[发明专利]一种基于双目立体视觉的道路可行驶区域识别方法

说明书

本发明公开了一种基于双目立体视觉的道路可行驶区域识别方法，包括步骤：（1）将对自动驾驶领域公认的可靠数据集进行采集和预处理后的图像输入至左、右单目摄像头求得空间深度图，将所述空间深度图与原始左摄像头RGB图像合成双目立体视觉的RGB‑D图像，构成训练、测试和验证数据集；（2）将所述训练集输入到基于改进的Alexnet浅层网络进行训练最终的语义分割模型，再将测试数据输入分割模型，从而输出包含可行驶区域的图像；（3）启动智能车上已经完成安装、标定完整的双目立体视觉摄像头组取得双目立体视觉图像，将其输入到训练好的模型实现道路可行驶区域的识别。本发明为车辆智能驾驶提供更为准确、全面的感知数据来源。

技术领域

本发明汽车高级辅助驾驶和自动驾驶领域，具体涉及一种基于双目立体视觉的道路可行驶区域识别方法。

背景技术

汽车工业、计算机产业和互联网的快速发展，正共同促使着整个汽车行业发生一次创新革命。载有高级辅助驾驶系统的车辆、各种科技感十足的新型汽车和自动驾驶技术的发展，都在告诉我们距离“不需要驾驶者”的未来不远了。但是从技术的角度出发，我们不难发现要实现车辆的智能驾驶，特别是LV3及以上级别的智能驾驶，仍有很多问题亟待解决，如感知层数据完备性问题、决策层逻辑问题以及控制层实效性问题。其中，准确判断车辆的可行驶区域应首先得以解决，对可行驶区域有准确预判并对车辆进行合理、有效的控制，才能对车辆进一步行进做出正确指令，才能更好的保证驾驶安全，避免交通事故的发生。

对于智能驾驶车辆而言，环境感知是车辆实现决策和控制的基础，由于智能车辆所面对的道路交通环境非常复杂多变，因此，如何尽可能实现对道路环境的“完美感知”，准确的识别出道路可行驶区域就成为有重要研究价值的领域。

目前智能驾驶常用的传感器包括视觉传感器、超声波传感器、激光雷达、GPS和IMU等，其中视觉传感器以其低廉的成本和较好的可靠性得到广大研究者的青睐，是目前智能驾驶中应用最广泛的传感器之一。传统的可行驶区域识别方法大多是基于单目图像进行的，而没有考虑空间几何特征，并且网络模型处理的时效性较差，因而本专利将双目立体视觉技术结合浅层语义分割网络，引入到道路可行驶区域识别中，方法更加关注可行驶区域的几何深度信息。

语义分割一直以来是机器视觉领域的一个难题，至今也很难找到一种泛化性和鲁棒性很好的分割模型。但其重要性不言而喻，我们从以下几个标准来权衡图像语义分割的优缺点：

(1)不同分割区域的内部平整，特征保持一致，且满足相似性和整体性原则；

(2)不同图片区域分割所依赖的特性差异明显；

(3)相邻分割区域的边界梯度变化较大，使得边界比较明显。尽管很多计算机视觉领域的专家，提出了很多解决办法，使得语义分割有了相当不错的发展，但由于其具有复杂的原理性、工程性特征，所以仍存在很多问题需要解决。

卷积神经网络是一种神经网络，但和普通神经网络的区别在于卷积神经网络有天然提取特征的优势，卷积神经网络包含了由卷积层和子采样层构成的特征抽取器，能够更加高效、智能地提取图像特征，这一点是基于像素和边界的传统识别算法所不能比拟的。之前，由于比较深层(一般指三层或以上)的神经网络对硬件计算力要求较高，但现在随着深度学习算法和硬件的迅速发展，此类问题得到了很好的克服，也为算法的工程实现提供了可能。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种基于双目立体视觉的道路可行驶区域识别方法，旨在能够更准确、更可靠的判断道路可行驶区域，更好地感知车辆行驶环境，从而在智能辅助驾驶中更好的引导车辆的行驶。

为了达到上述目的，本发明的技术方案和方法如下所述：

一种基于双目立体视觉的道路可行驶区域识别方法，包括步骤：