障碍物的识别方法和装置、存储介质、电子装置制造方法及图纸

本发明专利技术公开了一种障碍物的识别方法和装置、存储介质、电子装置。其中，该方法包括：在目标车辆自动行驶的过程中，获取点云数据，其中，点云数据为目标车辆上的传感器对目标车辆的行驶环境进行扫描得到的；将点云数据转换为用于表示行驶环境的第一图像；通过第一神经网络模型从第一图像中识别出位于行驶环境中的第一对象，其中，第一神经网络模型是利用标识有第二对象的第二图像对第二神经网络模型进行训练得到的，第一对象和第二对象为可移动的障碍物。本发明专利技术解决了相关技术中对障碍物的识别准确率较低的技术问题。

Obstacles Recognition Method and Device, Storage Media, Electronic Device

【技术实现步骤摘要】
障碍物的识别方法和装置、存储介质、电子装置
本专利技术涉及自动驾驶领域，具体而言，涉及一种障碍物的识别方法和装置、存储介质、电子装置。
技术介绍
自动驾驶汽车(英文全称为Autonomousvehicles或Self-pilotingautomobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车，在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。自动驾驶汽车可依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。在汽车自动驾驶的过程中，可以通过激光雷达实现行人、自行车等障碍检测，如通过激光雷达采集点云数据，通过在三维空间中对点云进行聚类，然后针对特定对象分析其相关的特征，例如法向量、尺寸信息(包括长宽高以及比例信息)、密度等特征，然后通过设置特定的规则进行判断，如人为设计相关特征以及对应阈值等。在自动驾驶、半自动驾驶等领域，采用上述方案进行障碍检测时，由于对点云数据进行分析时，需要人为设计相关特征以及对应阈值等，而行人、骑行者在激光点云中形态差异较大，比较难以找到直接有效的特征以及对应阈值，因此，使得对障碍物的识别准确率较低。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种障碍物的识别方法和装置、存储介质、电子装置，以至少解决相关技术中对障碍物的识别准确率较低的技术问题。根据本专利技术实施例的一个方面，提供了一种障碍物的识别方法，包括：在目标车辆自动行驶的过程中，获取点云数据，其中，点云数据为目标车辆上的传感器对目标车辆的行驶环境进行扫描得到的；将点云数据转换为用于表示行驶环境的第一图像；通过第一神经网络模型从第一图像中识别出位于行驶环境中的第一对象，其中，第一神经网络模型是利用标识有第二对象的第二图像对第二神经网络模型进行训练得到的，第一对象和第二对象为可移动的障碍物。根据本专利技术实施例的另一方面，还提供了一种障碍物的识别装置，包括：获取单元，用于在目标车辆自动行驶的过程中，获取点云数据，其中，点云数据为目标车辆上的传感器对目标车辆的行驶环境进行扫描得到的；转换单元，用于将点云数据转换为用于表示行驶环境的第一图像；识别单元，用于通过第一神经网络模型从第一图像中识别出位于行驶环境中的第一对象，其中，第一神经网络模型是利用标识有第二对象的第二图像对第二神经网络模型进行训练得到的，第一对象和第二对象为可移动的障碍物。根据本专利技术实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。根据本专利技术实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。在本专利技术实施例中，在目标车辆自动行驶的过程中，获取点云数据，将点云数据转换为用于表示行驶环境的第一图像；通过第一神经网络模型从第一图像中识别出位于行驶环境中的第一对象，由于在处理过程中，采用神经网络模型，可以利用预先学习到的障碍物的特征来对图像中的障碍物进行识别，可以解决相关技术中对障碍物的识别准确率较低的技术问题，进而达到提高障碍物的识别准确率的技术效果。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的障碍物的识别方法的硬件环境的示意图；图2是根据本专利技术实施例的一种可选的障碍物的识别方法的流程图；图3是根据本专利技术实施例的一种可选的前视图的示意图；图4是根据本专利技术实施例的一种可选的障碍物分割的示意图；图5是根据本专利技术实施例的一种可选的三维点云的示意图；图6是根据本专利技术实施例的一种可选的距离视图的示意图；图7是根据本专利技术实施例的一种可选的高度视图的示意图；图8是根据本专利技术实施例的一种可选的强度视图的示意图；图9是根据本专利技术实施例的一种可选的前视图的示意图；图10是根据本专利技术实施例的一种可选的障碍物分割结果的示意图；图11是根据本专利技术实施例的一种可选的前视图的示意图；图12是根据本专利技术实施例的一种可选的障碍物的识别装置的示意图；以及图13是根据本专利技术实施例的一种终端的结构框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。首先，在对本专利技术实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：自动驾驶汽车(Autonomousvehicles；Self-pilotingautomobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。激光雷达，是一种以发射激光束探测目标的位置、速度等特征量的雷达系统，通过向目标发射探测信号(激光束)，然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数,从而对目标进行探测、跟踪和识别。激光点云：点云是在和目标表面特性的海量点集合，当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息，若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成激光点。根据本专利技术实施例的一方面，提供了一种障碍物的识别方法的方法实施例。可选地，在本实施例中，上述障碍物的识别方法可以应用于如图1所示的由终端101和/或服务器103所构成的硬件环境中。如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务(如游戏服务、应用服务、地图服务等)，可在服务上或独立于服务器设置数据库105，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101并不限定于车载的PC、手机、平板电脑等。本专利技术实施例的障碍物的识别方法可以由终端101来执行，终端101执行本专利技术实施例的障碍物的识别方法也可以是由安装在其上的客户端来执行。图2是根据本专利技术实施例的一种可选的障碍物的识别方法的流程图，如图2所示，该方法可以包括以下步骤：步骤S202，在目标车辆自动行驶的过程中，终端获取点云数据，其中，点云数据为目标车辆上本文档来自技高网...

【技术保护点】
1.一种障碍物的识别方法，其特征在于，包括：在目标车辆自动行驶的过程中，获取点云数据，其中，所述点云数据为所述目标车辆上的传感器对所述目标车辆的行驶环境进行扫描得到的；将所述点云数据转换为用于表示所述行驶环境的第一图像；通过第一神经网络模型从所述第一图像中识别出位于所述行驶环境中的第一对象，其中，所述第一神经网络模型是利用标识有第二对象的第二图像对第二神经网络模型进行训练得到的，所述第一对象和所述第二对象为可移动的障碍物。

【技术特征摘要】
1.一种障碍物的识别方法，其特征在于，包括：在目标车辆自动行驶的过程中，获取点云数据，其中，所述点云数据为所述目标车辆上的传感器对所述目标车辆的行驶环境进行扫描得到的；将所述点云数据转换为用于表示所述行驶环境的第一图像；通过第一神经网络模型从所述第一图像中识别出位于所述行驶环境中的第一对象，其中，所述第一神经网络模型是利用标识有第二对象的第二图像对第二神经网络模型进行训练得到的，所述第一对象和所述第二对象为可移动的障碍物。2.根据权利要求1所述的方法，其特征在于，将所述点云数据转换为用于表示所述行驶环境的第一图像包括：根据所述点云数据确定所述行驶环境的距离视图、高度视图以及强度视图，其中，所述距离视图中像素点的像素值用于指示该像素点与所述传感器之间的距离，所述高度视图中像素点的像素值用于指示该像素点与所述传感器之间的高度差，所述强度视图中像素点的像素值用于指示该像素点对所述传感器的扫描信号的反射强度；将所述距离视图、所述高度视图以及所述强度视图组合为所述第一图像。3.根据权利要求2所述的方法，其特征在于，根据所述点云数据确定所述行驶环境的距离视图、高度视图以及强度视图包括：将所述点云数据投影至目标柱体的侧面，其中，所述目标柱体以传感器为中心；保留位于所述目标柱体的侧面的所述点云数据中的距离信息，并对所述目标柱体的侧面进行截图，得到所述行驶环境的距离视图，保留位于所述目标柱体的侧面的所述点云数据中的高度信息，并对所述目标柱体的侧面进行截图，得到所述行驶环境的高度视图，保留位于所述目标柱体的侧面的所述点云数据中的反射强度信息，并对所述目标柱体的侧面进行截图，得到所述行驶环境的强度视图。4.根据权利要求2所述的方法，其特征在于，将所述距离视图、所述高度视图以及所述强度视图组合为所述第一图像包括：将所述距离视图中像素点的像素值作为所述第一图像中相同位置的像素点的第一通道的取值，将所述高度视图中像素点的像素值作为所述第一图像中相同位置的像素点的第二通道的取值，并将所述强度视图中像素点的像素值作为所述第一图像中相同位置的像素点的第三通道的取值，以确定所述第一图像。5.根据权利要求1至4中任意一项所述的方法，其特征在于，通过第一神经网络模型从所述第一图像中识别出位于所述行驶环境中的第一对象包括：将所述第一图像的第一通道的取值、第二通道的取值以及第三通道的取值作为所述第一神经网络模型的输入；通过所述第一神经网络模型对所述第一图像中的所述行驶环境进行对象识别，从而得到所述第一对象，其中，所述对象识别包括从所述行驶环境识别出与学习到的所述可移动的障碍物的特征匹配的所述第一对象；获取所述第一神经网络模型输出的用于表示所述第一对象的输出结果。6.根据权利要求1至4中任意一项所述的方法，其特征在于，在通过第一神经网络模型从所述第一图像中识别出位于所述行驶环境中的第一对象之前，所述方法还包括：通过训练集中的所述第二图像对所述第二神经网络模型进行训练来初始化所述第二神经网络模型中各个网络层的权重参数，得到第三神经网络模型；在所述第三神经网络模型对测试集的图片中第三对象的识别准确率达到第一阈值的情况下，将所述第三神经网络模型作为所述第一神经网络模型；在所述第三神经网络模型对所述测试集的图片中所述第三对象的识别准确率未达到所述第一阈值的情况下，继续使用所述训练集中的所述第二图像对所述第三神经网络模型进行训练，直至所述第三神经网络模型对所述测试集的图片中所述第三对象的识别准确率达到所述第一阈值。7.根据权利要求1至4中任意一项所述的方法，其特征在于，在通过第一神经网络模型...

【专利技术属性】
技术研发人员：陈仁，孙银健，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44