基于相机的可测距障碍物检测模型研究

基于相机的可测距障碍物检测模型研究

郑一飞 王娜 颜明 付俊男

中车大连机车车辆有限公司 辽宁大连 116000

摘  要  随着无人驾驶技术的迅速发展，障碍物检测在其中的关键性日益凸显，特别是在机车无人驾驶领域，对障碍物检测的准确性和检测距离的精确要求更高。相机作为主要的视觉传感器，在障碍物检测过程中由于缺乏准确的空间感知能力，导致纯视觉障碍物检测的表现不佳。该研究提出了一种新方法，通过将相机测距功能集成到基于YOLO的障碍物检测模型中，以提高系统的空间感知能力，增强对位置和距离判断的准确性和稳定性。实验结果显示，这种方法能够有效识别各种类型的障碍物，并精确测量其与相机的距离，为无人驾驶应用提供更可靠的感知能力。

关键词 无人驾驶技术、障碍物检测、相机测距、空间感知能力

1  前言

在无人驾驶系统中，障碍物检测系统的性能直接影响着无人驾驶车辆在复杂环境中的安全性和效率。传统的障碍物检测系统通常能够准确识别环境中的物体，但对于物体与相机之间精确距离感知的问题仍存在一定挑战。为了弥补这一不足，本研究提出了一种基于YOLO[1]的障碍物检测系统集成相机测距功能的新方法。通过结合先进的测距技术和障碍物检测算法，希望实现更加精确和可靠的空间感知能力，从而提高系统对环境中障碍物位置和距离感知的准确性。

2  基于像素分割的距离映射关系研究

本研究通过像素分割的方法来实现相机的测距功能。相机测距是基于图像像素与实际距离之间的关系建立的，而像素分割则是为了将图像中的目标物体进行定位和特征提取，从而实现对目标的测距。本节将介绍如何利用像素分割技术来建立像素与距离之间的映射关系，以实现相机测距的准确性和可靠性。

在进行像素划分与距离数值对应关系的研究中，需要考虑到相机成像原理以及像素层与实际距离之间的关系。为了实现相机测距的准确性和可靠性，本研究将640*640像素大小的相机输入尺寸进行精确划分，并为纵向的640个像素赋予特定的距离数值，旨在建立像素与距离之间的映射关系。

2.1 像素与距离映射关系的标定

像素与距离映射关系的标定所涉及的传感器包括相机和精准的测距工具，本研究采用单线测距激光雷达作为测距工具，通过ROS2开发平台采集数据，通过Rosbag工具对两个传感器进行时间同步处理。

通过回放数据，匹配图像像素信息与单线测距激光雷达的距离信息，为每个纵向像素匹配一个距离值，通过字典绑定像素信息和距离信息，实现获取像素分割与距离信息的映射关系，并将其保存为预设信息。像素与距离映射关系如下图示例所示，其中左侧为像素信息，右侧是距离信息，距离单位是毫米（mm）。

图2-1 对应关系图

2.2 数据校准

在实际标定过程中，数据采集受到多种因素影响，其存在测量误差，需要对标定结果进行数据校准，校准过程包含以下步骤：

多次反复收集标定数据：在线路环境中利用相机和单线测距激光雷达，收集大量的像素点和实际距离的一一对应的数据，作为数据校准的真值来评估标定的准确性。

分析数据差异：将实际测得的距离信息与像素点对应的数据进行比对分析，找出它们之间的差异和偏差，避免单线测距激光雷达的数据异常导致极值出现。

制定校准策略：根据分析结果，制定相应的校准策略，包括线性校准和非线性校准等数学模型来调整像素点和距离信息之间的对应关系。

实施校准：对像素点对应的距离信息进行修正和调整，在程序中更新相应的数据结构或映射，确保新的数据能够更准确地反映实际距离。

验证校准效果：经过修正后的数据需要再次在实际环境中进行测试和验证，以确保校准效果符合预期，并持续监测和调整校准策略以保持系统的准确性。

3 基于YOLOv5-SEG的可测距障碍物检测模型设计

3.1 YOLOv5-SEG

YOLOv5-SEG在YOLOv5[2]的基础上引入了语义分割的功能，通过在目标检测的基础上增加对每个像素的类别预测，实现了对物体的精确像素级别分割。这样的精细分割[3]结果能够提供更多的像素级信息，包括物体底部的像素位置，从而满足测距等任务对像素级位置信息的需求。因此，它不仅可以准确地定位物体的整体轮廓，还能够提供更加精细和全面的像素级别信息，为测距等任务提供了更可靠的支持。

3.2 可测距模型设计原理

可测距模型的关键在于将像素与距离之间的映射关系作为预设信息，并利用该信息实现对障碍物的准确测距。通过在YOLOv5-SEG模型检测到的障碍物中提取最低点的像素坐标作为测距的基准像素点，建立起像素位置与真实距离之间的对应关系。进一步根据基准像素点，可以精确地查找出对应的距离信息，从而实现对障碍物到相机的距离测量。这一模型的设计不仅在YOLOv5-SEG模型的基础上进行了巧妙拓展，还成功实现了实际测距功能，为障碍物检测系统中的空间感知提供了更加全面和精确的解决方案。

3.3  可测距模型搭建

模型搭建的具体流程如下：

(1)预设信息读取与数据结构构建：

在实现预设信息读取与数据结构构建的过程中，首先需要从保存了像素和距离映射关系的文件中读取数据。每行数据包含像素坐标和对应的距离信息，将这些关键信息存储到程序中。为了高效地管理这些数据，本研究利用字典这种数据结构来构建映射关系，以便快速地查找任意像素点所对应的距离信息。通过这样的数据结构设计，能够有效地将像素坐标和距离之间的映射关系整合起来，并为后续的像素级距离测量提供便利。

(2)提取基准像素点：

在提取基准像素点的过程中，首先需要从YOLOv5-SEG模型检测到的障碍物中获取最低点的像素坐标作为测距的基准点。为了获得精确的像素点信息，本研究通过处理mask码来提取基准像素点，即预设信息中的第一列数值。通过分析障碍物的mask码数据，可以准确地定位并提取出障碍物底部的最低像素点，从而确定测距的基准点。

(3)匹配距离信息：

在匹配距离信息的过程中，利用之前提取的基准像素点，在构建好的字典数据结构中查找对应的距离信息，即预设信息中的第二列数值。通过将基准像素点作为字典的键值，可以快速而准确地检索到对应的距离信息。这样，就能够根据YOLOv5-SEG模型检测到的障碍物最低点的像素坐标，从预先存储的像素和距离映射关系中获取到相应的距离信息。

(4)模型封装：

将障碍物信息以及测距信息通过ROS2封装，自定义消息类型msg，并将障碍物有关信息全部发布到指定的话题上。其他程序节点可以订阅该话题，以获取障碍物信息，包括障碍物类型、距离等信息。

3.4  试验验证

经过多次优化像素分割与距离映射的标定结果，并与YOLOv5-SEG检测模型进行融合，本研究在实际场景中进行了障碍物检测测试，以类别人为例，输出障碍物与相机之间的实时距离。检测效果如下图所示。

图3-1 可测距障碍物检测效果图

4   结语

本研究结合障碍物检测模型和先进的测距技术，成功将相机测距功能集成到基于YOLOv5-SEG的障碍物检测系统中。过这一创新方法的引入，本研究不仅为现有的障碍物检测系统注入了更强大的空间感知能力，也为未来的无人驾驶环境感知系统的发展探索了新的方向。

参考文献

[1]Kumari N , Lee K , Ranaweera C ,et al.A Comparison of Clustering vs YOLO for Drone Swarm Centroid Detection[C]//2023 8th International Conference on Robotics and Automation Engineering (ICRAE). 0 [2024-03-22].DOI:10.1109/ICRAE59816.2023.10458512.

[2]Mekhalfi M L , Nicolo C , Bazi Y ,et al.Contrasting YOLOv5, Transformer, and EfficientDet Detectors for Crop Circle Detection in Desert[J].IEEE Geoscience and Remote Sensing Letters, 2022, 19.DOI:10.1109/LGRS.2021.3085139.

[3]曾镜源,洪添胜,杨洲.基于实例分割的柚子姿态识别与定位研究[J].河南农业大学学报, 2021.