本发明涉及人工智能技术领域，尤其涉及一种基于双目视觉的障碍物检测方法、系统及存储介质。
背景技术：
随着传感器技术和双目视觉技术的发展，涌现出了越来越多的视差算法，对视差图像进行分析得到障碍物信息应用于机器人领域、智能汽车领域。例如：本发明可为了应对户外复杂场景的近处大障碍物检测，得到鲁棒的检测结果用于辅助智能驾驶。
技术实现要素：
本发明的目的在于公开一种基于双目视觉的障碍物检测方法、系统及存储介质，以进行智能控制。
为达上述目的，本发明公开一种基于双目视觉的障碍物检测方法，包括：
步骤s1、获取通过双目视觉技术所采集的图像，计算各所述图像的视差信息，并将矩阵形式的视差信息以视差图像可视化显示；
步骤s2、从各所述视差图像中筛选无近处障碍物的视差图像进行路面学习，得到路面模型；
步骤s3、基于所述路面模型对当前检测的视差图像进行图像分割，计算分割图像的统计特征，并将所述统计特征的结果与所对应的预设阈值进行对比，得到是否存在近处大障碍物的判断结果。
可选地，上述步骤s2具体包括：
步骤2.1、对所筛选出无近处障碍物的视差图像进行基于行方向的路面视差信息统计，拟合出当前一帧图像所对应的路面视差数据，并计算拟合得到的路面视差数据与真实视差图像中的路面视差数据之间的误差；
步骤2.2、对所筛选出无近处障碍物的下一帧视差图像也提取路面视差的统计信息，并与上一帧路面视差的统计信息进行累积，用累积后的新数据进行路面数据拟合，得到新的路面视差数据，同时也得到新的误差；判断当前所得新的误差是否满足停止迭代条件，如果是，结束路面学习并以该结束时得到的路面数据定义为路面模型；如果不满足，则选取新的无近处障碍物的视差图像继续进行迭代直至满足停止迭代条件。
可选地，上述步骤s3具体包括：
步骤3.1、将路面模型作为标准，与当前检测的视差图像进行比较，若在相同位置上视差值不一致，则被认为是疑似障碍物的地方，置为前景；否则置为背景，以此得到二值化的待检测区域模板；
步骤3.2、将待检测区域模板与当前检测的原视差图像进行基于像素位置的图像融合，待检测区域模板内的视差值保留，背景视差置为零，得到当前检测视差图像的待检测区域；
步骤3.3、在预设置的行范围阈值内，对待检测区域求取像素平均视差，根据预设置的像素平均视差阈值，判断是否存在近处的大障碍物；若当前检测的像素平均视差值大于预设置的像素平均视差阈值，则认为存在近处大障碍物；否则，认为不存在。
为达上述目的，本发明公开一种基于双目视觉的障碍物检测系统，设置有存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述方法中的步骤。
同理，本发明还公开一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上述方法中的步骤。
采用本发明的技术方案，原理严谨，计算快捷，使得基于双目视觉的近处大障碍物检测结果更加鲁棒；进而实现快速、准确的检测，进而实现智能控制。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明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为本发明双目相机所采集图像的左视图；
图2为本发明双目相机所采集图像的右视图；
图3为对应图1和图2的视差图像；
图4为基于路面学习所得路面模型的示意图；
图5为待检测区域模板示意图；
图6为对应图5的融合图像示意图；
图7为本发明基于双目视觉的障碍物检测方法流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
实施例1
本实施例公开一种基于双目视觉的障碍物检测方法，参照图1至图7，包括：
步骤s1、获取通过双目视觉技术所采集的图像，计算各所述图像的视差信息，并将矩阵形式的视差信息以视差图像可视化显示。
该步骤即：生成视差图像。由双目视觉系统获取得到的图像，计算得到视差信息，视差信息作为已知输入量，以图像像素矩阵形式给出，用不同颜色代表不同的视差值，将数字化的视差信息以图像形式可视化显示。
参阅附图1至图3，基于图1所示左视图和图2所示的右视图所得到的视差图像如图3。
步骤s2、从各所述视差图像中筛选无近处障碍物的视差图像进行路面学习，得到路面模型。
可选地，上述步骤s2具体包括：
步骤2.1、对所筛选出无近处障碍物的视差图像进行基于行方向的路面视差信息统计，拟合出当前一帧图像所对应的路面视差数据，并计算拟合得到的路面视差数据与真实视差图像中的路面视差数据之间的误差。
步骤2.2、对所筛选出无近处障碍物的下一帧视差图像也提取路面视差的统计信息，并与上一帧路面视差的统计信息进行累积，用累积后的新数据进行路面数据拟合，得到新的路面视差数据，同时也得到新的误差；判断当前所得新的误差是否满足停止迭代条件，如果是，结束路面学习并以该结束时得到的路面数据定义为路面模型；如果不满足，则选取新的无近处障碍物的视差图像继续进行迭代直至满足停止迭代条件。
在如图4所示路面模型中，纵坐标表示图像的行，横坐标表示路面视差值，由图可知，无穷远处的路面视差值为0，最近处的路面视差之为28。
步骤s3、基于所述路面模型对当前检测的视差图像进行图像分割，计算分割图像的统计特征，并将所述统计特征的结果与所对应的预设阈值进行对比，得到是否存在近处大障碍物的判断结果。
可选地，上述步骤s3具体包括：
步骤3.1、将路面模型作为标准，与当前检测的视差图像进行比较，若在相同位置上视差值不一致，则被认为是疑似障碍物的地方，置为前景；否则置为背景，以此得到二值化的待检测区域模板。图5所示即为一种待检测区域模板示意图。
步骤3.2、将待检测区域模板与当前检测的原视差图像进行基于像素位置的图像融合，待检测区域模板内的视差值保留，背景视差置为零，得到当前检测视差图像的待检测区域。其中，对应图5的融合图像如图6所示。
步骤3.3、在预设置的行范围阈值内，对待检测区域求取像素平均视差，根据预设置的像素平均视差阈值，判断是否存在近处的大障碍物；若当前检测的像素平均视差值大于预设置的像素平均视差阈值，则认为存在近处大障碍物；否则，认为不存在。
其中，在该步骤中，上述预设置的像素平均视差阈值可由实验和统计经验得出。对应上述步骤s3的原理为：在待检测区域模板中，可认为疑似障碍物的地方才有值，其他地方都是0；所以如果均值越大，即是说障碍物占的地方就多。
例如：对应图6的待检测区域，左侧纵坐标即为行数，假设“行范围阈值”取150至300，则很明显此时的视差均值为0；假设预设置的像素平均视差阈值取12，很明显，图6的视差均值小于预设置的像素平均视差阈值，因此判断近处没有大的障碍物。这与实际情况也是一致的。
综上，采用本实施例的技术方案，原理严谨，计算快捷，基于双目视觉的近处大障碍物检测结果更加鲁棒；进而实现快速、准确的检测，进而实现智能控制。
实施例2
与上述方法实施例相对应的，本实施例公开一种基于基于双目视觉的障碍物检测系统，设置有存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述方法实施例中的步骤。
同理，本发明还公开一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上述方法实施例中的步骤。
综上，本发明实施例公开的基于双目视觉的障碍物检测方法、系统及存储介质，原理严谨，计算快捷，使得基于双目视觉的近处大障碍物检测结果更加鲁棒；进而实现快速、准确的检测，进而实现智能控制。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。