一种障碍物检测方法及其装置、存储介质与流程

1.本发明涉及无人驾驶航空器技术领域，具体涉及一种障碍物检测方法及其装置、存储介质。


背景技术：

2.在未来城市空中交通中，自动驾驶是实现无人驾驶航空器高效、安全运营的最重要技术，但是目前中国城市低空交通运输发展缓慢，低空空域管理滞后，无人驾驶航空器自动驾驶受到鸟群、无人机、地面障碍物、气象条件的威胁，缺乏高性价比、高可靠性的感知手段，其发展与应用受到严重阻碍。
3.目前在无人驾驶航空器领域，障碍物的检测主要通过两类感知手段：其一，是通过摄像头进行环境感知，以消费级/专业级无人机为代表，通过单摄、双摄等技术实现目标识别及定位，但其存在检测距离近，可靠性低的缺点，无法应用于载人的无人驾驶航空器；其二，是通过毫米波雷达进行环境感知，以小型机载相控阵雷达为代表，但是目前该技术主要应用于军事领域，缺少适用于民用小型载人飞行器的产品，价格高昂，短时间内难以推广应用。


技术实现要素：

4.本发明的目的在于提出一种障碍物检测方法及其装置、存储介质，以解决无人驾驶航空器的小目标检测技术问题，提高检测精度，降低检测成本。
5.为实现上述目的，本发明的第一方面提出一种障碍物检测方法，所述方法包括：
6.接收m个阵列相机拍摄的m组小视场图像；其中，所述m个阵列相机设置于航空器前部，每个阵列相机包括按阵列方式排布的多个摄像头，所述多个摄像头用于对航空器前方环境进行拍摄得到对应的多帧小视场图像，m＞1；
7.分别对每一组小视场图像中多帧小视场图像进行图像拼接处理，得到与所述m个阵列相机对应的m帧大视场图像；
8.根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组第一障碍物目标信息，每一组第一障碍物目标信息包括h个障碍物目标的第一空间位置、速度矢量和障碍物类型；其中，h≥0；
9.根据预先设置的双摄定位算法以及所述m帧大视场图像计算得到m组第二障碍物目标信息，每一组第二障碍物信息包括h个障碍物目标的第二空间位置；
10.根据所述m组第一障碍物目标信息中的速度矢量和障碍物类型、以及所述m组第二障碍物目标信息中的第二空间位置分别进行融合处理得到障碍物目标的速度矢量、障碍物类型和空间位置。
11.优选地，所述根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组第一障碍物目标信息，包括：
12.对所述m帧大视场图像中的像素团进行检测得到对应的m组疑似障碍物信息，且每
一组疑似障碍物信息包括n个疑似障碍物的第一空间位置、速度矢量和障碍物类型；其中，所述像素团包括相邻的多个像素点，n≥h≥0；
13.获取航空器的飞行路线信息；
14.根据所述飞行路线信息和所述m组疑似障碍物信息得到对应的m组第一障碍物目标信息；其中，若任一个疑似障碍物干扰航空器飞行，则该任一个疑似障碍物为障碍物目标，n≥h≥0。
15.优选地，所述对所述m帧大视场图像中的像素团进行检测得到对应的m组疑似障碍物信息，包括：
16.分别对所述m帧大视场图像中的像素团进行检测得到对应的m组像素团，且每一组像素团包括f个像素团；其中，f≥n；
17.分别对每一组像素团进行筛选得到对应的m组疑似障碍物信息；其中，若任一个像素团的大小满足预设要求，则确定该任一个像素团为疑似障碍物，并计算该疑似障碍物的第一空间位置、速度矢量和障碍物类型。
18.优选地，疑似障碍物的第一空间位置、速度矢量和障碍物类型的计算方式如下：
19.对于任一组疑似障碍物信息中的任一个疑似障碍物，获取与该任一个疑似障碍物对应的任一个阵列相机的当前时刻和上一时刻的前、后两帧大视场图像；
20.获取航空器的第一空间位置和速度矢量，根据该任一个疑似障碍物在该前、后两帧大视场图像中的位置、以及所述航空器的第一空间位置和速度矢量获得该任一个疑似障碍物的第一空间位置、速度矢量，并根据该任一个疑似障碍物的速度矢量确定该任一个疑似障碍物的障碍物类型。
21.优选地，其中，所述每一组第一障碍物目标信息还包括h个障碍物目标的存在概率；
22.所述根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组第一障碍物目标信息，还包括：
23.根据每一组第一障碍物目标信息中的任意两个障碍物目标的第一空间位置和速度矢量计算该任意两个障碍物目标之间的相似度，从而获得每一组第一障碍物目标信息中的任一个障碍物目标与其他障碍物目标之间的相似度；
24.根据每一组第一障碍物目标信息中的任一个障碍物目标与其他障碍物目标之间的相似度确定该任一个障碍物目标的存在概率，从而获得m组第一障碍物目标信息中的h个障碍物目标的存在概率。
25.优选地，所述根据每一组第一障碍物目标信息中的任意两个障碍物目标的第一空间位置和速度矢量计算该任意两个障碍物目标之间的相似度，具体根据以下方式计算得到：
26.x
1-2
＝(p1/p2)*a+(v1/v2)*b
27.其中，x
1-2
为第一障碍物目标和第二障碍物目标之间的相似度，p1为第一障碍物目标的第一空间位置，p2为第二障碍物目标的第二空间位置，v1为第一障碍物目标的速度矢量，v2为第二障碍物目标的速度矢量，a和b均为预先设置的权重系数。
28.优选地，所述根据所述m组第一障碍物目标信息中的速度矢量和障碍物类型、以及所述m组第二障碍物目标信息中的第二空间位置分别进行融合处理得到障碍物目标的速度
矢量、障碍物类型和空间位置，还包括：
29.对所述m组第一障碍物目标信息中的h个障碍物目标的存在概率进行融合处理得到h个障碍物目标的存在概率。
30.优选地，所述接收m个阵列相机拍摄的m组小视场图像，包括：
31.接收相机监控系统输出的k个阵列相机的状态信号；其中，所述状态信号为正常或异常；
32.根据所述k个阵列相机的状态信号确定状态信号为正常的m个阵列相机，接收该m个阵列相机拍摄的m组小视场图像；其中，k≥m。
33.本发明的第二方面还提出一种障碍物检测装置，用于实现上述第一方面所述的障碍物检测方法，所述装置包括：
34.图像接收模块，用于接收m个阵列相机拍摄的m组小视场图像；其中，所述m个阵列相机设置于航空器前部，每个阵列相机包括按阵列方式排布的多个摄像头，所述多个摄像头用于对航空器前方环境进行拍摄得到对应的多帧小视场图像，m＞1；
35.图像处理模块，用于分别对每一组小视场图像中多帧小视场图像进行图像拼接处理，得到与所述m个阵列相机对应的m帧大视场图像；
36.目标检测模块，用于根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组障碍物目标的第一空间位置、速度矢量和障碍物类型；
37.双摄定位模块，用于根据预先设置的双摄定位算法以及所述m帧大视场图像计算得到m组障碍物目标的第二空间位置；
38.融合处理模块，用于根据所述m组障碍物目标的速度矢量和障碍物类型、以及所述m组障碍物目标的第二空间位置进行融合处理得到障碍物目标的空间位置、速度矢量和障碍物类型。
39.本发明的第三方面还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时完成如上述第一方面所述的障碍物检测方法。
40.与现有技术相比，本发明至少具有以下有益效果：
41.航空器前部设置m个阵列相机，在航空器飞行过程中，自动接收该m个阵列相机拍摄的m组小视场图像，分别对每一组小视场图像中多帧小视场图像进行图像拼接处理，得到对应的m帧大视场图像；根据预先设置的小目标检测算法对m帧大视场图像进行小目标检测得到m组第一障碍物目标信息，每一组第一障碍物目标信息包括h个障碍物目标的第一空间位置、速度矢量和障碍物类型；根据预先设置的双摄定位算法以及m帧大视场图像计算得到m组第二障碍物目标信息，每一组第二障碍物信息包括h个障碍物目标的第二空间位置；最后，根据m组速度矢量、障碍物类型、第二空间位置分别进行融合处理得到障碍物目标的速度矢量、障碍物类型和空间位置。基于以上阐述的内容可知，本发明采用了冗余设计的m个阵列相机，提出了对m个阵列相机的探测图像分别进行小目标检测和检测结果融合，同时，还提出了结合基于摄像机图像进行定位的两种定位手段，实现了基于摄像头实现航空器障碍物的探测与定位的可靠性，相对于传统摄像头感知方法而言可靠性更高，相对于毫米波雷达感知方法而言成本更低，因此，本发明克服了现有摄像头分辨率和探测范围不能兼得的缺陷，为无人驾驶航空器自动驾驶的感知提供了一套高性能、高可靠的方案，
42.易于推广，具有非常高的应用价值，能够有效促进载人无人驾驶航空器的发展。
43.本发明的其它特征和优点将在随后的具体实施方式中阐述。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明的一个实施例中所述的一种障碍物检测方法的流程图。
46.图2为本发明的一个实施例中3个相同的阵列相机之间的距离关系示意图。
47.图3为本发明的一个实施例中所述的一种障碍物检测装置的框架结构图。
具体实施方式
48.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。
49.本发明的一个实施例提出一种障碍物检测方法，可以应用于无人驾驶航空器，参阅图1，本实施例的方法包括以下几个步骤：
50.步骤s1、接收m个阵列相机拍摄的m组小视场图像；其中，所述m个阵列相机设置于航空器前部，每个阵列相机包括按阵列方式排布的多个摄像头，所述多个摄像头用于对航空器前方环境进行拍摄得到对应的多帧小视场图像，m＞1；
51.具体而言，m的取值不局限于某一个数值，可以根据具体的需求进行设定；本实施例中以m＝3为例进行说明，以便于阐述本发明内容；当m＝3时，如图2所示，1#相机、2#相机、3#相机等3个相同的阵列相机之间满足以下几何关系：以航空器正前方为投影方向，3个阵列相机投影到该方向后，1#相机、2#相机、3#相机之间的距离分别为l1、l2、l3；距离l1、l2、l3用于后续第二空间位置的定位；
52.举例而言，每个阵列相机包括的摄像头的数量不局限于某一个数值，优选地，在本实施例中，每个阵列相机所包括的摄像头可以是10个以上，本实施例中以每个阵列相机包括10个摄像头进行举例说明，以便于阐述本发明内容；每一个摄像头可以拍摄得到一帧小视场图像；其中，视场代表着摄像头能够观察到的最大范围，通常以角度来表示，视场越大，观测范围越大；
53.步骤s2、分别对每一组小视场图像中多帧小视场图像进行图像拼接处理，得到与所述m个阵列相机对应的m帧大视场图像；
54.如上所述，m＝3，一个阵列相机包括10个摄像头，则每一帧大视场图像都是由对应的一个阵列相机的10帧小视场图像进行拼接得到，图像拼接的方式不局限于某一种特别的方式，本实施例中的目的只要实现得到大视场图像即可；
55.步骤s3、根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组第一障碍物目标信息，每一组第一障碍物目标信息包括h个障碍物目标的第一空间位置、速度矢量和障碍物类型；其中，h≥0；
56.具体而言，在本实施例中，小目标检测算法不局限于某一种，可以是基于深度学习的神经网络模型来实现，通过预先训练基于深度学习的神经网络模型来实现小目标检测；理论上来说，每一帧大视场图像经过小目标检测都会得到h个障碍物目标，也就是说每一组第一障碍物目标信息中都会包括h个障碍物目标，只是他们的第一空间位置、速度矢量和障碍物类型有可能是略有不同的；
57.步骤s4、根据预先设置的双摄定位算法以及所述m帧大视场图像计算得到m组第二障碍物目标信息，每一组第二障碍物信息包括h个障碍物目标的第二空间位置；
58.具体而言，任意两个阵列相机的大视场图像以及双摄定位算法，即可以得到一个第二空间位置，如上所述，m＝3的情况下，3帧大视场图像两两之间进行双摄定位，可以得到每个障碍物目标的3个第二空间位置；
59.可以理解的是，基于双摄定位算法得到的障碍物目标的位置实际上是疑似障碍物与航空器的相对位置，结合航空器的定位系统给出的航空器自身空间位置，可以进一步得到疑似障碍物的第二空间位置；
60.步骤s5、根据所述m组第一障碍物目标信息中的速度矢量和障碍物类型、以及所述m组第二障碍物目标信息中的第二空间位置分别进行融合处理得到障碍物目标的速度矢量、障碍物类型和空间位置；
61.具体而言，融合处理的算法有很多种，本实施例中优选但不限于采用卡尔曼滤波融合算法来融合多种数据，即，相同的一个障碍物目标的m个速度矢量融合处理后得到一个速度矢量，相同的一个障碍物目标的m个障碍物类型融合处理后得到一个障碍物类型，相同的一个障碍物目标的m个第二空间位置融合处理后得到一个空间位置，最终，在得到一个或多个障碍物目标的速度矢量、障碍物类型和空间位置后，会输出给航空器的驾驶决策系统，用于给航空器的驾驶决策提供参考依据。
62.需说明的是，本实施例中采用了冗余设计的m个阵列相机，提出了对m个阵列相机的探测图像分别进行小目标检测和检测结果融合，同时，还提出了结合基于摄像机图像进行定位的两种定位手段，实现了基于摄像头实现航空器障碍物的探测与定位的可靠性，相对于传统摄像头感知方法而言可靠性更高，相对于毫米波雷达感知方法而言成本更低，因此，本实施例的方法易于推广，具有非常高的应用价值。
63.还需说明的是，传统的阵列相机比较常用的是在安防领域，其一般分率在亿级像素级别，具备在1km具体上探测人形大小物体的能力与较大的探测范围；但这种用于安防的阵列相机存在分辨率和可靠性的缺陷，无法探测消费级无人机大小的物体，同时其可靠性也达不到航空安全级别的要求，而本实施例中通过冗余设计以及多种算法的结合，能够满足航空器应用要求。
64.在一些实施例中，在所述步骤s3中，根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组第一障碍物目标信息，包括以下子步骤：
65.步骤s31、对所述m帧大视场图像中的像素团进行检测得到对应的m组疑似障碍物信息，且每一组疑似障碍物信息包括n个疑似障碍物的第一空间位置、速度矢量和障碍物类型；其中，所述像素团包括相邻的多个像素点，n≥h≥0；
66.步骤s32、获取航空器的飞行路线信息；
67.具体而言，所述飞行路线信息可以通过航空器的导航系统来获得；
68.步骤s33、根据所述飞行路线信息和所述m组疑似障碍物信息得到对应的m组第一障碍物目标信息；其中，若任一个疑似障碍物干扰航空器飞行，则该任一个疑似障碍物为障碍物目标，n≥h≥0；
69.具体而言，疑似障碍物干扰航空器飞行指的是疑似障碍物与航空器存在碰撞风险，例如，疑似障碍物出现在了航空器的飞行路线上，或者与航空器的飞行路线比较接近；其中，是否存在碰撞风险可以根据疑似障碍物的速度矢量以及航空器的飞行路线来确定。
70.在一些实施例中，所述步骤s31中，对所述m帧大视场图像中的像素团进行检测得到对应的m组疑似障碍物信息，包括：
71.步骤s311、分别对所述m帧大视场图像中的像素团进行检测得到对应的m组像素团，且每一组像素团包括f个像素团；其中，f≥n；
72.具体而言，本实施例可以利用边缘检测、灰度检测等技术对原始图像进行预处理获得初步处理的图像，主要是通过标识图像中亮度变化明显的点，剔除不相关的信息，保留图像重要的结构属性，可以大幅度减少需要存储图像的数据量；
73.具体而言，本实施例可以利用边缘检测、灰度检测等技术对原始的大视场图像进行预处理获得初步处理的图像，主要是通过标识图像中亮度变化明显的点，剔除不相关的信息，保留图像重要的结构属性，可以大幅度减少需要存储图像的数据量；进一步地，对初步处理的图像进行噪点过滤，以去除成像过程的干扰；对图像中的有效探测区域进行分割，可得到其几何位置，同时明确了有效的探测范围；其中，区域的分割可以是通过边缘检测的方法进行分割，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方，利用这种不连续性可实现分割；基于以上处理后的图像，可以在图像的有效的探测范围中检测出像素团，对应地，3帧大视场图像可以得到3组像素团；
74.步骤s312、分别对每一组像素团进行筛选得到对应的m组疑似障碍物信息；其中，若任一个像素团的大小满足预设要求，则确定该任一个像素团为疑似障碍物，并计算该疑似障碍物的第一空间位置、速度矢量和障碍物类型；
75.具体而言，所述预设要求例如是大于5像素*5像素的像素团，即长度和宽度均大于5个像素。
76.在一些实施例中，在所述步骤s312中，疑似障碍物的第一空间位置、速度矢量和障碍物类型的计算方式可以采用如下方式：
77.(1.1)对于任一组疑似障碍物信息中的任一个疑似障碍物，获取与该任一个疑似障碍物对应的任一个阵列相机的当前时刻和上一时刻的前、后两帧大视场图像；
78.(1.2)获取航空器的第一空间位置和速度矢量，根据该任一个疑似障碍物在该前、后两帧大视场图像中的位置、以及所述航空器的第一空间位置和速度矢量获得该任一个疑似障碍物的第一空间位置、速度矢量，并根据该任一个疑似障碍物的速度矢量确定该任一个疑似障碍物的障碍物类型。
79.具体而言，速度矢量的估计可以根据某个像素团在前、后两帧大视场图像的位移以及对应的时间来估计得到；可以理解的是，基于前、后两帧大视场图像得到的疑似障碍物的位置实际上是疑似障碍物与航空器的相对位置，结合航空器的定位系统给出的航空器自身空间位置，可以进一步得到疑似障碍物的第一空间位置。
80.需说明的是，常规的基于深度学习的小目标检测算法一般需要28像素*28像素以
上的像素团才能识别出障碍物类型，而本实施例中的小目标检测算法并不需要通过图像本身识别出障碍物类型，而是通过常规的图像检测算法确认某个障碍物在图像中确实存在，并估计其速度矢量，速度矢量包括了运动速度及方向，其能够体现障碍物的运动特征，本实施例中主要是根据障碍物的运动特征来判断障碍物类型，这样对图像像素团的需求能够降到5像素*5像素及以上。
81.在一些实施例中，所述每一组第一障碍物目标信息还包括h个障碍物目标的存在概率；存在概率类似于置信度，表示检测结果的可靠性，用于给航空器的驾驶决策提供参考依据；
82.其中，在所述步骤s3中，根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组第一障碍物目标信息，还包括：
83.步骤s34、根据每一组第一障碍物目标信息中的任意两个障碍物目标的第一空间位置和速度矢量计算该任意两个障碍物目标之间的相似度，从而获得每一组第一障碍物目标信息中的任一个障碍物目标与其他障碍物目标之间的相似度；
84.具体而言，假设每一组第一障碍物目标信息中存在10个目标，即h＝10；则将每一组第一障碍物目标信息中的任一个障碍物目标与其他障碍物目标之间的相似度有h-1＝9个相似度，则最终该任一个障碍物目标所对应的相似度可以根据该9个相似度来计算得到，例如取9个相似度的均值；
85.步骤s35、根据每一组第一障碍物目标信息中的任一个障碍物目标与其他障碍物目标之间的相似度确定该任一个障碍物目标的存在概率，从而获得m组第一障碍物目标信息中的h个障碍物目标的存在概率；
86.具体而言，本实施例通过根据计算得到障碍物目标所对应的相似度来查询预设表格得到对应的存在概率；
87.其中，所述预设表格可以通过以下方式得到：
88.step1.基于m个阵列相机的小目标检测结果，得到m组障碍物目标的第一空间位置、运动方向、速度、分类的数据，并按照统一的规则对每个障碍物目标进行编号；
89.step2.分别对三组数据中的每个障碍物的第一空间位置、运动方向、速度进行相对关系计算，得到每组数据中每两个障碍物的相对关系，从而形成相对关系数据库，每个相对关系与一个编号对对应；
90.step3.计算三组数据中每个编号对下两两相对关系的相似度，该相似度计算方法如下：先分别将空间参数、速度两两相除，得到每个参数的两两比例，然后以特定权重进行加权得到每个编号对的相似度；
91.step4.基于测试结果，统计分析得出相似度与障碍物目标存在概率的函数关系，作为表格存储在系统中。
92.需说明的是，由于摄像头制造偏差、使用老化或者镜头脏污等因素的存在，单个阵列相机在小目标检测过程中不可避免地会存在不可靠的障碍物检测情况，例如将摄像头上的水滴识别为一个无人机或者鸟，但是多个阵列相机几乎不可能同时出现同样的误检测情况，基于此思路，采用以上方式计算出航空器前方障碍物存在的概率，给航空器驾驶决策提供更多维度的参考依据。
93.在一些实施例中，所述根据每一组第一障碍物目标信息中的任意两个障碍物目标
的第一空间位置和速度矢量计算该任意两个障碍物目标之间的相似度，具体可以根据以下方式计算得到：
94.x
1-2
＝(p1/p2)*a+(v1/v2)*b
95.其中，x
1-2
为第一障碍物目标和第二障碍物目标之间的相似度，p1为第一障碍物目标的第一空间位置，p2为第二障碍物目标的第二空间位置，v1为第一障碍物目标的速度矢量，v2为第二障碍物目标的速度矢量，a和b均为预先设置的权重系数。
96.在一些实施例中，所述根据所述m组第一障碍物目标信息中的速度矢量和障碍物类型、以及所述m组第二障碍物目标信息中的第二空间位置分别进行融合处理得到障碍物目标的速度矢量、障碍物类型和空间位置，还包括：
97.对所述m组第一障碍物目标信息中的h个障碍物目标的存在概率进行融合处理得到h个障碍物目标的存在概率；
98.具体而言，h个障碍物目标的存在概率的融合处理优选但不限于采用卡尔曼滤波融合算法。
99.在一些实施例中，所述接收m个阵列相机拍摄的m组小视场图像，包括：
100.步骤s6、接收相机监控系统输出的k个阵列相机的状态信号；其中，所述状态信号为正常或异常；
101.步骤s7、根据所述k个阵列相机的状态信号确定状态信号为正常的m个阵列相机，接收该m个阵列相机拍摄的m组小视场图像；其中，k≥m。
102.具体而言，假设航空器设置了5个阵列相机，当其中有2个阵列相机故障了，则采用正常的3个阵列相机所拍摄的图像进行小目标检测。
103.参阅图3，本发明的另一个实施例还提出一种障碍物检测装置，用于实现上述实施例所述的障碍物检测方法，所述装置包括：
104.图像接收模块1，用于接收m个阵列相机拍摄的m组小视场图像；其中，所述m个阵列相机设置于航空器前部，每个阵列相机包括按阵列方式排布的多个摄像头，所述多个摄像头用于对航空器前方环境进行拍摄得到对应的多帧小视场图像，m＞1；
105.图像处理模块2，用于分别对每一组小视场图像中多帧小视场图像进行图像拼接处理，得到与所述m个阵列相机对应的m帧大视场图像；
106.目标检测模块3，用于根据预先设置的小目标检测算法对所述m帧大视场图像进行小目标检测得到m组障碍物目标的第一空间位置、速度矢量和障碍物类型；
107.双摄定位模块4，用于根据预先设置的双摄定位算法以及所述m帧大视场图像计算得到m组障碍物目标的第二空间位置；
108.融合处理模块5，用于根据所述m组障碍物目标的速度矢量和障碍物类型、以及所述m组障碍物目标的第二空间位置进行融合处理得到障碍物目标的空间位置、速度矢量和障碍物类型。
109.需说明的是，上述实施例的装置若以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
110.本发明的另一个实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例所述的障碍物检测方法。
111.具体而言，所述计算机可读存储介质可以包括：能够携带所述计算机程序指令的任何实体或记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ron，read-only nenory)、随机存取存储器(ran，randon access nenory)、电载波信号、电信信号以及软件分发介质等。
112.通过以上实施例的描述可知，本发明的实施例具有以下优点：
113.本发明的实施例采用了冗余设计的m个阵列相机，提出了对m个阵列相机的探测图像分别进行小目标检测和检测结果融合，同时，还提出了结合基于摄像机图像进行定位的两种定位手段，实现了基于摄像头实现航空器障碍物的探测与定位的可靠性，相对于传统摄像头感知方法而言可靠性更高，相对于毫米波雷达感知方法而言成本更低，因此，本发明克服了现有摄像头分辨率和探测范围不能兼得的缺陷，为无人驾驶航空器自动驾驶的感知提供了一套高性能、高可靠的方案，易于推广，具有非常高的应用价值，能够有效促进载人无人驾驶航空器的发展。
114.以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和更换都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。