CN110889362B - 一种利用栅格地图高度信息的障碍物检测方法 - Google Patents
一种利用栅格地图高度信息的障碍物检测方法 Download PDFInfo
- Publication number
- CN110889362B CN110889362B CN201911145361.4A CN201911145361A CN110889362B CN 110889362 B CN110889362 B CN 110889362B CN 201911145361 A CN201911145361 A CN 201911145361A CN 110889362 B CN110889362 B CN 110889362B
- Authority
- CN
- China
- Prior art keywords
- map
- bounding boxes
- grid
- grids
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种利用栅格地图高度信息的障碍物检测方法,属于图像处理和计算机视觉领域。利用GPU构建高性能运算平台,并构建高性能求解算法以获得地图中障碍物细心。***容易构建,程序简单,易于实现;利用两次聚合算法将空间中相近的虚拟点分为一类;结合严谨筛选合并过程完成障碍物的选择。
Description
技术领域
本发明属于图像处理和计算机视觉领域。在使用测距传感器生成场景的栅格地图后,利用栅格地图中的高度信息使用两次聚合在其中获取障碍物的信息。
背景技术
近年伴随着人工智能的发展移动机器人和汽车自动驾驶越来越受到人们的关注,而其中一个需要解决主要的问题就是障碍物检测。栅格地图是在无人导航中最为常见的一种地图,因而如何利用栅格地图完成障碍物检测也就成为一个十分重要的问题。利用栅格地图的障碍物检测方法主要利用贝叶斯推断算法和证据理论框架中的经典Dempster组合规则,这样方法普遍使用于概率栅格地图。但是概率栅格地图是一种二维地图,在检测时只考虑了平面信息,忽略了障碍物高度对导航的影响。在众多栅格地图表示中一种栅格地图称为高程图,在这种栅格地图中还保存了障碍物的高度信息,如果仍然使用之前的方法则会失去保存高度信息的意义。本发明提出一种方法将高程图的信息恢复到三维空间中,然后在三维空间中完成障碍物检测。这种检测方法不仅考虑到平面信息还考虑到空间信息使得障碍物检测的准确率有所提升。
发明内容
本发明提供了一种利用栅格地图高度信息的障碍物检测方法。栅格地图是对空间的一种表示,在空间中某一平面上表示当前场景信息。为了说明具体算法在本发明中有如下设定,设存在空间直角坐标系XYZ,X轴水平向右,Y轴竖直向上,Z轴向前,设栅格地图建立在XOZ平面上。H表示栅格地图中的高程图。
本发明的具体技术方案的步骤如下:
1)恢复三维边界
H图中含有栅格的高度信息,即Y坐标。根据栅格所在的位置可以计算出栅格X和Z坐标。根据H图可以恢复出所有的栅格最高点,算法中称之为虚拟点。虚拟点描述的是场景中上边界情况。如果栅格中不含有任何信息或Y坐标小于hmin则不恢复;
2)虚拟点聚类
2-1)选取初始值
采用任一算法对虚拟点聚类,如KMeans。KMeans的初值选取采用空间划分的形式,具体有以下两种方法:一是对全局的栅格地图使用滑动窗口进行采样,如果滑动窗口的中存在虚拟点的栅格数量Nw大于Nmin,则选取距滑窗的中心最近的栅格的虚拟点为备选初值,然后将相距d1以内的备选初值设为同一类,取备选初值的均值或中值为中心,当选取K个中心后停止;二是对局部栅格地图进行初值选取,将当前视场角划分为f份,f是不为零的整数,在一份中进行第一种情况的计算,当选取了K个中心后停止;
2-2)聚类并提取包围框
选取了K的初值之后,对全部的虚拟点进行聚类,在聚类过程中如果某一值到任意聚类中心的距离都超过dmax,则将其剔除。聚类完成之后提取每个类别的包围框;
2-3)合并类别
聚类的质量和速度依赖K值和初值的选取,为了避免过度分类需要进行类别合并。如果两个类别的中心距离小于d2则将两个类别合并,如果两个类别的包围框存在重叠区域则将两个类别合并,如果两个类别的包围框在X和Z的方向上有一个的距离小于d3且Y方向的距离小于d4则将两个类别合并;
2-4)修正包围框
合并之后会出现包围框重叠或者包围框分离两种情况;当包围框重叠时,遍历包围框在剔除重叠区域;当包围框分离时,检查空区域的周围的包围框,如果将其并入一个包围框中该包围框在X和Z方向的增长之和不超过T则并入,否则在空区域新建一个包围框。所述包围框即障碍物信息。
算法中hmin、dmax、d1、d2、d3、d4和T为人工设定的阈值。
本发明的有益效果是:
本发明设计了一种利用栅格地图高度信息的障碍物检测的方法。使用两次聚合算法将空间中相近的虚拟点分为一类,最后结合严谨筛选合并过程完成障碍物的选择。具有以下特点:
1、程序简单,易于实现;
2、算法效率高,实时性强。
附图说明
图1是算法总体流程。
图2是聚类推断的详细流程。
图3是输入的栅格地图。
图4是检测结果,(a)为聚类结果,(b)为合并结果。
具体实施方式
本发明提出了一种利用栅格地图高度信息的障碍物检测的方法,结合附图及实施例详细说明如下:
总体流程如图1,本发明的算法以栅格地图中高程图作为输入,经两次聚合推断之后得到检测结果并输出。
为了说明具体算法在本发明中有如下设定,设存在空间直角坐标系XYZ,X轴水平向右,Y轴竖直向上,Z轴向前,设栅格地图建立在XOZ平面上,并且XOZ反应当前的水平面。H表示栅格地图中的高程图,如图3。在此基础上描述栅格地图的障碍物检测方法,具体算法流程如图2,包括下列步骤:
1)提取虚拟点,恢复三维边界
H图是算法的输入,在H图中含有栅格的高度信息,即Y坐标。根据栅格所在的位置可以计算出栅格在X和Z坐标。因此可以恢复出的栅格最高点,在算法中称之为虚拟点。虚拟点描述的是场景中上边界情况。如果栅格中不含有任何信息或Y坐标小于hmin则不恢复;
2)虚拟点聚类
2-1)根据H图形式选取初始值
如果输入的H图是全局栅格地图,则使用滑动窗口W对H图进行采样,该窗口的大小为a×b,如果滑动窗口的中存在虚拟点的栅格数量Nw大于Nmin则选取滑窗的中心Ci为备选初值;
如果输入的H图是局部栅格地图。首先将当前视场角划分为f份,f是不为零的整数,然后在每一份中进行第一种情况的计算备选初值;
2-2)合并初值
2-3)聚类并提取包围框
选取了K的初值之后,对全部的虚拟点进行聚类,在聚类过程中如果某一值到任意聚类中心的距离都超过dmax,则将其剔除。聚类完成之后提取每个类别的包围框,包围框由6个值进行描述分别为聚类中心Ck,最大Y坐标Ymax,X方向的最大最小栅格序号Xmax,Xmin,Z方向最大最小栅格序号Zmax,Zmin,将包围框可视化在XOZ平面上如图4a;
2-4)合并类别
为了避免过度分类,需要进行类别合并,具体有如下三种情况:
1.如果两个类别的中心Ci和Cj距离小于d2则将两个类别合并;
2.如果两个类别的包围框存在重叠区域则将两个类别合并;
3.如果两个类别的包围框在X和Z的方向上有一个的距离小于d3且Y方向的距离小于d4则将两个类别合并;
2-5)修正包围框
合并之后会出现包围框重叠或者包围框分离两种情况;当包围框重叠时,遍历包围框在剔除重叠区域;当包围框分离时,检查空区域的周围的包围框,如果将其并入一个包围框中该包围框在X和Z方向的增长之和不超过T则并入,否则在空区域新建一个包围框,如图4b。
算法中hmin、dmax、d1、d2、d3、d4和T为人工设定的阈值。
Claims (1)
1.一种利用栅格地图高度信息的障碍物检测方法,其特征在于,包括以下步骤:
1)提取虚拟点,恢复三维边界
H图中含有栅格的高度信息,即Y坐标,根据栅格所在的位置计算出栅格在X和Z轴上的坐标,恢复出栅格中的虚拟点;如果栅格中不含有任何信息或Y坐标小于hmin则不恢复;其中,H表示栅格地图中的高程图;
2)虚拟点聚类
2-1)根据H图形式选取初始值
第一种方案:如果输入的H图是全局栅格地图,则使用滑动窗口W对H图进行采样,该窗口的大小为a×b个栅格,如果滑动窗口中存在虚拟点的栅格数量Nw大于Nmin则选取滑窗的中心Ci为备选初值;
第二种方案:如果输入的H图是局部栅格地图;首先将当前视场角划分为f份,f是不为零的整数,然后在每一份中进行第一种方案的计算备选初值;
2-2)合并初值
2-3)聚类并提取包围框
选取了K的初值之后,对全部的虚拟点进行聚类,在聚类过程中如果一值到任意聚类中心的距离都超过dmax,则将其剔除;聚类完成之后提取每个类别的包围框,包围框由6个值进行描述分别为聚类中心、最大Y坐标Ymax、X方向的最大、最小栅格序号Xmax、Xmin,Z方向最大、最小栅格序号Zmax、Zmin;
2-4)合并类别
当具有如下三种情况之一时合并:
第一种情况,如果两个类别的中心和距离小于d2则将两个类别合并;
第二种情况,如果两个类别的包围框存在重叠区域则将两个类别合并;
第三种情况,如果两个类别的包围框在X和Z的方向上有一个的距离小于d3且Y方向的距离小于d4则将两个类别合并;
2-5)修正包围框
合并之后会出现包围框重叠或者包围框分离两种情况;当包围框重叠时,遍历包围框在剔除重叠区域;当包围框分离时,检查空区域的周围的包围框,如果将其并入一个包围框中该包围框在X和Z方向的增长之和不超过T则并入,否则在空区域新建一个包围框;
方法中hmin、dmax、d1、d2、d3、d4和T为人工设定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145361.4A CN110889362B (zh) | 2019-11-21 | 2019-11-21 | 一种利用栅格地图高度信息的障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145361.4A CN110889362B (zh) | 2019-11-21 | 2019-11-21 | 一种利用栅格地图高度信息的障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889362A CN110889362A (zh) | 2020-03-17 |
CN110889362B true CN110889362B (zh) | 2022-12-20 |
Family
ID=69748146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911145361.4A Active CN110889362B (zh) | 2019-11-21 | 2019-11-21 | 一种利用栅格地图高度信息的障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889362B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113448340B (zh) * | 2020-03-27 | 2022-12-16 | 北京三快在线科技有限公司 | 一种无人机的路径规划方法、装置、无人机及存储介质 |
CN114577233B (zh) * | 2022-05-05 | 2022-07-29 | 腾讯科技(深圳)有限公司 | 一种车辆导航方法、装置及计算机设备、存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881615B (zh) * | 2010-05-28 | 2012-07-11 | 清华大学 | 用于驾驶安全的视觉障碍物检测方法 |
DE102013200387A1 (de) * | 2013-01-14 | 2014-07-17 | Robert Bosch Gmbh | Erstellung einer Hinderniskarte |
CN106918819B (zh) * | 2017-03-28 | 2019-12-03 | 奇瑞汽车股份有限公司 | 一种激光雷达点云数据障碍检测算法 |
CN107064955A (zh) * | 2017-04-19 | 2017-08-18 | 北京汽车集团有限公司 | 障碍物聚类方法及装置 |
CN109031346A (zh) * | 2018-07-09 | 2018-12-18 | 江苏大学 | 一种基于3d激光雷达的周边泊车位辅助检测方法 |
CN110208819A (zh) * | 2019-05-14 | 2019-09-06 | 江苏大学 | 一种多个障碍物三维激光雷达数据的处理方法 |
-
2019
- 2019-11-21 CN CN201911145361.4A patent/CN110889362B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110889362A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909671B (zh) | 一种融合概率和高度信息的栅格地图障碍物检测方法 | |
Yu et al. | Vehicle detection and localization on bird's eye view elevation images using convolutional neural network | |
US20220262100A1 (en) | Structure annotation | |
JP2021523443A (ja) | Lidarデータと画像データの関連付け | |
Simonelli et al. | Disentangling monocular 3d object detection: From single to multi-class recognition | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
Ding et al. | Vehicle pose and shape estimation through multiple monocular vision | |
CN110889362B (zh) | 一种利用栅格地图高度信息的障碍物检测方法 | |
US20230121534A1 (en) | Method and electronic device for 3d object detection using neural networks | |
CN111753739B (zh) | 物体检测方法、装置、设备以及存储介质 | |
WO2021056516A1 (zh) | 目标检测方法、设备及可移动平台 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
Joo et al. | Real‐Time Depth‐Based Hand Detection and Tracking | |
CN113269689A (zh) | 一种基于法向量和高斯权重约束的深度图像补全方法及*** | |
CN114387462A (zh) | 一种基于双目相机的动态环境感知方法 | |
CN115359453A (zh) | 一种基于三维点云的路面障碍物检测方法及*** | |
Yan et al. | RH-Map: Online Map Construction Framework of Dynamic Object Removal Based on 3D Region-wise Hash Map Structure | |
WO2021131990A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN113111787A (zh) | 目标检测方法、装置、设备以及存储介质 | |
Vatavu et al. | Modeling and tracking of dynamic obstacles for logistic plants using omnidirectional stereo vision | |
Zhang et al. | Two-stage obstacle detection based on stereo vision in unstructured environment | |
Grotz et al. | Graph-based visual semantic perception for humanoid robots | |
Dubey et al. | Droan-disparity-space representation for obstacle avoidance: Enabling wire mapping & avoidance | |
CN115307622A (zh) | 在动态环境下基于深度学习的自主建图方法和*** | |
Lim et al. | Integration of Vehicle Detection and Distance Estimation using Stereo Vision for Real-Time AEB System. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |