[发明专利]无人驾驶车辆检测侧面落石发生的方法及装置

权利要求书

1.无人驾驶车辆检测侧面落石发生的方法，其特征在于，所述方法执行以下步骤：

步骤1：实时获取无人驾驶车辆行驶过程中的运行数据；所述运行数据包括：行驶速度和行驶角速度；同时录入无人驾驶车辆行驶过程中的道路宽度，以及无人驾驶车辆的车身宽度；

步骤2：基于运行数据、道路宽度和车身宽度，划定安全区和车身两侧的两个监测区；所述安全区为车辆前行过程中的安全区域；所述两个监测区分别为位于车身右侧的第一监测区和位于车身左侧的第二监测区；

步骤3：在无人驾驶车辆上设置至少两个图像获取装置，分别获取近景的第一监测区和第二监测区的图像信息；

步骤4：对近景的第一监测区和第二监测区的图像信息进行图像去噪，降低图像信息因环境因素和无人驾驶车辆不断行驶导致的噪声干扰；

步骤5：对近景的第一监测区和第二监测区的去噪后的图像信息识别，以判断是否出现落石，以及获取落石的大小和落石的下落速度；根据获取到的落石的大小和落石的下落速度，划定落石下落完成后的第一距离界限和第二距离界限；所述第一距离界限为落石下落完成后，至少会到达的界限位置；所述第二距离界限为落石下落完成后，至多会到达的界限位置；

步骤6：根据步骤5中划定的落石下落完成后的第一距离界限和第二距离界限，判断落石是否会到达安全区，若落石会到达安全区，则控制无人驾驶车辆的运行，以避免无人驾驶车辆和落石相撞。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：再额外设置两个图像获取装置，分别获取远景的第一监测区和第二监测区的图像信息；对远景的第一监测区和第二监测区的图像信息进行图像去噪，降低图像信息因环境因素和无人驾驶车辆不断行驶导致的噪声干扰；对远景第一监测区和第二监测区的去噪后的图像信息识别，以判断是否出现落石，以及获取落石的大小和落石的下落速度；根据获取到的落石的大小和落石的下落速度，划定落石下落完成后的第一距离界限和第二距离界限；所述第一距离界限为落石下落完成后，至少会到达的界限位置；所述第二距离界限为落石下落完成后，至多会到达的界限位置；根据划定的落石下落完成后的第一距离界限和第二距离界限，划定预期危险区和预期安全区，以控制无人驾驶车辆的行驶轨迹，从当前位置不断朝向预期安全区的位置行驶。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：在通过图像获取装置获取图像信息前，对所述图像获取装置进行相机标定。

4.如权利要求3所述的方法，其特征在于，在通过图像获取装置获取图像信息前，对所述图像获取装置进行相机标定包括：将预先配置的两标志物置于山体上，促使两标志物连线位于视场水平方向，并测定两标志物的实际距离；更换两标志物的实际位置，促使两标志物连线位于视场垂直方向，并测定两标志物的实际距离；根据上述水平方向上的实际距离和垂直方向上的实际距离，确定图像获取装置中，每像素所表示的实际长度，并根据该实际长度对图像获取装置进行相机标定。

5.如权利要求4所述的方法，其特征在于，对图像信息进行图像去噪的方法包括：首先对图像信息使用如下公式进行亮度校正：其中，为图像信息中，所有像素点的平均亮度值；x为图像信息的像素点的原亮度值；N为校正后的亮度值；基于亮度校正后的结果，已设定的阈值，将图像中的不同区域划分为高亮度图像部分和低亮度图像部分；生成第一神经网络模型，并利用所述第一神经网络模型对所述低亮度图像部分进行去噪处理，得到去噪后的低亮度图像区；将所述高亮度图像部分和所述去噪后的低亮度图像区构成训练图像数据库，并利用所述训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型；将图像信息作为所述第二神经网络模型的输入，经处理后得到对应的去噪后的图像。

6.如权利要求5所述的方法，其特征在于，对图像信息进行识别，以判断是否出现落石的方法包括：对所述图像信息进行差分处理和二值化分割处理，得到前置图像信息；基于训练好的判别器，将所述前置图像信息输入所述判别器，根据所述判别器的输出结果，判断所述前置图像信息是否属于包含落石的目标图像。