【技术实现步骤摘要】
基于增强视差图及多尺度不确定性感知的可行驶区域检测方法及装置
[0001]本专利技术涉及自动驾驶领域,具体涉及一种基于增强视差图及多尺度不确定性感知的可行驶区域检测方法及装置。
技术介绍
[0002]自动驾驶技术是近年来快速发展的领域,其应用范围涉及到许多方面,如智能交通系统、汽车制造和城市规划等。其中,在自动驾驶中,可行驶区域分割是一个关键问题,它可以将车辆的行驶区域与非行驶区域进行有效的区分,从而帮助车辆做出更准确的决策。目前,现有的可行驶区域分割方法主要基于计算机视觉技术和深度学习模型。这些方法主要通过对车载摄像头拍摄的图像进行处理,提取图像特征,并判断每个像素点属于行驶区域还是非行驶区域。但是,这些方法在处理不同环境下的图像时仍存在一定的局限性,例如在光照条件不佳、光照强度变化或道路标记不明确时会出现错误判断,从而严重影响自动驾驶的安全性。因此,设计一种能够应对复杂环境变化,尤其是光照影响,能够兼具高鲁棒性和高分割精度的方法具有重大意义。
技术实现思路
[0003]针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于增强视差图及多尺度不确定性感知的可行驶区域检测方法及装置,来解决以上
技术介绍
部分提到的技术问题。
[0004]第一方面,本专利技术提供了一种基于增强视差图及多尺度不确定性感知的可行驶区域检测方法,包括以下步骤:
[0005]获取双目相机采集到道路的双目图像,对双目图像进行校正,得到校正后的图像,采用立体匹配算法对校正后的图像进行处理,得到视差图;
...
【技术保护点】
【技术特征摘要】
1.一种基于增强视差图及多尺度不确定性感知的可行驶区域检测方法,其特征在于,包括以下步骤:获取双目相机采集到道路的双目图像,对所述双目图像进行校正,得到校正后的图像,采用立体匹配算法对所述校正后的图像进行处理,得到视差图;采用表面法向量法对所述视差图进行特征增强,得到表面法向量图;构建可行驶区域分割模型并训练,得到经训练的可行驶区域分割模型,所述可行驶区域分割模型包括依次连接的编码器模块、多尺度不确定性感知模块和解码器模块,所述编码器模块用于对所述表面法向量图进行特征提取,得到第一特征向量,输入所述多尺度不确定性感知模块用于对所述第一特征向量中的各像素点对应的权重进行重新设置,得到第二特征向量,所述解码器模块用于对所述第二特征向量进行解码,得到可行驶区域的分割结果;将所述表面法向量图输入所述经训练的可行驶区域分割模型,得到可行驶区域的分割结果。2.根据权利要求1所述的基于增强视差图及多尺度不确定性感知的可行驶区域检测方法,其特征在于,所述校正包括畸变校正和立体校正。3.根据权利要求1所述的基于增强视差图及多尺度不确定性感知的可行驶区域检测方法,其特征在于,所述采用表面法向量法对所述视差图进行特征增强,得到表面法向量图,具体包括:采用水平图像梯度滤波器和垂直图像梯度滤波器对所述视差图中的每一个像素点进行卷积操作,得到对应的水平法向量和垂直法向量:行卷积操作,得到对应的水平法向量和垂直法向量:其中,D表示视差图,fx和fy分别表示在x方向和y方向上的相机焦距;对于视差图上的任意一点A,取与之相邻的若干个像素点,表示为一个集合:N
A
=[G1,G2,......,G
m
]
T
,并计算得到若干个像素点到点A之间在X、Y、Z三个方向上的距离集合:G
m
‑
A=[ΔX
m
,ΔY
m
,ΔZ
m
]
T
,其中,m∈[1,12];选择与A点相邻的其中一个像素点作为参考,结合水平法向量S
X
和垂直法向量S
Y
,得到A点在Z方向上的一种法向量S
Z
的表达形式:将S
Z
转化为球面坐标的形式:其中,α为倾角,β为方位角;倾角α表示为:
其中,i表示视差图中的第i个像素点,i=1,2,
……
,n,n为视差图中的像素点的总数,S
Zi
表示Z方向上对应的球面坐标;P
i
=S
xi cosβ+S
yi sinβ;S
xi
表示X方向上对应的球面坐标;S
yi
表示Y方向上对应的球面坐标;方位角β表示为:对所述视差图中的每一个像素点重复以上步骤,得到对应的表面法向量图。4.根据权利要求1所述的基于增强视差图及多尺度不确定性感知的可行驶区域检测方法,其特征在于,所述编码器模块为依次连接的全连接层、批归一化层、ReLu激活函数层、最大池化层及四个编码器层构成的金字塔结构,所述编码器层以ResNet
‑
50作为Backbone,各层与ResNet各层相对应。5.根据权利要求1所述的基于增强视差图及多尺度不确定性感知的可行驶区域检测方法,其特征在于,所述多尺度不确定性感知...
【专利技术属性】
技术研发人员:张陈涛,李弘熠,张紫嫣,周煜全,徐周毅,张建寰,
申请(专利权)人:厦门大学,
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。