具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。

在一种具体实施方式中，如图1所示，本发明所提供的基于双目相机的限高装置检测方法包括以下步骤：

S1：构建目标检测模型，并利用目标检测算法对所述目标检测模型进行训练，以得到深度学习目标检测模型。

具体地，构建限高装置数据集并完成精确标注后，选择合适的深度学习目标检测算法进行目标检测模型的训练。在模型训练的过程中，应持续调整算法的超参数，直至算法的超参数完全适配限高装置数据集与目标检测算法，从而训练出检测精度较高的深度学习目标检测模型。

为了提高模型训练的准确性，在进行深度学习目标检测模型训练之前，选择对限高装置检测问题合适的目标检测网络。SSD网络使用了多尺度多长宽比的密集锚点以及特征金字塔的设计，与限高装置的几何特征适配度较高，因此选择使用SSD网络作为目标检测网络进行训练，其中，SSD的网络结构如图2所示。

S2：基于所述深度学习目标检测模型获取目标限高装置的位置，并在双目相机的原始图像上标出所述目标限高装置。在训练出高检测精度的深度学习目标检测模型后，将限高装置数据集中的测试集数据输入模型中对模型进行测试，基于目标检测模型的测试结果会精确的检出限高装置的位置，并以矩形框的形式将限高装置的区域包裹住，即标出目标限高装置。

S3：获取所述双目相机的原始视差图，并对所述原始视差图进行清洗，得到目标视差图。

为了提高清洗效果，可通过粗清洗和细清洗两步。也就是说，对所述视差图进行清洗，得到目标视差图，具体包括：

使用均值滤波对原始视差图进行粗粒度清洗，得到粗清洗后的视差图；

对粗清洗后的视差图进行细粒度清洗，得到所述目标视差图。

其中，所述使用均值滤波对原始视差图进行粗粒度清洗，具体包括：

设定视差极大值阈值与视差极小值阈值；

求取所述原始视差图的全图非零平均值；

按行求取所述原始视差图中每行的平均值与非零平均值，并计算该行平均值与非零平均值的差值；

若对比计算的结果超过极大值阈值，则将该行置0；

如果计算低于极小值阈值，则认为该行空洞较多，并将该行替换为全图非零平均值。

其中，所述对粗清洗后的视差图进行细粒度清洗，具体包括：

设定细粒度滤波步数=15与细粒度滤波步长=3；

按上述的步骤进行反复清洗；

清洗次数为所述滤波步数与所述滤波步长的乘积，其中，每完成1次清洗，滤波步数减1，滤波步数加1，直到完成清洗次数为止。

从原理上来讲，利用双目相机的原始图像，逐点计算左右相机重合且有效区域的视差，得到与原始图像相对应的视差图。在视差图中视差值的大小代表物体与相机距离的大小。但是经过计算得到的视差图在远距离会有较大的噪音干扰，根据目标检测模型检出的包裹限高装置的矩形框的位置取出对应位置的视差图，做可视化处理后的结果如图3所示。

从可视化结果可以看出，原始视差图的视差分布非常不均匀，因此需要对原始视差图进行清洗。视差图的清洗分为粗粒度清洗与细粒度清洗，首先使用均值滤波对原始视差图进行粗粒度清洗，结果如图4所示。

基于上述原理，粗粒度清洗的策略为：

设定视差极大值阈值与视差极小值阈值；

求取全图的非零平均值；

按行求取该行的平均值与非零平均值，并计算该行平均值与非零平均值的差值；

如果计算超过极大值阈值，则认为该行为异常值，并将该行置0；

如果计算低于极小值阈值，则认为该行空洞较多，并将该行替换为全图非零平均值。

从可视化结果可以看出，在经过粗粒度清洗后的视差图的数值分布相比初始视差图要均匀很多，但仍不足以支持算法完成准确计算。因此，需要对视差图进行进一步的细粒度清洗，经过细粒度清洗后的视差图可视化结果如图5所示。

基于上述原理，细粒度清洗的方式为：

设定细粒度滤波步数=15与细粒度滤波步长=3；

每一次细粒度清洗，滤波步数减1，步数加1，总共进行滤波步数×滤波步长次视差图清洗；

每一步清洗都按照粗粒度清洗的方法严格执行。

经过细粒度清洗后的视差图的数值分布均匀，可以进行下一步的限高装置的距离以及高度的计算。

S4：基于所述目标视差图计算所述目标限高装置的高度，以及所述目标限高装置与当前车辆的距离。

其中，所述基于所述目标视差图计算所述目标限高装置的高度，具体包括：

根据以下公式计算目标限高装置的高度：

其中，height代表目标高度，V代表目标相素坐标，V ₀ 代表相机光心坐标，disparity代表视差值大小。

基于所述目标视差图计算所述目标限高装置与当前车辆的距离，具体包括：

基于所述目标视差图，计算所述目标限高装置在所述目标视差图上的视差值；

根据以下公式计算目标限高装置与当前车辆之间的距离：

其中，distance为目标限高装置与当前车辆之间的距离，b为双目相机的基线，f为双目相机的焦距，disparity为所述目标限高装置在所述目标视差图上的视差值。

在上述具体实施方式中，该方法通过对目标检测模型进行训练，提高模型准确性，从而提高基于模型获得的目标限高装置位置的准确性；同时，通过对视差图进行清洗，提高视差图的准确性，从而提高基于视差图计算得到的目标限高装置的高度和距离的准确性。从而解决了现有技术中限高装置的高度、距离检测准确性较差的技术问题。

进一步地，该方法使用双目相机构建限高装置数据库，使用深度学习目标检测方法对车辆前方的限高装置进行精确检测。根据双目相机的左右视图逐点计算视差值并提取检测出的限高装置对应位置的视差图，在经过粗粒度与细粒度清洗后，视差图数值分布更加均匀可靠，可根据计算出的视差值完成限高装置的距离与高度的测量。进而能够提前为驾驶员提供有效信息，避免发生高度方向上的碰撞，有效降低限高事故的发生率。

除了上述方法，本发明还提供一种基于双目相机的限高装置检测系统，用于实施如上所述的方法，在一种具体实施方式中，如图6所示，所述系统包括：

模型构建单元100，用于构建目标检测模型，并利用目标检测算法对所述目标检测模型进行训练，以得到深度学习目标检测模型；

位置检测单元200，用于基于所述深度学习目标检测模型获取目标限高装置的位置，并在双目相机的原始图像上标出所述目标限高装置。具体地，位置检测单元200用于使用限高装置数据集中的测试集数据对模型进行测试。

视差图清洗单元300，用于获取所述双目相机的原始视差图，并对所述原始视差图进行清洗，得到目标视差图。

其中，视差图清洗单元300具体用于：

使用均值滤波对原始视差图进行粗粒度清洗，得到粗清洗后的视差图；

对粗清洗后的视差图进行细粒度清洗，得到所述目标视差图。

高度和距离计算单元400，用于基于所述目标视差图计算所述目标限高装置的高度，以及所述目标限高装置与当前车辆的距离。

高度和距离计算单元400具体用于，根据以下公式计算目标限高装置的高度：

其中，height代表目标高度，V代表目标相素坐标，V ₀ 代表相机光心坐标，disparity代表视差值大小。

高度和距离计算单元400具体用于，基于所述目标视差图，计算所述目标限高装置在所述目标视差图上的视差值；

根据以下公式计算目标限高装置与当前车辆之间的距离：

其中，distance为目标限高装置与当前车辆之间的距离，b为双目相机的基线，f为双目相机的焦距，disparity为所述目标限高装置在所述目标视差图上的视差值。

在上述具体实施方式中，该系统通过对目标检测模型进行训练，提高模型准确性，从而提高基于模型获得的目标限高装置位置的准确性；同时，通过对视差图进行清洗，提高视差图的准确性，从而提高基于视差图计算得到的目标限高装置的高度和距离的准确性。从而解决了现有技术中限高装置的高度、距离检测准确性较差的技术问题。

本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；

所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。

与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，所述一个或多个程序指令用于被一种双目相机深度标定系统执行如上所述的方法。

在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器（Digital Signal Processor，简称DSP）、专用集成电路（Application Specific工ntegrated Circuit，简称ASIC）、现场可编程门阵列（FieldProgrammable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。

存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

其中，非易失性存储器可以是只读存储器（Read-Only Memory，简称ROM）、可编程只读存储器（Programmable ROM，简称PROM）、可擦除可编程只读存储器（Erasable PROM，简称EPROM）、电可擦除可编程只读存储器（Electrically EPROM，简称EEPROM）或闪存。

易失性存储器可以是随机存取存储器（Random Access Memory，简称RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（Static RAM，简称SRAM）、动态随机存取存储器（Dynamic RAM，简称DRAM）、同步动态随机存取存储器（Synchronous DRAM，简称SDRAM）、双倍数据速率同步动态随机存取存储器（Double Data RateSDRAM，简称DDRSDRAM）、增强型同步动态随机存取存储器（EnhancedSDRAM，简称ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，简称SLDRAM）和直接内存总线随机存取存储器（DirectRambus RAM，简称DRRAM）。

本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。