[發明專利]基于立體視覺和激光雷達的障礙物識別遷移學習方法

有效

• 申請號: 201810398129.0
• 申請日: 2018-04-28
• 公開（公告）號: CN108594244B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 馬芳武;代凱;吳量;葛林鶴;史津竹
• 申請（專利權）人: 吉林大學
• 主分類號: G01S17/931
• 分類號: G01S17/931;G01S17/06;G06K9/00;G06K9/62;G06N3/08
• 代理公司: 吉林省長春市新時代專利商標代理有限公司 22204
• 代理人: 高一明

本發明提供一種基于立體視覺和激光雷達的障礙物識別遷移學習方法，第一步，根據雙目攝像頭識別出的障礙物制作樣本數據；在此過程中，將障礙物相對于雙目攝像頭坐標系的坐標偏移到車輛坐標系下，得到障礙物中心相對于車輛坐標系的障礙物中心坐標點；提取描述障礙物的關鍵點，獲得關鍵點相對于障礙物中心坐標點的坐標形成坐標集；將障礙物中心坐標點和坐標集映射到激光雷達坐標系；將激光雷達坐標系下的坐標集連接在一起，重現障礙物的輪廓；對障礙物重現輪廓內的數據點集進行提取并打標簽，制作成激光雷達深度學習樣本數據；第二步，激光雷達應用該樣本數據進行深度學習，在深度學習之后，激光雷達不需要攝像頭輔助也能高效、準確地識別出障礙物。

技術領域

本發明涉及無人駕駛車輛技術領域，更為具體地，涉及一種基于立體視覺和激光雷達的障礙物識別遷移學習方法。

背景技術

當前，新一輪科技變革方興未艾，由此引發全球制造業向“智能制造”全面轉型升級的趨勢日益明顯，這一深刻變革投射到汽車領域，體現為智能相關技術正逐漸成為研究熱點，受到高度關注。

在智能化技術方面，各國智能化技術發展以提高出行安全和行車效率為主要目的，以傳感技術、信息處理、通信技術、智能控制為核心，車路、車車協同系統和高度自動駕駛成為現階段各國發展的重點。

人工智能是未來的發展趨勢，在深度學習領域，計算機視覺能夠準確識別各種物體，即使在障礙物特征不足或有遮擋的情況下，通過深度學習算法，計算機依然能準確識別出障礙物，其中一個主要原因是有大量的照片提供給深度學習算法進行學習，通過學習大量樣本數據，能夠顯著提高識別魯棒性。目前也有采用激光雷達進行深度學習來識別障礙物的方法，雖然其受光照影響較小，但由于激光雷達樣本數據較難獲得，故目前基于激光雷達深度學習算法識別障礙物的算法準確率不高。

由于手機、相機等設備普及率較高，基于視覺的深度學習算法獲得樣本數據主要通過網絡、開源的圖片數據庫（ImageNet等）等公眾途徑。但對于激光雷達來說，設備價格昂貴，且數據較難處理，很難通過公眾途徑獲得可用的數據集，要獲得可用的激光雷達數據集，一般要運用特定算法對激光雷達發出的三維點云進行精細分類及目標提取，較為繁瑣，后期數據處理量較大。

在申請號為201710283453.3的專利中提出了一種“基于單目視覺與激光雷達融合的道路可行駛區域檢測方法”，主要論述了基于單目視覺與激光雷達融合的道路可行駛區域檢測方法，但在車輛上需要兩種傳感器同時工作，校準繁瑣、成本提高，經濟性不好。

申請號為201510127482.1的專利提出了“一種基于車載雙目相機的前方道路行人快速測距方法”，主要論述了現有的基于雙目視覺的行人檢測測距方法中存在的計算速度慢、測距不夠準確的問題，利用道路柱狀模型加快檢測速度，利用多特征點匹配提高道路場景中行人距離測量的準確性，但不可忽視的是，視覺檢測受光照影響顯著。

綜上所述，現有基于激光雷達深度學習識別障礙物的算法存在以下問題：

1、基于激光雷達的深度學習算法準確率有待提高；

2、激光雷達數據集數量少；

3、獲取可用的激光雷達數據集較為繁瑣；

4、視覺檢測受光照影響大，采用視覺與激光雷達融合的方案提高檢測魯棒性則存在校準繁瑣、成本提高等問題，經濟性不好。

發明內容

鑒于上述問題，本發明的目的是提供一種基于立體視覺和激光雷達的障礙物識別遷移學習方法，以解決上述背景技術所指出的問題。

本發明提供的基于立體視覺和激光雷達的障礙物識別遷移學習方法，在無人駕駛試驗車輛上安裝有雙目攝像頭和激光雷達，該識別遷移學習方法包括：

步驟S1：利用所述雙目攝像頭對障礙物進行識別，獲取所述障礙物相對于所述雙目攝像頭坐標系下的坐標點；