[發明專利]車頭位置估計方法、裝置、計算機設備和存儲介質

在審

• 申請號: 201911379997.5
• 申請日: 2019-12-27
• 公開（公告）號: CN111160370A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 李宇明;劉國清;鄭偉;楊廣;敖爭光
• 申請（專利權）人: 深圳佑駕創新科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/34;G06K9/62;G06K9/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 劉羚

本申請涉及一種車頭位置估計方法、裝置、計算機設備和存儲介質。所述方法包括：獲取行駛圖像序列；利用系統已有的目標檢測深度神經網絡對行駛圖像序列中各行駛圖像進行特征提取，獲取目標檢測深度神經網絡中間層輸出的特征圖，得到各行駛圖像對應的原始特征圖；分別將各行駛圖像的原始特征圖進行特征融合過濾，得到各行駛圖像的過濾特征圖；基于各行駛圖像的過濾特征圖進行連續幀背景建模，得到各行駛圖像的車頭邊緣圖；從車頭邊緣圖中確定各行駛圖像的車頭位置。采用本方法能夠提高估計精度。

技術領域

本申請涉及自動駕駛技術領域，特別是涉及一種車頭位置估計方法、裝置、計算機設備和存儲介質。

背景技術

隨著計算機軟硬件能力的不斷提升，以及各種傳感器精度的普遍提升，自動駕駛技術成為一個重要的研究領域，受到了學術界和工業界廣泛的關注。自動駕駛系統主要可以分為感知層、決策層和控制層三個層次。其中，感知層是這三個模塊層的基礎，用來完成對車輛周圍環境的感知識別。而感知層需要用到各種類型的感知技術協同工作，例如攝像頭、毫米波雷達、激光雷達、超聲波雷達、紅外夜視以及用于定位和導航的GPS(GlobalPosition System,全球定位系統)和IMU(Inertial Measurement Unit,慣性測量單元)等傳感器。另外還有類雖然不是主動式的探測元件，但是屬于協同式的全局數據輔助可以擴展車輛的環境感知能力，例如高精度地圖和車聯網技術等。每種類型的感知技術通過相互補充融合，最終使得車輛達到駕駛場景下非常高的安全性要求。近幾年，隨著深度學習技術的快速發展，使得計算機視覺領域的很多傳統任務的精度能夠得到大幅度的提升。加之攝像頭價格的低廉以及其能夠彌補一些其他傳感器無法完成的工作的綜合優勢讓基于視覺的感知算法得到了廣泛的研究和應用，并在自動駕駛和輔助駕駛領域真正落地使用。

目前，基于視覺的高級駕駛輔助系統(Advanced Driver Assistance Systems，ADAS)已經在很多的量產車型上廣泛使用，該系統分為前裝和后裝兩種方式。前裝系統是指在車輛出廠前，作為車輛標準配件的一部分已經安裝在車上的系統。由于前裝系統在設計之初就兼顧了車型的裝配要求，因此可以使得攝像頭等各種傳感器的標定處在一個非常理想的狀態，從而可以保證算法的準確率相對較高。而后裝系統是在車輛出廠后，由用戶單獨購買獨立于車輛單獨開發需要用戶自主安裝的系統。但是，由于每個用戶的車型和安裝方式都不相同，很多用戶安裝時會把車頭的一部分拍攝到相機中，從而影響了算法的準確率。因此，為了對檢測算法不造成影響通常需要定位車頭部分并進行濾除。

傳統車頭位置定位的方式通常是通過邊緣檢測算法，例如利用Canny算子確定車頭的邊緣信息后再定位車頭。然而，Canny算子這類傳統邊緣檢測算法易受噪聲干擾，從而降低了車頭定位的精準性。同時，由于實際工業化生成中應用于自動駕駛中的嵌入式系統的算力都相當有限。而Canny算子這類邊緣檢測對于嵌入式系統CPU(central processingunit，中央處理器)又都是一個不小的運算負擔。因此，傳統的邊緣檢測不僅降低了精準性還加重了系統運算負擔。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高估計精度和減輕運算負擔的車頭位置估計方法、裝置、計算機設備和存儲介質。

一種車頭位置估計方法，所述方法包括：

獲取行駛圖像序列；

利用系統已有的目標檢測深度神經網絡對所述行駛圖像序列中各行駛圖像進行特征提取，獲取所述目標檢測深度神經網絡中間層輸出的特征圖，得到各所述行駛圖像對應的原始特征圖；

分別將各所述行駛圖像的原始特征圖進行特征融合過濾，得到各所述行駛圖像的過濾特征圖；基于各所述行駛圖像的過濾特征圖進行連續幀背景建模，得到車頭邊緣圖；

從所述車頭邊緣圖中確定各所述行駛圖像的車頭位置。