、优化拟合等处理，从而得到边界更为圆滑的可行驶区域，可使用的方法包括图像形态学处理、条件随机场(CRF，Conditional RandomField)、马尔科夫随机场(MRF，Markov Random Filed)等。
之后，可进行空间映射，即可根据相似三角形原理等，将可行驶区域从二维空间映射到三维空间，从而得到空间可行驶区域。
假设路面是平整的，那么可针对可行驶区域中的每个像素点，分别根据单目摄像头的参数以及相似三角形原理，将该像素点映射到三维空间。
单目摄像头的参数可包括安装位置参数以及摄像头内外参数等，可根据这些参数并结合相似三角形原理，分别计算出可行驶区域中的每个像素点的三维距离值，从而将可行驶区域从二维空间映射到三维空间，具体实现为现有技术。
由于在进行空间映射时，是假设路面是平整的，但实际中可能存在凹凸或坡度，从而使得空间映射后的可行驶区域存在毛刺，为此，在得到空间可行驶区域之后，可进一步对其进行空间后处理，从而得到优化后的空间可行驶区域。
如可通过CRF或其它平滑方法来得到优化后的空间可行驶区域。
基于上述介绍，图3为本发明所述可行驶区域检测方法较佳实施例的流程图，如图3所示，包括以下具体实现方式。
在301中，获取作为训练数据的单目摄像头采集的路面图像。
可获取多张作为训练数据的路面图像。
在302中，针对作为训练数据的每张路面图像，分别获取其中的各像素点的标注结果，标注结果包括属于可行驶区域以及属于不可行驶区域。
可以采用人工标注方式，也可以采用机器标注方式。
在303中，根据作为训练数据的各路面图像以及标注结果，训练得到深度学习模型。
深度学习模型为图像到图像的端到端预测模型，输入是图像，输出仍是图像。
在304中，在无人驾驶车辆的行驶过程中，获取单目摄像头采集的路面图像。
在305中，将获取到的路面图像输入给深度学习模型，得到由可行驶区域以及不可行驶区域组成的分类结果图像。
对于输入的每张路面图像来说，深度学习模型会分别预测出图像中的每个像素点属于可行驶区域还是不可行驶区域，进而输出由可行驶区域以及不可行驶区域组成的分类结果图像。
在306中，对分类结果图像进行图像后处理，得到优化后的可行驶区域。
如可对分类结果图像进行平滑、优化拟合等处理，从而得到边界更为圆滑的可行驶区域，可使用的方法包括图像形态学处理、CRF、MRF等。
在307中，根据单目摄像头的参数以及相似三角形原理，将可行驶区域映射到三维空间，得到空间可行驶区域。
可针对可行驶区域中的每个像素点，分别根据单目摄像头的参数以及相似三角形原理，将该像素点映射到三维空间。
在308中，对空间可行驶区域进行空间后处理，得到优化后的空间可行驶区域。
如可通过CRF或其它平滑方法来得到优化后的空间可行驶区域。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
总之，采用上述各方法实施例所述方案，可获取安装在无人驾驶车辆上的单目摄像头采集的路面图像，之后将路面图像输入给预先训练得到的深度学习模型，从而得到检测出的图像上的可行驶区域，进而可根据相似三角形原理等，将可行驶区域映射到三维空间，得到所需的空间可行驶区域，相比于现有技术，本发明中基于深度学习的方式直接在单目摄像头采集的图像上进行可行驶区域检测，从而克服了现有技术中存在的问题，进而提高了检测结果的准确性。
后续，还可将得到的空间可行驶区域与lidar感知及高精地图相结合，互为补充，得到更可信的可行驶区域，可作为无人驾驶车辆的规划控制的输入，实现更友好的自动驾驶调度策略等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图4为本发明所述可行驶区域检测装置实施例的组成结构示意图，如图4所示，包括：获取单元401以及检测单元402。
获取单元401，用于获取安装在无人驾驶车辆上的单目摄像头采集的路面图像。
检测单元402，用于将路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域，并根据相似三角形原理，将可行驶区域映射到三维空间，得到空间可行驶区域。
可以看出，为实现上述方案，需要首先训练得到深度学习模型，之后即可根据深度学习模型来进行可行驶区域的检测。
相应地，图4所示装置中可进一步包括：预处理单元400。
预处理单元400，用于获取作为训练数据的单目摄像头采集的路面图像，针对作为训练数据的每张路面图像，分别获取其中的各像素点的标注结果，标注结果包括属于可行驶区域以及属于不可行驶区域，根据作为训练数据的各路面图像以及标注结果，训练得到深度学习模型。
在实际应用中，可利用安装有单目摄像头的采集车来采集作为训练数据的路面图像，采集车可以为无人驾驶车辆，也可以为有人驾驶车辆。
针对作为训练数据的每张路面图像，可分别获取其中的各像素点的标注结果，标注结果包括属于可行驶区域以及属于不可行驶区域。
如何进行标注不作限制，比如，可以采用人工标注方式，也可以采用机器标注方式。
之后，即可根据作为训练数据的各路面图像以及标注结果，训练得到深度学习模型。
深度学习模型为图像到图像的端到端预测模型，输入是图像，输出仍是图像。
在训练得到深度学习模型之后，即可利用深度学习模型来进行实际的可行驶区域检测。
比如，在无人驾驶车辆的行驶过程中，获取单元401可获取单目摄像头每次采集到的路面图像，发送给检测单元402，检测单元402可将路面图像输入给深度学习模型，从而得到检测出的图像上的可行驶区域。
对于输入的每张路面图像来说，深度学习模型会分别预测出图像中的每个像素点属于可行驶区域还是不可行驶区域，进而输出由可行驶区域以及不可行驶区域组成的分类结果图像。
对于得到的分类结果图像，检测单元402还可进一步对其进行图像后处理，从而得到优化后的可行驶区域。
如可对分类结果图像进行平滑、优化拟合等处理，从而得到边界更为圆滑的可行驶区域，可使用的方法包括图像形态学处理、CRF、MRF等。
之后，检测单元402可进行空间映射，即可根据相似三角形原理等，将可行驶区域从二维空间映射到三维空间，从而得到空间可行驶区域。
假设路面是平整的，那么检测单元402可针对可行驶区域中的每个像素点，分别根据单目摄像头的参数以及相似三角形原理，将该像素点映射到三维空间。
单目摄像头的参数可包括安装位置参数以及摄像头内外参数等，可根据这些参数并结合相似三角形原理，分别计算出可行驶区域中的每个像素点的三维距离值，从而将可行驶区域从二维空间映射到三维空间。
由于在进行空间映射时，是假设路面是平整的，但实际中可能存在凹凸或坡度，从而使得空间映射后的可行驶区域存在毛刺，为此，在得到空间可行驶区域之后，检测单元402还可进一步对其进行空间后处理，从而得到优化后的空间可行驶区域。
如可通过CRF或其它平滑方法来得到优化后的空间可行驶区域。
图4所示装置实施例的具体工作流程请参照前述方法实施例中的相应说明，不再赘述。
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系统/服务器12的框图。图5显示的计算机系统/服务器12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，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器(处理单元)16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18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。
计算机系统/服务器12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系统/服务器12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。
存储器28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)30和/或高速缓存存储器32。计算机系统/服务器12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34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18相连。存储器28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各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42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42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12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22进行。并且，计算机系统/服务器12还可以通过网络适配器20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5所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12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、冗余处理单元、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16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图2所示实施例中的方法，即获取安装在无人驾驶车辆上的单目摄像头采集的路面图像，将路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域，根据相似三角形原理等，将可行驶区域映射到三维空间，得到空间可行驶区域。
具体实现请参照前述各实施例中的相关说明，不再赘述。
本发明同时公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时将实现如图2所示实施例中的方法。
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，所述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，所揭露的装置和方法等，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，所述单元的划分，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。
所述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所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述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 (14)

1.一种可行驶区域检测方法，其特征在于，包括：
获取安装在无人驾驶车辆上的单目摄像头采集的路面图像；
将所述路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域；
根据相似三角形原理，将所述可行驶区域映射到三维空间，得到空间可行驶区域。
2.根据权利要求1所述的方法，其特征在于，
所述获取安装在无人驾驶车辆上的单目摄像头采集的路面图像之前，进一步包括：
获取作为训练数据的单目摄像头采集的路面图像；
针对作为训练数据的每张路面图像，分别获取其中的各像素点的标注结果，所述标注结果包括属于可行驶区域以及属于不可行驶区域；
根据作为训练数据的各路面图像以及标注结果，训练得到所述深度学习模型。
3.根据权利要求1所述的方法，其特征在于，
所述将所述路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域包括：
将所述路面图像输入给所述深度学习模型，得到由可行驶区域以及不可行驶区域组成的分类结果图像。
4.根据权利要求3所述的方法，其特征在于，
所述得到由可行驶区域以及不可行驶区域组成的分类结果图像之后，进一步包括：
对所述分类结果图像进行图像后处理，得到优化后的可行驶区域。
5.根据权利要求1所述的方法，其特征在于，
所述将所述可行驶区域映射到三维空间包括：
针对所述可行驶区域中的每个像素点，分别根据所述单目摄像头的参数以及相似三角形原理，将所述像素点映射到三维空间。
6.根据权利要求1所述的方法，其特征在于，
所述得到空间可行驶区域之后，进一步包括：
对所述空间可行驶区域进行空间后处理，得到优化后的空间可行驶区域。
7.一种可行驶区域检测装置，其特征在于，包括：获取单元以及检测单元；
所述获取单元，用于获取安装在无人驾驶车辆上的单目摄像头采集的路面图像；
所述检测单元，用于将所述路面图像输入给预先训练得到的深度学习模型，得到检测出的图像上的可行驶区域，并根据相似三角形原理，将所述可行驶区域映射到三维空间，得到空间可行驶区域。
8.根据权利要求7所述的装置，其特征在于，
所述装置中进一步包括：预处理单元；
所述预处理单元，用于获取作为训练数据的单目摄像头采集的路面图像，针对作为训练数据的每张路面图像，分别获取其中的各像素点的标注结果，所述标注结果包括属于可行驶区域以及属于不可行驶区域，根据作为训练数据的各路面图像以及标注结果，训练得到所述深度学习模型。
9.根据权利要求7所述的装置，其特征在于，
所述检测单元将所述路面图像输入给所述深度学习模型，得到由可行驶区域以及不可行驶区域组成的分类结果图像。
10.根据权利要求9所述的装置，其特征在于，
所述检测单元进一步用于，
对所述分类结果图像进行图像后处理，得到优化后的可行驶区域。
11.根据权利要求7所述的装置，其特征在于，
所述检测单元针对所述可行驶区域中的每个像素点，分别根据所述单目摄像头的参数以及相似三角形原理，将所述像素点映射到三维空间。
12.根据权利要求7所述的装置，其特征在于，
所述检测单元进一步用于，
对所述空间可行驶区域进行空间后处理，得到优化后的空间可行驶区域。
13.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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1～6中任一项所述的方法。
14.一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，所述程序被处理器执行时实现如权利要求1～6中任一项所述的方法。
CN201710487137.8A 2017-06-23 2017-06-23 可行驶区域检测方法、装置、设备及存储介质 Pending CN109117690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710487137.8A CN109117690A (zh) 2017-06-23 2017-06-23 可行驶区域检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710487137.8A CN109117690A (zh) 2017-06-23 2017-06-23 可行驶区域检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN109117690A true CN109117690A (zh) 2019-01-01

Family

ID=64732347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710487137.8A Pending CN109117690A (zh) 2017-06-23 2017-06-23 可行驶区域检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109117690A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977845A (zh) * 2019-03-21 2019-07-05 百度在线网络技术（北京）有限公司 一种可行驶区域检测方法及车载终端
CN111832368A (zh) * 2019-04-23 2020-10-27 长沙智能驾驶研究院有限公司 可行驶区域检测模型的训练方法、训练装置及应用
CN112200172A (zh) * 2020-12-07 2021-01-08 天津天瞳威势电子科技有限公司 一种可行驶区域的检测方法及装置
CN112230642A (zh) * 2019-06-29 2021-01-15 华为技术有限公司 道路可行驶区域推理方法及装置
CN112419776A (zh) * 2020-10-16 2021-02-26 爱驰汽车（上海）有限公司 自主泊车方法、装置、汽车及计算设备
CN114663397A (zh) * 2022-03-22 2022-06-24 小米汽车科技有限公司 可行驶区域的检测方法、装置、设备及存储介质
US11586861B2 (en) 2019-09-13 2023-02-21 Toyota Research Institute, Inc. Embeddings + SVM for teaching traversability

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714262A (zh) * 2009-12-10 2010-05-26 北京大学 单幅图像的三维场景重建方法
CN105069411A (zh) * 2015-07-24 2015-11-18 深圳市佳信捷技术股份有限公司 道路识别方法和装置
US20160224852A1 (en) * 2015-01-30 2016-08-04 GM Global Technology Operations LLC Vehicle operator monitoring system and method
WO2016170330A1 (en) * 2015-04-24 2016-10-27 Oxford University Innovation Limited Processing a series of images to identify at least a portion of an object
CN106485233A (zh) * 2016-10-21 2017-03-08 深圳地平线机器人科技有限公司 可行驶区域检测方法、装置和电子设备
CN106570820A (zh) * 2016-10-18 2017-04-19 浙江工业大学 一种基于四旋翼无人机的单目视觉三维特征提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101714262A (zh) * 2009-12-10 2010-05-26 北京大学 单幅图像的三维场景重建方法
US20160224852A1 (en) * 2015-01-30 2016-08-04 GM Global Technology Operations LLC Vehicle operator monitoring system and method
WO2016170330A1 (en) * 2015-04-24 2016-10-27 Oxford University Innovation Limited Processing a series of images to identify at least a portion of an object
CN105069411A (zh) * 2015-07-24 2015-11-18 深圳市佳信捷技术股份有限公司 道路识别方法和装置
CN106570820A (zh) * 2016-10-18 2017-04-19 浙江工业大学 一种基于四旋翼无人机的单目视觉三维特征提取方法
CN106485233A (zh) * 2016-10-21 2017-03-08 深圳地平线机器人科技有限公司 可行驶区域检测方法、装置和电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GIDEON P.STEIN: "Vision-based ACC with a Single Camera: Bounds on Range and Range Rate Accuracy", 《IEEE》 *
KING NGI NGAN等: "《视频分割及其应用》", 30 April 2014, 国防工业出版社 *
陈慧岩等: "《无人驾驶汽车概论》", 31 July 2014, 北京理工大学出版社 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977845A (zh) * 2019-03-21 2019-07-05 百度在线网络技术（北京）有限公司 一种可行驶区域检测方法及车载终端
CN109977845B (zh) * 2019-03-21 2021-08-17 百度在线网络技术（北京）有限公司 一种可行驶区域检测方法及车载终端
CN111832368A (zh) * 2019-04-23 2020-10-27 长沙智能驾驶研究院有限公司 可行驶区域检测模型的训练方法、训练装置及应用
CN112230642A (zh) * 2019-06-29 2021-01-15 华为技术有限公司 道路可行驶区域推理方法及装置
CN112230642B (zh) * 2019-06-29 2022-01-11 华为技术有限公司 道路可行驶区域推理方法及装置
US11586861B2 (en) 2019-09-13 2023-02-21 Toyota Research Institute, Inc. Embeddings + SVM for teaching traversability
CN112419776A (zh) * 2020-10-16 2021-02-26 爱驰汽车（上海）有限公司 自主泊车方法、装置、汽车及计算设备
CN112200172A (zh) * 2020-12-07 2021-01-08 天津天瞳威势电子科技有限公司 一种可行驶区域的检测方法及装置
CN112200172B (zh) * 2020-12-07 2021-02-19 天津天瞳威势电子科技有限公司 一种可行驶区域的检测方法及装置
WO2022121766A1 (zh) * 2020-12-07 2022-06-16 天津天瞳威势电子科技有限公司 一种可行驶区域的检测方法及装置
CN114663397A (zh) * 2022-03-22 2022-06-24 小米汽车科技有限公司 可行驶区域的检测方法、装置、设备及存储介质
CN114663397B (zh) * 2022-03-22 2023-05-23 小米汽车科技有限公司 可行驶区域的检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109117691A (zh) 可行驶区域检测方法、装置、设备及存储介质
CN109117690A (zh) 可行驶区域检测方法、装置、设备及存储介质
CN109271944B (zh) 障碍物检测方法、装置、电子设备、车辆及存储介质
CA2950791C (en) Binocular visual navigation system and method based on power robot
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
CN109116374A (zh) 确定障碍物距离的方法、装置、设备及存储介质
CN106485233A (zh) 可行驶区域检测方法、装置和电子设备
KR20210078530A (ko) 차선 속성 검출방법, 장치, 전자장치 및 가독 저장 매체
CN109118532B (zh) 视觉景深估计方法、装置、设备及存储介质
CN109255341A (zh) 障碍物感知错误数据的提取方法、装置、设备及介质
Meissner et al. Intersection-based road user tracking using a classifying multiple-model PHD filter
CN103770704A (zh) 用于识别车辆的停车位标志线的系统和方法
US11403947B2 (en) Systems and methods for identifying available parking spaces using connected vehicles
CN109816780B (zh) 一种双目序列影像的输电线路三维点云生成方法及装置
CN109229109A (zh) 判断车辆行驶方向的方法、装置、设备和计算机存储介质
KR102195317B1 (ko) 비디오 게임을 활용한 차량 사고 예측 방법
WO2020215254A1 (zh) 车道线地图的维护方法、电子设备与存储介质
CN114442101A (zh) 基于成像毫米波雷达的车辆导航方法、装置、设备及介质
CN106080397A (zh) 自适应巡航系统及车载设备
CN113537047A (zh) 障碍物检测方法、装置、交通工具及存储介质
CN110727269B (zh) 车辆控制方法及相关产品
CN110414374B (zh) 一种障碍物位姿的确定方法、装置、设备及介质
Wang et al. Lane detection algorithm based on temporal–spatial information matching and fusion
CN115965961B (zh) 局部到全局的多模态融合方法、系统、设备及存储介质
CN109977884B (zh) 目标跟随方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination