[发明专利]无人驾驶清扫车的路沿识别方法、装置、设备及存储介质

权利要求书

1.一种无人驾驶清扫车的路沿识别方法，其特征在于，所述方法包括：

采集路沿的待检测图像，并将所述待检测图像输入至预训练的道路可行区域分割模型当中，以获取所述待检测图像对应的道路可行区域的掩膜图像；

将所述掩膜图像输入至路沿拟合后处理算法当中，以获取用于拟合路沿曲线的初始点集，并完成路沿曲线的拟合；

将得到的所述拟合路沿曲线进行离散化，以获取拟合后的路沿点集，并将路沿点集通过外参标定信息映射至车体坐标系供无人驾驶清扫车的规控模块使用。

2.根据权利要求1所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述道路可行区域分割模型的训练过程包括：

采集所述无人驾驶清扫车的工作路段的图像以构建所述道路可行区域分割模型的训练集以及验证集；

基于深度学习技术构建语义分割算法，根据所述训练集以及验证集利用所述语义分割算法训练所述道路可行区域分割模型；

根据预设评估指标在所述训练过程保存的所有模型权重中挑选最优的目标模型权重，以确定最终用于道路可行区域识别的分割模型。

3.根据权利要求1所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述路沿曲线的拟合后处理算法具体包含以下步骤：

针对所述掩膜图像进行连通域分析，过滤掉像素面积小于给定阈值的连通域，并保留面积最大的若干连通域，作为道路可行区域；

沿着所述掩膜图像的高度方向从上至下搜索，获取路沿在所有宽度索引的位置的图像点集，并将所述图像点集的坐标映射回所述待检测图像的原图坐标系，作为初始点集；

采用距离加权的平滑算法对所述初始点集进行平滑处理，并将平滑后的初始点集输入基于局部窗的估计方法并计算每个局部区间的估计点集；

通过统计区间内的初始点集的分布信息来过滤掉异常的局部估计点集，将所述局部区间的估计点集划分为3个类别，即异常点集、疑似点集和正常点集；

将所述正常点集用作候选点集，所述正常点集和所述疑似点集的并集用作判断内外点的点集，即判断点集，并将所述候选点集、判断点集输入至考虑外点误差的RANSAC拟合算法，以获取路沿曲线。

4.根据权利要求3所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述距离加权的平滑算法计算公式如下：

，

其中，为初始点集中索引值i对应的横坐标值，r为局部平滑窗的半径，和分别为索引值i对应的平滑窗内j位置的横坐标和纵坐标值，为平滑后索引值i对应的纵坐标值，N为输入点集的数量。

5.根据权利要求3所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述基于局部窗的估计方法计算公式如下：

，

其中，和为经过平滑后点集中索引i的横纵坐标，W为原始图像的宽度，w为局部窗的宽度,“[ ]”表示向下取整操作，为估计后得到的第n个局部窗的估计点。

6.根据权利要求3所述的无人驾驶清扫车的路沿识别方法，其特征在于，所述考虑外点误差的RANSAC拟合算法步骤如下所述:

计算输入所述候选点集的纵坐标的最大差值并设定第一阈值，当该差值小于所述第一阈值时，采用1阶多项式拟合；当该差值大于所述第一阈值时，分别进行1阶、3阶、5阶多项式拟合；

设置每个阶次的迭代次数为K次，并设置内点误差阈值，设置每个阶次迭代的提前终止条件为内点数量占所述判断点集的比例；

逐阶次进行迭代，记当前迭代的曲线阶次为o；单次迭代内，从候选点集中随机选取o+1个点计算多项式的解析解；

通过解析解计算所述判断点集内各个点的纵坐标的拟合数值，与其实际的观测值进行比较，计算两者差值；若所述差值小于所述内点误差阈值，则记该点为内点，否则记为外点；记录内点数量，并累计外点的差值。