一种动态障碍物检测方法及装置制造方法及图纸

本发明专利技术提供一种动态障碍物检测方法及装置，所述方法包括：获取目标区域的原始图像和视差数据；将所述原始图像和视差数据输入至预先训练的深度学习模型中进行特征提取，以得到目标检测框内的特征提取结果；根据所述特征提取结果构建约束方程和约束条件；基于所述约束方程和约束条件，确定所述目标检测框内的目标障碍物的运动状态。这样，利用深度学习目标检测网络识别不同的障碍物，结合双目视觉，获取物体检测框中的特征点以及视差信息来判断不同刚体的运动状态，从而解决了现有技术中运动障碍物定位误差较大，图像处理算法对数据要求较高的技术问题。较高的技术问题。较高的技术问题。

【技术实现步骤摘要】
一种动态障碍物检测方法及装置


[0001]本专利技术涉及辅助驾驶
，尤其涉及一种动态障碍物检测方法及装置。

技术介绍

[0002]在智能车辆领域中，智能系统通过感知并分析周围的环境信息从而估计自己的运动，以实现在未知环境下的精准定位。随着自动驾驶以及一些新兴智能领域的发展，实现准确定位成为智能领域的核心问题。但在实际场景中，主体获取的感知信息一部分来自环境中的运动物体（如车、人或动物等），从而造成定位误差。
[0003]但是，传统的图像处理算法对数据要求严格，路面阴影、光照不均匀等干扰因素都使其难以给出精确的检测结果。而经典的深度学习模型主要是针对大尺寸、大目标进行分类和识别。

技术实现思路

[0004]本专利技术提供一种动态障碍物检测方法及装置，以至少解决现有技术中运动障碍物定位误差较大，图像处理算法对数据要求较高的技术问题。
[0005]第一方面，本专利技术提供一种动态障碍物检测方法，包括：获取目标区域的原始图像和视差数据；将所述原始图像和视差数据输入至预先训练的深度学习模型中进行特征提取，以得到目标检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态障碍物检测方法，其特征在于，包括：获取目标区域的原始图像和视差数据；将所述原始图像和视差数据输入至预先训练的深度学习模型中进行特征提取，以得到目标检测框内的特征提取结果；根据所述特征提取结果构建约束方程和约束条件；基于所述约束方程和约束条件，确定所述目标检测框内的目标障碍物的运动状态；其中，所述深度学习模型是基于深度图样本训练得到的，所述深度图样本是通过双目相机采集的双目道路图像生成的。2.根据权利要求1所述的动态障碍物检测方法，其特征在于，将所述原始图像和视差数据输入至预先训练的深度学习模型中进行特征提取，以得到目标检测框内的特征提取结果，具体包括：将所述原始图像和视差数据输入至预先训练的深度学习模型中进行特征提取，以得到多个检测框对应的特征提取结果；计算各所述特征提取结果的置信度；确定置信度最高的特征提取结果所对应的检测框为所述目标检测框；提取所述目标检测框内的特征提取结果。3.根据权利要求1所述的动态障碍物检测方法，其特征在于，根据所述特征提取结果构建约束方程，具体包括：基于所述特征提取结果，获取目标障碍物的视觉特征点；根据预存的立体匹配算法和所述视觉特征点，生成所述目标障碍物对应的视差图；基于所述视差图和预存的立体视觉算法，获取所述视觉特征点的三维信息和二维信息；根据所述视觉特征点的二维信息和三维信息分别构建约束方程。4.根据权利要求3所述的动态障碍物检测方法，其特征在于，根据所述特征提取结果构建约束条件，具体包括：利用双目视觉的内在约束条件基本矩阵，提取所述视觉特征点中的特征点对的二维信息之间的权重系数；根据所述权重系数，构建所述约束条件。5.根据权利要求4所述的动态障碍物检测方法，其特征在于，提取所述视觉特征点中的特征点对的二维信息之间的权重系数，具体包括：在双目视觉系统中，基本矩阵Q包括了全部参数，这表明Q与环境因素没有关系, 它是双目视觉系统的一种内在约束关系，由基本矩阵Q定义特征点对之间的距离，第i次迭代求解的第j个点的距离：其中，为第i次迭代求解的基本矩阵，,为第j个特征点对应的齐次坐标；为了使结果更加鲁棒，定义距离权重系数：
令为第i次迭代中所有点的距离数组，并计算的中值...

【专利技术属性】
技术研发人员：刘超，高扬，王超，何喜军，
申请(专利权)人：清驰济南智能科技有限公司，
类型：发明
国别省市：