[发明专利]一种基于深度相机的自动驾驶可行驶区域检测方法及系统

说明书

本发明公开了一种基于深度相机的自动驾驶可行驶区域检测方法，包括：获取深度图像；获取深度图像的垂直梯度图；根据梯度结果二值化分类地面和障碍物，将筛选后的二值图像取接近车体的像素作为种子点获取最大连通区域，该最大连通区域的深度像素即为可行驶区域深度图。本发明使用深度图像2D处理方法对3D几何特征进行降维分类处理，大幅降低计算复杂度，保证实时性的同时消耗很少的计算资源；基于3维几何特征进行检测，直接得到可行驶区域结果，无需提前标注训练，不会出现未训练样本导致识别失效的问题。

技术领域

本发明属于图像处理和计算机视觉技术领域，尤其是涉及一种基于深度相机的自动驾驶可行驶区域检测方法及系统。

背景技术

计算机视觉技术是使计算机模拟人类的视觉过程，具有感受环境的能力和人类视觉功能的技术。图像处理、人工智能和模式识别等技术的综合。80年代以来，计算机视觉的研究已经历从实验室走向实际应用的发展阶段。而计算机工业水平的飞速提高以及人工智能、并行处理和神经元网络等学科的发展，更促进了计算机视觉系统的实用化和涉足许多复杂视觉过程的研究。目前，计算机视觉技术正在广泛的应用于计算几何、计算机图形学、图像处理、机器人学等多个领域中。

深度相机又称之为3D相机，顾名思义，就是通过该相机能检测出拍摄空间的景深距离，这也是与普通摄像头最大的区别。通过深度相机获取到的数据，能准确知道图像中每个点离摄像头距离，这样加上该点在2D图像中的(x,y)坐标，就能获取图像中每个点的三维空间坐标。

可行驶区域(Free Space)检测技术是辅助驾驶系统和自动驾驶系统的关键技术，基于视觉的可行驶区域检测系统由于信息丰富，成本低廉等优势成为科研人员的研究重点。

目前的可行驶区域检测技术主要是基于模式识别和相机几何，即对图像中的主要特征，包括颜色、纹理、形状模型、消失点等，进行识别，从而检测出可行驶区域。但是现有技术中存在以下问题：

1、传统可行驶区域检测仅能针对2D图像进行识别，单帧图像无法针对自动驾驶车辆行驶环境进行3维重建，获得3D可行驶区域需要进行2D、3D融合等大量额外计算。

2、常规可行驶区域检测算法多使用神经网络技术，在实时处理要求下算力要求极高，消耗系统资源极大，导致整体系统算力成本极高。

3、基于神经网络的可行驶区域检测算法需要对检测模型进行大量训练，同时需准备大量定制化标注数据，费时费力并且无法应对训练样本类之外的异常情况，如神经网络遇到在地面上的虚拟投影、玩偶假人等异常样本。

发明内容

1、本发明的目的

针对上述存在的技术问题，提出了一种基于深度相机的自动驾驶可行驶区域检测方法及系统，使用深度图像2D处理方法对3D几何特征进行降维分类处理，大幅降低计算复杂度，保证实时性的同时消耗很少的计算资源；基于3维几何特征进行检测，直接得到可行驶区域结果，无需提前标注训练，不会出现未训练样本导致识别失效的问题。

2、本发明所采用的技术方案

一种基于深度相机的自动驾驶可行驶区域检测方法，包括以下步骤：

S01：获取深度图像；

S02：获取深度图像的垂直梯度图；

S03：根据梯度结果二值化分类地面和障碍物，将筛选后的二值图像取接近车体的像素作为种子点获取最大连通区域，该最大连通区域的深度像素即为可行驶区域深度图。

优选的技术方案中，所述步骤S02之前还包括对深度图像进行预处理操作，包括深度像素滤波和孔洞填补。

优选的技术方案中，所述步骤S02中深度图像的垂直梯度图的获取方法，包括：