CN114140760A - 智能驾驶中障碍物检测去干扰方法、装置和计算机设备 - Google Patents
智能驾驶中障碍物检测去干扰方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114140760A CN114140760A CN202010813434.9A CN202010813434A CN114140760A CN 114140760 A CN114140760 A CN 114140760A CN 202010813434 A CN202010813434 A CN 202010813434A CN 114140760 A CN114140760 A CN 114140760A
- Authority
- CN
- China
- Prior art keywords
- target object
- image
- obstacle
- preset
- point cloud
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
Abstract
本申请涉及一种智能驾驶中障碍物检测去干扰方法、装置和计算机设备。所述方法包括:获取激光雷达数据,根据激光雷达数据得到待处理点云图像;对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标;根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。采用本方法能够实现良好智能驾驶控制。
Description
技术领域
本申请涉及智能驾驶技术领域,特别是涉及一种智能驾驶中障碍物检测去干扰方法、装置和计算机设备。
背景技术
随着智能驾驶技术的发展,出现了自动驾驶重型卡车,自动驾驶重型卡车由一个复杂的系统构成,主要包括感知、规划、决策、控制、导航等众多模块。
传统技术中,智能驾驶重型卡车常用感知模块作为“眼睛”,将激光雷达作为感知模块中不可或缺的传感器,进行精准测距,利用激光雷达数据进行规划决策实现自动驾驶,激光雷达通常安置在自动驾驶重型卡车的车头两侧,旋转式激光雷达会有270°扫描范围,90°被车身所遮挡。
然而,在车辆(特别是重型卡车)转弯过程中,车头会与车身或车身上的物体(例如设置于车辆上的挂箱)形成一定的角度,这会导致车身或车身上的物体被误检为障碍物,可见如果没有障碍物检测去干扰方案会严重影响到自动驾驶车辆的规划决策,无法良好实现智能驾驶控制。
发明内容
基于此,有必要针对上述技术问题,提供一种智能驾驶中障碍物检测去干扰方法、装置、计算机设备和存储介质。
一种智能驾驶中障碍物检测去干扰方法,所述方法包括:
获取激光雷达数据,根据激光雷达数据得到待处理点云图像;
对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆;
根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;
根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;
遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
在一个实施例中,根据激光雷达数据得到待处理点云图像包括:
根据激光雷达数据携带的时间戳进行数据融合,得到预设坐标系下的点云数据;
对点云数据进行地面分割处理,得到非地面点云数据;
根据预设目标物体存在区域对非地面点云数据进行筛选,得到目标点云数据;
对目标点云数据进行投影,得到待处理点云图像。
在一个实施例中,对点云数据进行地面分割处理,得到非地面点云数据包括:
根据点云数据进行投影,得到点云投影图;
对点云投影图进行格网划分,得到与点云投影图对应的格网点云图;
计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据。
在一个实施例中,对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线包括:
通过特征检测算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线;
根据预设排序范围对待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与目标物体侧壁对应的直线。
在一个实施例中,根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标包括:
获取与目标物体侧壁对应的直线在预设坐标系下的直线端点坐标以及直线长度;
根据稳定角落点坐标、直线端点坐标、直线长度以及预设目标物体长度,得到目标物体第一角落点坐标;
根据稳定角落点坐标和目标物体第一角落点坐标,得到目标物体第一斜率;
根据目标物体第一斜率,得到与目标物体第一斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合以及预设目标物体宽度,得到目标物体第二斜率以及与目标物体第二斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合、目标物体第二斜率以及与目标物体第二斜率对应的截距集合,得到目标物体第二角落点坐标以及目标物体第三角落点坐标。
在一个实施例中,根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像包括:
根据目标物体角落点坐标在预设图像上标注出目标物体边界线;
根据目标物体边界线得到目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像;
根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
在一个实施例中,遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域包括:
标注出已标注障碍物图像中的待检测障碍物图像,对待检测障碍物图像进行像素值检测;
当检测到待检测障碍物图像的像素值为预设像素值时,将待检测障碍物图像作为被误检的目标物体障碍物图像,从已标注障碍物图像中过滤被误检的目标物体障碍物图像。
在一个实施例中,标注出所述已标注障碍物图像中的待检测障碍物图像之前,还还包括:
根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像;
根据预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像。
一种智能驾驶中障碍物检测去干扰装置,所述装置包括:
获取模块,用于获取激光雷达数据,根据激光雷达数据得到待处理点云图像;
直线检测模块,用于对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆;
处理模块,用于根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;
标注模块,用于根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;
检测模块,用于遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取激光雷达数据,根据激光雷达数据得到待处理点云图像;
对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆;
根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;
根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;
遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取激光雷达数据,根据激光雷达数据得到待处理点云图像;
对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆;
根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;
根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;
遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
上述智能驾驶中障碍物检测去干扰方法、装置、计算机设备和存储介质,通过对激光雷达数据进行分析,得到待处理点云图像,通过对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,进而可以根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标,根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像,遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域,整个过程,能够通过对激光雷达数据的分析实现对预设图像上目标物体区域的确定,进而根据目标物体区域对已标注障碍物图像进行遍历,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域,使得目标物体不会再被误检为障碍物,不会干扰到自动驾驶重型卡车的决策规划,从而实现良好智能驾驶控制。
附图说明
图1为一个实施例中智能驾驶中障碍物检测去干扰方法的流程示意图;
图2为一个实施例中智能驾驶中障碍物检测去干扰方法的示意图;
图3为另一个实施例中智能驾驶中障碍物检测去干扰方法的示意图;
图4为又一个实施例中智能驾驶中障碍物检测去干扰方法的示意图;
图5为再一个实施例中智能驾驶中障碍物检测去干扰方法的示意图;
图6为另一个实施例中智能驾驶中障碍物检测去干扰方法的示意图;
图7为另一个实施例中智能驾驶中障碍物检测去干扰方法的流程示意图;
图8为一个实施例中智能驾驶中障碍物检测去干扰装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种智能驾驶中障碍物检测去干扰方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取激光雷达数据,根据激光雷达数据得到待处理点云图像。
其中,激光雷达数据是指激光雷达感知到的数据,激光雷达是车辆的感知模块中不可或缺的传感器,主要用于精准测距。比如,激光雷达可以感知障碍物,给出障碍物距离车体的距离,以及障碍物长、宽、高等规格属性。待处理点云图像是指对激光雷达数据进行处理后得到的、用于分析障碍物情况的点云图像。比如,待处理点云图像具体可以是对激光雷达数据进行数据融合、分割、裁剪、投影等处理后得到的投影点云二值图。
具体的,通过激光雷达的感知会产生激光雷达数据,从而服务器可以获取到激光雷达数据,对激光雷达数据进行转换,将激光雷达数据转换为点云数据,再对点云数据进行分割,从点云数据中筛选出非地面点云数据,再根据预设目标物体存在区域对非地面点云数据进行筛选,从中选取待处理的目标点云数据,对目标点云数据进行投影,得到待处理点云图像。举例说明,服务器具体可以是指工控机。
步骤104,对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆。
其中,对待处理点云图像进行直线检测是指检测出待处理点云图像中的所有直线。预设坐标系是指预先设置的坐标系,比如,预设坐标系具体可以是指车身坐标系,车身坐标系是以牵引车前轮轴的中点作为原点,满足右手坐标系。X方向代表牵引车头的朝向,Y方向垂直X轴,指向车头的左侧,Z方向垂直XY方向所在平面,垂直向上。目标物体是指对障碍物检测存在干扰的物体,比如,目标物体具体可以是指设置于智能驾驶重型卡车的挂箱。与目标物体侧壁对应的直线具体可以是指表征目标物体侧壁长度的直线。角落点是指目标物体在两个方向上的交点。比如,角落点具体可以是指目标物体在垂直方向上和水平方向上的交点,垂直方向可通过目标物体宽度确定,水平方向可通过目标物体长度确定。稳定角落点是指在车辆行驶过程中,目标物体以车辆行驶方向为前部,相对于车辆的牵引车头,位置相对固定的点。比如,如图2所示,当车辆为向右行驶时,目标物体的稳定角落点为以向右为前部,相对于车辆的牵引车头,位置相对固定的点,即A点。
具体的,服务器可以利用特征检测算法(如霍夫变换算法等)对待处理点云图像进行直线检测,从待处理点云图像中筛选出在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标。其中,获取预设坐标系下的稳定角落点坐标的方式可以为:预先获取至少两组与车辆行驶方向相同的同一转弯方向(同向左或者同向右)车辆转弯场景图像,通过比对车辆转弯场景图像,查找出相对固定的目标物体内侧角点坐标,作为稳定角落点坐标。
步骤106,根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标。
其中,目标物体角落点坐标是指在预设坐标系下,用于表征目标物体的角落点的坐标,目标物体的角落点坐标可用于绘制目标物体所在区域,通过三个角落点的坐标和稳定角落点坐标,可以在预设坐标系下描绘出目标物体的边界线。比如,如图2所示,其中的A点为稳定角落点坐标,B点、C点以及D点为目标物体的三个角落点坐标,通过这四个点,就可以在预设坐标系下描绘出目标物体的边界线,此处的预设坐标系已进行二维投影,即忽略Z坐标。预设目标物体长度是指目标物体的实际长度,可通过目标物体的规格参数得到。
具体的,服务器首先会根据与目标物体侧壁对应的直线,在预设坐标系下获取与目标物体侧壁对应的直线的两个直线端点,该两个直线端点可以用于表征目标物体,进而根据两个直线端点、预设目标物体长度和稳定角落点坐标,求解出与目标物体侧壁对应的四条直线的斜率和截距,根据求解出的与目标物体侧壁对应的四条直线的斜率和截距,计算出目标物体角落点坐标。
步骤108,根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像。
其中,标注目标物体区域是指在预设图像上绘制出目标物体区域,并填充目标物体区域内的像素为预设像素值,使得在预设图像上目标物体区域可以被与其他区域区分开来。根据待处理点云图像在预设图像上标注障碍物区域是指通过对待处理点云图像按照预设聚类距离进行欧式聚类,在待处理点云图像中标注出障碍物图像,将障碍物图像对应的区域在预设图像上标注出来,此处所有的障碍物区域都要标注出来,其中也包括了与目标物体对应的、会对障碍物检测有干扰的障碍物区域。
具体的,服务器会根据目标物体角落点坐标在预设图像上标注出目标物体边界线,根据标注出的目标物体边界线确定出目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像,再根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
步骤110,遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
具体的,服务器会先根据用于表征目标物体存在范围的预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像,再根据用于表征对检测存在干扰的小型障碍物以及长宽比过大的条状障碍物的预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像,最后标注出最新的已标注障碍物图像中待检测障碍物图像,对待检测障碍物图像进行像素值检测,根据像素值从待检测障碍物图像中检测出被误检的目标物体障碍物图像,从最新的已标注障碍物图像中过滤被误检的目标物体障碍物图像。
上述智能驾驶中障碍物检测去干扰方法,通过对激光雷达数据进行分析,得到待处理点云图像,通过对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,进而可以根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标,根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像,遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域,整个过程,能够通过对激光雷达数据的分析实现对预设图像上目标物体区域的确定,进而根据目标物体区域对已标注障碍物图像进行遍历,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域,使得目标物体不会再被误检为障碍物,不会干扰到自动驾驶重型卡车的决策规划,从而实现良好智能驾驶控制。
在一个实施例中,根据激光雷达数据得到待处理点云图像包括:
根据激光雷达数据携带的时间戳进行数据融合,得到预设坐标系下的点云数据;
对点云数据进行地面分割处理,得到非地面点云数据;
根据预设目标物体存在区域对非地面点云数据进行筛选,得到目标点云数据;
对目标点云数据进行投影,得到待处理点云图像。
其中,时间戳是激光雷达数据头文件中的一个属性,意味着每一帧激光数据对应一个独一无二的时间。进行数据融合是指筛选出左右两个激光雷达临近时间戳的数据进行左右激光数据的融合。进行地面分割处理是指将地面点云数据与非地面点云数据进行分割,比如,进行地面分割处理时可以采用格网高差法,即对同一格网内高差超出一定阈值的格网判定为非地面点数据格网,将这些格网内的非地面点数据合起来即可。预设目标物体存在区域是指在预设坐标系下预先设置的目标物体可能存在的区域,根据目标物体的规格以及车辆的规格确定,该预设目标存在区域包括x方向和y方向。举例说明,当预设坐标系为车身坐标系,目标物体为挂箱时,预设目标物体存在区域是以车身坐标系为基准划定的,挂箱即使转弯也不能超过y方向±Nm,x方向最长就是直线行驶时,挂箱长度+半个车头长度,其中的N可按照需要自行设置。
其中,目标点云数据是指对非地面点云数据进行筛选后,在预设目标物体存在区域内的非地面点云数据,进行筛选的方式可以为根据预设目标物体存在区域对非地面点云数据的图像进行裁剪。比如,裁剪具体可以是ROI(region of interest)裁剪。进行投影是指进行二维投影,即忽略高程z坐标,形成一张投影点云二值图。
具体的,服务器会首先对激光雷达数据进行数据转换,将激光雷达数据统一标定到预设坐标系下,再利用激光雷达数据携带的时间戳进行数据融合,形成以预设坐标系为基准的点云数据。在得到点云数据后,服务器会对点云数据进行地面分割处理,从点云数据中得到非地面点云数据,在进行地面分割时可以采用格网高差法。在得到非地面点云数据后,服务器会根据预设目标物体存在区域设置ROI区域,根据ROI区域对非地面点云数据进行ROI裁剪,得到目标点云数据,对目标点云数据进行二维投影,忽略高程z坐标,得到投影点云二值图,即待处理点云图像。
举例说明,如图3所示,可以看到在待处理点云图像中,存在点云的位置的像素为255(白色),无点云位置的像素为0(黑色)。该待处理点云图像中,地面点云已经在进行地面分割处理时被过滤掉了,防止地面点云产生障碍物噪声。
本实施例中,通过根据激光雷达数据携带的时间戳进行数据融合,得到预设坐标系下的点云数据,对点云数据进行地面分割处理,得到非地面点云数据,根据预设目标物体存在区域对非地面点云数据进行筛选,得到目标点云数据,对目标点云数据进行投影,得到待处理点云图像,能够实现对待处理点云图像的获取。
在一个实施例中,对点云数据进行地面分割处理,得到非地面点云数据包括:
根据点云数据进行投影,得到点云投影图;
对点云投影图进行格网划分,得到与点云投影图对应的格网点云图;
计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据。
其中,点云投影图是指对点云数据进行二值投影后得到的图像。格网是指在预设坐标系下预先设置的分割格网,用于对点云投影图进行划分。投影前高度差是指格网中各点云数据在投影之前,在z方向上的最大高度差,可以通过比对各点云数据在投影之前在z方向上的坐标得到。
具体的,服务器会根据点云数据进行二值投影,忽略高程z坐标,得到点云投影图,对点云投影图进行格网划分,按照预设尺寸切割,就可以得到与点云投影图对应的格网点云图,通过比对各网格的各点云数据在投影之前在z方向上的最大高度差,计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据。其中,当投影前高度差大于预设高度差阈值时,说明格网内的点云数据在z方向上的距离很远,此格网即为非地面格网,对此格网内的点云数据进行聚类即可得到非地面点云数据。其中,预设尺寸可按照需要自行设置。
本实施例中,通过根据点云数据进行投影,得到点云投影图,对点云投影图进行格网划分,得到与点云投影图对应的格网点云图,计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据,能够实现对非地面点云数据的获取。
在一个实施例中,对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线包括:
通过特征检测算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线;
根据预设排序范围对待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与目标物体侧壁对应的直线。
其中,特征检测算法用于对图像进行特征检测,在本实施例中,即对图像进行直线检测,检测出待处理点云图像中的直线。比如,特征检测算法具体可以是指霍夫变换算法,霍夫变换算法被广泛应用在图像分析、计算机视觉以及数字图像处理等方面。霍夫变换是用来辨别找出物件中的特征,例如:线条。直线检测利用了点与线之间的对偶性。
具体的,服务器会首先通过特征检测算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线,再根据预设排序范围对待处理点云图像中的所有直线按直线长度进行排序,从中筛选出长度最长的直线作为在预设坐标系下与目标物体侧壁对应的直线。其中,以霍夫检测算法对待处理点云图像进行直线检测为例进行说明,进行直线检测的方式可以为:将待处理点云图像中的一个个点云数据投射到霍夫空间,变为一条条对应的曲线,再利用霍夫空间的统计信息找到直线的斜率和截距,从而完成待处理点云图像中的直线检测。预设排序范围是指在预设坐标系下预先设置的直线筛选范围,可根据目标物体的规格和偏出距离确定,偏出距离是指车辆在转弯时,目标物体会偏出车辆的距离。举例说明,当预设坐标系为车身坐标系时,目标物体为挂箱时,若挂箱的宽度为2x,偏出距离为m,则对应Y方向上范围在(-x,x)之间,转弯时会箱体向外侧偏出一些,故选择y方向(-(x+m),(x+m))区间进行直线的筛选。
本实施例中,通过特征检测算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线,对待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与目标物体侧壁对应的直线,能够实现对与目标物体侧壁对应的直线的获取。
在一个实施例中,根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标包括:
获取与目标物体侧壁对应的直线在预设坐标系下的直线端点坐标以及直线长度;
根据稳定角落点坐标、直线端点坐标、直线长度以及预设目标物体长度,得到目标物体第一角落点坐标;
根据稳定角落点坐标和目标物体第一角落点坐标,得到目标物体第一斜率;
根据目标物体第一斜率,得到与目标物体第一斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合以及预设目标物体宽度,得到目标物体第二斜率以及与目标物体第二斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合、目标物体第二斜率以及与目标物体第二斜率对应的截距集合,得到目标物体第二角落点坐标以及目标物体第三角落点坐标。
其中,预设目标物体宽度是指目标物体的实际宽度,可通过目标物体的规格参数得到。稳定角落点坐标、目标物体第一角落点坐标、目标物体第二角落点坐标以及目标物体第三角落点坐标用于在预设坐标系上标注目标物体。目标物体第一斜率是指稳定角落点坐标以及目标物体第一角落点坐标连接成的第一直线的斜率,以及在预设坐标系下与第一直线对应的斜率相同的第二直线的斜率,与目标物体第一斜率对应的截距集合是指第一直线的截距以及第二直线的截距。目标物体第二斜率是指第三直线的斜率,以及在预设坐标系下与第三直线对应的斜率相同的第四直线的斜率,第三直线是指通过目标物体第一角落点坐标与第一直线相交的直线,第四直线是指通过稳定角落点坐标与第一直线相交的直线。与目标物体第二斜率对应的截距集合是指第三直线的截距以及第四直线的截距。
举例说明,如图2所示,在图2中,A为稳定角落点坐标,D为目标物体第一角落点坐标,C和B分别为目标物体第二角落点坐标以及目标物体第三角落点坐标。k为目标物体第一斜率,b1和b3为与目标物体第一斜率对应的截距集合,其中b1为第一直线的截距,b3为第二直线的截距。-1/k为目标物体第二斜率,b2和b4为与目标物体第二斜率对应的截距集合,其中b2为第三直线的截距,b4为第四直线的截距。
具体的,服务器会先获取与目标物体侧壁对应的直线在预设坐标系下的直线端点坐标以及直线长度,根据稳定角落点坐标、直线端点坐标、直线长度以及预设目标物体长度,得到目标物体第一角落点坐标,再根据稳定角落点坐标和目标物体第一角落点坐标,得到目标物体第一斜率,根据目标物体第一斜率,得到与目标物体第一斜率对应的截距集合,再根据目标物体第一斜率、与目标物体第一斜率对应的截距集合以及预设目标物体宽度,得到目标物体第二斜率以及与目标物体第二斜率对应的截距集合,根据目标物体第一斜率、与目标物体第一斜率对应的截距集合、目标物体第二斜率以及与目标物体第二斜率对应的截距集合,求解各直线之间的交点,得到目标物体第二角落点坐标以及目标物体第三角落点坐标。其中,可以通过求解第二直线与第三直线之间的交点,得到目标物体第二角落点坐标,求解第二直线与第四直线之间的交点,得到目标物体第三角落点坐标。
其中,求解目标物体第一角落点坐标的公式可以为: 其中Hlen表示预设目标物体长度,L表示直线长度,(x′l,y′l)以及(xl,yl)为直线端点坐标,(xb,yb)为目标物体第一角落点坐标。求解目标物体第一斜率的公式可以为:求解与目标物体第一斜率对应的截距集合中第一直线的截距的公式可以为:b1=yb-k*xb,同理,可以通过推理得到求解其他直线的截距的公式分别为:第三直线的截距:第二直线的截距:第四直线的截距:其中Wid表示预设目标物体宽度。
本实施例中,通过与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,能够实现对目标物体的三个目标物体角落点坐标的获取。
在一个实施例中,根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像包括:
根据目标物体角落点坐标在预设图像上标注出目标物体边界线;
根据目标物体边界线得到目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像;
根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
其中,目标物体边界线可通过连接目标物体角落点坐标得到。目标物体区域用于在预设图像上表征目标物体所在的位置。预设像素值可按照需要自行设置,与预设图像的像素值不同即可。比如,当预设图像的像素值为255时,可设置预设像素值为0。障碍物区域用于在预设图像上表征障碍物所在的位置。举例说明,如图4所示,左图为当车辆为向右侧直线行驶时的预设图像上的目标物体区域,右图为当车辆为转弯行驶时的预设图像上的目标物体区域。
具体的,服务器会先根据目标物体角落点坐标在预设图像上标注出目标物体边界线,再根据目标物体边界线得到目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像,最后根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
本实施例中,通过根据目标物体角落点坐标在预设图像上标注出目标物体边界线,根据目标物体边界线得到目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像,根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像,能够实现对已标注障碍物图像的获取。
在一个实施例中,遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域包括:
标注出已标注障碍物图像中待检测障碍物图像,对待检测障碍物图像进行像素值检测;
当检测到待检测障碍物图像的像素值为预设像素值时,将待检测障碍物图像作为被误检的目标物体障碍物图像,从已标注障碍物图像中过滤被误检的目标物体障碍物图像。
其中,待检测障碍物图像是指在已标注障碍物图像中疑似被误检的目标物体障碍物图像的图像,需要通过进一步检测进行判断。像素值检测是指对待检测障碍物图像的像素值进行遍历,检测待检测障碍物图像的像素值是否为预设像素值。预设像素值是指在预设图像中标注出目标物体区域时,为目标物体区域内的像素填充的像素值,与非目标物体区域内的像素点的像素值不同。
具体的,服务器会在已标注障碍物图像中标注出待检测障碍物图像,对待检测障碍物图像进行像素值检测,当检测到待检测障碍物图像的像素值为预设像素值时,认为该障碍物与目标物体的真实位置相交,是被误检的目标障碍物,需要过滤,将待检测障碍物图像作为被误检的目标物体障碍物图像,从已标注障碍物图像中过滤被误检的目标物体障碍物图像。其中,如图6所示,可以通过绘制矩形边框的形式在已标注障碍物图像中标注出待检测障碍物图像。
本实施例中,通过根据目标物体区域对已标注障碍物图像进行检测,查找出被误检的目标物体障碍物图像,从已标注障碍物图像中过滤被误检的目标物体障碍物图像,能够实现对被误检的目标障碍物图像的过滤。
在一个实施例中,标注出已标注障碍物图像中的待检测障碍物图像之前,还包括:
根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像;
根据预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像。
其中,预设目标物体范围参数是指在预设坐标系下在预设图像中目标物体可能存在的范围,可通过目标物体规格划定。预设待过滤障碍物参数是指面积和宽度小于一定阈值的障碍物的参数。举例说明,车辆在转弯时,由于聚类算法设置固定半径局限性,会将目标物体检测为不止一个障碍物,如图5的圆圈所示,在目标物体前部的一端会产生一个点云聚集,此处的点云投影面积很小,需要提前过滤。同时,在轻微避障时,目标物体侧壁点云量稀少,未被霍夫变换算法检测出直线,但目标物体侧壁的稀少点云被检测为一个宽度很小的细长障碍物,该障碍物也需要被先过滤掉,轻微避障指的是车辆行驶过程中,前方路边出现锥桶、水马等小型障碍物,重卡不需要完整变道,而只需要占用旁侧一半的道路即可。
具体的,服务器会先根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像,再根据预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像。本实施例中,通过根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到裁剪后的障碍物图像,能够缩小检测范围,从而实现高效准确检测。在一个实施例中,如图7所示,以挂箱为目标物体,对本申请的智能驾驶中障碍物检测去干扰方法进行举例说明,该智能驾驶中障碍物检测去干扰方法包括以下步骤:1)根据激光雷达数据携带的时间戳进行数据融合,得到预设坐标系下的点云数据,根据点云数据进行投影,得到点云投影图,对点云投影图进行格网划分,得到与点云投影图对应的格网点云图,计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据,根据预设挂箱存在区域对非地面点云数据进行筛选,得到目标点云数据(ROI裁剪),对目标点云数据进行投影(二维投影),得到待处理点云图像(二值化图像),通过霍夫变换算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线,对待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与挂箱侧壁对应的直线;2)获取预设坐标系下的稳定角落点坐标(挂箱前部转角坐标初值),挂箱设置于车辆,获取与挂箱侧壁对应的直线在预设坐标系下的直线端点坐标以及直线长度,根据稳定角落点坐标、直线端点坐标、直线长度以及挂箱长度,得到挂箱第一角落点坐标,根据稳定角落点坐标和挂箱第一角落点坐标,得到挂箱第一斜率,根据挂箱第一斜率,得到与挂箱第一斜率对应的截距集合,根据挂箱第一斜率、与挂箱第一斜率对应的截距集合以及挂箱宽度,得到挂箱第二斜率以及与挂箱第二斜率对应的截距集合,根据挂箱第一斜率、与挂箱第一斜率对应的截距集合、挂箱第二斜率以及与挂箱第二斜率对应的截距集合,得到挂箱第二角落点坐标以及挂箱第三角落点坐标,根据挂箱角落点坐标在预设图像上标注出挂箱边界线,根据挂箱边界线得到挂箱区域,并填充挂箱区域内的像素为预设像素值,得到已标注挂箱区域的预设图像,根据待处理点云图像在已标注挂箱区域的预设图像上标注障碍物区域,得到已标注障碍物图像;3)根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像,根据预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像,标注出最新的已标注障碍物图像中待检测障碍物图像,对待检测障碍物图像进行像素值检测,当检测到待检测障碍物图像的像素值为预设像素值(此处设置为0)时,将待检测障碍物图像作为被误检的挂箱障碍物图像,从最新的已标注障碍物图像中过滤被误检的挂箱障碍物图像。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种智能驾驶中障碍物检测去干扰装置,包括:获取模块802、直线检测模块804、处理模块806、标注模块808和检测模块810,其中:
获取模块802,用于获取激光雷达数据,根据激光雷达数据得到待处理点云图像;
直线检测模块804,用于对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆;
处理模块806,用于根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;
标注模块808,用于根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;
检测模块810,用于遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
上述智能驾驶中障碍物检测去干扰装置,通过对激光雷达数据进行分析,得到待处理点云图像,通过对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,进而可以根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标,根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像,遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域,整个过程,能够通过对激光雷达数据的分析实现对预设图像上目标物体区域的确定,进而根据目标物体区域对已标注障碍物图像进行遍历,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域,使得目标物体不会再被误检为障碍物,不会干扰到自动驾驶重型卡车的决策规划,从而实现良好智能驾驶控制。
在一个实施例中,获取模块还用于根据激光雷达数据携带的时间戳进行数据融合,得到预设坐标系下的点云数据,对点云数据进行地面分割处理,得到非地面点云数据,根据预设目标物体存在区域对非地面点云数据进行筛选,得到目标点云数据,对目标点云数据进行投影,得到待处理点云图像。
在一个实施例中,获取模块还用于根据点云数据进行投影,得到点云投影图,对点云投影图进行格网划分,得到与点云投影图对应的格网点云图,计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据。
在一个实施例中,直线检测模块还用于通过特征检测算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线,根据预设排序范围对待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与目标物体侧壁对应的直线。
在一个实施例中,处理模块还用于获取与目标物体侧壁对应的直线在预设坐标系下的直线端点坐标以及直线长度,根据稳定角落点坐标、直线端点坐标、直线长度以及预设目标物体长度,得到目标物体第一角落点坐标,根据稳定角落点坐标和目标物体第一角落点坐标,得到目标物体第一斜率,根据目标物体第一斜率,得到与目标物体第一斜率对应的截距集合,根据目标物体第一斜率、与目标物体第一斜率对应的截距集合以及预设目标物体宽度,得到目标物体第二斜率以及与目标物体第二斜率对应的截距集合,根据目标物体第一斜率、与目标物体第一斜率对应的截距集合、目标物体第二斜率以及与目标物体第二斜率对应的截距集合,得到目标物体第二角落点坐标以及目标物体第三角落点坐标。
在一个实施例中,标注模块还用于根据目标物体角落点坐标在预设图像上标注出目标物体边界线,根据目标物体边界线得到目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像,根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
在一个实施例中,检测模块还用于标注出已标注障碍物图像中待检测障碍物图像,对待检测障碍物图像进行像素值检测,当检测到待检测障碍物图像的像素值为预设像素值时,将待检测障碍物图像作为被误检的目标物体障碍物图像,从已标注障碍物图像中过滤被误检的目标物体障碍物图像。
在一个实施例中,检测模块还用于根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像,根据预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像。
关于智能驾驶中障碍物检测去干扰装置的具体限定可以参见上文中对于智能驾驶中障碍物检测去干扰方法的限定,在此不再赘述。上述智能驾驶中障碍物检测去干扰装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储激光雷达数据和点云数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能驾驶中障碍物检测去干扰方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取激光雷达数据,根据激光雷达数据得到待处理点云图像;
对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆;
根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;
根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;
遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据激光雷达数据携带的时间戳进行数据融合,得到预设坐标系下的点云数据;
对点云数据进行地面分割处理,得到非地面点云数据;
根据预设目标物体存在区域对非地面点云数据进行筛选,得到目标点云数据;
对目标点云数据进行投影,得到待处理点云图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据点云数据进行投影,得到点云投影图;
对点云投影图进行格网划分,得到与点云投影图对应的格网点云图;
计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过特征检测算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线;
根据预设排序范围对待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与目标物体侧壁对应的直线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取与目标物体侧壁对应的直线在预设坐标系下的直线端点坐标以及直线长度;
根据稳定角落点坐标、直线端点坐标、直线长度以及预设目标物体长度,得到目标物体第一角落点坐标;
根据稳定角落点坐标和目标物体第一角落点坐标,得到目标物体第一斜率;
根据目标物体第一斜率,得到与目标物体第一斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合以及预设目标物体宽度,得到目标物体第二斜率以及与目标物体第二斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合、目标物体第二斜率以及与目标物体第二斜率对应的截距集合,得到目标物体第二角落点坐标以及目标物体第三角落点坐标。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标物体角落点坐标在预设图像上标注出目标物体边界线;
根据目标物体边界线得到目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像;
根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
标注出已标注障碍物图像中的待检测障碍物图像,对待检测障碍物图像进行像素值检测;
当检测到待检测障碍物图像的像素值为预设像素值时,将待检测障碍物图像作为被误检的目标物体障碍物图像,从已标注障碍物图像中过滤被误检的目标物体障碍物图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像;
根据预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取激光雷达数据,根据激光雷达数据得到待处理点云图像;
对待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取预设坐标系下的稳定角落点坐标,稳定角落点为目标物体在车辆行驶过程中的固定角落点,目标物体设置于车辆;
根据与目标物体侧壁对应的直线、预设目标物体长度和稳定角落点坐标,得到目标物体角落点坐标;
根据目标物体角落点坐标在预设图像上标注目标物体区域,并根据待处理点云图像在预设图像上标注障碍物区域,得到已标注障碍物图像;
遍历已标注障碍物图像中的障碍物区域,根据障碍物区域与目标物体区域的位置关系过滤掉被误检的障碍物区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据激光雷达数据携带的时间戳进行数据融合,得到预设坐标系下的点云数据;
对点云数据进行地面分割处理,得到非地面点云数据;
根据预设目标物体存在区域对非地面点云数据进行筛选,得到目标点云数据;
对目标点云数据进行投影,得到待处理点云图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据点云数据进行投影,得到点云投影图;
对点云投影图进行格网划分,得到与点云投影图对应的格网点云图;
计算网格点云图中各格网的投影前高度差,根据投影前高度差和预设高度差阈值,从各格网中筛选出非地面格网,得到非地面点云数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过特征检测算法对待处理点云图像进行直线检测,检测出待处理点云图像中的所有直线;
根据预设排序范围对待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与目标物体侧壁对应的直线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取与目标物体侧壁对应的直线在预设坐标系下的直线端点坐标以及直线长度;
根据稳定角落点坐标、直线端点坐标、直线长度以及预设目标物体长度,得到目标物体第一角落点坐标;
根据稳定角落点坐标和目标物体第一角落点坐标,得到目标物体第一斜率;
根据目标物体第一斜率,得到与目标物体第一斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合以及预设目标物体宽度,得到目标物体第二斜率以及与目标物体第二斜率对应的截距集合;
根据目标物体第一斜率、与目标物体第一斜率对应的截距集合、目标物体第二斜率以及与目标物体第二斜率对应的截距集合,得到目标物体第二角落点坐标以及目标物体第三角落点坐标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标物体角落点坐标在预设图像上标注出目标物体边界线;
根据目标物体边界线得到目标物体区域,并填充目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像;
根据待处理点云图像在已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
标注出已标注障碍物图像中的待检测障碍物图像,对待检测障碍物图像进行像素值检测;
当检测到待检测障碍物图像的像素值为预设像素值时,将待检测障碍物图像作为被误检的目标物体障碍物图像,从已标注障碍物图像中过滤被误检的目标物体障碍物图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设目标物体范围参数对已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像;
根据预设待过滤障碍物参数对初步裁剪障碍物图像进行检测,从初步裁剪障碍物图像中过滤掉满足预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种智能驾驶中障碍物检测去干扰方法,其特征在于,所述方法包括:
获取激光雷达数据,根据所述激光雷达数据得到待处理点云图像;
对所述待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取所述预设坐标系下的稳定角落点坐标,所述稳定角落点为所述目标物体在车辆行驶过程中的固定角落点,所述目标物体设置于所述车辆;
根据所述与目标物体侧壁对应的直线、预设目标物体长度和所述稳定角落点坐标,得到目标物体角落点坐标;
根据所述目标物体角落点坐标在预设图像上标注目标物体区域,并根据所述待处理点云图像在所述预设图像上标注障碍物区域,得到已标注障碍物图像;
遍历所述已标注障碍物图像中的障碍物区域,根据所述障碍物区域与所述目标物体区域的位置关系过滤掉被误检的障碍物区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述激光雷达数据得到待处理点云图像包括:
根据所述激光雷达数据携带的时间戳进行数据融合,得到所述预设坐标系下的点云数据;
对所述点云数据进行地面分割处理,得到非地面点云数据;
根据预设目标物体存在区域对所述非地面点云数据进行筛选,得到目标点云数据;
对所述目标点云数据进行投影,得到待处理点云图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线包括:
通过特征检测算法对所述待处理点云图像进行直线检测,检测出所述待处理点云图像中的所有直线;
根据预设排序范围对所述待处理点云图像中的所有直线按直线长度进行排序,得到在预设坐标系下与目标物体侧壁对应的直线。
4.根据权利要求1所述的方法,其特征在于,所述根据所述与目标物体侧壁对应的直线、预设目标物体长度和所述稳定角落点坐标,得到目标物体角落点坐标包括:
获取所述与目标物体侧壁对应的直线在所述预设坐标系下的直线端点坐标以及直线长度;
根据所述稳定角落点坐标、所述直线端点坐标、所述直线长度以及预设目标物体长度,得到目标物体第一角落点坐标;
根据所述稳定角落点坐标和所述目标物体第一角落点坐标,得到目标物体第一斜率;
根据所述目标物体第一斜率,得到与所述目标物体第一斜率对应的截距集合;
根据所述目标物体第一斜率、所述与所述目标物体第一斜率对应的截距集合以及预设目标物体宽度,得到目标物体第二斜率以及与所述目标物体第二斜率对应的截距集合;
根据所述目标物体第一斜率、所述与所述目标物体第一斜率对应的截距集合、所述目标物体第二斜率以及与所述目标物体第二斜率对应的截距集合,得到目标物体第二角落点坐标以及目标物体第三角落点坐标。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标物体角落点坐标在预设图像上标注目标物体区域,并根据所述待处理点云图像在所述预设图像上标注障碍物区域,得到已标注障碍物图像包括:
根据所述目标物体角落点坐标在预设图像上标注出目标物体边界线;
根据所述目标物体边界线得到目标物体区域,并填充所述目标物体区域内的像素为预设像素值,得到已标注目标物体区域的预设图像;
根据所述待处理点云图像在所述已标注目标物体区域的预设图像上标注障碍物区域,得到已标注障碍物图像。
6.根据权利要求1所述的方法,其特征在于,所述遍历所述已标注障碍物图像中的障碍物区域,根据所述障碍物区域与所述目标物体区域的位置关系过滤掉被误检的障碍物区域包括:
标注出所述已标注障碍物图像中的待检测障碍物图像,对所述待检测障碍物图像进行像素值检测;
当检测到所述待检测障碍物图像的像素值为预设像素值时,将所述待检测障碍物图像作为被误检的目标物体障碍物图像,从所述已标注障碍物图像中过滤所述被误检的目标物体障碍物图像。
7.根据权利要求1所述的方法,其特征在于,所述标注出所述已标注障碍物图像中的待检测障碍物图像之前,还包括:
根据预设目标物体范围参数对所述已标注障碍物图像进行裁剪,得到初步裁剪障碍物图像;
根据预设待过滤障碍物参数对所述初步裁剪障碍物图像进行检测,从所述初步裁剪障碍物图像中过滤掉满足所述预设待过滤障碍物参数的障碍物图像,得到最新的已标注障碍物图像。
8.一种智能驾驶中障碍物检测去干扰装置,其特征在于,所述装置包括:
获取模块,用于获取激光雷达数据,根据所述激光雷达数据得到待处理点云图像;
直线检测模块,用于对所述待处理点云图像进行直线检测,得到在预设坐标系下与目标物体侧壁对应的直线,并获取所述预设坐标系下的稳定角落点坐标,所述稳定角落点为所述目标物体在车辆行驶过程中的固定角落点,所述目标物体设置于所述车辆;
处理模块,用于根据所述与目标物体侧壁对应的直线、预设目标物体长度和所述稳定角落点坐标,得到目标物体角落点坐标;
标注模块,用于根据所述目标物体角落点坐标在预设图像上标注目标物体区域,并根据所述待处理点云图像在所述预设图像上标注障碍物区域,得到已标注障碍物图像;
检测模块,用于遍历所述已标注障碍物图像中的障碍物区域,根据所述障碍物区域与所述目标物体区域的位置关系过滤掉被误检的障碍物区域。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010813434.9A CN114140760A (zh) | 2020-08-13 | 2020-08-13 | 智能驾驶中障碍物检测去干扰方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010813434.9A CN114140760A (zh) | 2020-08-13 | 2020-08-13 | 智能驾驶中障碍物检测去干扰方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140760A true CN114140760A (zh) | 2022-03-04 |
Family
ID=80438011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010813434.9A Pending CN114140760A (zh) | 2020-08-13 | 2020-08-13 | 智能驾驶中障碍物检测去干扰方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140760A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295345A (zh) * | 2023-03-16 | 2023-06-23 | 上海知而行科技有限公司 | 存在光学干扰环境下的定位方法、装置、设备、介质 |
-
2020
- 2020-08-13 CN CN202010813434.9A patent/CN114140760A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295345A (zh) * | 2023-03-16 | 2023-06-23 | 上海知而行科技有限公司 | 存在光学干扰环境下的定位方法、装置、设备、介质 |
CN116295345B (zh) * | 2023-03-16 | 2024-01-19 | 上海知而行科技有限公司 | 存在光学干扰环境下的定位方法、装置、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108519605B (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
CN110458854B (zh) | 一种道路边缘检测方法和装置 | |
EP3418943B1 (en) | Object detecting apparatus, object detecting method, and computer-readable medium | |
US10860870B2 (en) | Object detecting apparatus, object detecting method, and computer program product | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
US8332134B2 (en) | Three-dimensional LIDAR-based clear path detection | |
US8670592B2 (en) | Clear path detection using segmentation-based method | |
US8452053B2 (en) | Pixel-based texture-rich clear path detection | |
CN110502983B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
GB2554481A (en) | Autonomous route determination | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
EP3731187A1 (de) | Verfahren und vorrichtung zur bestimmung der geografischen position und orientierung eines fahrzeugs | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
CN112597846B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN111213153A (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
CN110163039B (zh) | 判定车辆行驶状态的方法、设备、存储介质以及处理器 | |
WO2023207845A1 (zh) | 车位检测方法、装置、电子设备及机器可读存储介质 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
EP3631675B1 (en) | Advanced driver assistance system and method | |
CN115327572A (zh) | 一种车辆前方障碍物检测方法 | |
CN114972427A (zh) | 一种基于单目视觉的目标跟踪方法、终端设备及存储介质 | |
CN114140760A (zh) | 智能驾驶中障碍物检测去干扰方法、装置和计算机设备 | |
JP2870372B2 (ja) | 物体認識装置 | |
Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
Nashashibi et al. | Vehicle recognition and tracking using a generic multisensor and multialgorithm fusion approach |
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 |