基于路面图像的可行驶区域检测方法、装置及系统制造方法及图纸

本发明专利技术提供了一种基于路面图像的可行驶区域检测方法、装置及系统。所述方法包括：提取所述路面图像中各像素点的特征信息；获取预先训练的特征模型，并根据所述特征模型及所述像素点的特征信息对所述像素点进行分类，获得所述像素点的概率类型，所述特征模型中包括特征信息和概率类型之间的映射关系，所述概率类型是预先按照样本像素点属于可行驶区域的概率大小划分的；根据所述概率类型确定所述像素点为可行驶区域或者非可行驶区域。该技术方案实现了基于双目立体视觉技术检测路面可行驶区域的目的，且可在X86和ARM平台上能够实时应用，从而使路面可行驶区域能够实现实时检测，提高了智能驾驶系统的可利用率，尤其在无人驾驶领域做出了很大贡献。

Method, device and system for detecting driving area based on road surface image

The invention provides a method, a device and a system for detecting a movable area based on a road surface image. The method includes: extracting feature information of each pixel in the road in the image; obtaining feature model training in advance, and according to the characteristic information model and the pixels of the pixel classification, the probability of obtaining type pixels, the characteristics of the model include mapping the relationship between the characteristic information and probability type, the probability type is in advance according to sample the pixels belonging to the driving region probability of division; according to the probability of determining the type of the pixel point as the driving region or non driving region. The technical scheme of pavement detection technology of binocular vision based on the driving region of purpose, and be able to real-time applications in X86 and ARM platform, so that the road driving region can realize real-time detection, improve the utilization rate of intelligent driving system, especially made great contribution in driving field.

【技术实现步骤摘要】

本专利技术涉及自动化检测
，特别是涉及一种基于路面图像的可行驶区域检测方法、装置及系统。
技术介绍
近年来随着汽车产业的高速发展，交通事故已经成为全球性的问题，因此集自动控制、人工智能、模式识别等技术于一体的无人驾驶应用而生。在无人驾驶领域中，可行驶区域检测是无人驾驶技术中的关键部分之一。现有技术中，主要采用基于深度学习的单目方案进行可行驶区域的检测。由于基于深度学习的单目方案不可避免的要使用到GPU，因此无法进行实时检测，且由于芯片平台的缺乏和成本的限制，目前还没有采用该技术的产品面世。此外，对于基于深度学习的单目方案而言，模型越复杂、训练数据越好，其检测效果也就越好，这就容易造成检测速度的缓慢以及数据的强依赖性。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的基于路面图像的可行驶区域检测方法、装置及系统。依据本专利技术的一个方面，提供了一种基于路面图像的可行驶区域检测方法，所述路面图像是利用双目立体视觉技术采集的，所述方法包括：提取所述路面图像中各像素点的特征信息；获取预先训练的特征模型，并根据所述特征模型及所述像素点的特征信息对所述像素点进行分类，获得所述像素点的概率类型，所述特征模型中包括特征信息和概率类型之间的映射关系，所述概率类型是预先按照样本像素点属于可行驶区域的概率大小划分的；根据所述概率类型确定所述像素点为可行驶区域或者非可行驶区域。可选地，所述特征信息包括以下至少一种：颜色特征、三维坐标位置特征、角度特征、法向量特征。可选地，根据所述概率类型确定所述像素点为可行驶区域或者非可行驶区域的步骤包括：利用预设模型对所述像素点的概率类型进行平滑改进处理，获得所述像素点的可行驶检测结果，所述预设模型中包括概率类型和可行驶检测结果的映射关系；根据所述可行驶检测结果确定所述像素点为可行驶区域或者非可行驶区域。可选地，所述预设模型为条件随机场CRF模型或者马尔科夫随机场MRF模型。可选地，所述路面图像包括左图和右图；提取所述路面图像中各像素点的特征信息的步骤包括：计算所述左图和右图的视差图；根据所述视差图计算所述路面图像中各像素点的三维坐标，获得所述各像素点的三维坐标位置特征；提取所述各像素点的三维坐标位置特征。可选地，提取所述路面图像中各像素点的特征信息的步骤包括：对所述路面图像进行超像素化处理，得到所述路面图像对应的超像素图；提取所述超像素图中各超像素点的特征信息，作为所述路面图像中各像素点的特征信息。可选地，所述方法还包括：根据所述特征信息，判断所述特征模型中是否存在符合所述特征信息的概率类型；当所述特征模型中不存在符合所述特征信息的概率类型时，根据所述像素点的特征信息确定所述像素点所属的概率类型；在所述概率模型中建立所述像素点的特征信息和所述像素点所属的概率类型间的映射关系。依据本专利技术的另一个方面，提供了一种基于路面图像的可行驶区域检测装置，所述路面图像是利用双目立体视觉技术采集的，所述装置包括：提取模块，适于提取所述路面图像中各像素点的特征信息；分类模块，适于获取预先训练的特征模型，并根据所述特征模型及所述像素点的特征信息对所述像素点进行分类，获得所述像素点的概率类型，所述特征模型中包括特征信息和概率类型之间的映射关系，所述概率类型是预先按照样本像素点属于可行驶区域的概率大小划分的；第一确定模块，适于根据所述概率类型确定所述像素点为可行驶区域或者非可行驶区域。可选地，所述特征信息包括以下至少一种：颜色特征、三维坐标位置特征、角度特征、法向量特征。可选地，所述第一确定模块，适于利用预设模型对所述像素点的概率类型进行平滑改进处理，获得所述像素点的可行驶检测结果，所述预设模型中包括概率类型和可行驶检测结果的映射关系；根据所述可行驶检测结果确定所述像素点为可行驶区域或者非可行驶区域。可选地，所述预设模型为条件随机场CRF模型或者马尔科夫随机场MRF模型。可选地，所述路面图像包括左图和右图；所述提取模块，适于计算所述左图和右图的视差图；根据所述视差图计算所述路面图像中各像素点的三维坐标，获得所述各像素点的三维坐标位置特征；提取所述各像素点的三维坐标位置特征。可选地，所述提取模块，适于对所述路面图像进行超像素化处理，得到所述路面图像对应的超像素图；提取所述超像素图中各超像素点的特征信息，作为所述路面图像中各像素点的特征信息。可选地，所述装置还包括：判断模块，适于根据所述特征信息，判断所述特征模型中是否存在符合所述特征信息的概率类型；第二确定模块，适于当所述特征模型中不存在符合所述特征信息的概率类型时，根据所述像素点的特征信息确定所述像素点所属的概率类型；建立模块，适于在所述概率模型中建立所述像素点的特征信息和所述像素点所属的概率类型间的映射关系。依据本专利技术的另一个方面，提供了一种基于路面图像的可行驶区域检测系统，包括：图像采集器，适于利用双目立体视觉技术采集路面图像；以及上述任一可选实施例中所述可行驶区域检测装置。本专利技术的技术方案由于能够从路面图像中提取各像素点的特征信息，并根据预先训练的特征模型和像素点的特征信息对像素点进行分类，从而获得像素点的概率类型，进而根据概率类型确定像素点为可行驶区域或者非可行驶区域，实现了基于双目立体视觉技术检测路面可行驶区域的目的，且该技术使得本方案可在X86和ARM平台上能够实时应用，从而使路面可行驶区域能够实现实时检测，提高了智能驾驶系统的可利用率，尤其在无人驾驶领域做出了很大贡献。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。根据下文结合附图对本专利技术具体实施例的详细描述，本领域技术人员将会更加明了本专利技术的上述以及其他目的、优点和特征。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1是根据本专利技术一个实施例的一种基于路面图像的可行驶区域检测方法的示意性流程图；图2是根据本专利技术另一个实施例的一种基于路面图像的可行驶区域检测方法的示意性流程图；图3是根据本专利技术一个实施例的一种基于路面图像的可行驶区域检测装置的示意性框图；图4是根据本专利技术另一个实施例的一种基于路面图像的可行驶区域检测装置的示意性框图；图5是根据本专利技术另一个实施例的一种基于路面图像的可行驶区域检测系统的示意性框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。图1是根据本专利技术一个实施例的一种基于路面图像的可行驶区域检测方法的示意性流程图。如图1所示，该方法一般性地可包括步骤S101-S103：步骤S101，提取路面图像中各像素点的特征信息。其中，路面图像是利用双目立体视觉技术采集的，特征信息包括以下至少一种：颜色特本文档来自技高网...

【技术保护点】
一种基于路面图像的可行驶区域检测方法，所述路面图像是利用双目立体视觉技术采集的，所述方法包括：提取所述路面图像中各像素点的特征信息；获取预先训练的特征模型，并根据所述特征模型及所述像素点的特征信息对所述像素点进行分类，获得所述像素点的概率类型，所述特征模型中包括特征信息和概率类型之间的映射关系，所述概率类型是预先按照样本像素点属于可行驶区域的概率大小划分的；根据所述概率类型确定所述像素点为可行驶区域或者非可行驶区域。

【技术特征摘要】
1.一种基于路面图像的可行驶区域检测方法，所述路面图像是利用双目立体视觉技术采集的，所述方法包括：提取所述路面图像中各像素点的特征信息；获取预先训练的特征模型，并根据所述特征模型及所述像素点的特征信息对所述像素点进行分类，获得所述像素点的概率类型，所述特征模型中包括特征信息和概率类型之间的映射关系，所述概率类型是预先按照样本像素点属于可行驶区域的概率大小划分的；根据所述概率类型确定所述像素点为可行驶区域或者非可行驶区域。2.根据权利要求1所述的方法，其中，所述特征信息包括以下至少一种：颜色特征、三维坐标位置特征、角度特征、法向量特征。3.根据权利要求1或2所述的方法，其中，根据所述概率类型确定所述像素点为可行驶区域或者非可行驶区域的步骤包括：利用预设模型对所述像素点的概率类型进行平滑改进处理，获得所述像素点的可行驶检测结果，所述预设模型中包括概率类型和可行驶检测结果的映射关系；根据所述可行驶检测结果确定所述像素点为可行驶区域或者非可行驶区域。4.根据权利要求3所述的方法，其中，所述预设模型为条件随机场CRF模型或者马尔科夫随机场MRF模型。5.根据权利要求1-4中任一项所述的方法，其中，所述路面图像包括左图和右图；提取所述路面图像中各像素点的特征信息的步骤包括：计算所述左图和右图的视差图；根据所述视差图计算所述路面图像中各像素点的三维坐标，获得所述各像素点的三维坐标位置特征；提取所述各像素点的三维坐标位置特征。6.根据权利要求1-5中任一项...

【专利技术属性】
技术研发人员：龙鹏，陈强，张康，颜水成，
申请(专利权)人：北京奇虎科技有限公司，奇智软件北京有限公司，
类型：发明
国别省市：北京;11