技术领域
[0001] 本发明涉及障碍物检测领域，特别涉及一种障碍物轮廓检测方法、装置、设备及介质。
相关背景技术
[0002] 在障碍物检测的实际应用中，考虑到性价比、实用性以及实时性的要求，若采用成本高昂的激光雷达以及各种类型相机的组合，不仅会带来高成本的问题，而且采用的传感器越多，实际用于进行障碍物检测的数据也就越多，相应的，障碍物的检测速度就越慢，从而对障碍物检测的实时性造成负面影响，并且，这种方式的障碍物检测的精度也较低，而实时性较差、精度较低的障碍物检测会严重影响车辆行驶的安全性。
具体实施方式
[0047] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0048] 在障碍物检测的实际应用中，若采用成本高昂的激光雷达以及各种类型相机的组合，不仅会带来高成本的问题，而且采用的传感器越多，实际用于障碍物检测的数据也就越多，相应的，障碍物的检测速度就越慢，从而对障碍物检测的实时性造成负面影响，进而影响车辆行驶的安全性。为此，本申请提供了一种障碍物轮廓检测方法，通过引入点状障碍物和线状障碍物，提高了关联性分析的多样性，使得障碍物轮廓检测的准确性更高，并采用视觉传感器和超声波传感器提高障碍物轮廓检测的精度和范围，以保证车辆行驶的安全性。
[0049] 参见图1所示，本发明实施例公开了一种障碍物轮廓检测方法，包括：
[0050] 步骤S11、对自车周围的当前障碍物与历史障碍物进行关联性分析，以得到关联分析结果；其中，障碍物的类型包括基于视觉传感器确定的第一障碍物和基于超声波传感器确定的第二障碍物，障碍物的形状包括点状障碍物和/或基于点状障碍物连接得到的线状障碍物。
[0051] 本实施例中，通过视觉传感器和超声波传感器持续对自车周围的障碍物进行感知，并通过轮廓检测系统对感知到的障碍物进行关联性分析，以便基于关联分析结果进行后续的障碍物轮廓连接。其中，关联性分析可以根据马氏距离来进行，马氏距离不仅能够度量关联度，还能够表示出点状障碍物或线状障碍物的延伸或关联方向。因此，关联分析结果包括关联度和关联类型；关联类型包括卡尔曼关联、延伸关联、聚合关联、无关联等。卡尔曼关联用于更新障碍物的位置属性等，延伸关联用于更新出新的障碍物轮廓，聚合关联用于更新障碍物的重要关节点信息，无关联则表示当前障碍物为新探测到的障碍物。
[0052] 需要说明的是，对于自车周围的当前障碍物，既可以为当前基于视觉传感器确定的障碍物，也可以为当前基于超声波传感器确定的障碍物。而对于自车周围的历史障碍物，既可以为历史基于视觉传感器确定的障碍物，也可以为历史基于超声波传感器确定的障碍物，还可以为历史检测到的障碍物轮廓。例如，可以对自车周围的当前基于视觉传感器确定的障碍物和历史基于视觉传感器/超声波传感器确定的障碍物进行关联性分析，也可以对自车周围的当前基于超声波传感器确定的障碍物和历史基于视觉传感器/超声波传感器确定的障碍物进行关联性分析，还可以对自车周围的当前基于视觉传感器/超声波传感器确定的障碍物和历史检测到的障碍物轮廓进行关联性分析，在此不做具体限定。
[0053] 其中，对于基于视觉传感器确定的第一障碍物，将视觉传感器在检测自车周围的目标障碍物时获取到的畸变校正图像拼接为俯视图，并从俯视图中检测自车周围的可行驶区域边界，然后对可行驶区域边界进行过滤，以得到包含点状障碍物和/或线状障碍物的第一障碍物。需要说明的是，为了能够全方位感知车辆周围环境信息，可以在车辆上安装同一种类的多个视觉传感器，使得多个视觉传感器的视野相互重合，从而实现对车辆周围环境信息的全方位360度感知。
[0054] 以视觉传感器采用鱼眼相机为例，鱼眼相机的探测视场角比较大，大约为180度，通过在车辆上安装前后左右四个鱼眼相机便可以全方位感知车辆周围环境信息。如图2所示，获取鱼眼相机拍摄的原始图像，并对原始图像进行畸变校正，以得到畸变校正图像。然后对畸变校正图像进行障碍物检测，并在畸变校正图像上标注障碍物检测框以及障碍物种类，以得到目标障碍物；例如，障碍物种类包括car汽车、pillar柱子、block石块等。进一步的，如图3所示，将畸变校正图像拼接为俯视图，并对俯视图进行可行驶区域（freespace）检测，以得到自车周围的可行驶区域边界，例如图3中的蓝色线条即为可行驶区域边界。考虑到可行驶区域边界中存在非障碍物边界，因此需要进一步对可行驶区域边界进行过滤，从而得到第一障碍物。
[0055] 具体的，对可行驶区域边界中的伪边界以及区域边界点进行过滤，以得到第一障碍物；其中，伪边界包括图像边界和/或基于视觉传感器视野受限造成的非障碍物边界；区域边界点为边界检测概率小于预设障碍物概率的边界点。可以理解的是，可行驶区域边界其实是由若干个区域边界点构成的边界，而每个区域边界点均对应有一个边界检测概率，如果边界检测概率小于预设障碍物概率，则表明该区域边界点有可能不是障碍物对应的点，因此需要从可行驶区域边界中将边界检测概率小于预设障碍物概率的区域边界点过滤掉。进一步的，考虑到视觉传感器的拍摄范围是有限的，因此需要将可行驶区域边界中的图像边界过滤掉，例如图3蓝色边界中最上方的那一小段边界并非是障碍物边界，而是图像边界。还需要说明的是，由于视觉传感器在实际拍摄过程中，有可能存在一些遮挡导致视觉传感器视野受限，从而出现一些基于视觉传感器视野受限造成的非障碍物边界，例如图3蓝色边界中左上侧的拉长蓝色线条，因此需要对可行驶区域边界中的基于视觉传感器视野受限造成的非障碍物边界过滤掉。
[0056] 对于基于视觉传感器视野受限造成的非障碍物边界，可以通过计算可行驶区域边界中相邻两个区域边界点之间的第一向量，例如计算区域边界点A到区域边界点B之间的第一向量，并计算视觉传感器到区域边界点A的第二向量；然后确定第一向量和第二向量之间的向量夹角，若向量夹角大于预设角度，则表明区域边界点A到区域边界点B之间的区域边界即为基于视觉传感器视野受限造成的非障碍物边界。其中，预设角度可以设置为180度，也可以设置为其他角度但需要大于90度。
[0057] 还需要说明的是，在从畸变校正图像中检测出目标障碍物之后，可以根据目标障碍物的位置信息从第一障碍物中确定出相应的关联障碍物，并为关联障碍物标注上目标障碍物的属性信息；其中，属性信息包括障碍物的种类和高度。可以理解的是，从目标障碍物的检测框中确定接地的边界线，并确定边界线的中点的像素坐标，然后利用相机标定参数将像素坐标转换到第一障碍物所在的坐标系下，从而根据转换后的坐标从第一障碍物中确定出相应的关联障碍物，并为关联障碍物标注上目标障碍物的属性信息。其中，相机标定参数包括相机高度、相机角度等。
[0058] 其中，对于基于超声波传感器确定的第二障碍物，获取超声波传感器发送的声波数据，并基于声波数据确定障碍物距离信息；然后利用三角定位算法并基于不同超声波传感器之间的障碍物距离信息确定初始点状障碍物，以及利用聚类算法对初始点状障碍物进行聚类，并对聚类得到的同一群集中的点状障碍物进行连接，以得到包含点状障碍物和/或线状障碍物的第二障碍物。需要说明的是，还需要对第二障碍物中不稳定的超声障碍物进行过滤，从而提高障碍物轮廓检测的准确性。
[0059] 步骤S12、基于所述关联分析结果对当前障碍物和所述历史障碍物的轮廓进行连接，以得到当前障碍物轮廓。
[0060] 本实施例中，在确定出当前障碍物与历史障碍物之间的关联分析结果之后，基于关联分析结果对当前障碍物和历史障碍物的轮廓进行连接，以得到当前障碍物轮廓。
[0061] 具体的，利用卡尔曼滤波并基于关联分析结果对当前障碍物的位置和协方差进行更新，以得到更新后的当前障碍物；并基于关联分析结果对更新后的当前障碍物和历史障碍物的轮廓进行连接，以得到当前障碍物轮廓。以关联分析结果为延伸关联为例，如图4所示，黑色点为历史点状障碍物；红色点为当前点状障碍物；圆圈表示点状障碍物的协方差，其中，协方差与稳定性呈反比例关系；利用卡尔曼滤波并基于延伸关联对当前点状障碍物的位置和协方差进行更新，并对更新后的当前点状障碍物和历史障碍物的轮廓进行连接，以得到当前障碍物轮廓；图4中的左图为历史障碍物的轮廓，图4中的右图中当前障碍物轮廓。
[0062] 其中，卡尔曼滤波所涉及的公式如下：
[0063] xk=AxK‑1+BuK‑1;
[0064] Pk=APK‑1AT+Q;
[0065] Kk=PkHT/(HPkHT+R);
[0066] xK=xk+Kk(zk‑Hxk);
[0067] PK=(I‑KkH)Pk;
[0068] 其中，A表示状态转移矩阵；uK‑1表示历史点状障碍物的控制向量；B表示将控制向量转换为状态的矩阵；xK‑1表示历史点状障碍物；xk表示预测点状障碍物；T表示矩阵的转置；PK‑1表示历史点状障碍物的协方差；Q表示过程激励噪声协方差；Pk表示预测协方差；H表示预设转换矩阵；R表示测量噪声协方差；Kk表示卡尔曼增益；zk表示实际检测到的当前点状障碍物；xK表示更新后的当前点状障碍物；PK表示更新后的当前点状障碍物的协方差。
[0069] 也即，先通过历史点状障碍物以及历史点状障碍物的协方差估计预测点状障碍物以及预测点状障碍物的预测协方差，再基于预测协方差计算卡尔曼增益，从而利用卡尔曼增益并基于实际检测到的当前点状障碍物、预测点状障碍物以及预测协方差，确定更新后的当前点状障碍物以及更新后的当前点状障碍物的协方差，从而通过卡尔曼滤波实现对当前障碍物的位置和协方差的更新。
[0070] 步骤S13、基于当前障碍物轮廓中各所述点状障碍物的存在概率更新当前障碍物轮廓。
[0071] 本实施例中，由于当前障碍物轮廓中的每个点状障碍物均对应有存在概率，而对于存在概率低的点状障碍物，考虑到该点状障碍物可能已经不存在了，因此需要将该点状障碍物从当前障碍物轮廓中消除，也即需要基于当前障碍物轮廓中的各点状障碍物的存在概率更新当前障碍物轮廓。另外，本实施例既可以对当前障碍物轮廓中的所有节点进行存储，也可以通过存储当前障碍物轮廓中的关键节点，以降低存储量。
[0072] 具体的，首先对当前障碍物中的不存在于历史障碍物中的各点状障碍物分别设置初始存在概率，并基于历史障碍物是否存在于当前障碍物中，对历史障碍物中的各点状障碍物的存在概率进行更新；然后将当前障碍物轮廓中存在概率小于预设概率阈值的点状障碍物进行消除，以实现对当前障碍物轮廓的更新。
[0073] 对于基于历史障碍物是否存在于当前障碍物中，对历史障碍物中的各点状障碍物的存在概率进行更新，具体为对历史障碍物中的存在于当前障碍物中的点状障碍物的存在概率进行增加，例如增加第一预设概率值；并对历史障碍物中的不存在于当前障碍物中的点状障碍物的存在概率进行降低，例如降低第二预设概率值。其中，第一预设概率值和第二预设概率值可以设置为相同的数值，也可以设置为不同的数值，在此不作限定。
[0074] 对于超声传感器来说，可以根据基于声波数据确定的障碍物距离信息来更新历史障碍物中的各点状障碍物的存在概率。具体的，若历史在正东方位3米处和正东方位8米处均存在点状障碍物，而当前仅在正东方位8米处存在点状障碍物，则对正东方位3米处的点状障碍物的存在概率进行降低，并对正东方位8米处的点状障碍物的存在概率进行增加。
[0075] 对于视觉传感器来说，可以根据可行驶区域边界来更新历史障碍物中的各点状障碍物的存在概率。具体的，若历史障碍物中的某个点状障碍物存在于当前基于视觉传感器确定的可行驶区域边界中，则对该点状障碍物的存在概率进行降低。
[0076] 如图5所示，对于步骤S11中的对自车周围的当前障碍物与历史障碍物进行关联性分析，以得到关联分析结果，包括：
[0077] 步骤S21、将当前障碍物和历史障碍物均分别划分到不同车辆传感器的影响区域中；其中，车辆传感器包括视觉传感器和超声波传感器。
[0078] 步骤S22、对同一影响区域中的当前障碍物和历史障碍物进行关联性分析，以得到关联分析结果。
[0079] 在一种具体实施方式中，为了避免直接对当前障碍物和全部的历史障碍物进行关联性分析所带来的计算量较大的问题，本实施例通过先将当前障碍物和历史障碍物均分别划分到不同车辆传感器的影响区域中，再对同一影响区域中的当前障碍物和历史障碍物进行关联性分析，以得到关联分析结果，从而降低一定的计算量，提高障碍物轮廓检测的效率。
[0080] 而对于将当前障碍物和历史障碍物均分别划分到不同车辆传感器的影响区域中，首先基于车身传感器确定当前自车姿态，并基于当前自车姿态更新各个车辆传感器的姿态信息，从而根据各个车辆传感器的姿态信息以及视场角探测范围，将当前障碍物和历史障碍物均分别划分到不同车辆传感器的影响区域中。
[0081] 具体的，以各个车辆传感器中的任意一个车辆传感器为例进行说明，基于该车辆传感器的姿态信息建立相应的传感器坐标系，并将当前障碍物和历史障碍物在统一参考坐标系下的参考坐标均变换到传感器坐标系下，以得到相应的传感器坐标；其中，统一参考坐标系可以为世界坐标系，也可以为开启障碍物轮廓检测时的车身坐标系。然后基于车辆传感器的视场角确定在传感器坐标系中的视场角探测范围，并将传感器坐标位于车辆传感器的视场角探测范围内的当前障碍物和历史障碍物划分到该车辆传感器的影响区域中。
[0082] 对于步骤S11中的对自车周围的当前障碍物与历史障碍物进行关联性分析，以得到关联分析结果；在另一种具体实施方式中，对当前障碍物与历史障碍物中满足预设稳定性条件的命中障碍物进行关联性分析，以得到相应的关联分析结果；其中，预设稳定性条件为命中障碍物的协方差小于当前障碍物的协方差；协方差与稳定性呈反比例关系。
[0083] 本实施例中，考虑到各个障碍物的稳定性是存在差异的，因此为了保证关联分析结果的准确性以及障碍物轮廓检测的准确性，可以将当前障碍物以及比当前障碍物更稳定的历史障碍物进行关联性分析，以得到相应的关联分析结果。具体的，从历史障碍物中确定出满足预设稳定性条件的命中障碍物，其中，命中障碍物的协方差是小于当前障碍物的协方差的，而协方差越小，稳定性越高，最后对当前障碍物和命中障碍物进行关联性分析，以得到相应的关联分析结果。
[0084] 如图6所示，对于步骤S11中的对自车周围的当前障碍物与历史障碍物进行关联性分析，以得到关联分析结果；包括：
[0085] 步骤S31、利用预设关联规则并基于马氏距离计算当前障碍物与历史障碍物之间的关联度，并确定各关联度中的最大关联度与预设关联度阈值的对比结果；其中，预设关联规则包括点状障碍物之间的第一关联规则、点状障碍物与线状障碍物之间的第二关联规则以及线状障碍物之间的第三关联规则。
[0086] 步骤S32、基于对比结果确定当前障碍物与历史障碍物之间的关联分析结果；其中，关联分析结果包括关联类型。
[0087] 在又一种具体实施方式中，利用预设关联规则并基于马氏距离计算当前障碍物与历史障碍物之间的关联度，以从各关联度中确定出最大关联度，然后根据最大关联度与预设关联度阈值的对比结果，确定当前障碍物与历史障碍物之间的关联分析结果。其中，预设关联规则包括点状障碍物之间的第一关联规则、点状障碍物与线状障碍物之间的第二关联规则以及线状障碍物之间的第三关联规则；也即本实施例既可以根据第一关联规则计算点状障碍物之间的关联度，又可以根据第二关联规则计算点状障碍物与线状障碍物之间的关联度，还可以根据第三关联规则计算线状障碍物之间的关联度。并且，由于马氏距离不仅可以计算关联度，还可以确定点状障碍物或线状障碍物的延伸或关联方向，因此，关联分析结果中不仅包括关联度还包括关联类型。需要说明的是，若最大关联度大于预设关联度阈值，则表明当前障碍物与历史障碍物之间存在关联，并确定出相应的关联类型，例如卡尔曼关联，延伸关联，聚合关联等；若最大关联度小于或等于预设关联度阈值，则表明当前障碍物与历史障碍物之间不存在关联，此时的关联类型为无关联。
[0088] 对于利用预设关联规则并基于马氏距离计算当前障碍物与历史障碍物之间的关联度，以当前障碍物和历史障碍物均为点状障碍物为例，此时需要采用第一关联规则，具体操作为先利用卡尔曼滤波对当前点状障碍物和历史点状障碍物的协方差进行更新，以得到更新后的协方差，然后利用马氏距离并基于更新后的协方差计算当前点状障碍物与历史点状障碍物之间的关联度。其中所涉及的马氏距离的公式如下：
[0089] ；
[0090] 其中，x表示当前点状障碍物；y表示历史点状障碍物；T表示矩阵的转置；∑表示更新后的协方差；DM(x,y)表示马氏距离。
[0091] 对于利用预设关联规则并基于马氏距离计算当前障碍物与历史障碍物之间的关联度，以当前障碍物为点状障碍物，历史障碍物为线状障碍物为例，此时需要采用第二关联规则，具体操作为先将当前点状障碍物投影至历史线状障碍物上，如果有多个投影点，则从多个投影点中确定投影距离最小的目标投影点。然后基于目标投影点到历史线状障碍物上两个端点的距离确定距离占比，并基于马氏距离分别计算当前点状障碍物与历史线状障碍物上两个端点之间的第一初始关联度，之后基于距离占比对两个第一初始关联度进行加权计算，以得到当前点状障碍物与历史线状障碍物之间的关联度。其中，对于基于马氏距离分别计算当前点状障碍物与历史线状障碍物上两个端点之间的第一初始关联度，可以利用上述计算两个点状障碍物之间的关联度的方式来确定。并且，对于计算当前线状障碍物与历史点状障碍物之间的关联度，可以参考当前点状障碍物与历史线状障碍物的关联度的计算方式，在此不作重复说明。
[0092] 对于利用预设关联规则并基于马氏距离计算当前障碍物与历史障碍物之间的关联度，以当前障碍物和历史障碍物均为线状障碍物为例，此时需要采用第三关联规则，一种具体操作是按照计算两个点状障碍物之间的关联度的方式，利用马氏距离来计算当前线状障碍物上每个点状障碍物分别与历史线状障碍物上每个点状障碍物之间的第二初始关联度，并对第二初始关联度进行加权计算，以得到当前线状障碍物与历史线状障碍物之间的关联度。另一种具体操作是按照计算点状障碍物与线状障碍物之间的关联度的方式，利用马氏距离来计算当前线状障碍物上每个点状障碍物分别与历史线状障碍物之间的第三初始关联度，并对第三初始关联度进行加权计算，以得到当前线状障碍物与历史线状障碍物之间的关联度。
[0093] 需要说明的是，对自车周围的当前障碍物与历史障碍物进行关联性分析，以得到关联分析结果，一共包含三种具体实施方式，一种是对同一影响区域中的当前障碍物和历史障碍物进行关联性分析以得到关联分析结果；一种是对当前障碍物与历史障碍物中满足预设稳定性条件的命中障碍物进行关联性分析以得到关联分析结果；还有一种是利用预设关联规则并基于马氏距离计算当前障碍物和历史障碍物之间的关联分析结果。上述三种方式既可以单独使用，也可以相互组合使用，在此不作限定。
[0094] 由此可见，本申请通过采用视觉传感器和超声波传感器，以利用视觉传感器感知距离远以及超声波传感器感知精度高的特点，对自车周围的障碍物的轮廓进行连接，从而提高障碍物轮廓检测的精度和范围；并且，本申请通过使用较少种类的车辆传感器，可以降低障碍物轮廓检测所需的硬件成本，以及减少障碍物轮廓检测所需的数据，提高障碍物轮廓检测的速度，从而根据检测到的精度更高、范围更远、实时性更高的障碍物轮廓提高车辆行驶的安全性。进一步的，本申请通过引入点状障碍物和线状障碍物，从而可以进行点状障碍物之间的关联性分析、线状障碍物之间的关联性分析以及点状障碍物与线状障碍物之间的关联性分析，提高了关联性分析的多样性，使得障碍物轮廓检测的准确性更高。
[0095] 以自车周围的当前障碍物为基于超声波传感器确定的障碍物，自车周围的历史障碍物为基于鱼眼相机确定的障碍物为例，参见图7所示，本发明实施例公开了一种障碍物轮廓检测方法，应用于轮廓检测系统，轮廓检测系统中包括视觉处理模块、超声波处理模块和感知融合模块；其中，所述障碍物轮廓检测方法包括：
[0096] 通过视觉处理模块接收鱼眼相机拍摄的原始视觉图像，并对原始视觉图像进行畸变校正，以得到畸变校正图像；然后将畸变校正图像拼接为俯视图，并对俯视图进行可行驶区域（freespace）检测，以得到自车周围的可行驶区域边界，然后将可行驶区域边界发送至感知融合模块。
[0097] 通过感知融合模块对可行驶区域边界进行处理，以将可行驶区域边界中的图像边界、非障碍物边界以及边界检测概率小于预设障碍物概率的区域边界点进行过滤，从而得到包含点状障碍物和/或线状障碍物的历史障碍物。
[0098] 通过超声波处理模块接收超声波传感器发送的声波数据，并对声波数据进行滤波，以基于滤波后的声波数据确定障碍物距离信息。利用三角定位算法并基于不同超声波传感器之间的障碍物距离信息确定初始点状障碍物，以及利用聚类算法对初始点状障碍物进行聚类，并对聚类得到的同一群集中的点状障碍物进行连接，以得到包含点状障碍物和/或线状障碍物的当前障碍物。
[0099] 通过感知融合模块接收超声波处理模块发送的包含点状障碍物和/或线状障碍物的当前障碍物，并对当前障碍物中的不稳定的点状障碍物和/或线状障碍物进行过滤，以得到过滤后的当前障碍物。
[0100] 通过感知融合模块将当前障碍物和历史障碍物均分别划分到不同车辆传感器的影响区域中；其中，车辆传感器包括鱼眼相机和超声波传感器；然后利用预设关联规则并基于马氏距离对同一影响区域中的当前障碍物和历史障碍物进行关联性分析，以得到相应的关联分析结果。其中，既可以根据点状障碍物之间的第一关联规则计算点状障碍物之间的关联度，又可以根据点状障碍物与线状障碍物之间的第二关联规则计算点状障碍物与线状障碍物之间的关联度，还可以根据线状障碍物之间的第三关联规则计算线状障碍物之间的关联度。进一步的，利用卡尔曼滤波并基于关联分析结果对当前障碍物的位置和协方差进行更新以得到更新后的当前障碍物，并基于关联分析结果对更新后的当前障碍物和历史障碍物的轮廓进行连接，以得到当前障碍物轮廓。
[0101] 通过感知融合模块对当前障碍物中的不存在于历史障碍物中的各点状障碍物分别设置初始存在概率，并基于历史障碍物是否存在于当前障碍物中，对历史障碍物中的各点状障碍物的存在概率进行更新。然后将当前障碍物轮廓中存在概率小于预设概率阈值的点状障碍物进行消除，以完成对当前障碍物轮廓的更新，并可以通过简化存储的方式对当前障碍物轮廓中的关键节点进行存储，以降低存储量。
[0102] 由此可见，本申请通过采用鱼眼相机和超声波传感器，以利用鱼眼相机感知距离远以及超声波传感器感知精度高的特点，对自车周围的障碍物的轮廓进行连接，从而提高障碍物轮廓检测的精度和范围；并且，本申请通过使用较少种类的车辆传感器，可以降低障碍物轮廓检测所需的硬件成本，以及减少障碍物轮廓检测所需的数据，提高障碍物轮廓检测的速度，从而根据检测到的精度更高、范围更远、实时性更高的障碍物轮廓提高车辆行驶的安全性。进一步的，本申请通过引入点状障碍物和线状障碍物，从而可以进行点状障碍物之间的关联性分析、线状障碍物之间的关联性分析以及点状障碍物与线状障碍物之间的关联性分析，提高了关联性分析的多样性，使得障碍物轮廓检测的准确性更高。
[0103] 参见图8所示，本发明实施例公开了一种障碍物轮廓检测装置，包括：
[0104] 关联性分析模块11，用于对自车周围的当前障碍物与历史障碍物进行关联性分析，以得到关联分析结果；其中，障碍物的类型包括基于视觉传感器确定的第一障碍物和基于超声波传感器确定的第二障碍物，障碍物的形状包括点状障碍物和/或基于点状障碍物连接得到的线状障碍物；
[0105] 轮廓连接模块12，用于基于所述关联分析结果对当前障碍物和所述历史障碍物的轮廓进行连接，以得到当前障碍物轮廓；
[0106] 轮廓更新模块13，用于基于当前障碍物轮廓中各所述点状障碍物的存在概率更新当前障碍物轮廓。
[0107] 由此可见，本申请通过采用视觉传感器和超声波传感器，以利用视觉传感器感知距离远以及超声波传感器感知精度高的特点，对自车周围的障碍物的轮廓进行连接，从而提高障碍物轮廓检测的精度和范围；并且，本申请通过使用较少种类的车辆传感器，可以降低障碍物轮廓检测所需的硬件成本，以及减少障碍物轮廓检测所需的数据，提高障碍物轮廓检测的速度，从而根据检测到的精度更高、范围更远、实时性更高的障碍物轮廓提高车辆行驶的安全性。进一步的，本申请通过引入点状障碍物和线状障碍物，从而可以进行点状障碍物之间的关联性分析、线状障碍物之间的关联性分析以及点状障碍物与线状障碍物之间的关联性分析，提高了关联性分析的多样性，使得障碍物轮廓检测的准确性更高。
[0108] 在一些具体实施例中，所述关联性分析模块11，包括：
[0109] 关联性分析单元，用于对当前障碍物与所述历史障碍物中满足预设稳定性条件的命中障碍物进行关联性分析，以得到相应的关联分析结果；
[0110] 其中，所述预设稳定性条件为所述命中障碍物的协方差小于当前障碍物的协方差；协方差与稳定性呈反比例关系。
[0111] 在一些具体实施例中，所述关联性分析模块11，包括：
[0112] 关联度计算子模块，用于利用预设关联规则并基于马氏距离计算当前障碍物与历史障碍物之间的关联度，并确定各所述关联度中的最大关联度与预设关联度阈值的对比结果；其中，所述预设关联规则包括点状障碍物之间的第一关联规则、点状障碍物与线状障碍物之间的第二关联规则以及线状障碍物之间的第三关联规则；
[0113] 分析结果确定单元，用于基于所述对比结果确定当前障碍物与所述历史障碍物之间的关联分析结果；其中，所述关联分析结果包括关联类型。
[0114] 在一些具体实施例中，所述关联度计算子模块，包括：
[0115] 第一关联度计算单元，用于利用所述第一关联规则并基于马氏距离，根据更新后的协方差计算当前点状障碍物与历史点状障碍物之间的关联度；其中，所述更新后的协方差为利用卡尔曼滤波对当前点状障碍物和所述历史点状障碍物的协方差进行更新后得到的协方差。
[0116] 在一些具体实施例中，所述关联度计算子模块，包括：
[0117] 第二关联度计算单元，用于利用所述第二关联规则并基于马氏距离分别计算当前点状障碍物与历史线状障碍物上两个端点之间的第一初始关联度，并基于距离占比对所述第一初始关联度进行计算，以得到当前点状障碍物与所述历史线状障碍物之间的关联度；
[0118] 其中，所述距离占比为基于目标投影点分别到所述历史线状障碍物上两个端点的距离确定的占比；所述目标投影点为将当前点状障碍物投影至所述历史线状障碍物上的投影距离最小的投影点。
[0119] 在一些具体实施例中，所述关联度计算子模块，包括：
[0120] 第三关联度计算单元，用于利用所述第三关联规则并基于马氏距离计算当前线状障碍物上每个点状障碍物分别与历史线状障碍物上每个点状障碍物之间的第二初始关联度，并基于所述第二初始关联度确定当前线状障碍物与所述历史线状障碍物之间的关联度；
[0121] 第四关联度计算单元，用于利用所述第三关联规则并基于马氏距离计算当前线状障碍物上每个点状障碍物分别与历史线状障碍物之间的第三初始关联度，并基于所述第三初始关联度确定当前线状障碍物与所述历史线状障碍物之间的关联度。
[0122] 在一些具体实施例中，所述轮廓连接模块12，包括：
[0123] 障碍物更新单元，用于利用卡尔曼滤波并基于所述关联分析结果对当前障碍物的位置和协方差进行更新，以得到更新后的当前障碍物；
[0124] 轮廓连接单元，用于基于所述关联分析结果对更新后的当前障碍物和所述历史障碍物的轮廓进行连接，以得到当前障碍物轮廓。
[0125] 在一些具体实施例中，所述轮廓更新模块13，包括：
[0126] 存在概率更新单元，用于对当前障碍物中的不存在于所述历史障碍物中的点状障碍物设置初始存在概率，并基于所述历史障碍物是否存在于当前障碍物中，对所述历史障碍物中的点状障碍物的存在概率进行更新；
[0127] 障碍物消除单元，用于将当前障碍物轮廓中存在概率小于预设概率阈值的点状障碍物进行消除，以对当前障碍物轮廓进行更新。
[0128] 进一步的，本申请实施例还公开了一种电子设备，图9是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
[0129] 图9为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的障碍物轮廓检测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
[0130] 本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0131] 另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
[0132] 其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的障碍物轮廓检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0133] 进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的障碍物轮廓检测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0134] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0135] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以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。专业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申请的范围。
[0136] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块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。
[0137] 最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0138] 以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
