CN115273039B - 一种基于摄像头的小障碍物探测方法 - Google Patents
一种基于摄像头的小障碍物探测方法 Download PDFInfo
- Publication number
- CN115273039B CN115273039B CN202211194460.3A CN202211194460A CN115273039B CN 115273039 B CN115273039 B CN 115273039B CN 202211194460 A CN202211194460 A CN 202211194460A CN 115273039 B CN115273039 B CN 115273039B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- pixel points
- vanishing
- point
- points
- 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.)
- Active
Links
Images
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于摄像头的小障碍物探测方法、装置、设备及存储介质,该方法包括步骤:将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图;将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域;将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注;对标注的障碍物像素点进行判断,以确定远距离的小障碍物。本申请能够在各种环境条件下,对小障碍物提前探测,在不增加额外配置的情况下,为自动驾驶功能提供必要的避障策略,同时还能避免安全隐患,提升驾驶体验。
Description
技术领域
本发明涉及车辆环境感知探测技术领域,尤其涉及一种基于摄像头的小障碍物探测方法。
背景技术
目前相关的汽车ADAS环境感知摄像头系统,利用ADAS环境感知摄像头系统对大型动态目标如车辆、行人等进行图片对比识别,可以单独或结合毫米波雷达对远端动态目标进行探测。
现在有的ADAS环境感知摄像头系统只能识别大型目标如车辆和行人等,或者移动的目标,但无法识别微小的目标。
现有的超声波雷达系统,仅可对近距离的障碍物5-7m左右进行探测,而对于远距离目标无法进行探测,无法用于ADAS或其他自动驾驶功能。并且现有的激光雷达虽然可以在一定范围内探测小障碍物,但是由于激光雷达的设计特性,其探测为周期性质的,存在一定的盲区,且激光雷达成本高昂,不利于自动驾驶功能的普及。
因此,在如何在远距离道路上识别小障碍物,避免造成安全隐患,是目前亟需解决的技术问题。
发明内容
本发明主要目的在于提供了一种基于摄像头的小障碍物探测方法、装置、设备及存储介质,能够在各种环境条件下,对小障碍物提前探测,在不增加额外配置的情况下,为自动驾驶功能提供必要的避障策略,同时还能避免安全隐患,提升驾驶体验。
第一方面,本申请提供了一种基于摄像头的小障碍物探测方法,该方法包括步骤:
将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图;
将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域;
将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注;
对标注的障碍物像素点进行判断,以确定远距离的小障碍物。
第二方面,本申请提供了一种基于摄像头的最小障碍物探测装置,该装置包括:
采集模块,用于将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图;
确定模块,用于将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域;
处理模块,用于将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注;
判断模块,用于对标注的障碍物像素点进行判断,以确定远距离的小障碍物。
第三方面,本申请还提供了一种电子设备,所述电子设备包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现第一方面任一项所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行第一方面任一项所述的方法。
本申请提供的一种基于摄像头的小障碍物探测方法、装置、设备及存储介质,该方法包括步骤:将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图;将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域;将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注;对标注的障碍物像素点进行判断,以确定远距离的小障碍物。本申请能够在各种环境条件下,对小障碍物提前探测,在不增加额外配置的情况下,为自动驾驶功能提供必要的避障策略,同时还能避免安全隐患,提升驾驶体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本申请实施例中提供的一种基于摄像头的小障碍物探测方法流程图;
图2为本申请实施例中提供的一种基于摄像头的小障碍物探测装置示意图;
图3为本申请实施例中提供的电子设备示意图;
图4为本申请实施例中提供的计算机可读程序介质示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。附图所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
本申请实施例提供了一种基于摄像头的小障碍物探测方法、装置、设备及存储介质,能够在各种环境条件下,对小障碍物提前探测,在不增加额外配置的情况下,为自动驾驶功能提供必要的避障策略,同时还能避免安全隐患,提升驾驶体验。
为达到上述技术效果,本申请的总思路如下:
一种基于摄像头的小障碍物探测方法,该方法包括步骤:
S101:将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图。
S102:将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域。
S103:将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注。
S104:对标注的障碍物像素点进行判断,以确定远距离的小障碍物。
以下结合附图对本申请的实施例作进一步详细说明。
参照图1,图1所示为本发明提供的一种基于摄像头的小障碍物探测方法流程图,如图1所示,该方法包括步骤:
步骤S101: 将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图。
具体而言,通过ADAS环境感知摄像头采集道路环境图像,根据摄像头空占比标定,空占比为天空和地面的比例,即通过天空和地面的比例,将ADAS环境感知摄像头采集道路环境图像进行分割为四个部分,其中四个部分可以理解为四个象限,通过覆盖道路环境场景4个象限预测道路消失点的预测位置,即4个象限的交点为消失点分布概率最大区域。需要说明的是,若道路非狭小空间,道路消失点一般位于已经标定的空占分界上,另外,可以理解的是,一般道路消失点为四个象限的交点,或四个象限交点附近,若车辆处于斜坡或者拐弯处时,消失点会偏离四个象限的交点,分布在离四个象限交点稍微较远的距离。
其中,ADAS为高级驾驶辅助系统(Advanced Driving Assistance System)是利用安装在车上的各式各样传感器(毫米波雷达、激光雷达、单\双目摄像头以及卫星导航),在汽车行驶过程中随时来感应周围的环境,收集数据,进行静态、动态物体的辨识、侦测与追踪,并结合导航地图数据,进行系统的运算与分析,从而预先让驾驶者察觉到可能发生的危险,有效增加汽车驾驶的舒适性和安全性。需要说明的是,ADAS环境感知摄像头用于进行对真实场景环境视频信息进行采集,用于原始功能精准确定目标物的目标参数,其本职功能具象化目标如车辆、行人的目标类型、横纵向距离,目标长宽、速度等,也为本发明提供路面消失点区域范围图像的原始输入。
消失点为平行线的视觉相交点,可以理解为,如当你沿着铁路线去看两条铁轨,沿着公路线去看两边排列整齐的树木时,两条平行的铁轨或两排树木连线交于很远很远的某一点,这点在透视图中叫做消失点。
一实施例中,结合车道线的左右,可以进一步判断消失点位于中心左或右结论是否正确。具体通过图像的灰度处理及颜彩边界处理消失点判断结果需要和车道线信息等判断结果进行比对和校准。
将ADAS摄像头采集的图像分割为四个象限后,将分割的图像输入至建立的道路消失点热模型中,该模型的输入为所采集的图片,在训练时,输入图片为原图经过数据增光操作之后的图片,其大小为1344×768,在测试时模型输入为原图,大小为2208×1242。使用ResNet-50 特征提取网络进行32倍的下采样得到深层特征图,维度为2048×42×42;然后把得到的深度特征经过3 次Atrousconvolution(膨胀卷积)得到维度为256×42×24 的特征向量,3 次膨胀卷积的间隔分别为2 、4、8。再经过1 次卷积之后得到4×42×24 的象限图,之后再经过1次卷积得到消失点的热点图,其中消失点的热点图上有多个消失点。
整个道路消失点检测网络模型RVPNet的损失函数为:
一实施例中,将该检测网络模型的输出定义为4 个象限通道。输出图像中的每个像素将属于这4个通道中的1个,4个象限通道代表图像上4 个象限之一。
步骤S102: 将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域。
根据训练模型对分割的图像进行处理,得到消失点的热点图,消失点的热点图上有多个消失点,将热点图中的消失点连接成一条直线,并对消失点与障碍物位置统计划分,其目的是为了确定主要计算区域,即判断小障碍物的区域(可行性区域)。其中对消失点与障碍物位置统计划分具体为,障碍物与消失点之间的像素距离统计中,障碍物和消失点之间的像素距离分布在0~30区间的个数最多,90%以上的障碍物与消失点之间的像素距离在180之内。可以理解为障碍物与消失点之间的像素距离分布区间为0~30像素点,30~180像素点。
建立消失点与障碍物之间的相对坐标系,相对坐标定义为障碍物中心点坐标减去消失点坐标然后取正,其中(0,0)点代表消失点的原点位置,可以看出障碍物分布在消失点的周围,由此可知,道路上远距离障碍物和道路消失点之间有一定的位置关系。道路消失点的准确检测将有助于远距离障碍物的检测。故本申请中取道路消失点180内的像素区域为参考区域,进行基准判断。
可以理解的是,将热点图中的消失点连接成一条直线,根据消失点与障碍物位置可以确定障碍物分布区域为0-180像素点。
步骤S103: 将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注。
具体而言,将已经确定的障碍物区域进行网格化,目的是为了对障碍物区域中的障碍物进行判断,具体的为当确定存在障碍的区域后,对该区域进行障碍物检测,取道路消失点180内的像素区域为参考区域,在将本区域划分为32×32(可标定)像素点的基本网格,并在1个信号周期内仅对一个网格内的图像进行处理。
其中处理方式为,将远端消失点存在断点或差异点,及导致y_cij表示用高斯核编码的热点图上的消失点真值不为1的像素点所在32×32像素点的基本网格进行固定,对初步判定为障碍物的像素点进行标注。
在一具体实施方式中,首先,在网格化区域内进行障碍物识别;在识别到的障碍物区域中,将网格化区域的远端消失点存在断点或差异点,以及用高斯核编码的热点图上的消失点真值不为1的像素点,标注为障碍物像素点。消失点可以理解为可能位于“天空中的点”,而本实施例的识别目标是位于地面上的障碍物,因此排除“天空中的点”。
步骤S104: 对标注的障碍物像素点进行判断,以确定远距离的小障碍物。
具体而言,将已经固定的网格中初步判定为障碍物的像素点进行标注,并对标注的障碍物像素点进行三次对比,其中三次对比具体为,在一个信号周期后,对标注的障碍物像素点在32x32网格进行第一次图像对比,在第二个信号周期后,对标注的障碍物像素点在32x96网格进行第二次图像对比,在第三个信号周期后,对标注的障碍物像素点在96x96网格进行第三次图像对比,其中对比的是已经标注的像素点。
在一具体实施方式中,首先,将标注的障碍物像素点所在的网格进行固定。
然后,根据行驶车速,预测固定网格在未来各信号周期拍摄的图像中所在的网格。具体的,根据行驶车速,预测固定网格在未来各信号周期拍摄的图像中的位置。该位置为一大致位置,代表了疑似障碍物的目标所在的位置。由于车辆行驶过程中,离前方障碍物是越来越近的,因此摄像头在未来多个周期内拍摄的图像也是不同的,图像中同一个障碍物的位置也有变化。得到所述固定网格在各周期图像中的位置后,在第一个信号周期拍摄的图像中,选取覆盖所述固定网格位置的32x32的网格,作为所述固定网格所在的网格;在第二个信号周期拍摄的图像中,选取覆盖所述固定网格位置的32x96的网格,作为所述固定网格所在的网格;在第三个信号周期拍摄的图像中,选取覆盖所述固定网格位置的96x96的网格,作为所述固定网格所在的网格。这三幅图像中的网格代表了障碍物的大致区域,由于车辆离障碍物越来越近,所以该区域是越来越大的。
接下来,在所述未来各信号周期对应的网格中,重新进行障碍物识别并标注障碍物像素点;并将所述固定网格中标注的障碍物像素点,与所述未来各信号周期对应的网格中重新标注的障碍物像素点进行对比。具体的,在每一次对比中,将参与对比的两个不同尺寸的网格通过上采样或下采样变换到统一尺寸,然后进行像素对比。如果在一个网格中标注为障碍物的像素点,在另一信号周期对应的网格中也标注为了障碍物,则认为该障碍物像素点对比一致。如果对比一致的障碍物像素点数量大于设定阈值(如100个像素点),将所述比对一致的障碍物像素点组成的障碍物判定为远距离的小障碍物。
本申请可在各种环境条件下启动本小障碍物探测系统,保证了自动驾驶功能对小障碍物可以提前探测,保证功能绕行。
参照图2,图2所示为本发明提供的一种基于摄像头的小障碍物探测装置示意图,如图2所示,包括:
采集模块201:用于将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图。
确定模块202:用于将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域。
处理模块203:用于将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注。
判断模块204:用于对标注的障碍物像素点进行判断,以确定远距离的小障碍物。
进一步地,一种可能的实施方式中,判断模块204还用于,将已经固定的网格中标注的障碍物像素点进行三次对比,对所述标注的障碍物像素点大于设定阈值的判定为远距离的小障碍物。
进一步地,一种可能的实施方式中,判断模块204还用于,在第一个信号周期后,对标注的障碍物像素点在32x32网格进行第一次图像对比;
在第二个信号周期后,对标注的障碍物像素点在32x96网格进行第二次图像对比;
在第三个信号周期后,对标注的障碍物像素点在96x96网格进行第三次图像对比;
其中,所述设定阈值为100像素点。
进一步地,一种可能的实施方式中,确定模块202还用于,将热点图中的消失点连接成一条直线,并根据消失点与障碍物之间的像素距离分布区间,确定障碍物的区域。
进一步地,一种可能的实施方式中,确定模块202还用于,建立消失点与障碍物之间的相对坐标系;
相对坐标定义为障碍物中心点坐标减去消失点坐标然后取正,其中(0,0)点代表消失点的原点位置;
根据所述消失点的位置,确定道路上远距离障碍物和道路消失点之间的位置关系。
进一步地,一种可能的实施方式中,处理模块203还用于,对网格化区域的远端消失点存在断点或差异点,以及用高斯核编码的热点图上的消失点真值不为1的像素点所在32x32像素点的网格进行固定;
将已经固定的网格中的像素点,初步判断为障碍物的像素点并进行标注。
进一步地,一种可能的实施方式中,采集模块201还用于,根据天空和地面的比例将ADAS环境感知摄像头采集的道路环境图像进行分割为四个部分,其中四个部分的交点为消失点分布概率最大区域;将分割的四个部分输入至训练模型中,得到消失点的热点图。
下面参照图3来描述根据本发明的这种实施方式的电子设备300。图3显示的电子设备300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3所示,电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)321和/或高速缓存存储单元322,还可以进一步包括只读存储单元(ROM)323。
存储单元320还可以包括具有一组(至少一个)程序模块325的程序/实用工具324,这样的程序模块325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。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备300交互的设备通信,和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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350进行。并且,电子设备300还可以通过网络适配器360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360通过总线330与电子设备300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备300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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开的方案,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图4所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品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为但不限于电、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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本发明操作的程序代码,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。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
综上所述,本申请提供的一种基于摄像头的小障碍物探测方法,该方法包括步骤:将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图;将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域;将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注;对标注的障碍物像素点进行判断,以确定远距离的小障碍物。本申请能够在各种环境条件下,对小障碍物提前探测,在不增加额外配置的情况下,为自动驾驶功能提供必要的避障策略,同时还能避免安全隐患,提升驾驶体验。
以上所述的仅是本申请的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种基于摄像头的小障碍物探测方法,其特征在于,包括:
将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图;
将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域;
将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注;
对标注的障碍物像素点进行判断,以确定远距离的小障碍物;
其中,所述对标注的障碍物像素点进行判断,以确定远距离的小障碍物,包括:
将标注的障碍物像素点所在的网格进行固定;
根据行驶车速,预测固定网格在未来各信号周期拍摄的图像中所在的网格;具体的,根据行驶车速,预测固定网格在未来各信号周期拍摄的图像中的位置;在第一个信号周期拍摄的图像中,选取覆盖所述固定网格位置的32x32的网格,作为所述固定网格所在的网格;在第二个信号周期拍摄的图像中,选取覆盖所述固定网格位置的32x96的网格,作为所述固定网格所在的网格;在第三个信号周期拍摄的图像中,选取覆盖所述固定网格位置的96x96的网格,作为所述固定网格所在的网格;
在所述未来各信号周期对应的网格中,重新进行障碍物识别并标注障碍物像素点;
将所述固定网格中标注的障碍物像素点,与所述未来各信号周期对应的网格中重新标注的障碍物像素点进行对比,
如果对比一致的障碍物像素点数量大于设定阈值,将所述对比一致的障碍物像素点组成的障碍物判定为远距离的小障碍物,所述设定阈值为100。
2.根据权利要求1所述的方法,其特征在于,所述将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域,包括:
将热点图中的消失点连接成线;
根据得到的连线,以及消失点与障碍物之间的像素距离分布区间,确定障碍物的区域。
3.根据权利要求2所述的方法,其特征在于,所述根据消失点与障碍物位置统计,还包括:
建立消失点与障碍物之间的相对坐标系;
相对坐标定义为障碍物中心点坐标减去消失点坐标然后取正,其中(0,0)点代表消失点的原点位置;
根据所述消失点的位置,确定道路上远距离障碍物和道路消失点之间的位置关系。
4.根据权利要求1所述的方法,其特征在于,所述将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注,包括:
在网格化区域内进行障碍物识别;
在识别到的障碍物区域中,将网格化区域的远端消失点存在断点或差异点,以及用高斯核编码的热点图上的消失点真值不为1的像素点,标注为障碍物像素点。
5.根据权利要求1所述的方法,其特征在于,所述采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图,包括:
根据天空和地面的比例将ADAS环境感知摄像头采集的道路环境图像进行分割为四个部分,其中四个部分的交点为消失点分布概率最大区域;
将分割的四个部分输入至训练模型中,得到消失点的热点图。
6.一种基于摄像头的小障碍物探测装置,其特征在于,包括:
采集模块,用于将采集的道路环境图像进行分割,并将分割后的图像输入至训练模型中,以获得消失点的热点图;
确定模块,用于将热点图中的消失点进行连接,并根据消失点与障碍物位置统计,确定障碍物的区域;
处理模块,用于将已确定的障碍物的区域进行网格化,对网格化区域的障碍物像素点进行初步判定,并对初步判定的障碍物像素点进行标注;
判断模块,用于对标注的障碍物像素点进行判断,以确定远距离的小障碍物;
具体的,所述判断模块是用于:
将标注的障碍物像素点所在的网格进行固定;
根据行驶车速,预测固定网格在未来各信号周期拍摄的图像中所在的网格;具体的,根据行驶车速,预测固定网格在未来各信号周期拍摄的图像中的位置;在第一个信号周期拍摄的图像中,选取覆盖所述固定网格位置的32x32的网格,作为所述固定网格所在的网格;在第二个信号周期拍摄的图像中,选取覆盖所述固定网格位置的32x96的网格,作为所述固定网格所在的网格;在第三个信号周期拍摄的图像中,选取覆盖所述固定网格位置的96x96的网格,作为所述固定网格所在的网格;
在所述未来各信号周期对应的网格中,重新进行障碍物识别并标注障碍物像素点;
将所述固定网格中标注的障碍物像素点,与所述未来各信号周期对应的网格中重新标注的障碍物像素点进行对比,
如果对比一致的障碍物像素点数量大于设定阈值,将所述对比一致的障碍物像素点组成的障碍物判定为远距离的小障碍物,所述设定阈值为100。
7.一种电子设备,其特征在于,所述电子设备,包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194460.3A CN115273039B (zh) | 2022-09-29 | 2022-09-29 | 一种基于摄像头的小障碍物探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194460.3A CN115273039B (zh) | 2022-09-29 | 2022-09-29 | 一种基于摄像头的小障碍物探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115273039A CN115273039A (zh) | 2022-11-01 |
CN115273039B true CN115273039B (zh) | 2023-01-10 |
Family
ID=83757348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211194460.3A Active CN115273039B (zh) | 2022-09-29 | 2022-09-29 | 一种基于摄像头的小障碍物探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115273039B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468743B (zh) * | 2023-06-19 | 2023-08-18 | 中国铁路北京局集团有限公司天津供电段 | 一种识别铁路树木侵限的方法、系统及设备 |
CN117048596B (zh) * | 2023-08-04 | 2024-05-10 | 广州汽车集团股份有限公司 | 避让障碍物的方法、装置、车辆及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105185160A (zh) * | 2015-10-09 | 2015-12-23 | 卢庆港 | 路面检测系统及其检测方法 |
CN110969074A (zh) * | 2018-09-28 | 2020-04-07 | 英特尔公司 | 用于障碍物检测和跟踪的感知设备以及用于障碍物检测和跟踪的感知方法 |
CN113538357A (zh) * | 2021-07-09 | 2021-10-22 | 同济大学 | 一种抗阴影干扰的路面状态在线检测方法 |
CN114049375A (zh) * | 2021-11-10 | 2022-02-15 | 杭州老板电器股份有限公司 | 基于piv的分区域油烟逃逸量计算方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548628A (zh) * | 2017-01-11 | 2017-03-29 | 福州大学 | 一种基于视觉空间转换网格化的路况分析方法 |
CN110457417B (zh) * | 2019-08-02 | 2022-01-11 | 珠海格力电器股份有限公司 | 基于边缘检测算法的室内地图构建的方法、计算机存储介质和终端 |
CN111598034B (zh) * | 2020-05-22 | 2021-07-23 | 知行汽车科技(苏州)有限公司 | 障碍物检测方法、装置及存储介质 |
CN112163446B (zh) * | 2020-08-12 | 2023-04-28 | 浙江吉利汽车研究院有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
CN114612705A (zh) * | 2020-11-24 | 2022-06-10 | 富泰华工业(深圳)有限公司 | 可移动障碍物位置判断方法、装置、电子设备及系统 |
CN112634359A (zh) * | 2021-01-14 | 2021-04-09 | 深圳市一心视觉科技有限公司 | 车辆防碰撞预警方法、装置、终端设备及存储介质 |
-
2022
- 2022-09-29 CN CN202211194460.3A patent/CN115273039B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105185160A (zh) * | 2015-10-09 | 2015-12-23 | 卢庆港 | 路面检测系统及其检测方法 |
CN110969074A (zh) * | 2018-09-28 | 2020-04-07 | 英特尔公司 | 用于障碍物检测和跟踪的感知设备以及用于障碍物检测和跟踪的感知方法 |
CN113538357A (zh) * | 2021-07-09 | 2021-10-22 | 同济大学 | 一种抗阴影干扰的路面状态在线检测方法 |
CN114049375A (zh) * | 2021-11-10 | 2022-02-15 | 杭州老板电器股份有限公司 | 基于piv的分区域油烟逃逸量计算方法和装置 |
Non-Patent Citations (3)
Title |
---|
Small obstacle detection using stereo vision for autonomous ground vehicle;Krishnam Gupta等;《AIR》;20170702;第1-6页 * |
基于改进栅格图的道路和障碍物检测算法研究;岳元琛 等;《计算机与数字工程》;20211231;第1799-1804页 * |
面向地质勘探的自主地面车辆障碍物检测;郭春宝;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130915;第15-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115273039A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271944B (zh) | 障碍物检测方法、装置、电子设备、车辆及存储介质 | |
CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN115273039B (zh) | 一种基于摄像头的小障碍物探测方法 | |
EP3252658B1 (en) | Information processing apparatus and information processing method | |
EP3581890A2 (en) | Method and device for positioning | |
CN110516621B (zh) | 无障碍行驶区域的检测方法、装置、车辆及存储介质 | |
US20170344021A1 (en) | Information processing apparatus, vehicle, and information processing method | |
CN110298311B (zh) | 路面积水检测方法及装置 | |
CN113835102B (zh) | 车道线生成方法和装置 | |
CN108399360B (zh) | 一种连续型障碍物检测方法、装置及终端 | |
CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
CN116071729A (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
CN115457505A (zh) | 一种摄像头的小障碍物探测方法、装置、设备及存储介质 | |
KR20190134303A (ko) | 영상 인식 장치 및 그 방법 | |
CN113192057A (zh) | 目标检测方法、系统、设备及存储介质 | |
CN112639822B (zh) | 一种数据处理方法及装置 | |
CN116958935A (zh) | 基于多视角的目标定位方法、装置、设备及介质 | |
Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
Ahmed et al. | Lane marking detection using LiDAR sensor | |
CN114596706B (zh) | 路侧感知系统的检测方法及装置、电子设备和路侧设备 | |
CN110727269A (zh) | 车辆控制方法及相关产品 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN114565906A (zh) | 障碍物检测方法、装置、电子设备及存储介质 | |
CN113570622A (zh) | 一种障碍物确定方法、装置、电子设备以及存储介质 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |