[发明专利]障碍物检测方法、装置、车辆、计算机设备和存储介质有效
| 申请号: | 201910265132.X | 申请日: | 2019-04-03 |
| 公开(公告)号: | CN110084133B | 公开(公告)日: | 2022-02-01 |
| 发明(设计)人: | 金文耀;李金鹏;秦硕 | 申请(专利权)人: | 百度在线网络技术(北京)有限公司 |
| 主分类号: | G06V20/58 | 分类号: | G06V20/58;G06K9/62;G06V10/75 |
| 代理公司: | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人: | 宋合成 |
| 地址: | 100085 北京市*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 障碍物 检测 方法 装置 车辆 计算机 设备 存储 介质 | ||
1.一种障碍物检测方法,其特征在于,包括以下步骤:
获取图像采集装置针对同一场景拍摄得到的第一帧图像和第二帧图像;
将所述第一帧图像中的所有像素点确定为道路地面上的点,得到针对所述场景的地面深度图像,其中,所述地面深度图像包括所述第一帧图像中非地面上的像素点的深度信息;
基于所述第一帧图像和所述第二帧图像之间的相对位姿变化,确定所述地面深度图像与第二帧图像之间的逆透视变换矩阵,并根据所述逆透视变换矩阵将所述地面深度图像投影至所述第二帧图像上,以使所述第一帧图像的非地面上的像素点产生畸变;
根据投影后的地面深度图像和所述第二帧图像,生成畸变图像,所述畸变图像包括由所述地面深度图像与所述第二帧图像之间的各像素差值形成的图像;
对所述畸变图像中的深度信息进行检测,确定所述场景中的障碍物;
对所述畸变图像中的深度信息进行检测,包括:
根据已训练的神经网络模型对所述畸变图像中的深度信息进行预测,确定所述场景中的障碍物;
其中,利用大量的畸变图像和畸变图像对应的标注数据对所述神经网络模型进行训练,使得所述神经网络模型训练学习得到各畸变图像与所述各畸变图像中障碍物的深度信息之间的对应关系。
2.根据权利要求1所述的方法,其特征在于,将所述第一帧图像中的所有像素点确定为道路地面上的点,得到针对所述场景的地面深度图像,包括:
确定所述第一帧图像中位于地面上的像素点;
根据相机位姿参数,确定所述位于地面上的像素点的深度信息;
将所述第一帧图像中非地面上的像素点附上所述位于地面上的像素点的深度信息,得到针对所述场景的地面深度图像。
3.根据权利要求1所述的方法,其特征在于,根据投影后的地面深度图像和所述第二帧图像,生成畸变图像,包括:
计算投影后的地面深度图像与所述第二帧图像之间的各像素差值;
将计算得到的各像素差值形成的图像确定为所述畸变图像。
4.一种障碍物检测装置,其特征在于,包括:
图像获取模块,用于获取图像采集装置针对同一场景拍摄得到的第一帧图像和第二帧图像;
地面深度图像获取模块,用于将所述第一帧图像中的所有像素点确定为道路地面上的点,得到针对所述场景的地面深度图像,其中,所述地面深度图像包括所述第一帧图像中非地面上的像素点的深度信息;
图像投影模块,用于基于所述第一帧图像和所述第二帧图像之间的相对位姿变化,确定所述地面深度图像与第二帧图像之间的逆透视变换矩阵,并根据所述逆透视变换矩阵将所述地面深度图像投影至所述第二帧图像上,以使所述第一帧图像的非地面上的像素点产生畸变;
畸变图像生成模块,用于根据投影后的地面深度图像和所述第二帧图像,生成畸变图像,所述畸变图像包括由所述地面深度图像与所述第二帧图像之间的各像素差值形成的图像;
障碍物检测模块,用于对所述畸变图像中的深度信息进行检测,确定所述场景中的障碍物,其中,用于对所述畸变图像中的深度信息进行检测,包括:
根据已训练的神经网络模型对所述畸变图像中的深度信息进行预测,确定所述场景中的障碍物;
其中,所述神经网络模型已训练得到各畸变图像与所述各畸变图像中障碍物的深度信息之间的对应关系。
5.根据权利要求4所述的装置,其特征在于,所述地面深度图像获取模块具体用于:
确定所述第一帧图像中位于地面上的像素点;
根据相机位姿参数,确定所述位于地面上的像素点的深度信息;
将所述第一帧图像中非地面上的像素点附上所述位于地面上的像素点的深度信息,得到针对所述场景的地面深度图像。
6.根据权利要求4所述的装置,其特征在于,所述畸变图像生成模块具体用于:
计算投影后的地面深度图像与所述第二帧图像之间的各像素差值;
将计算得到的各像素差值形成的图像确定为所述畸变图像。
7.一种车辆,其特征在于,包括:
图像采集装置,用于对当前场景进行图像采集;
如权利要求4至6中任一项所述的障碍物检测装置。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于百度在线网络技术(北京)有限公司,未经百度在线网络技术(北京)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910265132.X/1.html,转载请声明来源钻瓜专利网。





