无人车行驶环境识别方法、装置、设备和计算机可读存储介质制造方法及图纸

本申请涉及一种无人车行驶环境识别方法、装置和计算机可读存储介质。该方法包括：获取无人车行驶环境的原始图像；对原始图像进行二值化，得到原始二值化图像；将待检测图像进行至少两阶段正向处理，其中，待检测图像包括原始图像和原始二值化图像；对进行至少两阶段正向处理后的图像进行池化，得到池化后的输出图像；将输出图像进行至少两阶段反向处理；对至少两阶段正向处理中每一阶段正向处理后的图像和至少两阶段正向处理中每一阶段反向处理后的图像进行特征融合，得到融合图像；对融合图像进行预测，识别无人车行驶环境中目标物。本申请的技术方案可以提升对无人车周围环境物体的识别精度。物体的识别精度。物体的识别精度。

Identification method, device, equipment and computer readable storage medium of unmanned vehicle driving environment

【技术实现步骤摘要】
无人车行驶环境识别方法、装置、设备和计算机可读存储介质


[0001]本申请涉及自动驾驶领域，尤其涉及无人车行驶环境识别方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]随着技术的发展、成本的降低以及相关法规、政策的落地，无人驾驶已经逐渐进入实用阶段，无人车日益普及到人们的出行活动中。无人车部署了摄像头、激光雷达等视觉传感器。依靠这些视觉传感器，无人车才能识别行驶环境，保障无人车的行驶安全。相关技术中，对无人车行驶环境的识别一般是从视觉传感器获取到无人车行驶环境的原始图像后，经一些人工智能模块(例如，各种深度学习网络或者卷积神经网络等)处理，识别出原始图像中的路牌、车道线或其他路面标识。然而，无人车行驶环境识别方法中，从神经网络输出的图像是经过放大后直接输入至预测模块，而图像的放大导致很多信息的遗漏，如此，从预测模块输出的图像实际上很难识别出路牌、车道线或其他路面标识。

技术实现思路

[0003]为解决或部分解决相关技术中存在的问题，本申请提供一种无人车行驶环境识别方法、装置、设备和计算机可读存储介质，可以提升对无人车周围环境物体的识别精度。
[0004]本申请第一方面提供一种无人车行驶环境识别方法，应用于自动驾驶，包括：
[0005]获取无人车行驶环境的原始图像；
[0006]对所述原始图像进行二值化，得到原始二值化图像；
[0007]将待检测图像进行至少两阶段正向处理，所述待检测图像包括所述原始图像和原始二值化图像；
[0008]对所述进行至少两阶段正向处理后的图像进行池化，得到池化后的输出图像；
[0009]将所述输出图像进行至少两阶段反向处理；
[0010]对所述至少两阶段正向处理中每一阶段正向处理后的图像和所述至少两阶段正向处理中每一阶段反向处理后的图像进行特征融合，得到融合图像；
[0011]对所述融合图像进行预测，识别所述无人车行驶环境中目标物。
[0012]本申请第二方面提供一种无人车行驶环境识别装置，应用于自动驾驶，包括：
[0013]获取模块，用于获取无人车行驶环境的原始图像；
[0014]二值化模块，用于对所述原始图像进行二值化，得到原始二值化图像；
[0015]正向处理模块，用于将待检测图像进行至少两阶段正向处理，所述待检测图像包括所述原始图像和原始二值化图像；
[0016]池化模块，用于对所述进行至少两阶段正向处理后的图像进行池化，得到池化后的输出图像；
[0017]反向处理模块，用于将所述输出图像进行至少两阶段反向处理；
[0018]融合模块，用于对所述至少两阶段正向处理中每一阶段正向处理后的图像和所述
至少两阶段正向处理中每一阶段反向处理后的图像进行特征融合，得到融合图像；
[0019]预测模块，用于对所述融合图像进行预测，识别所述无人车行驶环境中目标物。
[0020]本申请第三方面提供一种电子设备，包括：
[0021]处理器；以及
[0022]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
[0023]本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
[0024]本申请提供的技术方案可以包括以下有益效果：在将待检测图像进行至少两阶段正向处理和池化后的输出图像进行至少两阶段反向处理后，由于对这些至少两阶段正向处理中每一阶段正向处理后的图像和至少两阶段正向处理中每一阶段反向处理后的图像进行特征融合，使得在将待检测图像进行至少两阶段正向处理时损失的特征信息得到弥补，因此，相对于相关技术将池化后的输出图像直接进行预测，本申请的技术方案提升了对无人车周围环境目标物的识别精度。
[0025]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0026]通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
[0027]图1是本申请实施例示出的无人车行驶环境识别方法的流程示意图；
[0028]图2是本申请实施例示出的将待检测图像进行至少两阶段正向处理、对至少两阶段正向处理后的图像进行池化以及将输出图像进行至少两阶段反向处理时所用网络结构图；
[0029]图3是本申请实施例示出的无人车行驶环境识别装置的结构示意图；
[0030]图4是本申请实施例示出的电子设备的结构示意图。
具体实施方式
[0031]下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
[0032]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0033]应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，
在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0034]无人驾驶已经逐渐进入实用阶段，无人车日益普及到人们的出行活动中。无人车部署了摄像头、激光雷达等视觉传感器。依靠这些视觉传感器，无人车才能识别行驶环境，保障无人车的行驶安全。相关技术中，对无人车行驶环境的识别一般是从视觉传感器获取到无人车行驶环境的原始图像后，经一些人工智能模块(例如，各种深度学习网络或者卷积神经网络等)处理，识别出原始图像中的路牌、车道线或其他路面标识。然而，无人车行驶环境识别方法中，从神经网络输出的图像是经过放大后直接输入至预测模块，而图像的放大导致很多信息的遗漏，如此，从预测模块输出的图像实际上很难识别出路牌、车道线或其他路面标识。
[0035]针对上述问题，本申请实施例提供一种无人车行驶环境识别方法，提升对无人车周围环境物体的识别精度。
[0036]以下结合附图详细描述本申请实施例的技术方案。
[0037]参见图1，是本申请实施例示出的无人车行驶环境识别方法的流程示意图，该方法应用于自动驾驶，主要包括步骤S101至步骤S10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人车行驶环境识别方法，应用于自动驾驶，其特征在于，所述方法包括：获取无人车行驶环境的原始图像；对所述原始图像进行二值化，得到原始二值化图像；将待检测图像进行至少两阶段正向处理，所述待检测图像包括所述原始图像和原始二值化图像；对所述至少两阶段正向处理后的图像进行池化，得到池化后的输出图像；将所述输出图像进行至少两阶段反向处理；对所述至少两阶段正向处理中每一阶段正向处理后的图像和所述至少两阶段正向处理中每一阶段反向处理后的图像进行特征融合，得到融合图像；对所述融合图像进行预测，识别所述无人车行驶环境中目标物。2.根据权利要求1所述的无人车行驶环境识别方法，其特征在于，所述对所述原始图像进行二值化，得到原始二值化图像，包括：通过灰度变换均衡所述原始图像的亮度，得到预处理后待检测图像；求解预处理后待检测图像的最优二值化阈值；利用所述最优二值化阈值对所述预处理后待检测图进行全局二值化得到所述原始二值化图像。3.根据权利要求2所述的无人车行驶环境识别方法，其特征在于，所述求解预处理后待检测图像的最优二值化阈值，包括：统计所述预处理后待检测图像的图像灰度分布信息，得到所述预处理后待检测图像的灰度最大值和灰度最小值；根据预设灰度范围度量、所述灰度最大值和所述灰度最小值，计算所述预处理后待检测图像的最优二值化阈值。4.根据权利要求1所述的无人车行驶环境识别方法，其特征在于，所述将待检测图像进行至少两阶段正向处理，包括：在N个正向处理阶段中第n个正向处理阶段，降低第(n
‑
1)个正向处理阶段所得待压缩图像I
n
‑1的分辨率并下采样所述待压缩图像I
n
‑1，得到第n个正向处理阶段的待压缩图像I
n
，其中，1≤n≤N，且当n＝1时，以所述待检测图像作为前一个正向处理阶段得到的待压缩图像；已训练卷积模块对所述第n个正向处理阶段的待压缩图像I
n
进行卷积操作后输出，所述已训练卷积模块输出的特征图像作为第(n+1)个正向处理阶段的待压缩图像I
n+1
。5.根据权利要求4所述的无人车行驶环境识别方法，其特征在于，所述将所述输出图像进行至少两阶段反向处理，包括：在N个反向处理阶段中第m个反向处理阶段，将第(m+1)个反向处理阶段的解压缩图像进行反卷积操作，得到第m个反向处理阶段的反卷积操作图像I
m
，所述m＝N+1
‑
n，且当m＝1时，以所述输出图像作为后一个反向处理阶段得到的解压缩图；提升所述反卷积操作图像I
m
的分辨率并上采样所述反卷积操作图像I
m
，将经过所述上采样所得图像作为第(m+1)个反向处理阶段的解压缩图像I
m+1
。6.根据权利要求5所述的无人车行驶环境识别方法，其特征在于，所述...

【专利技术属性】
技术研发人员：李宁，贾双成，朱磊，孟鹏飞，
申请(专利权)人：智道网联科技北京有限公司，
类型：发明
国别省市：