[發明專利]一種行駛區域檢測的方法和設備

有效

• 申請號: 201910256260.8
• 申請日: 2019-04-01
• 公開（公告）號: CN109740604B
• 公開（公告）日: 2019-07-05
• 發明（設計）人: 陳海波
• 申請（專利權）人: 深蘭人工智能芯片研究院（江蘇）有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

本發明公開了一種行駛區域檢測的方法和設備，涉及自動駕駛技術領域，用以解決目前行駛區域檢測無法得到準確的三維距離信息，無法準確的檢測到行駛區域的問題，本發明方法包括：根據鳥瞰特征圖中柵格的平均反射強度和高度編碼特征，通過神經網絡分割模型確定鳥瞰特征圖中的路面點的第一特征信息及路肩點的第二特征信息，其中鳥瞰特征圖是對點云地圖進行柵格化處理得到的；根據第一特征信息確定在點云地圖中與鳥瞰特征圖中的路面點相對應的路面點，以及根據第二特征信息確定在點云地圖中與鳥瞰特征圖中的路肩點相對應的路肩點；將點云地圖中的路面點及路肩點進行幾何模型擬合確定行駛區域，由于本發明采用深度學習的方法檢測行駛區域，準確性高。

技術領域

本發明涉及自動駕駛技術領域，特別涉及一種行駛區域檢測的方法和設備。

背景技術

近年來隨著汽車產業的高速發展，交通事故已經成為全球性的問題，全世界每年交通事故的死傷人數估計超過50多萬人，因此集自動控制、人工智能、模式識別等技術于一體的無人駕駛應用而生。為了實時可靠的感知環境信息，無人駕駛汽車上裝備了各種主動傳感器與被動傳感器，包括相機、激光雷達、毫米波雷達和GPS（Global PositioningSystem，全球定位系統），行駛區域檢測是無人駕駛技術中的關鍵部分之一。

基于圖像的行駛區域檢測技術主要基于相機傳感器，通過圖像視頻分析技術，比如圖像像素級的語義分割技術，是在圖像語義分割的基礎上，提取路面特征的像素點，最終得到的結果是圖像平面上的像素點，沒辦法得到真實的行駛區域空間信息，需要訓練大量的標簽數據來解決多場景適用問題，還需要嚴格的相機標定過程，來獲取行駛區域信息。基于圖像信息的行駛區域檢測，圖像有豐富的成像信息，但存在缺點：第一，無法得到有效準確的三維距離信息；第二、在成像惡劣的條件下，抗干擾性較差，比如低照度，明暗交替的地方，無法取得理想的分割效果；第三、針對不同場景需要標注大量的訓練數據，難以滿足L3、L4級別的自動駕駛技術指標。

綜上所述，目前基于相機傳感器的行駛區域檢測無法得到有效準確的三維距離信息，且受環境影響大，無法準確的檢測到行駛區域。

發明內容

本發明提供一種行駛區域檢測的方法和設備，用以解決現有技術中存在目前基于相機傳感器的行駛區域檢測無法得到有效準確的三維距離信息，且受環境影響大，無法準確的檢測到行駛區域的問題。

第一方面，本發明實施例提供的一種行駛區域檢測的方法包括：

根據鳥瞰特征圖中柵格的平均反射強度和高度編碼特征，通過神經網絡分割模型確定所述鳥瞰特征圖中的路面點的第一特征信息及路肩點的第二特征信息，其中所述鳥瞰特征圖是對點云地圖進行柵格化處理得到的；

根據所述第一特征信息確定在所述點云地圖中與所述鳥瞰特征圖中的路面點相對應的路面點，以及根據所述第二特征信息確定在所述點云地圖中與所述鳥瞰特征圖中的路肩點相對應的路肩點；

將所述點云地圖中的路面點及路肩點進行幾何模型擬合確定行駛區域。

上述方法，提出基于深度學習的行駛區域檢測方法，其中的點云地圖是根據激光雷達掃描得到的點云數據構建的三維地圖，可以實現在3維空間上對路面信息和路肩信息的檢測，為自動駕駛提供可靠的感知信息，并且基于深度學習的行駛區域檢測方法受外界干擾因素影響小，魯棒性強，通過已訓練的神經網絡模型準確檢測路面點、路肩點，并且通過幾何模型擬合確定行駛區域，可以有效的完成實際交通場景中行駛區域的檢測，準確的描述出汽車的安全通行區域，具有很好的易用性和魯棒性。

在一種可能的實現方式中，通過下列方式確定所述點云地圖：