[发明专利]一种道路边界分类方法及其装置、计算机设备、移动工具

权利要求书

1.一种道路边界分类方法，其特征在于，包括：

步骤S1，通过激光雷达，实时采集车辆附近道路边界的点云特征，以及通过相机，实时采集车辆附近道路边界的图像；

步骤S2，根据步骤S1获得的车辆附近道路边界的点云特征，对车辆附近道路边界进行分类，获得对应的点云道路边界类型；

步骤S3，对于步骤S1获得的车辆附近道路边界的图像，根据该图像具有的图像特征，对车辆附近道路边界进行分类，获得对应的图像道路边界类型；

步骤S4，将同一时刻或时间戳的单帧点云特征和单帧图像同步到一起，记为同一帧点云和图像；

步骤S5，对于步骤S4获得的同一帧点云和图像，根据同一帧点云和图像中的点云特征和图像的道路边界分类结果，按照预设的融合规则进行融合，获得最终的道路边界类型。

2.如权利要求1所述的道路边界分类方法，其特征在于，在步骤S1中，激光雷达朝向车辆的前方，通过激光雷达采集车辆前方道路边界的点云特征，以及相机朝向车辆的前方，通过相机采集车辆前方道路边界的图像。

3.如权利要求1所述的道路边界分类方法，其特征在于，在步骤S2中，当步骤S1获得的车辆附近道路边界的点云信息具有的点云特征是预设明显的高路沿点云特征时，将车辆附近道路边界的类型划分为点云B类道路边界；

预设明显的高路沿点云特征，即对于激光雷达所采集的车辆附近道路边界的点云特征，其包括一条路沿分界线；

对于路沿分界线，路沿分界线两侧点云的高度差在预设差值区间内；

点云B类道路边界为高路沿类的点云道路边界。

4.如权利要求1所述的道路边界分类方法，其特征在于，在步骤S2中，当步骤S1获得的车辆附近道路边界的点云信息具有的点云特征不是预设明显的高路沿点云特征时，将车辆附近道路边界划分为点云AC混合类道路边界；

预设明显的高路沿点云特征，即对于激光雷达所采集的车辆附近道路边界的点云特征，其包括一条路沿分界线；

对于路沿分界线，路沿分界线两侧点云的高度差在预设差值区间内；

点云AC混合类道路边界，是涵盖点云A类道路边界和点云C类道路边界两种类型的点云道路边界。

5.如权利要求1所述的道路边界分类方法，其特征在于，在步骤S3中，图像道路边界类型，包括图像A类道路边界、图像B类道路边界和图像C类道路边界；

其中，图像A类道路边界，是低矮灌木丛类的图像道路边界；

图像B类道路边界，是高路沿类的图像道路边界；

图像C类道路边界，是平整草坪类的图像道路边界。

6.如权利要求1所述的道路边界分类方法，其特征在于，在步骤S5中，具体的预设的融合规则如下：

对于同一帧点云和图像中的点云特征和图像，当点云特征的道路边界分类结果为点云B类道路边界，并且，图像的道路边界分类结果是图像A类道路边界、图像B类道路边界和图像C类道路边界中的任意一种时，融合后获得的最终的道路边界类型为：B类最终道路边界，即为高路沿类的最终道路边界；

当点云特征的道路边界分类结果为点云AC混合类道路边界，并且，图像的道路边界分类结果是图像A类道路边界时，融合后获得的最终的道路边界类型为：A类最终道路边界，即为低矮灌木丛类的最终道路边界；

当点云特征的道路边界分类结果为点云AC混合类道路边界，并且，图像的道路边界分类结果是图像B类道路边界时，融合后获得的最终的道路边界类型为：不确定类道路边界；

当点云特征的道路边界分类结果为点云AC混合类道路边界，并且，图像的道路边界分类结果是图像C类道路边界时，融合后获得的最终的道路边界类型为：C类最终道路边界，即为平整草坪类的道路边界。

7.如权利要求1所述的道路边界分类方法，其特征在于，在步骤S5中，还包括以下步骤：

当融合后获得的最终的道路边界类型为不确定类道路边界时，输出对应的同一帧点云和图像，进行人工分类。