[发明专利]障碍物识别方法、设备及存储介质

说明书

本申请提供一种障碍物识别方法、设备及存储介质，该方法通过对待处理双目图像进行深度估计，获得2D深度图，进而，将深度图转换为3D点云，即模仿激光雷达的伪雷达信号，再对该伪雷达信号进行障碍物聚类，并对聚类后前后帧中同一类障碍物进行关联，获得聚类后每一类障碍物的运动参数，其中，深度估计通过双目深度预测网络，使得回归的深度更加准确，而且，伪雷达信号相对于雷达信号，重建得到障碍物的点更加稠密，便于进行障碍物的聚类，另外，无需后处理算法进行像素平滑处理，处理过程简单，提高智能驾驶的安全性。

技术领域

本申请涉及车辆避障技术，尤其涉及一种障碍物识别方法、设备及存储介质。

背景技术

目前，智能驾驶(自动/无人驾驶)蓬勃发展，智能驾驶的应用越来越广泛，例如无人仓库中自主运货、地下停车场自主泊车等，智能驾驶所处的环境越来越复杂。

相关技术中，智能驾驶通常使用双目相机进行障碍物的识别，常用方案是利用双目相机获取双目图像，进而确定UV视差图，利用UV视差图进行障碍物识别。

然而，上述V视差和U视差结合的方案，对复杂场景的障碍物存在识别效果差的问题，并且需要额外的后处理算法进行像素平滑处理，处理过程复杂。

发明内容

为解决现有技术中存在的问题，本申请提供一种障碍物识别方法、设备及存储介质。

第一方面，本申请实施例提供一种障碍物识别方法，该方法包括如下步骤：

对待处理双目图像进行深度估计，获得2D深度图；

将所述2D深度图转换为3D点云；

对所述3D点云进行障碍物聚类，确定每一类障碍物，并对聚类后前后帧中同一类障碍物进行关联，获得所述每一类障碍物的运动参数。

在一种可能的实现方式中，所述对所述3D点云进行障碍物聚类，包括：

去除所述3D点云中的离群点；

对去除离群点后的3D点云进行障碍物聚类。

在一种可能的实现方式中，所述将所述2D深度图转换为3D点云，还包括：

对所述2D深度图进行边缘去除处理；

将去除边缘后的2D深度图转换为所述3D点云。

在一种可能的实现方式中，所述对所述2D深度图进行边缘去除处理，包括：

对所述2D深度图进行边缘检测；

若检测所述2D深度图的边缘不完整，则去除所述2D深度图的边缘上的孤立点和连续间断点；

将去除孤立点和连续间断点的边缘，向内外均匀膨胀预设数目个像素，获得所述2D深度图的边缘掩膜；

根据所述边缘掩膜，在所述2D深度图上进行边缘掩膜去除处理。

在一种可能的实现方式中，所述去除所述3D点云中的离群点，包括：

对所述3D点云中每个点的邻域进行统计分析，确定所述3D点云中每个点与其邻域中各个点之间的平均距离，其中，所述每个点的邻域中包括预设数目个点；

从所述每个点中确定所述平均距离在预设距离范围之外的点，所述预设距离范围根据所述平均距离的分布确定；

将确定的点作为所述离群点，去除所述3D点云中的所述离群点。

在一种可能的实现方式中，所述对待处理双目图像进行深度估计，获得2D深度图，包括：

将所述待处理双目图像输入预设卷积神经网络，所述预设卷积神经网络通过参考双目图像和所述参考双目图像对应的参考2D深度图训练得到；