CN118038409B 车辆可行驶区域检测方法、装置、电子设备及存储介质 （重庆赛力斯凤凰智创科技有限公司）

司A,2024.02.02A,2022.06.07A,2023.09.29A,2021.12.24特征图输入到预训练好的障碍物检测模型的头2将所述通用特征图输入到预训练好的语义分割模型的头部网络中将所述通用特征图输入到预训练好的障碍物检测模型的头部网络中利用预定的融合策略，根据所述语义分割结果及所述全景视图中障碍物对应的接地其中，所述根据所述语义分割结果及所述全景视图中障根据所述障碍物对应的接地点位置，将语义分割特征图中的障在数据标注完成后，将标注数据从原始格式转换为目标格式，将所述目标格式的标注数据构成的数据集划分为训练集、验证将所述通用特征图输入到预训练好的语义分割模型的头部网络中，3将所述通用特征图输入到预训练好的障碍物检测模型的头特征提取模块，被配置为利用共享特征提取网络对所述全景视图进语义分割模块，被配置为将所述通用特征图输入到预训练障碍物检测模块，被配置为将所述通用特征图输入到预融合确定模块，被配置为利用预定的融合策略，根据所括将所述接地点之后的不可行驶区域标记为可行其中，所述融合确定模块用于根据所述障碍物对应的接地点8.一种电子设备，包括存储器，处理器及存储9.一种计算机可读存储介质，所述计算机可读存储介质存4过程中，准确检测车辆周围的freespace——即无障碍物或其他阻碍物的可行驶区域——[0004]基于几何的方法：该方法依赖于相机参数和图像的几何信息来识别[0005]基于运动的方法：此类方法通过分析相机捕获的光流或运动模式来识别fr提高自动驾驶系统在各种驾驶环境下的可靠5割模块，被配置为将通用特征图输入到预训练好的语义分割模型的头部网络中进行处理，储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步6[0025]4.摄像头与激光雷达融合：结合视觉信息和激[0030]3.针对障碍物遮挡问题，首先通过deeplabv3+像的可行驶区域和不可行驶区域，通过和yolov5的检测模型的head输出障碍物的接地点，7[0036]S104，将通用特征图输入到预训练好的障碍物检测模型[0039]具体地，本申请实施例利用四个鱼眼相机获取并处理车步骤对于提高图像的几何准确性至关重要，确保后续拼接生成的BEV图像(鸟瞰图)在几何8这些工具能够帮助标注人员为图像中的每个像素分配正确的语义9支和DeepLabV3+的语义分割分支的输出进行融车标志的接地点被确定，那么该标志在BEV图中垂直投影之后的区域将被重新标记为可行语义分割模型用于输出高分辨率的语义分割结果，障碍物检测模型中包括一系列卷积层、效的主干网络，如ResNet或MobileNetV2，用于基本特征提取。ASPP(AtrousSpatial高了系统在实时场景中对freespace区域[0088]通过纯视觉语义分割和障碍物接地点检测的融合方式，本申请方案在获得[0093]图2是本申请实施例提供的车辆可行驶区域检测装置的结[0096]语义分割模块203，被配置为将通用特征图输入到预训练好的语义分割模型的头[0097]障碍物检测模块204，被配置为将通用特征图输入到预训练好的障碍物检测模型用几何变换和图像融合技术将校正后的图像拼接语义分割模型用于输出高分辨率的语义分割结果，障碍物检测模型中包括一系列卷积层、的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序303在通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器