一种基于嵌入式终端的高速地面障碍物检测方法与流程

1.本发明涉及地面障碍物检测，具体涉及一种基于嵌入式终端的高速地面障碍物检测方法。


背景技术：

2.自动驾驶汽车又称无人驾驶汽车，是一种由综合感知系统驱动、计算机软件控制实现的智能车辆，它将是未来智能交通的重要组成部分，拥有十分广阔的发展前景，是当前车辆工程领域的研究热点之一。
3.随着高速公路上行驶的车辆越来越多，来自机动车上脱落的物体(乘客丢弃或货物洒落等)以及路面上的其他障碍物，将会引发严重的交通安全事故。提升路面障碍物检测技术，增强路面障碍物检测的准确性和及时性，对于公路尤其是高速公路的安全行驶有着重要的研究意义。
4.在自动驾驶领域，视觉感知障碍物对无人驶决策具有重要影响。在具体实现过程中，通过摄像头采集图像信息，然后对该图像进行算法处理，输出自动驾驶场景的视觉感知障碍物，然后对视觉感知障碍物与其他传感器信息进行信息融合，输出当前环境信息。然而，现有的高速地面障碍物检测方法存在障碍物检测不够准确、及时的问题，导致无人驾驶汽车容易与障碍物发生碰撞而发生严重的交通安全事故。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术所存在的上述缺点，本发明提供了一种基于嵌入式终端的高速地面障碍物检测方法，能够有效克服现有技术所存在的高速地面障碍物检测的准确性较低、及时性较差的缺陷。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.一种基于嵌入式终端的高速地面障碍物检测方法，包括以下步骤：
10.s1、在探测距离范围内，利用双目相机对前方区域进行实时覆盖检测，以获取目标检测图片；
11.s2、从目标检测图片中分割出仅包含所在行驶车道的目标车道图片；
12.s3、基于目标检测算法对目标车道图片进行障碍物检测，确定障碍物信息；
13.s4、在双目相机的视差上对目标车道图片进行匹配，以验证探测距离范围内是否存在障碍物。
14.优选地，s2中从目标检测图片中分割出仅包含所在行驶车道的目标车道图片，包括：
15.提取目标检测图片中梯度强度大于预设梯度强度阈值的第一像素点，并从第一像素点中提取梯度强度大于沿正负梯度方向上相邻第一像素点的梯度强度的第二像素点；
16.利用双阈值法从第二像素点中筛选强边缘像素点，获取由强边缘像素点构成的边缘图像；
17.检测边缘图像中的直线线段，并基于颜色特征提取车道线，分割出仅包含所在行驶车道的目标车道图片。
18.优选地，s2中从目标检测图片中分割出仅包含所在行驶车道的目标车道图片之前，包括：
19.计算目标检测图片中各像素点对应的高斯卷积核，将高斯卷积核与目标检测图片中对应像素点进行卷积运算，以对目标检测图片进行平滑处理。
20.优选地，s3中基于目标检测算法对目标车道图片进行障碍物检测，确定障碍物信息，包括：
21.基于目标检测算法训练得到障碍物检测模型，将目标车道图片输入障碍物检测模型中，获取目标车道图片对应的检测数据；
22.根据检测数据确定目标车道图片中包含的障碍物信息。
23.优选地，所述将目标车道图片输入障碍物检测模型中，获取目标车道图片对应的检测数据，包括：
24.将目标车道图片切分为多个子图像，利用障碍物检测模型确定各子图像的置信度；
25.对置信度大于置信度阈值的子图像，确定包含的连通分量类别；
26.提取出所有连通类别分量为障碍物的子图像，并将这些子图像的坐标位置作为目标车道图片对应的检测数据。
27.优选地，所述根据检测数据确定目标车道图片中包含的障碍物信息，包括：
28.根据检测数据确定障碍物边缘像素点的坐标位置，并得到障碍物的中心位置，同时计算障碍物的体积大小，将障碍物的中心位置、体积大小作为目标车道图片中包含的障碍物信息。
29.优选地，s4中在双目相机的视差上对目标车道图片进行匹配，以验证探测距离范围内是否存在障碍物，包括：
30.对双目相机中主相机检测到的坐标位置(x1,y1)的障碍物特征点，在双目相机中副相机内坐标位置(x1 δp,y1)处进行邻域匹配；
31.若在副相机内坐标位置(x1 δp,y1)处的邻域内存在相同的障碍物特征点，则判定探测距离范围内存在障碍物；
32.其中，δp为双目相机在主相机检测到障碍物特征点处的视差。
33.优选地，所述在双目相机中副相机内坐标位置(x1 δp,y1)处进行邻域匹配，包括：
34.通过sad匹配算法在双目相机中副相机内坐标位置(x1 δp,y1)处进行邻域匹配，若计算得到代价函数esad为零，则判定在副相机内坐标位置(x1 δp,y1)处的邻域内存在相同的障碍物特征点。
35.优选地，所述探测距离范围采用下式表示：
36.r＜d＜30b
37.其中，d为双目相机探测距离，r为车辆最小转弯半径，b为基线长度。
38.(三)有益效果
39.与现有技术相比，本发明所提供的一种基于嵌入式终端的高速地面障碍物检测方法，具有以下有益效果：
40.1)利用双目相机对前方区域进行实时覆盖检测获取目标检测图片，从目标检测图片中分割出仅包含所在行驶车道的目标车道图片，基于目标检测算法对目标车道图片进行障碍物检测，确定障碍物信息，通过从目标检测图片中分割出目标车道图片，使得后续基于目标检测算法进行障碍物检测得到的检测结果更加准确、及时，确保能够快速准确地获取障碍物信息；
41.2)在双目相机的视差上对目标车道图片进行匹配，以验证探测距离范围内是否存在障碍物，基于双目相机的视差对目标车道图片进行匹配，实现对目标检测算法得到障碍物检测结果的有效验证，进一步确保障碍物检测结果的准确性，为无人驾驶汽车遇到障碍物时做出无人驶决策提供有效依据。
附图说明
42.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
43.图1为本发明的流程示意图；
44.图2为本发明中基于目标检测算法对目标车道图片进行障碍物检测的流程示意图；
45.图3为本发明中对目标车道图片进行匹配以验证是否存在障碍物的流程示意图。
具体实施方式
46.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。
47.一种基于嵌入式终端的高速地面障碍物检测方法，如图1至图3所示，
①
在探测距离范围内，利用双目相机对前方区域进行实时覆盖检测，以获取目标检测图片。
48.②
从目标检测图片中分割出仅包含所在行驶车道的目标车道图片，具体包括：
49.提取目标检测图片中梯度强度大于预设梯度强度阈值的第一像素点，并从第一像素点中提取梯度强度大于沿正负梯度方向上相邻第一像素点的梯度强度的第二像素点；
50.利用双阈值法从第二像素点中筛选强边缘像素点，获取由强边缘像素点构成的边缘图像；
51.检测边缘图像中的直线线段，并基于颜色特征提取车道线，分割出仅包含所在行驶车道的目标车道图片。
52.其中，从目标检测图片中分割出仅包含所在行驶车道的目标车道图片之前，包括：
53.计算目标检测图片中各像素点对应的高斯卷积核，将高斯卷积核与目标检测图片中对应像素点进行卷积运算，以对目标检测图片进行平滑处理。
54.③
基于目标检测算法对目标车道图片进行障碍物检测，确定障碍物信息，具体包括：
55.基于目标检测算法训练得到障碍物检测模型，将目标车道图片输入障碍物检测模型中，获取目标车道图片对应的检测数据；
56.根据检测数据确定目标车道图片中包含的障碍物信息。
57.a、将目标车道图片输入障碍物检测模型中，获取目标车道图片对应的检测数据，包括：
58.将目标车道图片切分为多个子图像，利用障碍物检测模型确定各子图像的置信度；
59.对置信度大于置信度阈值的子图像，确定包含的连通分量类别；
60.提取出所有连通类别分量为障碍物的子图像，并将这些子图像的坐标位置作为目标车道图片对应的检测数据。
61.b、根据检测数据确定目标车道图片中包含的障碍物信息，包括：
62.根据检测数据确定障碍物边缘像素点的坐标位置，并得到障碍物的中心位置，同时计算障碍物的体积大小，将障碍物的中心位置、体积大小作为目标车道图片中包含的障碍物信息。
63.上述技术方案，利用双目相机对前方区域进行实时覆盖检测获取目标检测图片，从目标检测图片中分割出仅包含所在行驶车道的目标车道图片，基于目标检测算法对目标车道图片进行障碍物检测，确定障碍物信息，通过从目标检测图片中分割出目标车道图片，使得后续基于目标检测算法进行障碍物检测得到的检测结果更加准确、及时，确保能够快速准确地获取障碍物信息。
64.④
在双目相机的视差上对目标车道图片进行匹配，以验证探测距离范围内是否存在障碍物，具体包括：
65.对双目相机中主相机检测到的坐标位置(x1,y1)的障碍物特征点，在双目相机中副相机内坐标位置(x1 δp,y1)处进行邻域匹配；
66.若在副相机内坐标位置(x1 δp,y1)处的邻域内存在相同的障碍物特征点，则判定探测距离范围内存在障碍物；
67.其中，δp为双目相机在主相机检测到障碍物特征点处的视差。
68.其中，在双目相机中副相机内坐标位置(x1 δp,y1)处进行邻域匹配，包括：
69.通过sad匹配算法在双目相机中副相机内坐标位置(x1 δp,y1)处进行邻域匹配，若计算得到代价函数esad为零，则判定在副相机内坐标位置(x1 δp,y1)处的邻域内存在相同的障碍物特征点。
70.本技术技术方案中，探测距离范围采用下式表示：
71.r＜d＜30b
72.其中，d为双目相机探测距离，r为车辆最小转弯半径，b为基线长度。
73.上述技术方案，在双目相机的视差上对目标车道图片进行匹配，以验证探测距离范围内是否存在障碍物，基于双目相机的视差对目标车道图片进行匹配，实现对目标检测算法得到障碍物检测结果的有效验证，进一步确保障碍物检测结果的准确性，为无人驾驶汽车遇到障碍物时做出无人驶决策提供有效依据。
74.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。