[发明专利]可行驶区域检测及智能驾驶控制方法、装置和系统

说明书

本发明实施例提供一种可行驶区域检测及智能驾驶控制方法、装置和系统。该可行驶区域检测方法，包括：将采集的路面图像输入至神经网络，以经神经网络处理得到路面图像的可行驶区域概率图，神经网络为包括有可行驶区域标注信息的训练图像集预先训练而得，可行驶区域概率图用于表征路面图像中的像素点属于可行驶区域的概率；确定可行驶区域概率图中概率大于等于设定阈值的多个像素点；根据多个像素点确定路面图像的可行驶区域。通过利用神经网络为解决方案，使得可行驶区域检测更加准确，能够对不同场景、不同天气都有较好的鲁棒性，且时间和效果有比较好的平衡。

技术领域

本发明涉及计算机视觉技术，尤其涉及一种可行驶区域检测及智能驾驶控制方法、装置和系统。

背景技术

可行驶区域(FreeSpace)检测技术是辅助驾驶系统和自动驾驶系统的关键技术，基于视觉的可行驶区域检测系统由于信息丰富，成本低廉等优势成为科研人员的研究重点。

目前的可行驶区域检测技术主要是基于模式识别和相机几何，即对图像中的主要特征，包括颜色、纹理、形状模型、消失点等，进行识别，从而检测出可行驶区域。

发明内容

本发明实施例提供一种可行驶区域检测及智能驾驶控制方法、装置和系统。

第一方面，本发明实施例提供一种可行驶区域检测方法，包括：

将采集的路面图像输入至神经网络，以经所述神经网络处理得到所述路面图像的可行驶区域概率图，所述神经网络为包括有可行驶区域标注信息的训练图像集预先训练而得，所述可行驶区域概率图用于表征所述路面图像中的像素点属于可行驶区域的概率；

确定所述可行驶区域概率图中概率大于等于设定阈值的多个像素点；

根据所述多个像素点确定所述路面图像的可行驶区域。

在第一方面的一种可行的实施方式中，所述将采集的路面图像输入至神经网络，以经所述神经网络处理得到所述路面图像的可行驶区域概率图，包括：

通过所述神经网络的至少一个卷积层提取所述路面图像的低层特征信息；

通过所述神经网络的至少一个残差网络单元基于所述低层特征信息提取所述路面图像的高层特征信息；

通过所述神经网络的至少一个上采样层对所述高层特征信息进行上采样处理，得到与所述路面图像等大的可行驶区域概率图。

在第一方面的一种可行的实施方式中，所述至少一个卷积层包括连接的N个卷积层，所述至少一个残差网络单元包括连接的M个残差网络单元，所述至少一个上采样层包括连接的L个上采样层，其中，N、M、L为整数，N的取值范围为[6,10]，M的取值范围为[7,12]，L的取值范围为[1,4]。

在第一方面的一种可行的实施方式中，所述图像集包括：在白天场景、雨天场景、雾天场景、直道场景、弯道场景、隧道场景、强光照场景以及夜晚场景中的至少两个场景下采集的图像。

在第一方面的一种可行的实施方式中，所述神经网络的训练方法，包括：

将所述训练图像集中的训练图像输入至所述神经网络，以经所述神经网络处理得到所述训练图像的预测可行驶区域概率图；

获取所述训练图像的预测可行驶区域概率图与所述训练图像的可行驶区域真值图之间的损失，其中，所述可行驶区域真值图基于所述训练图像的可行驶区域的标注信息而得；

根据所述损失调整所述神经网络的网络参数。

在第一方面的一种可行的实施方式中，所述将所述训练图像集中的训练图像输入至所述神经网络之前，所述可行驶区域检测方法还包括：

在白天场景、雨天场景、雾天场景、直道场景、弯道场景、隧道场景、强光照场景以及夜晚场景中的至少两个场景下采集图像；