一种可行驶区域分割方法技术

本发明专利技术公开了一种可行驶区域分割方法，首先提取路面信息的2D视觉图像和3D点云数据，将3D点云数据转换为2D高度差图像，然后提取2D视觉图像和2D高度差图像的特征图并进行拼接融合得到特征图，最后对特征图进行卷积运算得到二元分类分数并判断为可行驶区域或不可行驶区域；本发明专利技术将2D视觉图像和3D点云数据有效结合，利用对噪声鲁棒性高的3D点云数据作为视觉图像的补充，提升了可行驶区域分割的模型整体性能，克服视觉噪声对可行驶区域的分割性能的影响。影响。影响。

【技术实现步骤摘要】
一种可行驶区域分割方法


[0001]本专利技术涉及一种可行驶区域分割方法。

技术介绍

[0002]可行驶区域的分割主要为自动驾驶提供路径规划辅助，稳健的可行驶区域分割可实 现对道路区域的充分识别，以帮助自主导航系统在复杂环境中做出安全的决策。可行驶 区域分割技术主要是通过分类模型将2DRGB图像的每个像素点分类为可行驶像素或不 可行驶像素，现有的方法多是基于单目2D视觉图像的可行驶区域分割，当存在视觉噪 声，如过度曝光、图像模糊时，在视觉图像中稳健地识别可行驶区域仍然具有挑战性。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种对视觉噪声敏感度低的可行驶区域分割方法。
[0004]技术方案：本专利技术所述的可行驶区域分割方法包括如下步骤：
[0005](1)提取路面信息的2D视觉图像和3D点云数据；
[0006](2)利用特征提取网络提取所述2D视觉图像的特征图F1；
[0007](3)将所述3D点云数据转换为2D高度差图像；
[0008](4)利用特征提取网络提取所述2D高度差图像的特征图F2；
[0009](5)将所述特征图F1和特征图F2进行特征融合和分类解析，输出分割结果。
[0010]步骤(3)具体为将3D点云数据投影到2D平面，每个像素点的像素坐标为其周围 像素点的高度差的平均绝对值，得到2D高度差图像。
[0011]进一步地，每个像素点的像素值为其周围48个像素点的高度差的平均绝对值。
[0012]步骤(5)具体为利用深度神经网络对所述特征图F1和特征图F2进行拼接融合得 到特征图F；对特征图F进行卷积计算得到二元分类分数，根据分数最高值对应的类别 判断为可行驶区域或不可行驶区域。
[0013]进一步地，利用一层卷积层对所述特征图F进行卷积计算得到每个像素点的二元分 类分数，若像素点对应的二元分类分数为1，则属于可行驶区域；若像素点对应的二元 分类分数为0，则属于不可行驶区域。
[0014]有益效果：3D点云数据和2D视觉图像的融合式分割方法，可有效利用二者的优势， 利用LiDAR数据对视觉噪声的较好鲁棒性，将其作为视觉图像的有效补充，提升了可 行驶区域分割的模型整体性能，克服视觉噪声对可行驶区域的分割性能的影响。
附图说明
[0015]图1为本专利技术的可行驶区域分割方法流程图；
[0016]图2为本专利技术的2D视觉图像示意图；
[0017]图3为本专利技术的3D点云数据示意图。
具体实施方式
[0018]下面结合附图对本专利技术的技术方案作进一步说明。
[0019]如图1所示，本专利技术的可行驶区域分割方法包括如下步骤：
[0020](1)同时提取路面信息的2D视觉图像和3D点云数据
[0021]如图2和图3所示，基于视觉摄像机和激光雷达传感器，来同时获取路面信息的2D 视觉图像和3D点云数据。
[0022](2)2D视觉图像特征图提取
[0023]利用卷积神经网络对2D视觉图像进行特征提取，得到特征图F1，本实施例中的特 征提取网络为全卷积网络，包含5个卷积层，分别为：
[0024]Conv1的卷积核大小为7*7，卷积核数量为96，步长为2，采用Relu函数激活；
[0025]Conv2的卷积核大小为3*3，卷积核数量为256，步长为2，采用Relu函数激活；
[0026]Conv3的卷积核大小为3*3，卷积核数量为384，步长为2，采用Relu函数激活；
[0027]Conv4的卷积核大小为2*2，卷积核数量为256，步长为1，采用Relu函数激活；
[0028]Conv5的卷积核大小为119*14，卷积核数量为256，步长为9，采用Relu函数激活。
[0029](3)3D点云数据转换为2D高度差图像
[0030](31)基于标定参数，将3D点云数据沿Z轴投影到2D图像平面上，投影后的2D 图像如图3所示。
[0031](32)对于步骤(31)得到的2D图像平面中的各像素点执行下述计算，以得到2D 高度差图像：计算当前像素点周围的48个像素点的高度差的绝对值的平均值，作为当 前像素点在2D高度差图像中的像素值。
[0032](4)2D高度差图像特征图提取
[0033]基于特征提取网络对2D高度差图像进行特征提取，得到特征图F2。
[0034](5)2D视觉图像特征与2D高度差图像特征的融合
[0035]基于深度神经网络中的concat(连接字符串)操作，将2D视觉图像的特征F1和 2D高度差图像的特征F2，进行拼接融合，得到最终的特征图F。
[0036](6)融合特征的分类解析，输出分割结果
[0037](61)基于卷积层对融合特征图F进行卷积计算，得到每个像素点的二元分类分数； 该卷积层的卷积核大小1*1，卷积核数量512，步长1；
[0038](62)取分数的最高值对应的类别作为输出，输出类别包括可行驶和不可行驶；如 某像素点对应的输出为1，则表示其属于可行驶区域；若为0，则属于不可行驶区域。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可行驶区域分割方法，其特征在于，包括如下步骤：(1)提取路面信息的2D视觉图像和3D点云数据；(2)利用特征提取网络提取所述2D视觉图像的特征图F1；(3)将所述3D点云数据转换为2D高度差图像；(4)利用特征提取网络提取所述2D高度差图像的特征图F2；(5)将所述特征图F1和特征图F2进行特征融合和分类解析，输出分割结果。2.根据权利要求1所述的可行驶区域分割方法，其特征在于，所述步骤(3)为：将3D点云数据投影到2D平面，每个像素点的像素坐标为其周围像素点的高度差的平均绝对值，得到2D高度差图像。3.根据权利要求2所述的可行驶区域分割方法，其特征在于，所述每个像素点的像素值为其周围48个像素点的高度...

【专利技术属性】
技术研发人员：张祥，
申请(专利权)人：的卢技术有限公司，
类型：发明
国别省市：