(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210996609.3 (22)申请日 2022.08.19 (65)同一申请的已公布的文献号 申请公布号 CN 115063594 A (43)申请公布日 2022.09.16 (73)专利权人 清驰(济南)智能科技有限公司 地址 250215 山东省济南市章 丘区双山 街 道经十东路7888号双创基地1号楼9层 9001-2室 (72)发明人 刘超　 (74)专利代理 机构 北京远立知识产权代理事务 所(普通合伙) 11502 专利代理师 李海燕 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01) (56)对比文件 CN 110008848 A,2019.07.12 CN 114693924 A,202 2.07.01 CN 112712066 A,2021.04.27CN 111415373 A,2020.07.14 CN 113111722 A,2021.07.13 US 2022148184 A1,202 2.05.12 Di Chen et al.Perso n Search via A Mask-guided Tw o-stream CN N Model. 《Proceedings of the European Co nference on Computer Visi on (ECCV)》 .2018, 李伟.基于深度学习的遥感图像 语义分割方 法研究. 《中国优秀硕士学位 论文全文数据库 （电 子期刊） 》 .202 2,第2022年卷(第0 3期), 宗岩.改进的基 于特征点的图像拼接融合 算 法. 《兰州交通大 学学报》 .2012,第31卷(第1期), 郑阳.融合视 觉的激光雷达点云 分割与检 测. 《中国优秀硕士学位 论文全文数据库 （电子期 刊） 》 .202 2,第2022年卷(第02期), Yi Li et al.Ful ly convolutional instance-aware semantic segmentati on. 《Proceedings of the IE EE Conference o n Computer Visi on and Pat tern Recogn ition (CVPR)》 .2017, 张慧美.基 于联合框架和分离 框架的行 人搜 索算法研究. 《中国优秀硕士学位 论文全文数据 库 （电子期刊） 》 .2021,第2021年卷(第0 3期), 审查员 宋海荣 (54)发明名称 一种基于自动驾驶的特 征提取方法及装置 (57)摘要 本发明涉及辅助驾驶技术领域， 提供一种基 于自动驾驶的特征提取方法及装置， 所述方法包 括： 获取目标区域的原始图像； 将所述原始图像 输入至预先训练的语义分割模型中， 以基于得到 目标物体区域和非目标物体区域的二分类图片； 将二分类图片作为掩膜， 与对应的原始图像相结 合， 以获得目标区域的融合图像； 利用尺度不变 特征变换算法提取所述融合图像中的目标特征 点； 其中， 所述语义分割模型是基于原始图像样 本输入二分类 分割网络训练得到的。 解决了现有技术中车辆行驶环境中特征点提取的准确性较 差， 且特征点筛选的计算 量较大的技 术问题。 权利要求书3页 说明书8页 附图2页 CN 115063594 B 2022.12.13 CN 115063594 B 1.一种基于自动驾驶的特 征提取方法， 其特 征在于， 所述方法包括： 获取目标区域的原 始图像； 将所述原始图像输入至预先训练的语义分割 模型中， 以基于得到目标物体区域和非 目 标物体区域的二分类图片； 将二分类图片作为掩膜， 与对应的原 始图像相结合， 以获得目标区域的融合图像； 利用尺度不变特 征变换算法提取 所述融合图像中的目标 特征点； 其中， 所述语义分割模型 是基于原 始图像样本 输入二分类分割网络训练得到的； 利用尺度不变特 征变换算法提取 所述融合图像中的目标 特征点， 具体包括： 利用尺度不变特 征变换算法提取 所述融合图像中的当前 特征点； 将所述当前特征点与下一时刻的融合图像进行特征匹配， 得到匹配特征点集， 并计算 当前融合图像与下一时刻的融合图像中的特 征点所对应的深度， 以得到深度图； 基于聚类算法， 将所述深度图分割为多个聚类区域， 并统计各聚类区域内的内点数和 点数比例； 将深度图中动态区域内的像素设为1， 其 他区域像素 赋值为0， 得到二 值图； 将所述二值图作为掩膜， 与原始图像结合以去除运动 状态的物体， 并提取SIFT特征点， 以得到所述目标 特征点； 基于聚类算法， 将所述深度图分割为多个聚类区域， 并统计各聚类区域内的内点数和 点数比例， 具体包括： 利用K均值聚类， 将深度图分割为多个物体区域， 统计在各个聚类区域内的内点数 和比例 ； 统计各聚类区域内的内点数和点数比例， 之后还 包括： 通过迭代求解基础矩阵进行第一次筛选， 以筛选出特征点中的第一组内点并剔除外 点， 统计在各个聚类区域内的第一组内点中的内点数 和比例 ； 通过迭代求解基础矩阵对所述第 一组内点进行第 二次筛选， 以筛选出特征点中的第 二 组内点并剔除外点， 统计在各个聚类区域内的第二组内点中的内点数 和比例 ； 第i个聚类区域若同时满足以下三个条件， 则判定该区域 为动态物体区域： 式中， 和 为设定的取值范围为0 ‑100的阈值。 2.根据权利要求1所述的基于自动驾驶的特征提取方法， 其特征在于， 得到目标物体区 域和非目标物体区域的二分类图片， 之后还 包括： 为所述目标物体区域的像素点设置第 一标签值， 为所述非 目标物体区域的像素点设置权　利　要　求　书 1/3 页 2 CN 115063594 B 2第二标签值。 3.根据权利要求1所述的基于自动驾驶的特征提取方法， 其特征在于， 利用以下公式， 计算当前融合图像与下一时刻的融合图像中的特 征点所对应的深度： 式中， B为双目摄像机 的基线长度， f为摄像机的焦距， disparity代表该点对应的视差 值。 4.一种基于自动驾驶的特 征提取装置， 其特 征在于， 所述装置包括： 图像获取 单元， 用于获取目标区域的原 始图像； 图像分割单元， 用于将所述原始图像输入至预先训练的语义分割模型中， 以基于得到 目标物体区域和非目标物体区域的二分类图片； 图像融合单元， 用于将二分类图片作为掩膜， 与对应的原始图像相结合， 以获得目标区 域的融合图像； 特征提取单元， 用于利用尺度不变特 征变换算法提取 所述融合图像中的目标 特征点； 其中， 所述语义分割模型 是基于原 始图像样本 输入二分类分割网络训练得到的； 利用尺度不变特 征变换算法提取 所述融合图像中的目标 特征点， 具体包括： 利用尺度不变特 征变换算法提取 所述融合图像中的当前 特征点； 将所述当前特征点与下一时刻的融合图像进行特征匹配， 得到匹配特征点集， 并计算 当前融合图像与下一时刻的融合图像中的特 征点所对应的深度， 以得到深度图； 基于聚类算法， 将所述深度图分割为多个聚类区域， 并统计各聚类区域内的内点数和 点数比例； 将深度图中动态区域内的像素设为1， 其 他区域像素 赋值为0， 得到二 值图； 将所述二值图作为掩膜， 与原始图像结合以去除运动 状态的物体， 并提取SIFT特征点， 以得到所述目标 特征点； 基于聚类算法， 将所述深度图分割为多个聚类区域， 并统计各聚类区域内的内点数和 点数比例， 具体包括： 利用K均值聚类， 将深度图分割为多个物体区域， 统计在各个聚类区域内的内点数 和比例 ； 统计各聚类区域内的内点数和点数比例， 之后还 包括： 通过迭代求解基础矩阵进行第一次筛选， 以筛选出特征点中的第一组内点并剔除外 点， 统计在各个聚类区域内的第一组内点中的内点数 和比例 ； 通过迭代求解基础矩阵对所述第 一组内点进行第 二次筛选， 以筛选出特征点中的第 二 组内点并剔除外点， 统计在各个聚类区域内的第二组内点中的内点数 和比例 ； 第i个聚类区域若同时满足以下三个条件， 则判定该区域 为动态物体区域：权　利　要　求　书 2/3 页 3 CN 115063594 B 3