本申请公开了一种基于激光雷达的道路检测方法、装置、介质及计算机设备，涉及道路检测技术领域，用以解决道路检测过程复杂，处理速度慢慢的问题。基于激光雷达的道路检测方法包括：获取激光雷达针对目标场景的点云；基于点云生成二维的网格平面；将点云投影至网格平面，得到投影结果，投影结果包括网格平面中的各网格中包含的点及其统计信息；基于投影结果，生成输入图像，输入图像中的像素点与网格平面中的网格一一对应，且像素点的像素值基于对应的网格中包含的点的统计信息确定；将输入图像输入预先训练的语义分割模型，预测出目标场景中的道路区域，从而将分类问题简化为一个单维度问题，进而简化道路检测过程，提高道路检测效率。检测效率。检测效率。
【技术实现步骤摘要】
基于激光雷达的道路检测方法、装置、介质及计算机设备
[0001]本申请涉及道路检测
，尤其涉及一种基于激光雷达的道路检测方法、装置、介质及计算机设备。
技术介绍
[0002]道路检测技术在自动驾驶、车辆智能控制等领域有广泛应用，通常是采用单目摄像头拍摄路面影像，通过对路面影像的分析实现道路检测，检测过程复杂，处理速度慢。
技术实现思路
[0003]为了解决上述技术问题，本申请提供了一种基于激光雷达的道路检测方法、装置、介质及计算机设备。
[0004]本申请的第一方面，提供一种基于激光雷达的道路检测方法，所述基于激光雷达的道路检测方法包括：获取激光雷达针对目标场景的点云；基于所述目标场景的点云，生成二维的网格平面；将所述点云投影至所述网格平面，得到投影结果，所述投影结果包括所述网格平面中的各网格中包含的点及其统计信息；基于所述投影结果，生成输入图像，所述输入图像中的像素点与所述网格平面中的网格一一对应，且所述像素点的像素值基于对应的网格中包含的点的统计信息确定；将所述输入图像输入预先训练的语义分割模型，预测出所述目标场景中的道路区域。
[0005]本申请一些实施例中，所述二维的网格平面为俯视视角平面。
[0006]本申请一些实施例中，所述网格对应的所述统计信息包括所述网格中包含的点的数量、平均反射率、均值、标准差、最小仰角和最大仰角。
[0007]本申请一些实施例中，每个所述网格均对应多种不同的统计信息，所述输入图像包括多个单通道图像，每个所述单通道图像对应一种统计信息。
[0008]本申请一些实施例中，所述语义分割模型为全卷积神经网络模型。
[0009]本申请一些实施例中，将所述输入图像输入预先训练的语义分割模型，预测出所述目标场景中的道路区域，包括：将所述多个单通道图像输入所述全卷积神经网络模型的多通道输入层，每一个通道对应一个所述单通道图像；所述全卷积神经网络模型的隐藏层对输入的多个单通道图像进行下采样处理，得到下采样特征图；所述隐藏层对所述下采样特征图进行多次不同扩张率的扩张卷积处理，得到扩张特征图；所述隐藏层对所述扩张特征图进行上采样处理，得到上采样特征图，所述上采样
特征图的尺寸与所述单通道图像的尺寸相同；所述全卷积神经网络模型的输出层对所述上采样特征图进行特征映射，输出置信图，所述置信图用于表征各像素点位于所述道路区域的概率。
[0010]本申请一些实施例中，所述隐藏层对所述下采样特征图进行多次不同扩张率的扩张卷积处理，得到扩张特征图，包括：所述隐藏层对所述下采样特征图进行N次扩张卷积处理，N为大于2的正整数；其中，第一次扩张卷积处理的扩张率为（1，1），第n次扩张卷积处理的扩张率为（2
n
‑1，2
n
），1＜n≤N，且n为正整数。
[0011]本申请的第二方面，提供了一种基于激光雷达的道路检测装置，所述基于激光雷达的道路检测装置包括：获取模块，被配置为获取激光雷达针对目标场景的点云；网格平面生成模块，被配置为基于所述目标场景的点云，生成二维的网格平面；投影模块，被配置为将所述点云投影至所述网格平面，得到投影结果，所述投影结果包括所述网格平面中的各网格中包含的点及其统计信息；输入图像生成模块，被配置为基于所述投影结果，生成输入图像，所述输入图像中的像素点与所述网格平面中的网格一一对应，且所述像素点的像素值基于对应的网格中包含的点的统计信息确定；处理模块，被配置为将所述输入图像输入预先训练的语义分割模型，预测出所述目标场景中的道路区域。
[0012]本申请的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上所述的基于激光雷达的道路检测方法的步骤。
[0013]本申请的第四方面，提供了一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于激光雷达的道路检测方法的步骤。
[0014]本申请中，将目标场景的点云投影至二维的网格平面，并根据投影至网格平面中的各个点及其统计信息生成输入图像，将输入图像输入语义分割模型中，从而预测出目标场景中的道路区域，由于将点云投影至二维的网格平面，从而将分类问题简化为一个单维度问题，如此，通过简单的语义分割模型即可快速地实现道路区域的预测，从而简化道路检测过程，提高道路检测效率。
附图说明
[0015]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是本申请一示例性实施例示出的基于激光雷达的道路检测方法的方法流程图；图2是本申请一示例性实施例示出的点云向网格平面投影的示意图；图3是本申请另一示例性实施例示出的基于激光雷达的道路检测方法的方法流程图；图4是本申请一示例性实施例示出的基于激光雷达的道路检测方法中编码器的结
构示意图；图5是本申请一示例性实施例示出的基于激光雷达的道路检测方法中译码器的结构示意图；图6是本申请一示例性实施例示出的基于激光雷达的道路检测方法中衔接模块的结构示意图；图7是本申请一示例性实施例示出的基于激光雷达的道路检测装置的结构示意图；图8是本申请一示例性实施例示出的基于激光雷达的道路检测设备的结构示意图。
具体实施方式
[0016]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
[0017]在进行道路检测时，通常是采用单目摄像头拍摄的影像结合深度神经网络的形式，这种方式一方面数据处理量大，过程复杂，检测效率低，另一方面，基于摄像头采集图像的方法受环境光线的影响很大，在夜间或是与训练时采用的光线条件相异的条件下，得到的结果往往差强人意。
[0018]激光雷达（LIDAR）用自身发出的激光来采集信息，对环境光不敏感，精确度高，在另一些相关技术中，采用融合摄像机与LIDAR的方式实现道路检测，同样存在过程复杂、检测效率低等问题，同时也具有一定的局限性。
[0019]为了解决以上技术问题，本申请提供了一种基于激光雷达的道路检测方法，将目标场景的点云投影至二维的网格平面，并根据投影至网格平面中的各个点及其统计信息生成输入图像，将输入图像输入语义分割模型中，从而预测出目标场景中的道路区域，由于将点云投影至二维的网格平面，从而将分类问题简化为一个单维度问题，如此，通过简单的语义分割模型即可快速地实现道路区域的预测，从而简化道路检测过程，提高道路检测效率。
[0020]本申请一示例性实施例提供了一种基于激光雷达的道路检测方法，如图1所示，该基于激光雷达的道路本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于激光雷达的道路检测方法，其特征在于，所述基于激光雷达的道路检测方法包括：获取激光雷达针对目标场景的点云；基于所述目标场景的点云，生成二维的网格平面；将所述点云投影至所述网格平面，得到投影结果，所述投影结果包括所述网格平面中的各网格中包含的点及其统计信息；基于所述投影结果，生成输入图像，所述输入图像中的像素点与所述网格平面中的网格一一对应，且所述像素点的像素值基于对应的网格中包含的点的统计信息确定；将所述输入图像输入预先训练的语义分割模型，预测出所述目标场景中的道路区域。2.根据权利要求1所述的基于激光雷达的道路检测方法，其特征在于，所述二维的网格平面为俯视视角平面。3.根据权利要求1所述的基于激光雷达的道路检测方法，其特征在于，所述网格对应的所述统计信息包括所述网格中包含的点的数量、平均反射率、均值、标准差、最小仰角和最大仰角。4.根据权利要求1至3任一项所述的基于激光雷达的道路检测方法，其特征在于，每个所述网格均对应多种不同的统计信息，所述输入图像包括多个单通道图像，每个所述单通道图像对应一种统计信息。5.根据权利要求4所述的基于激光雷达的道路检测方法，其特征在于，所述语义分割模型为全卷积神经网络模型。6.根据权利要求5所述的基于激光雷达的道路检测方法，其特征在于，将所述输入图像输入预先训练的语义分割模型，预测出所述目标场景中的道路区域，包括：将所述多个单通道图像输入所述全卷积神经网络模型的多通道输入层，每一个通道对应一个所述单通道图像；所述全卷积神经网络模型的隐藏层对输入的多个单通道图像进行下采样处理，得到下采样特征图；所述隐藏层对所述下采样特征图进行多次不同扩张率的扩张卷积处理，得到扩张特征图；所述隐藏层对所述扩张特征图进行上采样处理，得到上采样特征图，所述上采样特征图的尺寸与所述单通道图像的尺寸...
【专利技术属性】
技术研发人员：谢修祥，钱炜，吕悦川，
申请(专利权)人：北京智联安科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。