[发明专利]用于确定车道上的危险源的方法和装置

说明书

本发明涉及一种用于借助于车辆(10)的摄像机(18)确定在车辆(10)前方或后方的检测区域(22)中的车道(16)上的危险源(14)的方法，其中，借助于摄像机(18)对检测区域(22)的图像进行检测，生成对应于所述图像的图像数据，借助于图像数据在使用神经网络(32)的情况下确定图像的第一图像区域(28)，该第一图像区域与检测区域(22)中的车道(16)相对应，借助于第一图像区域(28)在使用神经网络(32)的情况下确定图像的第二图像区域(30)，该第二图像区域与检测区域(22)中的车道(16)上的危险源(14)相对应。

技术领域

本发明涉及一种用于借助于车辆的摄像机确定在车辆、特别是道路行驶车辆前方或后方的检测区域中的车道上的危险源的方法。本发明还涉及一种用于确定检测区域中的车道上的危险源的装置。

背景技术

在自主驾驶的范围内以及在驾驶员辅助系统中，应当对通过固定在车辆上的摄像机拍摄的图像的图像数据进行处理，以便探测在车辆前方或后方的检测区域中的车道上的危险源。一种可能的危险源是车道上的物体、例如丢失的装载物/货物或排气管或人员。车道上的其它危险源例如是坑洼、冰层或水膜，它们可能引起打滑。

迄今为止已知的基于神经网络的方法、例如单目测距/单目深度(MonoDepth)或语义分割(Semantic Segmentation)由于缺少训练数据不能对这种危险源进行分类并且因此也不能探测这种危险源。在典型的交通情况中，这些危险源出现得过于罕见，以致于不能产生用于训练神经网络的适合的数据项。

基于检测区域的图像序列的光流的方法仅能在车辆与危险源之间的距离非常小时使用。此外，这种方法的计算量非常大。

由Andrews等人在第33届机器学习国际会议的会议论文集中的文献：“用于异常检测的迁移表征学习(Transfer Representation-Learning for Anomaly Detection)”，已知两种用于在数据项中探测异常现象的方法。在两种方法中，使用神经网络的中间层的输出，以便借助于支持向量机探测异常情况。在第一种方法中使用的神经网络在使用不同于待分类数据项的数据项的情况下来训练。在第二种方法中使用神经网络，该神经网络借助于待分类的数据项的不包含异常情况的部分来训练。

由Badrinarayanan等人的文献，“SegNet：用于图像分割的深度卷积编码器-解码器架构(SegNet:A Deep Convolutional Encoder-Decoder Architecture for ImageSegmentation)”(arXiv:1511.00561v3)，已知一种用于在使用神经网络的情况下对图像点进行语义分类的方法。所使用的神经网络包括：编码器网络，其将图像语义分割为不同的图像区域；和解码器网络，其使用编码器网络的参数将各个图像点与图像区域中的相应区域相关联。

由Chalapathy等人的文献：“使用单分类神经网络进行异常检测(AnomalyDetection using One-Class Neural Networks)”(arXiv:1802.06360v1)，已知了一种用于在复杂的数据项中探测异常情况的方法。所使用的神经网络包括对数据项进行分类的、具有固定权重的编码器网络和连接在编码器网络后面的前馈网络，该前馈网络特别被设计为用于，在分类的数据项中探测异常情况。

发明内容

本发明的目的是，提出一种方法和一种装置，通过所述方法和装置能够借助于车辆的摄像机简单地确定在车辆前方或后方的检测区域中的车道上的危险源。

该目的通过具有权利要求1的特征的方法和通过具有权利要求14的特征的装置来实现。有利的改进方案在从属权利要求中给出。

摄像机优选固定地与车辆连接。车道特别可以是街道。车辆特别是道路行驶车辆。危险源特别是车道上的物体、例如丢失的装载物或排气管或人员。危险源还可以是坑洼、冰板或水膜，它们可能引起打滑。