[发明专利]可行驶区域检测方法和装置

说明书

本发明公开了可行驶区域检测方法和装置，涉及基于多传感器信息融合技术的点云数据滤波和可行驶区域检测技术领域。该方法的一具体实施方式包括：利用激光雷达得到3D点云数据；利用环视相机得到全景图像数据；对所述全景图像数据进行图像分割，以得到可行驶区域；利用所述激光雷达和所述环视相机的标定关系将所述3D点云数据投影到分割处理后的所述全景图像数据；判断投影到经所述图像分割步骤处理后的所述全景图像数据中的3D点云数据是否位于所述可行驶区域中，从而分别得到地面点云数据和非地面点云数据。

技术领域

本发明涉及车辆的自动驾驶领域，具体涉及点云数据滤波和可行驶区域检测方法，尤其涉及一种基于多传感器信息融合技术的点云数据滤波和可行驶区域检测方法和装置。

背景技术

近年来，已有利用图像分割算法得到车道线及可行驶区域的技术方案。此外，也有利用激光雷达获得的点云来进行可行驶区域分割的基于深度学习的算法。

但是，以上的技术方案只局限在图像空间中，缺乏有效算法预测在真实3D空间中的可行驶区域，而真实3D空间的预测结果对于无人驾驶才是真正有意义的。再有，以上的算法公开数据集极少，且一般是针对64线激光雷达的标注数据，而实际应用的激光雷达线数有单线、 16线、32线以及40线等，因此很难利用公开数据集训练其他型号激光雷达所采集的数据。此外，自己标注可行驶区域的数据存在流程繁琐、价格昂贵的问题，因此仅利用激光雷达点云数据，基于深度学习的方法进行可行驶区域的预测是昂贵且不易操作的。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：对于基于多传感器信息融合技术的点云数据滤波和可行驶区域检测方法需要进一步改善和提高。

发明内容

有鉴于此，本发明实施例提供一种方法，本方法结合了图片分割公开数据集数据充裕，方法成熟的优势，通过相机和激光雷达的标定，将局限于图像的预测结果映射到真实的3D空间。此外，本发明能够将激光雷达点云数据和环视相机全景图像数据相融合，并解决可行驶区域分割和点云地面滤波多个任务。

为实现上述目的，根据本发明实施例的一个方面，提供了一种可行驶区域检测方法，其特征在于，包括：利用激光雷达得到3D点云数据；利用环视相机得到全景图像数据；对所述全景图像数据进行图像分割，以得到可行驶区域；利用所述激光雷达和所述环视相机的标定关系将所述3D点云数据投影到分割处理后的所述全景图像数据；判断投影到经所述图像分割步骤处理后的所述全景图像数据中的3D点云数据是否位于所述可行驶区域中，从而分别得到地面点云数据和非地面点云数据。

优选地，在可行驶区域检测方法中，其特征在于，所述标定关系包括内参标定和外参标定，所述内参标定是所述环视相机的内参标定且表示所述环视相机的坐标系到图像像素坐标系的变换矩阵，所述外参标定包括所述环视相机的外参标定和所述激光雷达的外参标定，所述环视相机的外参标定表示世界坐标系到所述环视相机的坐标系的变换矩阵，所述激光雷达的外参标定表示世界坐标系到所述激光雷达的坐标系的变换矩阵。

优选地，在可行驶区域检测方法中，其特征在于，所述激光雷达的数量是一个，所述环视相机的数量是多个。

优选地，在可行驶区域检测方法中，其特征在于，所述分割的步骤为：先对所述全景图像数据进行逐像素分割，将属于地面的像素点分割出来。

优选地，在可行驶区域检测方法中，其特征在于，所述投影步骤包括：通过所述激光雷达和所述环视相机之间的标定关系以及所述环视相机的内参标定而将所述激光雷达的所述3D点云数据投影到所述相机像素的坐标系下，所述激光雷达和所述环视相机之间的标定关系能够利用上述环视相机的外参标定和所述激光雷达的外参标定而计算得出。

优选地，在可行驶区域检测方法中，其特征在于，还包括将所述地面点云数据用于点云滤波以进行去除的步骤。

优选地，在可行驶区域检测方法中，其特征在于，所述地面点云数据与所述全景图像数据上的可行驶区域有对应关系且能够从所述全景图像数据上的可行驶区域获取。