1.一种单目相机障碍物感知方法,其中,包括:对单目相机获取的图片不断卷积提取特征得到所述图片的特征图;
利用预设的深度学习模型识别所述特征图上的障碍物,并将所述障碍物框选,以得到
2D的障碍物框架图,其中,所述深度学习模型以障碍物的中心为回归点,通过障碍物的实际长和宽不断纠正特征图中框选的障碍物的长和宽而得到;
通过所述特征图预测所述图片中的障碍物的深度值,基于所述深度值和2D的障碍物框架图得到对应于所述图片的3D的障碍物标记图;
其中,所述特征图为对单目相机获取的图片不断卷积提取特征而获得的包含所述图片最主要的特征信息的最后一张特征图;且将所述障碍物框选后,对所述障碍物的框选结果进行差值补偿,即将所述特征图之前的倒数第二张特征图输入至深度学习模型得到的障碍物框选结果与将最后一张特征图输入至深度学习模型得到的障碍物框选结果间的差值补偿至所述障碍物框选。
2.如权利要求1所述的单目相机障碍物感知方法,其中,利用预设的深度学习模型识别所述特征图上的障碍物,并将所述障碍物框选,以得到2D的障碍物框架图,包括:识别所述特征图上的点信息,并在所述点的大小大于预设的最小阈值时,将所述特征图上相应的点判定为障碍物。
3.如权利要求1所述的单目相机障碍物感知方法,其中,通过所述特征图预测所述图片中的障碍物的深度值,包括:
将2D的所述障碍物框架图输入所述深度学习模型中,得到预估深度值;
将2D的所述障碍物框架图置入所述特征图之前的倒数第二张特征图内,得到深度差值;
用所述深度差值补偿所述预估深度值,即得到图片中的障碍物的深度值。
4.如权利要求1所述的单目相机障碍物感知方法,其中,所述深度学习模型通过障碍物的实际长和宽不断纠正特征图中框选的障碍物的长和宽而得到,还包括:所述深度学习模型通过障碍物的实际中心点位置不断纠正特征图中框选的障碍物的中心点位置而得到。
5.如权利要求4所述的单目相机障碍物感知方法,其中,通过障碍物的实际长、宽和中心点位置不断纠正特征图中框选的障碍物的长、宽和中心点位置的方法为:分别给定所述特征图中框选的障碍物的长、宽和中心点位置的预测值,计算所述预测值与障碍物的实际长、宽和中心点位置间的损失值,根据所述损失值更新所述预测值;
不断利用更新的预测值与障碍物的实际长、宽和中心点位置间的损失值更新所述预测值,直至更新的预测值与障碍物的实际长、宽和中心点位置间的损失值满足既定的要求。