[发明专利]基于单目视觉与激光雷达融合的道路可行驶区域检测方法

说明书

本发明公开了一种基于单目视觉与激光雷达融合的道路可行驶区域检测方法，属于智能交通领域。现有的无人车道路检测方法主要是基于单目视觉、立体视觉、激光传感器和多传感器融合等的方法，存在对光照不鲁棒、三维匹配复杂、激光稀疏和整体融合效率低等缺点。一些有监督的方法虽然取得较好的精度，但训练过程复杂，泛化效果差。本发明提出的基于单目视觉与激光雷达融合的道路可行驶区域检测方法，使用超像素与点云数据融合，利用特征使机器自学习出道路区域，通过贝叶斯框架融合各个特征得到的道路信息以确定最终区域。本方法不需要强假设信息和复杂训练过程，泛化性和鲁棒性优越，速度极快，精度极高，在实际应用中更加易于推广和使用。

技术领域

本发明属于智能交通领域中的方法研究，涉及一种基于单目视觉与激光 雷达融合的道路可行驶区域检测方法。

背景技术

近年以来，道路检测一直是无人驾驶领域研究的重要内容。目前广泛采 用的道路检测方法有：单目视觉方法、立体视觉方法、激光雷达方法和基于 融合的方法。其中，单目视觉方法只考虑了场景的视觉信息，极易受光照条 件，天气状况影响；立体视觉的方法在三维重建上时间耗费巨大，不适用于 实际运用；激光雷达的方法存在点云数据稀疏的缺点。基于像素信息和深度 信息融合的道路检测方法既充分利用了来自照相机提供的关于场景的纹理、 颜色等信息，又结合激光雷达的深度信息弥补视觉信息对环境不鲁棒的缺点， 在算法效率上克服了非融合方法效率低，难以进行实时运算，难以实际运用 的问题，故基于融合的道路检测方法迅速发展起来为无人车道路检测的首选。 基于融合的道路检测方法是在单目视觉,激光雷达方法，传感器融合等基础 上发展起来的一种最佳的道路检测。从而在工程实际中,尤其在无人车驾驶中 得到了广泛的应用。

无人车道路检测还分为有监督方法与无监督方法。由于路面信息的多样 性、场景信息的复杂性和光照天气条件的多变性，无人车对于道路检测方法 的鲁棒性和泛化性能要求很高。故无监督的无人车道路检测方法也是无人驾 驶领域研究的重要内容。一方面，无监督的道路检测方法不需要大量的标记 数据和费时的训练过程，能够根据提取的特征自主地学习出道路信息，是一 种高泛化能力的方法。另一方面，现实世界的交通场景复杂多变，在不可能 为无人驾驶提供所有场景的训练样本的情况下，有监督的方法在遇到与训练 样本的场景相差较大的驾驶场景时危险性极大，而无监督的道路检测方法对 几乎所有场景鲁棒，适用于无人驾驶的实际应用。

发明内容

本发明的目的在于提供一种基于单目视觉与激光雷达融合的道路可行 驶区域检测方法。

为达到上述目的，本发明采用了以下技术方案。

首先，该融合的方法使用超像素与激光点云数据的融合，将点云数据按 照激光参数标定投影到超像素分割后的图片上，超像素方法充分利用了场景 的纹理特征，极大地缩小定位道路区域的范围，大大提升了算法效率；其次， 运用三角剖分寻找点的空间关系，根据得出的空间关系三角形建立无向图和 并计算每一点的法向量，根据无向图分类障碍点；然后，本方法采用基于最 小滤波的方法定义新的特征(ray)，并找到道路区域的初始备选区域，进一 步缩小道路区域的检测范围，极大提升算法效率；通过定义新的特征(level)从深度信息方面数值化各点的可行驶程度，有效地利用了深度信息。另外， 融合方法还利用一种无监督的融合方法，即基于自学习的贝叶斯框架，融合 各个特征(颜色特征，level特征，法向量特征，强度特征)学习到的备选道 路区域的概率信息，这种算法效率高，鲁棒性能强。

所述超像素与激光点云数据融合具体步骤如下：