[发明专利]一种目标车辆的检测方法、系统及装置

说明书

本发明公开了一种目标车辆的检测方法、系统及装置，其中所述方法包括：针对当前车辆采集到的包含目标车辆的图像数据进行语义分割，并根据语义分割结果拟合所述目标车辆的立体模型；将所述立体模型投影为平面模型，并根据所述平面模型中的平面拟合参数和所述语义分割结果中的外轮廓点集，构建误差函数；其中，所述平面拟合参数根据所述目标车辆的初始位姿确定；修正所述初始位姿，以对所述误差函数进行迭代优化，在迭代优化后的误差函数满足指定条件的情况下，确定所述目标车辆修正后的位姿，并基于所述修正后的位姿确定所述目标车辆相对于所述当前车辆的相对位姿。本发明提供的技术方案，能够减少目标车辆检测过程中所投入的成本。

技术领域

本发明涉及图像处理技术领域，具体涉及一种目标车辆的检测方法、系统及装置。

背景技术

自动驾驶技术由于其便利性，目前成为热门的研究方向之一。对车辆运行环境的实时感知与定位是自动驾驶系统实施决策和控制的基础。环境感知主要包括三个方面，路面、静态物体和动态物体，其中动静态车辆的检测是自动驾驶感知过程的核心问题之一，与自动驾驶的避障绕行等功能的实现尤为相关。精确且稳定的车辆检测是一项极具挑战性的技术，该技术已受到学术界和工业界的重点关注。

为满足实时性与可靠性要求，自动驾驶车辆通常配备有视觉相机、惯性测量单元（Inertial Measurement Unit，IMU）、激光雷达和轮速计等多种传感器。其中，相机能够感知的外界信息最为丰富，如车辆周边景物的色彩、结构、纹理以及一些语义信息（如：道路、行人、交通标识等），因此视觉相机是自动驾驶车辆通常的基本配置。在自动驾驶技术的环境感知功能模块中，车辆检测是感知过程的核心问题之一。该经典的目标检测问题通常可被分为2D车辆目标检测和3D车辆目标检测两类。2D车辆目标检测需要识别出基于相机获得的二维图像上存在的车辆，并将车辆的位置通过最小包围框（Bounding box）的方式给出。目前学术界和工业界常用的多种目标检测框架如FasterRCNN、YOLO等已经可以较好地处理一般的目标检测问题，给出精度较高的检测结果。但是应用于自动驾驶技术中时，车辆检测局限在二维图像空间中，无法有效估计车辆在现实三维空间中的位置和姿态等信息。

3D检测通常基于相机获得的二维图像或激光雷达获得的三维点云。相较于2D目标检测，3D检测可以获取物体在三维空间中的位置和类别信息。其中激光雷达获得的三维点云数据相较于二维图像数据，具有更加丰富的几何信息，检测结果更加精确稳定，因此基于激光雷达的3D目标检测技术相较基于视觉的解决方案更具优势，涌现了很多经典算法，例如PointNet、VoxelNet、PointRCNN等。但由于激光雷达目前成本较高，目前很难广泛普及在乘用车终端上，而视觉相机凭借便宜的特点，有着其他传感器无法替代的优越性。

发明内容

有鉴于此，本发明实施方式提供了一种目标车辆的检测方法、系统及装置，能够减少目标车辆检测过程中所投入的成本。

本发明提供了一种目标车辆的检测方法，所述方法包括：针对当前车辆采集到的包含目标车辆的图像数据进行语义分割，并根据语义分割结果拟合所述目标车辆的立体模型；将所述立体模型投影为平面模型，并根据所述平面模型中的平面拟合参数和所述语义分割结果中的外轮廓点集，构建误差函数；其中，所述平面拟合参数根据所述目标车辆的初始位姿确定；修正所述初始位姿，以对所述误差函数进行迭代优化，在迭代优化后的误差函数满足指定条件的情况下，确定所述目标车辆修正后的位姿，并基于所述修正后的位姿确定所述目标车辆相对于所述当前车辆的相对位姿。

在一个实施方式中，根据语义分割结果拟合所述目标车辆的立体模型包括：从语义分割结果中识别所述目标车辆的尺寸信息，并根据所述尺寸信息，构建立体拟合参数；通过所述立体拟合参数生成所述目标车辆的椭球模型，并将所述椭球模型作为所述目标车辆的立体模型。