CN113200052B - 一种用于无人驾驶的路况智能识别方法 - Google Patents
一种用于无人驾驶的路况智能识别方法 Download PDFInfo
- Publication number
- CN113200052B CN113200052B CN202110491435.0A CN202110491435A CN113200052B CN 113200052 B CN113200052 B CN 113200052B CN 202110491435 A CN202110491435 A CN 202110491435A CN 113200052 B CN113200052 B CN 113200052B
- Authority
- CN
- China
- Prior art keywords
- lane
- road
- road image
- image
- result
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于无人驾驶的路况智能识别方法,属于无人驾驶技术领域,所述方法包括:将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像;对所述色彩分离后的道路图像进行智能识别,获得路况识别结果;基于所述路况识别结果,控制无人驾驶车辆行驶。本发明所述的方法能较为准确地识别凹凸不平的道路,且能较好地分辨泥泞道路中的泥泞部分,可以得到更加准确的道路环境识别结果,并基于道路环境识别结果更佳恰当地选择自动驾驶模式,实现了无人驾驶车辆在复杂路况下的精确控制,提高对较差路况的识别准确率和无人驾驶控制准确率。
Description
技术领域
本发明属于无人驾驶技术领域,具体涉及一种用于无人驾驶的路况智能识别方法。
背景技术
自无人车诞生以来,对周围环境的感知作为无人驾驶领域非常重要的研究内容吸引了众多学者和科研机构的目光,但目前仍然是一个难度很大的课题,车辆行驶道路上的障碍物检测是周围环境感知技术领域中的重要组成部分。
近年来,国内外在ITS(智能交通***)研究领域中,针对车辆行驶路径上的障碍物检测方法,提出了许多算法和实施手段,其中有基于图像的检测方法,该方法主要包括:
(1)基于先验知识的障碍物检测:该方法是通过对图像进行预处理,再与已有的先验知识进行对比,得出结论,故具有精度低,适用面窄的弊端。
(2)基于立体视觉的障碍物检测:该方法包括双目立体视觉与三目立体视觉,由于其需要多台摄像机,成本比较高,而且算法复杂,不易计算。
而且现有无人驾驶技术,针对路况不好的情况,特别是在道路路况不平坦、泥泞等路况下,尚没有较有效的道路识别和检测方法,导致目前的无人驾驶技术在路况不好的情况下的驾驶控制效果较差。
发明内容
本发明的主要目的在于提供一种用于无人驾驶的路况智能识别方法,将获取的道路图像信息进行色彩通道分离,得到每个色彩空间下的道路图像,基于不同的色彩空间下的道路图像进行车道识别、车道层级划分和车道障碍物识别,有效针对不平坦道路、泥泞道路的无人驾驶进行控制,提高对较差路况的识别准确率和驾驶控制准确率。
为达到上述目的,本发明公开了一种用于无人驾驶的路况智能识别方法,包括:
步骤S1:将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像;
步骤S2:对所述色彩分离后的道路图像进行智能识别,获得路况识别结果;
步骤S3:基于所述路况识别结果,控制无人驾驶车辆行驶。
进一步地,所述色彩分离后的道路图像,包括:红色通道道路图像、绿色通道道路图像和蓝色通道道路图像。
进一步地,所述将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像,包括:
采集无人驾驶车辆行驶过程中的道路图像信息;对所述道路图像信息进行金字塔下采样处理,得到所述道路图像信息对应的三层样本图像特征,所述三层样本图像特征分别对应预设的三个通道;所述三层样本图像特征按照所述预设的三个通道的先后顺序进行排序;将所述三层样本图像特征的所述三个通道对应的三个图像通道值进行转换,分别获得红色通道道路图像、绿色通道道路图像和蓝色通道道路图像。
进一步地,所述对所述色彩分离后的道路图像进行智能识别,获得路况识别结果,包括:
基于所述红色通道道路图像进行车道识别,获得车道识别结果;
基于所述绿色通道道路图像进行车道层级划分,获得车道层级划分结果;
基于所述蓝色通道道路图像进行车道障碍物识别,获得车道障碍物识别结果。
进一步地,所述基于所述红色通道道路图像进行车道识别,获得车道识别结果,包括:
检测所述红色通道道路图像的道路边缘点,利用检测到的所述道路边缘点拟合出道路边界模型;根据所述道路边界模型调整红色通道道路图像的特征区域,提取调整后的特征区域中的亮度特征灰度图,检测所述亮度特征灰度图的车道线像素点,利用所述车道线像素点构建车道,完成车道识别,获得车道识别结果。
进一步地,所述基于所述绿色通道道路图像进行车道层级划分,获得车道层级划分结果,包括:
分别提取所述绿色通道道路图像的直方图特征、方差曲线特征与旋转及对称不变特征;将所述直方图特征与所述方差曲线特征作为层级特征,将所述旋转及对称不变特征作为纹理特征,输入到地形识别分类器,通过所述地形识别分类器得到地形分类结果;基于所述地形分类结果获得车道层级划分结果。
进一步地,所述提取所述绿色通道道路图像的方差曲线特征,包括:
使用如下公式,分别得到所述绿色通道道路图像的方差曲线特征P、P'、F和F':
其中,P表示所述方差曲线特征的地形样本灰度均值统计分布;hK表示灰度等级K下的地形样本灰度值;rK表示灰度等级K下的地形样本灰度均值;Size表示本地形类型下的样本数量;P′表示方差曲线特征的地形样本灰度平均占有率统计分布;F表示方差曲线特征的灰度方差统计分布;bK表示灰度等级K下的地形样本灰度方差;F′表示归一化后的方差曲线特征的灰度方差;Col表示绿色通道道路图像的宽;Row表示绿色通道道路图像的高。
进一步地,所述基于所述蓝色通道道路图像进行车道障碍物识别,获得车道障碍物识别结果,包括:
以车体为原点,建立固结于所述车体的实际坐标系;
构建所述蓝色通道道路图像的网格坐标系,将获取的多个网格坐标系数据转换到路面平整时的实际坐标系下;
对规则障碍物及不规则障碍物进行长度、高度和宽度的估计,包括:通过计算机对障碍物上待测点的网格坐标进行识别;对比于无障碍物时图像上相同像素点的网格坐标,利用几何关系得到所述待测点三维坐标的估计值;
基于所述待测点三维坐标的估计值,获得车道障碍物识别结果。
进一步地,所述基于所述路况识别结果,控制无人驾驶车辆行驶,包括:
基于所述车道识别结果、车道层级划分结果和车道障碍物识别结果,控制无人驾驶车辆行驶。
进一步地,所述基于所述车道识别结果、车道层级划分结果和车道障碍物识别结果,控制无人驾驶车辆行驶,包括:
步骤S3.1:基于预设的控制模型和所述车道识别结果、车道层级划分结果和车道障碍物识别结果,使用如下公式得到当前无人驾驶车辆的运行模式数值L:
L=LS+λLC+exp(1+LD)
其中,LS为车道层级划分结果;LC为车道识别结果;LD为车道障碍物识别结果;λ为调整系数;
基于所述运行模式数值与车辆运行模式的对应规则,得到当前无人驾驶车辆的运行模式;
步骤S3.2:基于所述当前无人驾驶车辆的运行模式,按照预设的对应的车辆自动驾驶模式,控制无人驾驶车辆的行驶。
本发明有益效果如下:
1.本发明在进行道路图像处理前,首先将采集到的道路图像信息进行通道分离,分别得到红色通道道路图像、绿色通道道路图像和蓝色通道道路图像。由于每个通道下的图像的像素特征和图像特征均有差异,因此分别针对各个通道图像进行不同的图像处理,可以得到更加准确的道路环境识别结果,有效针对不平坦道路、泥泞道路进行识别,并基于识别结果进行无人驾驶车辆控制,提高对较差路况的识别准确率和无人驾驶控制准确率。
2.本发明基于红色通道道路图像进行车道识别,红色通道道路图像滤除了绿色和蓝色像素,其图像轮廓更加清晰,更有利于进行车道识别和构建,获得的车道识别结果较现有技术更加准确。
3.本发明基于绿色通道道路图像进行车道层级划分,绿色通道道路图像滤除了红色和蓝色像素,图像的层次感更加明显,更加有利于进行车道层级的划分,获得的车道层级划分结果现有技术更加准确。
4.本发明基于蓝色通道道路图像进行车道障碍物识别,蓝色通道道路图像滤除了红色和绿色像素,图像中的块状部分更显明显,更有利于进行障碍物的识别,获得的车道障碍物识别结果现有技术更加准确。
5.结合本发明对绿色通道道路图像的层级划分方法和方差曲线特征公式,进一步提升了道路层级划分的准确率。
6.本发明基于所述车道识别结果、车道层级划分结果和车道障碍物识别结果,控制无人驾驶车辆行驶的方法,能较为准确地识别凹凸不平的道路,且能较好地分辨泥泞道路中的泥泞部分,因此能够更佳恰当地选择自动驾驶模式,实现无人驾驶车辆在复杂路况下的控制。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的实施例提供的用于无人驾驶的路况智能识别方法的方法流程示意图;
图2为本发明的实施例提供的基于本发明方法与现有方法的实验数据曲线对比图。
附图标记:
1,本实施例的实验曲线;2,现有技术的实验曲线。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。应该理解,这些描述只是示例性的,并非用于限定本发明的范围。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明公开的概念。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述。
方法实施例
一幅完整的图像,红色、绿色和蓝色三个通道缺一不可。即使图像中看起来没有蓝色,只能说蓝色光的亮度均为0或者各像素值的红色和绿色通道不全为0,但不能说没有蓝色通道存在,“存在、亮度为零”和“不存在”是两个不同的概念。
一幅图像,如果关闭了红色通道,那么图像就偏青色;如果关闭了绿色通道,那么图像就偏洋红色;如果关闭了蓝色通道,那么图像就偏黄色。
如果察看单个通道,则每个通道都显示为一幅灰度图像。某个通道灰度图像中的明暗对应该通道色的明暗,从而表达出该色光在整体图像上的分布情况。由于图像颜色通道共有3个,所以一幅图像也就有可以生成三幅灰度图像。
本发明公开的一种用于无人驾驶的路况智能识别方法,将获取的道路图像信息进行色彩通道分离,得到每个色彩空间下的道路图像,基于不同的色彩空间下的道路图像进行车道识别、车道层级划分和车道障碍物识别,有效针对不平坦道路、泥泞道路进行识别,并基于识别结果进行无人驾驶车辆控制,提高对较差路况的识别准确率和驾驶控制准确率。
本发明的一个具体实施例,公开了一种用于无人驾驶的路况智能识别方法,如图1所示,该方法包括:将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像;对所述色彩分离后的道路图像进行智能识别,获得路况识别结果;基于所述路况识别结果,控制无人驾驶车辆行驶。具体地,该方法包括步骤S1至步骤S3。
步骤S1.将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像。
采集无人驾驶车辆行驶过程中的道路图像信息;将采集到的道路图像信息进行RGB(红、绿、蓝色)色彩通道分离,获得色彩分离后的道路图像,包括R(红色)、G(绿色)和B(蓝色)色彩空间下的道路图像。其中,R色彩空间下的道路图像记为红色通道道路图像,G色彩空间下的道路图像记为绿色通道道路图像,B色彩空间下的道路图像记为蓝色通道道路图像。
较佳地,将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像的方法包括:对道路图像信息进行金字塔下采样处理,得到所述道路图像信息对应的三层样本图像特征,所述三层样本图像特征分别对应三个通道;所述三层样本图像特征按照所述预设的三个通道的先后顺序进行排序;将所述三层样本图像特征的所述三个通道对应的三个图像通道值进行转换,分别得到红色通道道路图像、绿色通道道路图像和蓝色通道道路图像。
步骤S2.对所述色彩分离后的道路图像进行智能识别,获得路况识别结果。
对所述色彩分离后的道路图像进行智能识别,获得路况识别结果的方法,包括:基于所述红色通道道路图像进行车道识别,获得车道识别结果;基于所述绿色通道道路图像进行车道层级划分,获得车道层级划分结果;基于所述蓝色通道道路图像进行车道障碍物识别,获得车道障碍物识别结果。
由于采集到的道路图像信息在每个颜色通道下的图像的像素特征和图像特征均有差异,因此分别针对各个通道图像进行不同的图像处理,可以得到更加准确的道路环境识别结果,具体地,分为以下三个步骤。
步骤S2.1:基于红色通道道路图像进行车道识别,获得车道识别结果。
红色通道道路图像滤除了绿色和蓝色像素,其图像轮廓更加清晰,更有利于进行车道识别和构建。
基于红色通道道路图像进行车道识别,包括:检测所述红色通道道路图像的道路边缘点,利用检测到的所述道路边缘点拟合出道路边界模型;根据所述道路边界模型调整红色通道道路图像的特征区域,提取调整后的特征区域中的亮度特征灰度图,检测所述亮度特征灰度图的车道线像素点,利用所述车道线像素点构建车道,完成车道识别,获得车道识别结果。
步骤S2.2:基于绿色通道道路图像进行车道层级划分,获得车道层级划分结果。
本发明针对采集到的车道图像信息进行车道层级的划分,可以识别凹凸不平的道路,如泥泞的道路,且能很好分辨泥泞道路中的泥泞部分,因为道路中的泥泞部分往往与其他部分所处的道路层级不同,通过这种方式,可以实现无人驾驶车辆在复杂路况下的控制。
绿色通道道路图像滤除了红色和蓝色像素,图像的层次感更加明显,更加有利于进行车道层级的划分。
基于绿色通道道路图像进行车道层级划分的方法,包括:分别提取绿色通道道路图像的直方图特征、方差曲线特征与旋转及对称不变特征;将绿色通道道路图像的直方图特征与方差曲线特征作为层级特征,旋转及对称不变特征作为纹理特征,输入到地形识别分类器,通过地形识别分类器得到地形分类结果;基于所述地形分类结果获得车道层级划分结果,完成车道层级划分。
较佳地,采用以下公式对所述绿色通道道路图像进行图像处理,得到绿色通道道路图像的方差曲线特征P、P'、F和F':
其中,P表示所述方差曲线特征的地形样本灰度均值统计分布;hK表示灰度等级K下的地形样本灰度值;rK表示灰度等级K下的地形样本灰度均值;Size表示本地形类型下的样本数量;P′表示方差曲线特征的地形样本灰度平均占有率统计分布;F表示方差曲线特征的灰度方差统计分布;bK表示灰度等级K下的地形样本灰度方差;F′表示归一化后的方差曲线特征的灰度方差;Col表示绿色通道道路图像的宽;Row表示绿色通道道路图像的高。
通过上述公式中对绿色通道道路图像进行图像处理,求解得到的方差特性曲线更准确,进一步提升了道路层级的划分的准确率。
步骤S2.3:基于蓝色通道道路图像进行车道障碍物识别,获得车道障碍物识别结果。
蓝色通道道路图像滤除了红色和绿色像素,图像中的块状部分更显明显,更有利于进行障碍物的识别。
基于蓝色通道道路图像进行车道障碍物识别的方法包括:
以车体为原点,建立固结于所述车体的实际坐标系;
构建所述蓝色通道道路图像的网格坐标系,将获取的多个网格坐标系数据转换到路面平整时的实际坐标系下;
对规则障碍物及不规则障碍物进行长度、高度和宽度的估计,包括:通过计算机对障碍物上待测点的网格坐标进行识别;对比于无障碍物时图像上相同像素点的网格坐标,利用几何关系得到所述待测点三维坐标的估计值;
基于所述待测点三维坐标的估计值,获得车道障碍物识别结果。
步骤S3.基于所述路况识别结果,控制无人驾驶车辆行驶。
基于所述路况识别结果,控制无人驾驶车辆行驶的方法,包括:基于所述车道识别结果、车道层级划分结果和车道障碍物识别结果,控制无人驾驶车辆行驶。
具体地,包括S3.1和S3.2两个步骤。
步骤S3.1:基于预设的控制模型和得到的车道识别结果、车道层级划分结果和车道障碍物识别结果,判断当前无人驾驶车辆的运行模式;
较佳地,使用如下公式得到运行模式数值L:
L=LS+λLC+exp(1+LD)
其中,LS为车道层级划分结果;LC为车道识别结果;LD为车道障碍物识别结果;λ为调整系数,为使计算结果落入设定的范围内,λ的取值视设定的范围而决定。
基于所述运行模式数值与车辆运行模式的对应规则,得到当前无人驾驶车辆的运行模式。
步骤S3.2:基于所述当前无人驾驶车辆的运行模式,按照预设的对应的车辆自动驾驶模式,控制无人驾驶车辆的行驶。
效果实施例
图2为本发明的实施例提供的基于本发明方法与现有方法的实验数据曲线对比图。分别用现有技术和本发明的技术,对多种测试路况进行智能识别,统计大于200千次路况测试的识别效果。图中,纵坐标为误差发生率,是路况判断错误的实验次数与当前累计实验次数的比率,横坐标为累计实验次数。
如图2可知,随着累计实验次数的增加,现有方法(现有技术的实验曲线2)的误差发生率有较为明显的升高,而采用本发明方法(本实施例的实验曲线1)的误差发生率变化趋势较为平缓,误差发生率远远低于现有技术,在200千次的实验中误差发生率平均值在5%左右,具有较佳的进步效果。
最后应说明的是,以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。在实际应用中,可以根据需要而将上述步骤进行再分解或者组合,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的步骤的名称,仅仅是为了区分各个步骤,不视为对本发明的不当限定。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种用于无人驾驶的路况智能识别方法,其特征在于,包括:
步骤S1:将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像;
步骤S2:对所述色彩分离后的道路图像进行智能识别,获得路况识别结果;
步骤S3:基于所述路况识别结果,控制无人驾驶车辆行驶;
所述色彩分离后的道路图像,包括:红色通道道路图像、绿色通道道路图像和蓝色通道道路图像;
所述将采集到的道路图像信息进行色彩分离,获得色彩分离后的道路图像,包括:
采集无人驾驶车辆行驶过程中的道路图像信息;对所述道路图像信息进行金字塔下采样处理,得到所述道路图像信息对应的三层样本图像特征,所述三层样本图像特征分别对应预设的三个通道;所述三层样本图像特征按照所述预设的三个通道的先后顺序进行排序;将所述三层样本图像特征的所述三个通道对应的三个图像通道值进行转换,分别获得红色通道道路图像、绿色通道道路图像和蓝色通道道路图像;
所述对所述色彩分离后的道路图像进行智能识别,获得路况识别结果,包括:
基于所述红色通道道路图像进行车道识别,获得车道识别结果;
基于所述绿色通道道路图像进行车道层级划分,获得车道层级划分结果;
基于所述蓝色通道道路图像进行车道障碍物识别,获得车道障碍物识别结果。
2.根据权利要求1所述的一种用于无人驾驶的路况智能识别方法,其特征在于,所述基于所述红色通道道路图像进行车道识别,获得车道识别结果,包括:
检测所述红色通道道路图像的道路边缘点,利用检测到的所述道路边缘点拟合出道路边界模型;根据所述道路边界模型调整红色通道道路图像的特征区域,提取调整后的特征区域中的亮度特征灰度图,检测所述亮度特征灰度图的车道线像素点,利用所述车道线像素点构建车道,完成车道识别,获得车道识别结果。
3.根据权利要求2所述的一种用于无人驾驶的路况智能识别方法,其特征在于,所述基于所述绿色通道道路图像进行车道层级划分,获得车道层级划分结果,包括:
分别提取所述绿色通道道路图像的直方图特征、方差曲线特征与旋转及对称不变特征;将所述直方图特征与所述方差曲线特征作为层级特征,将所述旋转及对称不变特征作为纹理特征,输入到地形识别分类器,通过所述地形识别分类器得到地形分类结果;基于所述地形分类结果获得车道层级划分结果。
4.根据权利要求3所述的一种用于无人驾驶的路况智能识别方法,其特征在于,所述提取所述绿色通道道路图像的方差曲线特征,包括:
使用如下公式,分别得到所述绿色通道道路图像的方差曲线特征P、P'、F和F':
其中,P表示所述方差曲线特征的地形样本灰度均值统计分布;hK表示灰度等级K下的地形样本灰度值;rK表示灰度等级K下的地形样本灰度均值;Size表示本地形类型下的样本数量;P′表示方差曲线特征的地形样本灰度平均占有率统计分布;F表示方差曲线特征的灰度方差统计分布;bK表示灰度等级K下的地形样本灰度方差;F′表示归一化后的方差曲线特征的灰度方差;Col表示绿色通道道路图像的宽;Row表示绿色通道道路图像的高。
5.根据权利要求4所述的一种用于无人驾驶的路况智能识别方法,其特征在于,所述基于所述蓝色通道道路图像进行车道障碍物识别,获得车道障碍物识别结果,包括:
以车体为原点,建立固结于所述车体的实际坐标系;
构建所述蓝色通道道路图像的网格坐标系,将获取的多个网格坐标系数据转换到路面平整时的实际坐标系下;
对规则障碍物及不规则障碍物进行长度、高度和宽度的估计,包括:通过计算机对障碍物上待测点的网格坐标进行识别;对比于无障碍物时图像上相同像素点的网格坐标,利用几何关系得到所述待测点三维坐标的估计值;
基于所述待测点三维坐标的估计值,获得车道障碍物识别结果。
6.根据权利要求5所述的一种用于无人驾驶的路况智能识别方法,其特征在于,所述基于所述路况识别结果,控制无人驾驶车辆行驶,包括:
基于所述车道识别结果、车道层级划分结果和车道障碍物识别结果,控制无人驾驶车辆行驶。
7.根据权利要求6所述的一种用于无人驾驶的路况智能识别方法,其特征在于,所述基于所述车道识别结果、车道层级划分结果和车道障碍物识别结果,控制无人驾驶车辆行驶,包括:
步骤S3.1:基于预设的控制模型和所述车道识别结果、车道层级划分结果和车道障碍物识别结果,使用如下公式得到当前无人驾驶车辆的运行模式数值L:
L=LS+λLC+exp(1+LD)
其中,LS为车道层级划分结果;LC为车道识别结果;LD为车道障碍物识别结果;λ为调整系数;
基于所述运行模式数值与车辆运行模式的对应规则,得到当前无人驾驶车辆的运行模式;
步骤S3.2:基于所述当前无人驾驶车辆的运行模式,按照预设的对应的车辆自动驾驶模式,控制无人驾驶车辆的行驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491435.0A CN113200052B (zh) | 2021-05-06 | 2021-05-06 | 一种用于无人驾驶的路况智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491435.0A CN113200052B (zh) | 2021-05-06 | 2021-05-06 | 一种用于无人驾驶的路况智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113200052A CN113200052A (zh) | 2021-08-03 |
CN113200052B true CN113200052B (zh) | 2021-11-16 |
Family
ID=77030123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110491435.0A Active CN113200052B (zh) | 2021-05-06 | 2021-05-06 | 一种用于无人驾驶的路况智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113200052B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114228727B (zh) * | 2021-12-21 | 2023-12-19 | 湖北文理学院 | 车辆行驶安全评估方法、装置、设备及存储介质 |
CN114291094B (zh) * | 2021-12-28 | 2024-05-17 | 清华大学苏州汽车研究院(相城) | 一种基于自动驾驶的路面状况感知响应***及方法 |
CN114261408B (zh) * | 2022-01-10 | 2024-05-03 | 武汉路特斯汽车有限公司 | 一种可识别路况的自动驾驶方法、***及车辆 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682586A (zh) * | 2016-12-03 | 2017-05-17 | 北京联合大学 | 一种复杂光照条件下基于视觉的实时车道线检测的方法 |
CN111797766A (zh) * | 2020-07-06 | 2020-10-20 | 三一专用汽车有限责任公司 | 识别方法、识别装置、计算机可读存储介质和车辆 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602007012568D1 (de) * | 2007-12-28 | 2011-03-31 | Magneti Marelli Spa | Fahrassistenzsystem für ein Fahrzeug das auf einem Weg ohne Fahrspurabgrenzungslinien fährt |
JP5083658B2 (ja) * | 2008-03-26 | 2012-11-28 | 本田技研工業株式会社 | 車両用車線認識装置、車両、及び車両用車線認識プログラム |
DE102013101639A1 (de) * | 2013-02-19 | 2014-09-04 | Continental Teves Ag & Co. Ohg | Verfahren und Vorrichtung zur Bestimmung eines Fahrbahnzustands |
CN107578418B (zh) * | 2017-09-08 | 2020-05-19 | 华中科技大学 | 一种融合色彩和深度信息的室内场景轮廓检测方法 |
CN107831762A (zh) * | 2017-10-18 | 2018-03-23 | 江苏卡威汽车工业集团股份有限公司 | 一种新能源汽车的路径规划***及方法 |
US20190286921A1 (en) * | 2018-03-14 | 2019-09-19 | Uber Technologies, Inc. | Structured Prediction Crosswalk Generation |
KR20200142155A (ko) * | 2019-06-11 | 2020-12-22 | 주식회사 만도 | 운전자 보조 시스템, 그를 가지는 차량 및 그 제어 방법 |
US20200408533A1 (en) * | 2019-06-28 | 2020-12-31 | DeepMap Inc. | Deep learning-based detection of ground features using a high definition map |
CN110765890B (zh) * | 2019-09-30 | 2022-09-02 | 河海大学常州校区 | 基于胶囊网络深度学习架构的车道及车道标识检测方法 |
CN111898540A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 车道线检测方法、装置、计算机设备及计算机可读存储介质 |
CN111891129A (zh) * | 2020-08-17 | 2020-11-06 | 湖南汽车工程职业学院 | 电动汽车智能驾驶*** |
CN112351154B (zh) * | 2020-10-28 | 2022-11-15 | 湖南汽车工程职业学院 | 无人驾驶汽车路况识别*** |
CN112634611B (zh) * | 2020-12-15 | 2022-06-21 | 阿波罗智联(北京)科技有限公司 | 用于识别路况的方法、装置、设备以及存储介质 |
-
2021
- 2021-05-06 CN CN202110491435.0A patent/CN113200052B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682586A (zh) * | 2016-12-03 | 2017-05-17 | 北京联合大学 | 一种复杂光照条件下基于视觉的实时车道线检测的方法 |
CN111797766A (zh) * | 2020-07-06 | 2020-10-20 | 三一专用汽车有限责任公司 | 识别方法、识别装置、计算机可读存储介质和车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN113200052A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113200052B (zh) | 一种用于无人驾驶的路况智能识别方法 | |
CN107330376B (zh) | 一种车道线识别方法及*** | |
CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
US8421859B2 (en) | Clear path detection using a hierachical approach | |
US8634593B2 (en) | Pixel-based texture-less clear path detection | |
US8452053B2 (en) | Pixel-based texture-rich clear path detection | |
CN105825203B (zh) | 基于点对匹配和几何结构匹配的地面箭头标志检测与识别方法 | |
US8803966B2 (en) | Clear path detection using an example-based approach | |
US10467482B2 (en) | Method and arrangement for assessing the roadway surface being driven on by a vehicle | |
CN108090459B (zh) | 一种适用于车载视觉***的交通标志检测识别方法 | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
CN111738314A (zh) | 基于浅层融合的多模态图像能见度检测模型的深度学习方法 | |
CN106326822A (zh) | 车道线检测的方法及装置 | |
EP3979196A1 (en) | Image processing method and apparatus for target detection | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控*** | |
CN115273023A (zh) | 一种车载道路坑洼识别方法、***及汽车 | |
CN110866926A (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN110733416B (zh) | 一种基于逆透视变换的车道偏离预警方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN108460348A (zh) | 基于三维模型的道路目标检测方法 | |
CN111241911B (zh) | 一种自适应的车道线检测方法 |
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 |