【技术实现步骤摘要】
本申请涉及智能驾驶环境感知，特别是涉及一种障碍物检测方法及系统。
技术介绍
1、随着无人驾驶技术的飞速发展，各功能模块越来越完善，逐渐趋近于人工驾驶。其中，可靠的环境感知能力对自主巡航控制、碰撞预警和路径规划等起到至关重要的作用。对于环境感知能力而言，路面障碍物的检测是最关键的技术之一，路面障碍物检测的精准性和稳定性，对无人驾驶车辆的安全行驶至关重要。
2、传统的路面障碍物检测一般通过采用单一传感器进行检测，其特征单一、局限性太大，难以获取完整的环境信息，且易受干扰而导致检测或跟踪不准，影响功能。
3、现一般通过多传感器融合的方式进行障碍物检测，但现有的多传感器融合检测常采用目标级融合，对各传感器的检测结果的依赖性强，检测效果的好坏直接影响融合效果和最终功能，且其检测算法多为传统特征提取和图像分割算法，精度低且稳定性差，适用性弱。
技术实现思路
1、本申请实施例提供了一种障碍物检测方法、系统及计算机，以解决现有技术中通过多传感器进行目标机融合，对传感器的检测结构依赖性强，且其检测算法多为传统特征提取和图像分割算法，精度低且稳定性差的技术问题。
2、第一方面，本申请实施例提供了一种障碍物检测方法，包括以下步骤：
3、基于包括左摄像机及右摄像机的双目摄像机获取道路环境图像数据，基于激光雷达获取道路环境点云数据，所述道路环境图像数据包括若干个拍摄图像，所述拍摄图像内包含障碍物信息，所述道路环境点云数据包括若干个扫描点；
4、分别
5、对所述映射点云数据进行预处理，以获取视差图，基于所述双目摄像机的参数信息获取所述视差图的像素三维点云，所述像素三维点云包括第一障碍物点集，于所述道路环境点云数据中划定空间感兴趣区域，以获取聚焦点云，所述聚焦点云包括第二障碍物点集；
6、将所述像素三维点云与所述聚焦点云相融合，以获取融合点云，对所述融合点云内的点进行分类统计，以获取若干个障碍物指示点集；
7、为若干个所述障碍物指示点集分别赋予对应的位置属性及类别属性，以获取若干个障碍物位置及障碍物类别，构建初始特征融合网络模型，以所述障碍物指示点集为输入值，所述障碍物位置及所述障碍物类别为输出值训练所述初始特征融合网络模型，以获取最终特征融合网络模型，通过所述最终特征融合网络模型完成障碍物检测。
8、进一步地，所述将所述道路环境图像数据标定至所述激光雷达的坐标系下的步骤包括：
9、将所述拍摄图像的像素坐标通过第一预设矩阵转换为所述双目摄像机的坐标系下的第一坐标值；
10、将所述第一第一坐标值通过第二预设矩阵转换为所述激光雷达的坐标系下的第二坐标值。
11、进一步地，所述第一预设矩阵为：
12、
13、其中，[xc，yc，zc]表示第一坐标值，f表示双目摄像机的焦距，分别表示于双目摄像机的坐标系中x轴方向和y轴方向的每单位长度包含的像素个数，γ表示扭曲因子，u0、v0分别表示拍摄图像的中心像素坐标和原点像素坐标之间相差的横向像素数及纵向像素数，[u，v，1]表示拍摄图像的像素坐标；
14、所述第二预设矩阵为：
15、
16、其中，[xl，yl，zl]表示第二坐标值，rcl表示由双目摄像机的坐标系转换为激光雷达的坐标系的旋转矩阵，tcl表示由双目摄像机的坐标系转换为激光雷达的坐标系的平移矩阵。
17、进一步地，所述预处理包括去畸变处理、灰度化处理、直方图均衡化图片增强处理和高斯滤波去噪处理。
18、进一步地，所述基于所述双目摄像机的参数信息获取所述视差图的像素三维点云的步骤包括：
19、获取所述左摄像机与所述右摄像机的视差值；
20、通过所述视差值计算所述视差图的像素深度值；
21、将所述像素深度值乘以相应的归一化平面坐标，以获取像素三维点云。
22、进一步地，所述像素深度值的计算公式为：
23、
24、其中，z表示像素深度值，f表示焦距，d表示视差值，b表示基线长度。
25、进一步地，所述于所述道路环境点云数据中划定空间感兴趣区域的步骤具体为：
26、以所述激光雷达的所在位置为原点，划定高度范围、左右范围及前后范围，所述高度范围为-h米～2米，其中，h表示所述激光雷达与地面之间的垂向距离，所述左右范围为-15米～15米，所述前后范围为0米～80米。
27、进一步地，所述对所述融合点云内的点进行分类统计，以获取若干个障碍物指示点集的步骤包括：
28、将所述融合点云内的某一点作为第一初始点，并将所述第一初始点划入障碍物指示点集；
29、分别获取所述融合点云内的其他点与所述第一初始点之间的欧式距离，将欧式距离小于距离阈值的点划入所述障碍物指示点集，并将剩余点划分至待分类点集，重复上述步骤直至获取若干个所述障碍物指示点集。
30、进一步地，在所述通过所述最终特征融合网络模型完成障碍物检测的步骤之后，还包括：
31、通过加权最小二乘法获取所述障碍物的速度信息，基于所述速度信息及所述障碍物位置获取所述障碍物的预测位置信息；
32、根据所述预测位置信息与实际位置信息之间的相似性的加权几何距离校正所述预测位置信息，以完成障碍物跟踪。
33、第二方面，本申请实施例提供了一种障碍物检测系统，应用于如上述技术方案中所述的障碍物检测方法，所述障碍物检测系统包括：
34、获取模块，用于基于包括左摄像机及右摄像机的双目摄像机获取道路环境图像数据，基于激光雷达获取道路环境点云数据，所述道路环境图像数据包括若干个拍摄图像，所述拍摄图像内包含障碍物信息，所述道路环境点云数据包括若干个扫描点；
35、构建模块，用于分别构建所述双目摄像机及所述激光雷达的坐标系，将所述道路环境图像数据标定至所述激光雷达的坐标系下，以获取映射点云数据；
36、选择模块，用于对所述映射点云数据进行预处理，以获取视差图，基于所述双目摄像机的参数信息获取所述视差图的像素三维点云，所述像素三维点云包括第一障碍物点集，于所述道路环境点云数据中划定空间感兴趣区域，以获取聚焦点云，所述聚焦点云包括第二障碍物点集；
37、识别模块，用于将所述像素三维点云与所述聚焦点云相融合，以获取融合点云，对所述融合点云内的点进行分类统计，以获取若干个障碍物指示点集；
38、执行模块，用于为若干个所述障碍物指示点集分别赋予对应的位置属性及类别属性，以获取若干个障碍物位置及障碍物类别，构建初始特征融合网络模型，以所述障碍物指示点集为输入值，所述障碍物位置及所述障碍物类别为输出值训练所述初始特征融合网络模型，以获取最终特征融合网络模型，通过所述最终特征融合网络本文档来自技高网...
【技术保护点】
1.一种障碍物检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的障碍物检测方法，其特征在于，所述将所述道路环境图像数据标定至所述激光雷达的坐标系下的步骤包括：
3.根据权利要求2所述的障碍物检测方法，其特征在于，所述第一预设矩阵为：
4.根据权利要求1所述的障碍物检测方法，其特征在于，所述预处理包括去畸变处理、灰度化处理、直方图均衡化图片增强处理和高斯滤波去噪处理。
5.根据权利要求1所述的障碍物检测方法，其特征在于，所述基于所述双目摄像机的参数信息获取所述视差图的像素三维点云的步骤包括：
6.根据权利要求5所述的障碍物检测方法，其特征在于，所述像素深度值的计算公式为：
7.根据权利要求1所述的障碍物检测方法，其特征在于，所述于所述道路环境点云数据中划定空间感兴趣区域的步骤具体为：
8.根据权利要求1所述的障碍物检测方法，其特征在于，所述对所述融合点云内的点进行分类统计，以获取若干个障碍物指示点集的步骤包括：
9.根据权利要求1所述的障碍物检测方法，其特征在于，在所述通过所
10.一种障碍物检测系统，应用于如权利要求1～9任一项所述的障碍物检测方法，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种障碍物检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的障碍物检测方法，其特征在于，所述将所述道路环境图像数据标定至所述激光雷达的坐标系下的步骤包括：
3.根据权利要求2所述的障碍物检测方法，其特征在于，所述第一预设矩阵为：
4.根据权利要求1所述的障碍物检测方法，其特征在于，所述预处理包括去畸变处理、灰度化处理、直方图均衡化图片增强处理和高斯滤波去噪处理。
5.根据权利要求1所述的障碍物检测方法，其特征在于，所述基于所述双目摄像机的参数信息获取所述视差图的像素三维点云的步骤包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：王旭华，楼狄明，胡一明，张周平，涂培培，
申请(专利权)人：南昌智能新能源汽车研究院，
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。