本发明专利技术公开了无人驾驶清扫车的路沿识别方法、装置、设备及存储介质，该方法通过道路可行区域分割模型和路沿识别后处理算法，利用道路可行区域分割模型获取待检图像中道路前景像素的掩膜，而后，利用路沿识别后处理算法去除掩膜中的噪声、提取路沿的初始点集、平滑点集并过滤异常点以及拟合得到路沿曲线，有效实现了路沿的识别。解决了现有技术中路沿识别不准确、算法响应慢的问题，提升了无人驾驶车的路沿识别的鲁棒性、精度和算法效率，为无人清扫车的自动贴边清扫能力提供了良好的感知基础。础。础。
【技术实现步骤摘要】
无人驾驶清扫车的路沿识别方法、装置、设备及存储介质
[0001]本专利技术涉及自动驾驶的视觉感知
，尤其涉及一种无人驾驶清扫车的路沿识别方法、一种无人驾驶清扫车的路沿识别装置、一种电子设备、以及一种存储介质。
技术介绍
[0002]无人驾驶清扫车的一项重要功能是自动贴边清扫，这要求其视觉感知模块能够精准地识别工作路段的道路边沿。路沿识别方法的精度和效率是决定无人驾驶清扫车贴边清扫性能的一项重要指标。目前，自动驾驶领域的路沿识别方法主要有两种，分别是基于激光雷达点云的识别方案以及基于计算机视觉的方案。其中，激光点云方案在清扫车贴近路沿时存在视野盲区，并且激光雷达的成本远高于相机。基于计算机视觉的方案因其硬件价格低廉、良好的感知视野以及能采集到稠密的信息，成为业界的主流方案。
[0003]然而，室外场景采集到的道路图像易受光照变化、路边植被干扰的影响，且不同工作路段的路沿形貌、背景信息差别大，使得路沿识别任务具有挑战性。并且应用于自动驾驶的识别算法需要具有很高的实时性。现有的路沿识别方法对路沿的特征描述能力有限，多数存在精度低、效率不高、不鲁棒等缺点，难以满足无人清扫车在多种场景自动作业的要求。
[0004]因此，现有技术还有待提高。
技术实现思路
[0005]鉴于上述现有技术的不足，本专利技术的目的在于提供一种应用于无人驾驶清扫车的路沿识别方法、相应的无人驾驶清扫车的路沿识别装置、一种设备以及一种存储介质，旨在解决现有技术在用于无人驾驶清扫车进行路沿识别时路沿识别不准确、算法响应慢以及精度不高的问题。
[0006]为了解决上述问题，本专利技术的技术方案如下：提出一种无人驾驶清扫车的路沿识别方法，所述方法包括：采集路沿的待检测图像，并将所述待检测图像输入至预训练的道路可行区域分割模型当中，以获取所述待检测图像对应的道路可行区域的掩膜图像；将所述掩膜图像输入至路沿拟合后处理算法当中，以获取用于拟合路沿曲线的初始点集，并完成路沿曲线的拟合；将得到的所述拟合路沿曲线进行离散化，以获取拟合后的路沿点集，并将路沿点集通过外参标定信息映射至车体坐标系供无人驾驶清扫车的规控模块使用。
[0007]在一个实施例中，所述道路可行区域分割模型的训练过程包括：采集所述无人驾驶清扫车的工作路段的图像以构建所述道路可行区域分割模型的训练集以及验证集；基于深度学习技术构建语义分割算法，根据所述训练集以及验证集利用所述语义分割算法训练所述道路可行区域分割模型；
根据预设评估指标在所述训练过程保存的所有模型权重中挑选最优的目标模型权重，以确定最终用于道路可行区域识别的分割模型。
[0008]在一个实施例中，所述路沿曲线的拟合后，处理算法具体包含以下步骤：针对所述掩膜图像进行连通域分析，过滤掉像素面积小于给定阈值的连通域，并保留面积最大的若干连通域，作为道路可行区域；沿着所述掩膜图像的高度方向从上至下搜索，获取路沿在所有宽度索引的大致位置的图像点集，并将所述图像点集的坐标映射回所述待检测图像的原图坐标系，作为初始点集；采用距离加权的平滑算法对所述初始点集进行平滑处理，并将平滑后的初始点集输入基于局部窗的估计方法并计算每个局部区间的估计点集；通过统计区间内的初始点集的分布信息来过滤掉异常的局部估计点集，将所述局部区间的估计点集划分为3个类别，即异常点集、疑似点集和正常点集；将所述正常点集用作候选点集，所述正常点集和所述疑似点集的并集用作判断内外点的点集，即判断点集，并将所述候选点集、判断点集输入至考虑外点误差的RANSAC拟合算法，以获取路沿曲线。
[0009]在一个实施例中，所述距离加权的平滑算法计算公式如下：；其中，为初始点集中索引值i对应的横坐标值，r为局部平滑窗的半径，和分别为索引值i对应的平滑窗内j位置的横坐标和纵坐标值，为平滑后索引值i对应的纵坐标值，N为输入点集的数量。
[0010]在一个实施例中，所述基于局部窗的估计方法计算公式如下：；其中，和为经过平滑后点集中索引值i的横纵坐标，W为原始图像的宽度，w为局部窗的宽度，“[ ]”表示向下取整操作，为估计后得到的第n个局部窗的估计点。
[0011]在一个实施例中，所述考虑外点误差的RANSAC拟合算法步骤如下所述：计算输入所述候选点集的纵坐标的最大差值并设定第一阈值，当该差值小于所述第一阈值时，采用1阶多项式拟合；当该差值大于所述第一阈值时，分别进行1阶、3阶、5阶多项式拟合；设置每个阶次的迭代次数为K次，并设置内点误差阈值，设置每个阶次迭代的提前终止条件为内点数量占所述判断点集的比例；逐阶次进行迭代，记当前迭代的曲线阶次为o；单次迭代内，从候选点集中随机选取o+1个点计算多项式的解析解；
通过解析解计算所述判断点集内各个点的纵坐标的拟合数值，与其实际的观测值进行比较，计算两者差值；若所述差值小于所述内点误差阈值，则记该点为内点，否则记为外点；记录内点数量，并累计外点的差值。
[0012]在一个实施例中，通过所述内点数量和所述外点的差值的综合表现判断最优的迭代曲线，所述迭代曲线具体计算公式如下：；；其中， 表示拟合曲线的曲线方程，O表示全部拟合阶次的集合，o表示当前拟合阶次，K表示单个阶次拟合的迭代次数上限，k表示第k次迭代，，为判断点集内点n的坐标值，表次某次迭代的外点累计的差值，N表示判断点集的数量，M表示某次迭代的内点数量。
[0013]相应的，本专利技术实施例公开了一种无人驾驶清扫车的路沿识别装置，所述装置包括：图像采集模块，用于采集无人清扫车工作路段的原始图像，作为路沿识别的待检测目标图像；语义分割模块，用于从待检测目标图像中分割道路可行区域的掩膜；后处理模块，用于从分割掩膜图像中提取路沿信息并拟合路沿曲线，获取离散化的路沿点集；数据集构建模块，用于采集、标记训练数据，并进行标注，构建训练数据集；模型训练模块，用于将采集并经过标注的训练样本输入语义分割模型进行训练，并通过验证集的评价指标选取最优权重。
[0014]相应的，本专利技术实施例还提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述所述无人驾驶清扫车的路沿识别方法的步骤。
[0015]相应的，本专利技术实施例还提供了一种计算机存储介质，所述存储介质中存储有至少一条程序指令，所述至少一条程序指令用于被处理器加载并执行以实现一方面上述所述无人驾驶清扫车的路沿识别的方法的步骤。
[0016]综上所述：本文提出的一种无人驾驶清扫车的路沿识别方法，通过道路可行区域分割模型和路沿识别后处理算法，利用道路可行区域分割模型获取待检图像中道路前景像素的掩膜，而后，利用路沿识别后处理算法去除掩膜中的噪声、提取路沿的初始点集、平滑点集并过滤异常点以及拟合得到路沿曲线，有效实现了路沿的识别。解决了现有技术中路沿识别不准确、算法响应慢的问题，提升了无人驾驶车的路沿识别的鲁棒性、精度和算法效率，为无人清扫车的自动贴边清扫能力提供了良好的感知基础。
附图说明
[0017本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种无人驾驶清扫车的路沿识别方法，其特征在于，所述方法包括：采集路沿的待检测图像，并将所述待检测图像输入至预训练的道路可行区域分割模型当中，以获取所述待检测图像对应的道路可行区域的掩膜图像；将所述掩膜图像输入至路沿拟合后处理算法当中，以获取用于拟合路沿曲线的初始点集，并完成路沿曲线的拟合；将得到的所述拟合路沿曲线进行离散化，以获取拟合后的路沿点集，并将路沿点集通过外参标定信息映射至车体坐标系供无人驾驶清扫车的规控模块使用。2.根据权利要求1所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述道路可行区域分割模型的训练过程包括：采集所述无人驾驶清扫车的工作路段的图像以构建所述道路可行区域分割模型的训练集以及验证集；基于深度学习技术构建语义分割算法，根据所述训练集以及验证集利用所述语义分割算法训练所述道路可行区域分割模型；根据预设评估指标在所述训练过程保存的所有模型权重中挑选最优的目标模型权重，以确定最终用于道路可行区域识别的分割模型。3.根据权利要求1所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述路沿曲线的拟合后，处理算法具体包含以下步骤：针对所述掩膜图像进行连通域分析，过滤掉像素面积小于给定阈值的连通域，并保留面积最大的若干连通域，作为道路可行区域；沿着所述掩膜图像的高度方向从上至下搜索，获取路沿在所有宽度索引的位置的图像点集，并将所述图像点集的坐标映射回所述待检测图像的原图坐标系，作为初始点集；采用距离加权的平滑算法对所述初始点集进行平滑处理，并将平滑后的初始点集输入基于局部窗的估计方法并计算每个局部区间的估计点集；通过统计区间内的初始点集的分布信息来过滤掉异常的局部估计点集，将所述局部区间的估计点集划分为3个类别，即异常点集、疑似点集和正常点集；将所述正常点集用作候选点集，所述正常点集和所述疑似点集的并集用作判断内外点的点集，即判断点集，并将所述候选点集、判断点集输入至考虑外点误差的RANSAC拟合算法，以获取路沿曲线。4.根据权利要求3所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述距离加权的平滑算法计算公式如下：；其中，为初始点集中索引值i对应的横坐标值，r为局部平滑窗的半径，和分别为索引值i对应的平滑窗内j位置的横坐标和纵坐标值，为平滑后索引值i对应的纵坐标值，N为输入点集的数量。5.根据权利要求3所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述基于局部窗的估计方法计算公式如下：
；其中，和为经过平滑后点集中索引值i的横纵坐标，W为原始图...
【专利技术属性】
技术研发人员：欧科君，张元方，李大川，王金龙，蔡逸超，
申请(专利权)人：城市之光深圳无人驾驶有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。