[发明专利]一种基于棒状像素的交通场景障碍检测与识别方法

说明书

本发明公开了一种基于棒状像素的交通场景障碍检测与识别方法，包括以下步骤：基于棒状像素对交通场景障碍物进行检测；构建卷积神经网络模型，并对障碍物进行识别。本发明采用基于局部最优的视差求取方法，实现了对交通场景中的障碍物进行棒状像素提取，检测出障碍物的位置，并利用卷积神经网络对交通场景障碍物进行识别。提高了交通场景的可解析性。本发明构造的网络模型，采用批规范化层加快了网络的收敛速度，提高了模型的泛化能力，并一定程度上改善了识别精确率。添加激活函数层减少了网络训练过程中的梯度消失问题。运用丢弃层有效地防止了过拟合，提高网络的性能。同时提高了交通场景障碍物识别的实时性。

技术领域

本发明涉及计算机视觉和深度学习领域，具体涉及一种基于棒状像素的交通场景障碍检测与识别方法。

背景技术

近几年，汽车行业正在向着智能化的方向发展，智能化要实现的目标是能够使得汽车具备人类感知外界环境的能力，在一定情况下代替或者帮助驾驶员做出决策。障碍物检测作为环境感知的基础，已经广泛应用于智能汽车和汽车辅助驾驶系统等领域。双目立体视觉系统可以提供较为丰富的场景信息，是智能车进行障碍物检测的重要方式。但目前的基于双目立体视觉系统的障碍物检测算法功能比较单一，导致交通场景的可解析性差。

为了提高可解析性，人们在障碍物识别中，加入了支持向量机(SVM)或AdaBoost算法(通过迭代弱分类器而产生最终的强分类器的算法)等浅层的学习方法。但这些方法对大规模训练样本难以实施，同时也不能解决多分类问题。随着高性能计算硬件和大数据的快速发展，卷积神经网络的优势在不断凸显，被广泛的应用于图像识别等领域，但目前未见将卷积神经网络用于障碍物检测识别的相关报道。

发明内容

为了克服上述现有技术的不足，本发明要提出一种既具有较好的交通场景可解析性，又能适应大规模训练样本并解决多分类问题的基于棒状像素的交通场景障碍检测与识别方法。

为实现上述目的，本发明的技术方案如下：一种基于棒状像素的交通场景障碍检测与识别方法，包括以下步骤：

A、基于棒状像素对交通场景障碍物进行检测

A1、构建视差空间

通过车载双目立体视觉系统获取包含交通场景的左右两幅图像，然后采用半全局立体匹配算法(semi-global stereo matching,SGM)对包含交通场景的左右两幅图像进行立体匹配，得到包含场景三维信息的视差图。所述的双目立体视觉系统包括安装在汽车上的左右两个摄像机。

A2、地面估计

在交通场景中，将所有的交通元素分为两类平面：一类是地面，用水平平面表示；另一类是车辆、树木和行人这类垂直于地面的物体，用垂直平面表示。对步骤A1得到的视差图进行处理，把视差图中每一行的相同视差值累加起来构建V-视差图。由于处于同一距离的地面在水平方向具有相同的视差值，加之视差图中距离人眼视角越近，视差值越大，所以V-视差图中的地面为一条从左上到右下的倾斜直线。利用Hough直线变换检测V-视差图中的倾斜直线，并映射到视差图中，进而根据V-视差图中得到的倾斜直线方程滤除地面，完成地面估计。V-视差图中的倾斜直线方程如下：

式中，b是双目立体视觉系统中两个摄像机之间的基线距离，d是视差值，f是摄像机焦距，θ是摄像机主光轴方向与地面夹角，v是图像列坐标，h是世界坐标下的垂直距离。

A3、棒状像素提取

首先通过占位网格法计算出图像每一列的自由区域，进而找出地面与障碍物的交点；然后使用隶属度函数对图像每一列上的每个像素进行划分，当隶属度函数值为正时表示障碍物，为负时为除了障碍物以外的背景，进而将障碍物的高度分割出来。一旦计算出每一列的自由区域和高度，就可以直接提取出棒状像素。隶属度函数的公式如下：