[发明专利]用于自动驾驶系统的障碍物定位方法及装置

说明书

本发明公开了一种用于自动驾驶系统的障碍物定位方法及装置，障碍物定位方法包括：步骤S1：对双目相机采集的图像数据进行预处理；步骤S2：根据预处理后的图像数据获得每一车道线像素的视差值；步骤S3：对车道线像素的视差值进行拟合获得多个车道线，并对多个车道线进行增强；步骤S4：通过搜索获得的障碍物两侧的车道线及图像数据获得障碍物的深度信息。

技术领域

本发明涉及一种障碍物定位方法及装置，具体地说，尤其涉及一种用于自动驾驶系统的障碍物定位方法及装置。

背景技术

近一个多世纪来，汽车的出现取代了传统交通运输方式，使得人们的生活更为便捷。近些年来，随着科技的发展，尤其是智能计算的飞速发展，自动驾驶汽车技术研究成为各行业聚焦的热点。麦肯锡发布的“决定未来经济的12项前沿技术”报告探讨了12项前沿技术对未来经济、社会的影响程度，分析估测了2025年12项技术各自的经济与社会影响力，其中自动驾驶汽车技术排在第6位，其2025年影响力估测为：经济效益每年约0。2-1。9万亿美元，社会效益每年可挽回3-15万个生命。

通常，自动驾驶汽车的系统一般分为三个模块，一是感知模块，相当于人的眼睛，通过摄像头、毫米波雷达、激光雷达等传感器实时采集周边环境状态，二是决策模块，相当于人的大脑，根据环境状态计算出最优的驾驶决策规划，三是执行模块，相当于人的手与脚，用于执行决策命令，进行油门、刹车、转向等相应的驾驶操作。

感知模块是自动驾驶系统的一个重要模块，没有可靠的感知模块，就无法实现安全的自动驾驶系统。而在感知模块中，双目是一个重要的设备装置，双目不仅具备单目的功能，还能提供距离信息。双目设备已经逐渐成为自动驾驶系统中一个不可或缺的传感器。实时、可靠、稳定的距离信息是感知模块的一个重要保证。没有准确和平滑的距离信息，感知就无法稳定给出可靠的障碍物距离速度等信息。

双目测距是一种通过计算双目采集的左图和右图的位置差异的视觉测距算法。传统双目视测距方法首先需要计算视差图。然后根据视差图计算图片上点的3D坐标。

双目视差图计算包括代价计算，代价聚合，视差图计算，视差图提精4个步骤。传统方法受限于匹配效果，对于遮挡区域处理不好。此外，当应用于高分辨率图像时，处理延时迅速增加，无法实时生成视差图。近年来随着深度学习技术的发展，传统双目测距算法也得到了快速的发展，目前发展了很多基于深度学习的视觉算法，但是目前基于深度学习的双目测距算法并没有超出传统双目测距算法的流程，只是将其中一些步骤做了些改进，由于视差图真值难以获得，深度学习的双目测距模型缺乏训练数据，许多模型容易过拟合到特定的相机，泛化性较弱。此外现在深度学习模型网络层数高，模型复杂，实时性差，仍无法应用到实际中。

得到视差图之后，就是计算目标的深度信息。通常在计算目标的深度信息时，将目标矩形框的平均深度信息作为目标的深度信息。但是在实际中由于障碍物的矩形框通常会包含很多背景区域，这就会影响实际目标的距离测量，使得实际得到的目标距离充满噪声，所以实际中计算得到的障碍物距离信息多会出现抖动，不平滑，甚至有时无法测量处距离信息。这难以满足自动驾驶的需求。

在获得目标的深度之后，通常还需要知道目标所在的车道信息。目前对于所在车道信息的处理方式有两种。一是在分别检测障碍物位置和车道线信息后，然后结合地图的方式来判断车辆所属车道。这种方式分别估计车道线和目标距离，然后在3D空间中对齐两者的方法。由于障碍物3D位置充满噪声，所以难以直接利用3D坐标去分配车道线。二是在图像上分配障碍物所属车道，这就需要得到一个比较好的车道线检测信息。但是往往由于车道线容易受遮挡，就难以得到比较稳定的结果。此外，这类方法仍旧面临着如何准确测量障碍物的3D坐标。

因此急需开发一种克服上述缺陷的用于自动驾驶系统的障碍物定位方法及装置。

发明内容

本发明所要解决的技术问题在于提供一种用于自动驾驶系统的障碍物定位方法，其中，包括：

步骤S1：对双目相机采集的图像数据进行预处理；