CN115407338A - 一种车辆环境信息感知方法及系统 - Google Patents
一种车辆环境信息感知方法及系统 Download PDFInfo
- Publication number
- CN115407338A CN115407338A CN202210895332.5A CN202210895332A CN115407338A CN 115407338 A CN115407338 A CN 115407338A CN 202210895332 A CN202210895332 A CN 202210895332A CN 115407338 A CN115407338 A CN 115407338A
- Authority
- CN
- China
- Prior art keywords
- information
- environment
- vehicle
- environmental
- acquiring
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种车辆环境信息感知方法及系统,涉及智能交通技术领域。其方法包括以下步骤:利用环境传感器实时获取车辆周围的第一环境信息;利用预置的真值感知模块实时获取车辆周围的第二环境信息;将第一环境信息和第二环境信息进行处理,得到最终环境信息;基于最终环境信息利用定位模块得到车辆相对于所处最终环境信息的位置信息。其系统包括第一环境获取模块、第二环境获取模块、环境信息处理模块和环境位置获取模块。通过优化车辆对周围环境感知的方法步骤,能够有效的提高车辆对周围环境的感知的准确性。
Description
技术领域
本发明涉及智能交通技术领域,具体而言,涉及一种车辆环境信息感知方法及系统。
背景技术
随着自动化技术的不断发展,无人驾驶逐渐成为一种趋势。尤其对于一些封闭、半封闭的工程作业场景,例如:港区码头等,采用无人驾驶车辆进行自动化作业,能够极大的提高作业效率。在无人驾驶车辆自动作业的过程中,车辆中的环境感知系统需要通过传感器获取外界信息,并将外界信息转化为环境感知结果,进而将环境感知结果输入到车辆的决策系统,决策系统基于环境感知结果对车辆进行控制。如果环境感知系统输出的环境感知结果错误,将会导致决策系统决策错误,进而影响车辆的行驶安全。可见,环境感知系统输出的环境感知结果的准确性,对无人驾驶车辆的行驶安全具有重要意义。
发明内容
本发明的目的在于提供一种车辆环境信息感知方法及系统,其通过优化车辆对周围环境感知的方法步骤,能够有效的提高车辆对周围环境的感知的准确性。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种车辆环境信息感知方法,包括以下步骤:
步骤S101:利用环境传感器实时获取车辆周围的第一环境信息;
步骤S102:利用预置的真值感知模块实时获取车辆周围的第二环境信息;
步骤S103:将第一环境信息和第二环境信息进行处理,得到最终环境信息;
步骤S104:基于最终环境信息利用定位模块得到车辆相对于所处最终环境信息的位置信息。
在本发明的一些实施例中,上述将第一环境信息和第二环境信息进行处理,得到最终环境信息的步骤具体包括:
将第一环境信息和第二环境信息进行特征提取,分别得到对应的第一环境特征信息和第二环境特性信息;
对第一环境特征信息和第二环境特性信息进行模式识别处理,得到目标特点信息;
基于目标特点信息分别将第一环境特征信息和第二环境特性信息中相似的环境特征信息进行信息聚类,分别得到第一环境特征信息和第二环境特性信息对应的分类环境特征信息;
将第一环境特征信息对应的分类环境特征信息进特征融合,得到第一融合特征,将第二环境特征信息对应的分类环境特征信息进特征融合,得到第二融合特征;
将第一融合特征和第二融合特征进行特征融合并进行特征识别,得到最终环境信息。
在本发明的一些实施例中,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用激光雷达获取车辆周围的环境的点云数据信息;
对点云数据信息进行点云滤波处理,得到滤波点云数据信息;
对滤波点云数据信息进行地面和非地面分割,得到非地面点云数据信息;
利用DBSCAN算法对非地面点云数据信息进行聚类,得到最终点云数据信息。
在本发明的一些实施例中,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用双目深度相机实时获取车辆周围的环境的原始图像信息;
对双目深度相机进行标定,得到双目相机的内外参数及单应矩阵;
基于内外参数及单应矩阵对原始图像信息进行图像校正,得到校正图像信息;
对校正图像信息进行像素点匹配得到每个像素的深度信息,并基于每个像素的深度信息得到深度图像信息。
在本发明的一些实施例中,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用全景相机实时获取车辆周围的环境的多个重叠的原始图像信息;
逐一利用SIFT算法对相邻两张原始图像信息进行特征提取,得到特征图像信息;
基于RANSCAC算法对特征图像信息进行特征点筛选,得到筛选图像信息;
基于DLT算法对筛选图像信息进行透视变换矩阵的估计,得到透视图像信息;
将透视图像信息分割为多个分块,并对每个分块进行但应性矩阵变换,得到无缝的环境图像信息。
在本发明的一些实施例中,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用棋盘网格对工业远视相机进行标定,得到工业远视相机的内部参数信息;
利用工业远视相机实时获取车辆周围的环境的原始图像信息;
利用目标检测算法得到目标物体在原始图像信息中的位置信息;
基于位置信息和内部参数信息利用PNP算法获得目标物体的仰俯角、偏航角和横滚角;
利用目标物体的仰俯角、偏航角和横滚角得到包含目标物体的姿态信息的第一环境信息。
在本发明的一些实施例中,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用环境传感器获取包含车道线的车载图像信息;
对车载图像信息进行灰度化处理,得到灰度化图像信息;
对灰度化图像信息进行边缘检测,得到边缘检测图像信息;
基于霍夫检测对边缘检测图像信息进行直线检测,得到车道线信息。
第二方面,本申请实施例提供一种车辆环境信息感知系统,其包括:
第一环境获取模块,用于利用环境传感器实时获取车辆周围的第一环境信息;
第二环境获取模块,用于利用预置的真值感知模块实时获取车辆周围的第二环境信息;
环境信息处理模块,用于将第一环境信息和第二环境信息进行处理,得到最终环境信息;
环境位置获取模块,用于基于最终环境信息利用定位模块得到车辆相对于所处最终环境信息的位置信息。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项上述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本发明的实施例提出了一种车辆环境信息感知方法及系统,其首先利用车辆本身系统安装设置的环境传感器实时动态的感知车辆周围的各类环境场景信息,将可以得到包含各种传感器数据的第一环境信息,并且利用预置的真值感知模块进行实时获取车辆周围的环境信息,用以得到第二环境信息。然后将第一环境信息和第二环境信息进行处理,将可以综合考虑两者数据之间的关联和差异,得到更加准确的最终环境信息。然后又基于最终环境信息以及安装设置在车辆上的定位模块进行双重定位,将可以得到更加精准的车辆定位,为后续车辆的数据处理提供更加精准有效的车辆周围环境信息。也就是说,通过两次双重数据处理(第一次是第一环境信息和第二环境信息进行综合处理,第二次是定位模块和最终环境信息进行双重定位),将可以有效的提高车辆获取的周围环境的感知信息的精准度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明一种车辆环境信息感知方法一实施例的流程图;
图2为本发明实施例中所述将第一环境信息和第二环境信息进行处理,得到最终环境信息的步骤的具体流程图;
图3为本发明一实施例中所述利用环境传感器实时获取车辆周围的第一环境信息的步骤的具体流程图;
图4为本发明一种车辆环境信息感知系统一实施例的结构框图;
图5为本发明实施例提供的一种电子设备的结构框图。
图标:1、第一环境获取模块;2、第二环境获取模块;3、环境信息处理模块;4、环境位置获取模块;5、存储器;6、处理器;7、通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例
请参阅图1,该一种车辆环境信息感知方法包括以下步骤:
步骤S101:利用环境传感器实时获取车辆周围的第一环境信息。
上述步骤中,利用车辆本身系统安装设置的环境传感器实时动态的感知车辆周围的各类环境场景信息,将可以得到包含各种传感器数据的第一环境信息,从而为后续对其进行数据处理提供原始数据支撑。示例性地,环境传感器可以包括毫米波雷达、全景相机、深度相机、激光雷达、IMU、GPS、工业相机、4K高清相机等传感器,从而可以获取到全面具体的车辆的周围的第一环境信息,避免采用单一传感器进行获取环境数据有限的问题的发生。
具体地,请参阅图3,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
步骤S301:利用激光雷达获取车辆周围的环境的点云数据信息。
上述步骤中,通过激光雷达对车辆周围的环境进行探测得到相应的点云数据信息,将可以为后续的数据处理提供原始数据支撑。
步骤S302:对点云数据信息进行点云滤波处理,得到滤波点云数据信息。
上述步骤中,在利用激光雷达对车辆周围的环境进行探测时,由于环境变化、传感器精度、测量误差等,激光雷达不可避免的会产生噪声。过多的噪声会导致算法错误,过大的点云密度会导致点云处理速度缓慢,无法满足车辆感知实时性的要求。因此,需要对点云数据信息进行点云滤波处理,从而可以有效减少噪声点和离群点,减少采样数据量,从而获得更有效的感兴趣点云区域。将可以提高后续数据处理的准确度,也就是将可以提高环境感知的精准度。
步骤S303:对滤波点云数据信息进行地面和非地面分割,得到非地面点云数据信息。
上述步骤中,在车辆行驶过程中,其姿态会随着路面起伏发生变化,也就是说实时获取的点云数据信息中包含地面和非地面的点云数据信息,其中地面的点云数据信息是对于目标识别没有价值的数据。因此,通过对滤波点云数据信息进行地面和非地面分割,得到非地面点云数据信息,将可以有效的减少后续数据处理的数量,提高数据处理的效率。而且,将可以对非地面点云数据信息进行针对性的处理,从而提高后续处理的精准度。
步骤S304:利用DBSCAN算法对非地面点云数据信息进行聚类,得到最终点云数据信息。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。另外,激光雷达一次扫描的点数可达数以万计,同时这些点呈现不规则分布。因此,通过DBSCAN算法对非地面点云数据信息进行聚类,将可以不受激光雷达获取的点云数据信息中的凸以及非凸的统计学特征的限制,对其进行有效的聚类。
具体地,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤可以具体包括:
步骤S401:利用双目深度相机实时获取车辆周围的环境的原始图像信息。
深度相机原理和基于TOF、结构光原理的深度相机不同,该原理的成像机制类似于人的双眼,不是从摄像头发出光线,而是依靠左右两目摄像头所拍摄的图片灰度来计算深度,因此有时候也被称为被动双目深度相机。上述步骤中,利用双目深度相机实时获取车辆周围的环境的原始图像信息,将可以为后续处理提供原始数据支撑。
步骤S402:对双目深度相机进行标定,得到双目相机的内外参数及单应矩阵。
步骤S403:基于内外参数及单应矩阵对原始图像信息进行图像校正,得到校正图像信息。
上述步骤中,通过对双目深度相机进行标定,然后将可以得到双目相机的内外参数及单应矩阵。从而将可以通过分别对原始图像信息中的两张图片用内外参数及单应矩阵变换进行图像校正,从而把两个不同方向的图像平面重新投影到同一个平面且光轴互相平行。
步骤S405:对校正图像信息进行像素点匹配得到每个像素的深度信息,并基于每个像素的深度信息得到深度图像信息。
示例性地,可以基于能量优化的方法对校正图像信息进行图像匹配,得到具有深度信息的深度图像信息。
上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
步骤S501:利用全景相机实时获取车辆周围的环境的多个重叠的原始图像信息。
上述步骤中,通过利用全景相机实时获取车辆周围的环境的多个重叠的原始图像信息,将可以为后续得到无缝的全景图或高分辨率图像提供原始数据支撑。
步骤S502:逐一利用SIFT算法对相邻两张原始图像信息进行特征提取,得到特征图像信息。
上述步骤中,SIFT算法全称为Scale-invariant feature transform,其SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性,它们是高度显著而且相对容易撷取,在母数庞大的特征数据库中,很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高,甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下,辨识速度可接近即时运算。SIFT特征的信息量大,适合在海量数据库中快速准确匹配。也就是说,通过利用SIFT算法对相邻两张原始图像信息进行特征提取,可以避免车辆周围环境变化的影响,特征提取更加准确有效。
步骤S503:基于RANSCAC算法对特征图像信息进行特征点筛选,得到筛选图像信息。
上述步骤中,由于特征图像信息中存在一些无效的特征点,如果直接对整个特征图像信息进行处理,其中的无效的特征点将会对处理结果产生一定的影响。RANSCAC聚类算法是一种基于高密度连通区域的基于密度的聚类算法,能够将足够高密度的区域划分为簇,并在噪声数据中找到任意形状的簇。因此,基于RANSCAC算法对特征图像信息进行特征点筛选,将可以有效的避免上述问题的发生。
步骤S504:基于DLT算法对筛选图像信息进行透视变换矩阵的估计,得到透视图像信息。
上述步骤中,在对图像进行配准的时候,直接将两张图片进行映射变换会导致图片中部分物体有重影现象。因此,为了尽量减弱这种问题,通过DLT算法对筛选图像信息进行透视变换矩阵的估计,得到透视图像信息,后续进行配准的时候将可以有效的解决上述问题。
步骤S505:将透视图像信息分割为多个分块,并对每个分块进行但应性矩阵变换,得到无缝的环境图像信息。
上述步骤中,将透视图像信息分割为多个分块,并对每个分块进行但应性矩阵变换,将可以得到无缝的环境图像信息。也就是说,通过把图像匹配问题转化为能量函数最小化问题,通过构造网络,使能量与网格的割的容量相联系,利用图的网络流理论,给出能量函数最小化,从而获得精准的图像匹配的视差数据。
具体地,上述利用环境传感器实时获取车辆周围的第一环境信息的步骤可以具体包括:
步骤S601:利用棋盘网格对工业远视相机进行标定,得到工业远视相机的内部参数信息。
上述步骤中,使用棋盘网格对工业远视相机进行标定,即通过进行三维空间场景中拍摄同一棋盘标定板在不同发展方向,不同地理位置的多张棋盘图片,计算出每幅棋盘图像在图像平面上的像素坐标,逐一映射出每幅棋盘图像的三维坐标和相应的像素平面的二维像素坐标,然后求出工业远视相机的内部参数。
步骤S602:利用工业远视相机实时获取车辆周围的环境的原始图像信息。
步骤S603:利用目标检测算法得到目标物体在原始图像信息中的位置信息。
上述步骤中,通过实时获取车辆周围的环境的原始图像信息,并利用目标检测算法得到目标物体在原始图像信息中的位置信息,将可以为后续对目标物体的组态解算提供原始数据支撑。
示例性地,可以采用YOLO v1算法进行目标检测,将可以有效的提高目标检测的速度和精度。
步骤S604:基于位置信息和内部参数信息利用PNP算法获得目标物体的仰俯角、偏航角和横滚角。
上述步骤中,PnP(Perspective-n-Point)是一种求解3D到2D点的对应方法,也就是说通过工业远视相机获取包含目标物体图像的原始图像信息并进行上述处理后,再利用PNP算法将可以获得目标物体的仰俯角、偏航角和横滚角,达到目标物体的姿态解算目的。
步骤S605:利用目标物体的仰俯角、偏航角和横滚角得到包含目标物体的姿态信息的第一环境信息。
上述步骤中,在对目标物体进行姿态解算后,将可以根据解算结果得到包含目标物体的姿态信息的第一环境信息,也就是将可以得到精准的车辆周围的环境信息。
上述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
步骤S701:利用环境传感器获取包含车道线的车载图像信息;
步骤S702:对车载图像信息进行灰度化处理,得到灰度化图像信息。
上述步骤中,由于环境传感器获取的包含车道线的车载图像信息可能是彩色的RBG图像,而我们仅需要提取其中白色的车道线。因此,可以对车载图像信息进行灰度化处理,方便后续进行提取车道线。
示例性地,由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,可以利用公式f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)对RGB三分量进行加权平均能得到较合理的灰度图像。其中,f(i,j)表示灰度化图像信息中的(i,j)像素点的信息,R(i,j)、G(i,j)和B(i,j)分别为在R通道、G通道和B通道中的(i,j)像素点的信息。通过上述公式进行灰度化处理得到的灰度化图像信息将会更加符合人眼特点。
步骤S703:对灰度化图像信息进行边缘检测,得到边缘检测图像信息。
上述步骤中,通过对灰度化图像信息进行边缘检测,将可以得到灰度化图像信息中的物体的外形信息,从而方便后续检测获取其中的车道线。
示例性地,可以根据实际情况需要使用sobel算子或者canny算子进行边缘检测。
步骤S704:基于霍夫检测对边缘检测图像信息进行直线检测,得到车道线信息。
上述步骤中,通过在边缘检测图像信息进行识别车道线信息,可以大大的缩减图像处理的计算量(在边缘检测的时候去掉不需要的图像信息,只获取了其中的外形和线条信息)。由于车道线是直线,并且霍夫检测(Hough检测)抗干扰能力强,对图像中的直线的残缺部分、噪声以及其它共存的非直线结构不敏感。因此,基于霍夫检测(Hough检测)对边缘检测图像信息进行直线检测,将可以得到精准的车道线信息。
步骤S102:利用预置的真值感知模块实时获取车辆周围的第二环境信息。
上述步骤中,利用另外预置的真值感知模块进行实时获取车辆周围的环境信息,用以得到第二环境信息,从而后续可以将第一环境信息和第二环境信息进行综合处理,得到更加准确的环境信息,提高车辆环境信息感知的准确度。需要说明的是,上述步骤S101和步骤S102并不严格区分先后顺序,可以根据需要进行选择两者之间的顺序。示例性地,步骤S101和步骤S102可以同步进行处理,从而能够更加及时的对第一环境信息和第二环境信息进行处理。
步骤S103:将第一环境信息和第二环境信息进行处理,得到最终环境信息。
上述步骤中,通过将车辆本身设置的传感器获取的第一环境信息与真值感知模块获取的第二环境信息进行处理,将可以综合考虑两者数据之间的关联和差异,得到更加准确的最终环境信息。示例性地,由于预置的真值感知模块获取的数据更加标准,从而可以以第二环境信息作为校正数据对第一环境信息进行校准处理,从而得到最终环境信息。也可以通过将第一环境信息和第二环境信息进行提取特征后进行特征融合,从而得到最终环境信息(将第一环境信息和第二环境信息进行融合成一个环境信息了)。
具体地,请参阅图2,上述将第一环境信息和第二环境信息进行处理,得到最终环境信息的步骤具体包括:
步骤S201:将第一环境信息和第二环境信息进行特征提取,分别得到对应的第一环境特征信息和第二环境特性信息。
上述步骤中,由于在获取第一环境信息和第二环境信息的时候,是通过多个或者不同的传感器进行环境信息获取的(环境信息的来源不同,数据类型之间有差异),因此,先对其进行特征提取,将可以方便后续对其进程处理,用以提高数据的准确度。
步骤S202:对第一环境特征信息和第二环境特性信息进行模式识别处理,得到目标特点信息;
步骤S203:基于目标特点信息分别将第一环境特征信息和第二环境特性信息中相似的环境特征信息进行信息聚类,分别得到第一环境特征信息和第二环境特性信息对应的分类环境特征信息。
上述步骤中,通过对第一环境特征信息和第二环境特性信息进行模式识别处理,将可以得到目标特点信息,也就是将可以得到各种不同的传感器观测获取的是否是同一物理现象。然后基于目标特点信息将可以分别将第一环境特征信息和第二环境特性信息中相似的环境特征信息进行信息聚类处理,得到对应的分类环境特征信息。
步骤S204:将第一环境特征信息对应的分类环境特征信息进特征融合,得到第一融合特征,将第二环境特征信息对应的分类环境特征信息进特征融合,得到第二融合特征。
上述步骤中,通过将信息聚类后的第一环境特征信息和第二环境特征信息进行特征融合,可以将每种传感器提供的观测数据中的具有代表性的特征进行提取融合,得到单一的特征向量。
步骤S205:将第一融合特征和第二融合特征进行特征融合并进行特征识别,得到最终环境信息。
上述步骤中,通过再次将第一融合特征和第二融合特征进行特征融合并进行特征识别,从而可以同一目标的特征进行融合,得到有关该目标的切确描述的最终环境信息。
步骤S104:基于最终环境信息利用定位模块得到车辆相对于所处最终环境信息的位置信息。
与传统的导航地图相比,自动驾驶对高精度地图在各个方面都有更高的要求。其中最关键的是,要能够精确的定位车辆在车道上的位置信息,从而提高车辆的定位精度。上述步骤中,通过基于最终环境信息以及安装设置在车辆上的定位模块进行双重定位,将可以得到更加精准的车辆定位,为后续车辆的数据处理提供更加精准有效的车辆周围环境信息。
基于同样的发明构思,请参阅图4,本发明还提出一种车辆环境信息感知系统,包括:
第一环境获取模块1,用于利用环境传感器实时获取车辆周围的第一环境信息;
第二环境获取模块2,用于利用预置的真值感知模块实时获取车辆周围的第二环境信息;
环境信息处理模块3,用于将第一环境信息和第二环境信息进行处理,得到最终环境信息;
环境位置获取模块4,用于基于最终环境信息利用定位模块得到车辆相对于所处最终环境信息的位置信息。
上述系统具体实现过程请参照本申请实施例提供的一种车辆环境信息感知方法,在此不再赘述。
请参阅图5,图5为本发明实施例提供的一种电子设备的结构框图。该电子设备包括存储器5、处理器6和通信接口7,该存储器5、处理器6和通信接口7相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器5可用于存储软件程序及模块,如本申请实施例所提供的一种车辆环境信息感知系统对应的程序指令/模块,处理器6通过执行存储在存储器5内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口7可用于与其他节点设备进行信令或数据的通信。
其中,存储器5可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器6可以是一种集成电路芯片,具有信号处理能力。该处理器6可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图5所示的结构仅为示意,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例上述方法的全部或部分步骤。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。
以上上述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种车辆环境信息感知方法,其特征在于,包括以下步骤:
步骤S101:利用环境传感器实时获取车辆周围的第一环境信息;
步骤S102:利用预置的真值感知模块实时获取车辆周围的第二环境信息;
步骤S103:将第一环境信息和第二环境信息进行处理,得到最终环境信息;
步骤S104:基于最终环境信息利用定位模块得到车辆相对于所处最终环境信息的位置信息。
2.如权利要求1所述的一种车辆环境信息感知方法,其特征在于,所述将第一环境信息和第二环境信息进行处理,得到最终环境信息的步骤具体包括:
将第一环境信息和第二环境信息进行特征提取,分别得到对应的第一环境特征信息和第二环境特性信息;
对第一环境特征信息和第二环境特性信息进行模式识别处理,得到目标特点信息;
基于目标特点信息分别将第一环境特征信息和第二环境特性信息中相似的环境特征信息进行信息聚类,分别得到第一环境特征信息和第二环境特性信息对应的分类环境特征信息;
将第一环境特征信息对应的分类环境特征信息进特征融合,得到第一融合特征,将第二环境特征信息对应的分类环境特征信息进特征融合,得到第二融合特征;
将第一融合特征和第二融合特征进行特征融合并进行特征识别,得到最终环境信息。
3.如权利要求1所述的一种车辆环境信息感知方法,其特征在于,所述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用激光雷达获取车辆周围的环境的点云数据信息;
对点云数据信息进行点云滤波处理,得到滤波点云数据信息;
对滤波点云数据信息进行地面和非地面分割,得到非地面点云数据信息;
利用DBSCAN算法对非地面点云数据信息进行聚类,得到最终点云数据信息。
4.如权利要求1所述的一种车辆环境信息感知方法,其特征在于,所述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用双目深度相机实时获取车辆周围的环境的原始图像信息;
对双目深度相机进行标定,得到双目相机的内外参数及单应矩阵;
基于内外参数及单应矩阵对原始图像信息进行图像校正,得到校正图像信息;
对校正图像信息进行像素点匹配得到每个像素的深度信息,并基于每个像素的深度信息得到深度图像信息。
5.如权利要求1所述的一种车辆环境信息感知方法,其特征在于,所述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用全景相机实时获取车辆周围的环境的多个重叠的原始图像信息;
逐一利用SIFT算法对相邻两张原始图像信息进行特征提取,得到特征图像信息;
基于RANSCAC算法对特征图像信息进行特征点筛选,得到筛选图像信息;
基于DLT算法对筛选图像信息进行透视变换矩阵的估计,得到透视图像信息;
将透视图像信息分割为多个分块,并对每个分块进行但应性矩阵变换,得到无缝的环境图像信息。
6.如权利要求1所述的一种车辆环境信息感知方法,其特征在于,所述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用棋盘网格对工业远视相机进行标定,得到工业远视相机的内部参数信息;
利用工业远视相机实时获取车辆周围的环境的原始图像信息;
利用目标检测算法得到目标物体在原始图像信息中的位置信息;
基于位置信息和内部参数信息利用PNP算法获得目标物体的仰俯角、偏航角和横滚角;
利用目标物体的仰俯角、偏航角和横滚角得到包含目标物体的姿态信息的第一环境信息。
7.如权利要求1所述的一种车辆环境信息感知方法,其特征在于,所述利用环境传感器实时获取车辆周围的第一环境信息的步骤具体包括:
利用环境传感器获取包含车道线的车载图像信息;
对车载图像信息进行灰度化处理,得到灰度化图像信息;
对灰度化图像信息进行边缘检测,得到边缘检测图像信息;
基于霍夫检测对边缘检测图像信息进行直线检测,得到车道线信息。
8.一种车辆环境信息感知系统,其特征在于,包括:
第一环境获取模块,用于利用环境传感器实时获取车辆周围的第一环境信息;
第二环境获取模块,用于利用预置的真值感知模块实时获取车辆周围的第二环境信息;
环境信息处理模块,用于将第一环境信息和第二环境信息进行处理,得到最终环境信息;
环境位置获取模块,用于基于最终环境信息利用定位模块得到车辆相对于所处最终环境信息的位置信息。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
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,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210895332.5A CN115407338A (zh) | 2022-07-26 | 2022-07-26 | 一种车辆环境信息感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210895332.5A CN115407338A (zh) | 2022-07-26 | 2022-07-26 | 一种车辆环境信息感知方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115407338A true CN115407338A (zh) | 2022-11-29 |
Family
ID=84159852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210895332.5A Withdrawn CN115407338A (zh) | 2022-07-26 | 2022-07-26 | 一种车辆环境信息感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115407338A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935278A (zh) * | 2023-03-08 | 2023-04-07 | 深圳市大数据研究院 | 环境识别方法、电子设备、计算机可读存储介质 |
-
2022
- 2022-07-26 CN CN202210895332.5A patent/CN115407338A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935278A (zh) * | 2023-03-08 | 2023-04-07 | 深圳市大数据研究院 | 环境识别方法、电子设备、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563923B (zh) | 获得稠密深度图的方法及相关装置 | |
CN109300162B (zh) | 一种基于精细化雷达扫描边缘点的多线激光雷达和相机联合标定方法 | |
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
CN109685842B (zh) | 一种基于多尺度网络的稀疏深度稠密化方法 | |
CN112270713B (zh) | 标定方法以及装置、存储介质、电子装置 | |
CN111862180B (zh) | 一种相机组位姿获取方法、装置、存储介质及电子设备 | |
CN111383279A (zh) | 外参标定方法、装置及电子设备 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN113205604A (zh) | 一种基于摄像机和激光雷达的可行区域检测方法 | |
CN113050074B (zh) | 无人驾驶环境感知中相机与激光雷达标定系统及标定方法 | |
CN115376109B (zh) | 障碍物检测方法、障碍物检测装置以及存储介质 | |
CN113658241A (zh) | 单目结构光的深度恢复方法、电子设备及存储介质 | |
CN112150448B (zh) | 图像处理方法、装置及设备、存储介质 | |
CN114926808A (zh) | 一种基于传感器融合的目标检测及追踪方法 | |
CN114067001A (zh) | 车载相机角度标定方法、终端及存储介质 | |
CN115407338A (zh) | 一种车辆环境信息感知方法及系统 | |
CN115457354A (zh) | 融合方法、3d目标检测方法、车载设备及存储介质 | |
CN112990049A (zh) | 用于车辆自动驾驶的aeb紧急制动方法、装置 | |
CN114611635B (zh) | 一种对象的识别方法、装置、存储介质及电子装置 | |
US20220276046A1 (en) | System and method for providing improved geocoded reference data to a 3d map representation | |
CN116385997A (zh) | 一种车载障碍物精确感知方法、系统及存储介质 | |
CN111986248B (zh) | 多目视觉感知方法、装置及自动驾驶汽车 | |
WO2023283929A1 (zh) | 双目相机外参标定的方法及装置 | |
EP4078087A1 (en) | Method and mobile entity for detecting feature points in an image | |
Berrio et al. | Semantic sensor fusion: From camera to sparse LiDAR information |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221129 |