CN105574470B - 一种侧后方车辆识别方法及装置 - Google Patents
一种侧后方车辆识别方法及装置 Download PDFInfo
- Publication number
- CN105574470B CN105574470B CN201410531287.0A CN201410531287A CN105574470B CN 105574470 B CN105574470 B CN 105574470B CN 201410531287 A CN201410531287 A CN 201410531287A CN 105574470 B CN105574470 B CN 105574470B
- Authority
- CN
- China
- Prior art keywords
- trapezoidal
- area
- vehicle
- black
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009825 accumulation Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种侧后方车辆识别方法及装置,其中所述方法包括:获取本车侧后方黑白图像;从所述黑白图像中识别出旁车道的左右两条车道线;在所述黑白图像中的左右两条车道线范围内,设置三个梯形区域,所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行,上下底均与所述黑白图像的水平宽度方向平行;分别计算所述三个梯形区域的三阶累积量;当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值时,获得本车侧后方存在车辆的识别结果。本发明无需复杂繁琐的算法即可以判断本车侧后方尤其是驾驶者盲区内是否存在车辆,准确率和实时性高,计算量小,成本低。
Description
技术领域
本发明涉及汽车技术领域,尤其涉及一种侧后方车辆识别方法及装置。
背景技术
在驾驶员辅助***及自动驾驶***中,准确而高效地获取环境信息是***能够正确工作的必要条件。车辆行驶环境感知模块能够为驾驶员安全辅助***以及自动驾驶***提供所需要的信息源和输入参数,进而为下一步的智能控制、安全报警等功能的实现提供技术支撑。
车辆识别是行驶环境感知模块中的一个重要组成部分,为自适应巡航、前撞预警、追尾避撞、换道预警、换道避撞等驾驶员辅助功能提供了目标物信息,为自动驾驶***提供了障碍物信息。车辆识别根据其相对于本车的位置,可分为前方车辆、侧方车辆和后方车辆。目前在前方车辆识别方面已经有较多和较成熟的研究,主要方法包括基于单目视觉的方法、基于立体视觉的方法、基于雷达的方法和基于雷达与视觉的传感器融合方法,已经能够较好的实现在各种工况下的前方车辆识别。相比前向车辆识别技术,后向车辆识别技术的研究相对较少,现有大部分算法都是采用基于运动的单目视觉和基于立体视觉的方法。而侧向车辆的识别相比前、后向车辆识别更加困难,这是因为在前、后向车辆识别中用到的大量特征,如对称性、底部阴影、车辆形状等,在侧向车辆识别中都无法使用。尤其当车辆位于相邻车道的驾驶员盲区中时,其侧面轮廓不能完全被视觉检测到,识别尤其困难,而此区域内的车辆正是对本车构成最大危险的障碍物。
目前在侧后方车辆识别方面,国内外有些使用24GHz的毫米波雷达探测盲区车辆,对其波形进行处理以获取目标信息,并使用非线性卡尔曼滤波方法来进行车辆跟踪;有些使用全方位相机识别车辆行驶的后侧向环境,使用差分高斯滤波器来获取相机图像中每个像素点的特征向量,并使用主成分分析方法来降低向量维数,使用模板匹配的方法搜索概率上最匹配的车轮位置;有些使用全方位相机和立体视觉识别驾驶员盲区,使用不等式算法方法将车辆从行驶环境背景中分离出来;有些将摄像机和近距雷达进行传感器信息融合来进行盲区车辆识别,还有些使用安装在车辆两侧的近距雷达来识别盲区车辆,并使用卡尔曼滤波方法来进行跟踪。
总体说来,现有的侧后方车辆识别技术中,主要采用的基于运动的方法计算量很大,难以保证实时性;而基于立体视觉或雷达与摄像机融合的方法则结构过于复杂,成本高,算法繁琐。其他方法在实现结构精简的同时,准确率较低,且容易受到环境的影响,稳定性较差。
发明内容
本发明所要解决的技术问题在于,提供一种兼顾实时性和准确性的侧后方车辆识别方法及装置。
为了解决上述技术问题,本发明提供一种侧后方车辆识别方法,包括:
步骤S1,获取本车侧后方黑白图像;
步骤S2,从所述黑白图像中识别出旁车道的左右两条车道线;
步骤S3,在所述黑白图像中的左右两条车道线范围内,设置三个梯形区域,所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行,上下底均与所述黑白图像的水平宽度方向平行;
步骤S4,分别计算所述三个梯形区域的三阶累积量;
步骤S5,当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值时,获得本车侧后方存在车辆的识别结果。
其中,所述三个梯形区域按离本车距离远近,由远及近包括第一梯形区域、第二梯形区域和第三梯形区域。
其中,所述第一梯形区域的下底与按前向车辆识别方法识别侧后方车辆失效时车辆底部在所述黑白图像的位置重合。
其中,所述步骤S2还包括:
以所述黑白图像竖直高度方向为纵轴,水平宽度方向为横轴建立坐标系;
分别获得左右车道线在所述坐标系的斜率和在所述横轴上的截距;
所述步骤S3具体包括:
根据所述第一梯形区域的下底在所述坐标系的纵坐标、所述左右车道线在所述坐标系的斜率和在所述横轴上的截距,以及所述第一梯形区域的高度,确定所述第一梯形区域在所述坐标系中的横、纵坐标范围;
根据所述第二梯形区域与所述第一梯形区域的纵向间隔、所述左右车道线在所述坐标系的斜率和在所述横轴上的截距,以及所述第二梯形区域的高度,确定所述第二梯形区域在所述坐标系中的横、纵坐标范围;
根据所述第三梯形区域与所述第二梯形区域的纵向间隔、所述左右车道线在所述坐标系的斜率和在所述横轴上的截距,以及所述第三梯形区域的高度,确定所述第三梯形区域在所述坐标系中的横、纵坐标范围。
其中,各梯形区域的高度相同,相邻梯形区域的纵向间隔也相同。
其中,确定所述各梯形区域的横坐标范围时,所述横坐标的最小值加上第一修正量,所述横坐标的最大值减去第二修正量。
其中,所述第一修正量为所述各梯形区域的左侧腰线的延长线在所述横轴上的截距,与所述左侧车道线在所述横轴上的截距的差值;所述第二修正量为所述右侧车道线在所述横轴上的截距,与所述各梯形区域的右侧腰线的延长线在所述横轴上的截距的差值。
其中,所述步骤S4具体包括:
通过前后三帧所述黑白图像中各梯形区域的一阶矩、二阶矩和三阶矩分别计算各梯形区域的三阶累积量,所述三阶累积量是所述一阶矩、二阶矩和三阶矩的函数。
其中,所述设定时间不小于0.5秒。
其中,还包括:
比较所述三个梯形区域的三阶累积量,以三阶累积量最大的梯形区域作为侧后方车辆所在区域。
其中,如果所述侧后方车辆所在区域是所述第三梯形区域,则提示驾驶者盲区存在车辆,不可直接变道;如果所述侧后方车辆所在区域是所述第二梯形区域或所述第一梯形区域,则提示驾驶者盲区附近存在车辆,变道需谨慎。
本发明还提供一种侧后方车辆识别装置,包括:
图像处理单元,用于获取本车侧后方黑白图像,并从所述黑白图像中识别出旁车道的左右两条车道线;
梯形区域设置单元,用于在所述黑白图像中的左右两条车道线范围内,设置三个梯形区域,所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行,上下底均与所述黑白图像的水平边平行;
计算单元,用于分别计算所述三个梯形区域的三阶累积量;
识别单元,用于当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值时,获得本车侧后方存在车辆的识别结果。
实施本发明实施例将带来如下有益效果:在普通工况下,通过在获得的本车侧后方黑白图像中设置三个梯形区域,计算其三阶累积量即可以判断本车侧后方尤其是驾驶者盲区内是否存在车辆,无需复杂繁琐的算法,准确率和实时性高,计算量小,成本低,为驾驶员辅助***或自动驾驶***提供实时准确的侧后方车辆位置信息。
附图说明
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。
图1是本发明实施例一一种侧后方车辆识别方法的流程示意图。
图2是本发明实施例一中所获取的本车侧后方黑白图像的示意图。
图3是本发明实施例一中经坐标系处理的等效黑白图像示意图。
图4是本发明实施例一中设置梯形区域的示意图。
图5是本发明实施例一中某一个图像序列的三阶累积量计算结果示意图。
图6是本发明实施例一中某一个图像序列中的侧后方车辆连续识别结果示意图。
图7是本发明实施例二一种智能车运动控制性能的评估装置的结构示意图。
具体实施方式
下面参考附图对本发明的优选实施例进行描述。
请参照图1所示,本发明实施例一提供一种侧后方车辆识别方法,包括:
步骤S1,获取本车侧后方黑白图像;
步骤S2,从所述黑白图像中识别出旁车道的左右两条车道线;
步骤S3,在所述黑白图像中的左右两条车道线范围内,设置三个梯形区域,所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行,上下底均与所述黑白图像的水平边平行;
步骤S4,分别计算所述三个梯形区域的三阶累积量;
步骤S5,当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值时,获得本车侧后方存在车辆的识别结果。
以下对各步骤进行具体说明。
步骤S1中,需要获取黑白图像,即灰度值为0~255的图像,有利于降低后续计算的计算量。在本实施例中,按车行方向,侧后方包括左右两个侧后方,所分别获取的黑白图像以车行方向为对称轴呈轴对称。本发明的识别方法对于左右侧后方车辆识别的原理、过程基本一致,为免累赘,本实施例以左侧后方的车辆识别进行说明。图2所示即为步骤S1所获取的本车左侧后方黑白图像的示意图。从图2中可以看出,包括旁车道的两条车道线,且在本车行驶过程中两条车道线的位置变化不大。
步骤S2在步骤S1所获取的黑白图像中识别出旁车道的车道线,需要首先在该黑白图像上确定车道线的识别区域,而在此之前,还需对该黑白图像进行坐标系处理,请参照图3所示,为经坐标系处理的等效黑白图像示意图。
鉴于黑白图像P为矩形,以其左侧竖直边(高度)方向为y轴,水平底边(宽度)方向为x轴建立坐标系,黑白图像P的高度为H,宽度为W,黑白图像P中的地平线高度为YH,侧后方车辆第一次出现在黑白图像P时的横坐标为XV,则以W-XV和YH分别作为矩形的长和宽,构建一个矩形,由对角线划分为三角形区域L和三角形区域R,其中,三角形区域L为左侧车道线的识别区域,三角形区域R为右侧车道线的识别区域。三角形区域L的横坐标范围为[XL1,XL2],XL1=XV,XL2=W-(W-XV)y/YH;三角形区域R的横坐标范围为[XR1, XR2],XR1= W-(W-XV)y/YH,XR2= W;两个区域的纵坐标范围均为[0,YH]。
其后至少经过图像预处理、干扰点去除和模型拟合三个步骤分别识别出左右两条车道线,这些步骤的原理和执行过程与传统的前向车道线识别方法一致,此处不再赘述,请参考文献-郭磊. 基于机器视觉的智能汽车行驶环境感知***[博士学位论文]. 北京:清华大学,2007。同样,根据传统的前向车道线识别方法中的平行度和宽度验证,来判断是否正确识别了旁车道的车道线。
步骤S2识别出旁车道左右两条车道线的意义在于,可以为步骤S3中设置梯形区域提供参照,使梯形区域能充分利用车道信息。请参照图4所示,三个梯形区域按离本车距离远近,由远及近包括第一梯形区域I、第二梯形区域II和第三梯形区域III,步骤S2识别出的两条车道线为左侧车道线SL和右侧车道线SR。每个梯形区域的左侧腰线与左侧车道线SL平行,右侧腰线与右侧车道线SR平行,这样梯形区域的腰线可以利用车道线的斜率;如果进一步利用车道线在x轴的截距,则可以设置每个梯形区域的左右腰线均分别靠近左右车道线。图4中左侧车道线SL在坐标系中的函数关系式为:ySL= 1/kSL×(BSL–x);右侧车道线SR在坐标系中的函数关系式为:ySR= 1/kSR×(BSR–x),其中,kSL为左侧车道线SL斜率的倒数,BSL为左侧车道线在x轴上的截距,kSR为右侧车道线SR斜率的倒数,BSR为右侧车道线在x轴上的截距。
具体来说,假设第一梯形区域I中某点坐标为(xSV1,ySV1),由于设置的第一梯形区域I左右两腰线均靠近左右两条车道线并且与之平行,所以左右车道线在坐标系中的函数关系式也分别适用于左右腰线,则横坐标xSV1与纵坐标ySV1的取值范围分别是:
kSL(ySD1 + hsv)+ BSL + ΔBSL ≤ xSV1 ≤ kSRySD1 + BSR -ΔBSR
ySD1 ≤ ySV1 ≤ ySD1 + hsv
其中,ySD1为第一梯形区域I的下底的纵坐标,hsv为第一梯形区域I的高度,则第一梯形区域I的上底的纵坐标为ySD1 + hsv;ΔBSL、ΔBSR为考虑步骤S2中车道线识别的误差而加入的修正量,该修正量是基于第一梯形区域I的左右腰线并非分别与左右车道线重合,因此,左右腰线的延长线在x轴上的截距也分别与左右车道线截距BSL、BSR存在一定间隔,二者之间的差值就是上述修正量。
需要说明的是,设置三个梯形区域时,由于待识别侧后方车辆是由远及近靠近本车,所以首先需要设置离本车最远的第一梯形区域I的位置。本实施例确定第一梯形区域I的位置,以其下底的位置为基准。而下底位置的确定,则依赖于步骤S2中通过传统的前向车辆识别方法识别侧后方车辆时的失效特征。这是因为在前向车辆识别中用到的主要特征为二维平面型特征,如对称性、底部阴影、车辆形状等,在侧后方车辆识别中都无法使用,侧后方车辆更多为三维立体型特征。
图4中所示矩形框T为使用传统的前向车辆识别方法识别侧后方车辆时的失效特征,因为该矩形框T未能覆盖整车轮廓,而误把局部区域当做是车辆。将第一梯形区域I的下底设置与该矩形框T的底边(该底边即为前向车辆识别方法识别侧后方车辆失效时车辆底部在黑白图像中的纵位置)重合,从而得以确定位置。
之后,结合已知的左右车道线在坐标系的斜率和在横轴上的截距,以及第一梯形区域I的高度,确定第一梯形区域I在坐标系中的横、纵坐标范围。
在确定第一梯形区域I在所述坐标系中的横、纵坐标范围之后,根据第二梯形区域II与第一梯形区域I的纵向间隔、左右车道线在坐标系的斜率和在横轴上的截距,以及第二梯形区域II的高度,可以确定第二梯形区域II在坐标系中的横、纵坐标范围。为便于后续计算,每个梯形区域的高度均相同,相邻梯形区域的纵向间隔也相同。
假设第二梯形区域II中某点坐标为(xSV2,ySV2),则横坐标xSV2与纵坐标ySV2的取值范围分别是:
kSL(ySD2 + hsv)+ BSL + ΔBSL ≤ xSV2 ≤ kSRySD2 + BSR -ΔBSR
ySD2 ≤ ySV2 ≤ ySD2 + hsv
其中,ySD2为第二梯形区域II的下底的纵坐标,hsv为第二梯形区域II的高度,则第二梯形区域II的上底的纵坐标为ySD2 + hsv,并且ySD2 = ySD1 - hsv - Δhsv,Δhsv为第二梯形区域II与第一梯形区域I之间的纵向间隔。
在确定第二梯形区域II在所述坐标系中的横、纵坐标范围之后,根据第三梯形区域III与第二梯形区域II的纵向间隔、左右车道线在坐标系的斜率和在横轴上的截距,以及第三梯形区域III的高度,可以确定第三梯形区域III在坐标系中的横、纵坐标范围。
假设第三梯形区域III中某点坐标为(xSV3,ySV3),则横坐标xSV3与纵坐标ySV3的取值范围分别是:
kSL(ySD3 + hsv)+ BSL + ΔBSL ≤ xSV3 ≤ kSRySD3 + BSR -ΔBSR
ySD3 ≤ ySV3 ≤ ySD3 + hsv
其中,ySD3为第三梯形区域III的下底的纵坐标,hsv为第三梯形区域III的高度,则第三梯形区域III的上底的纵坐标为ySD3 + hsv,并且ySD3 = ySD2 - hsv - Δhsv,Δhsv为第三梯形区域III与第二梯形区域II之间的纵向间隔。
步骤S4中,需要通过前后三帧图像的一阶矩、二阶矩和三阶矩来计算三阶累积量。三阶累积量是一阶矩、二阶矩和三阶矩的函数。对于图像序列中的相邻三帧,分别选取同一区域来进行计算。例如,选取M×N大小的区域,三帧图像的一阶矩分别为:
其中,f1、f2、f3分别为三帧图像所选区域中对应点(i,j)处的像素值,从上可以看出,一阶矩实际为所选区域单位面积的像素值,即所选区域各点像素值之和除以所选区域面积。
二阶矩则涉及三帧图像中每两帧图像之间,第一帧和第二帧图像之间的二阶矩m12(i,j)、第二帧和第三帧图像之间的二阶矩m23(i,j)、第一帧和第三帧图像之间的二阶矩m13(i,j)分别为:
从上可以看出,二阶矩即为三帧图像的每两帧图像中所选区域中对应点像素值的乘积之和,除以所选区域的面积。
三帧图像的三阶矩为:
从上可以看出,三阶矩即为三帧图像中所选区域中对应点像素值的乘积之和,除以所选区域的面积。
获得上述一阶矩、二阶矩和三阶矩之后,根据三阶累积量与其的函数关系,得到三阶累积量cum(i,j) = m123 - m1m23 - m2m13 - m3m12 + 2m1m2m3。
应当说明的是,为了表述简洁,上述仅以选取矩形区域(M×N)作为例子来说明如何计算三阶累积量。根据该例子所介绍的原理和过程,结合前述梯形区域的设置,本领域技术人员完全可以计算得到各梯形区域三阶累积量。
图5所示为某一个图像序列的三阶累积量计算结果示意图,其中的三条曲线分别为三个梯形区域的三阶累积量计算结果。
步骤S5中,将计算得到的三个区域的三阶累积量与车辆识别阈值进行比较,只要任一个梯形区域的三阶累积量连续在T时间内均超过车辆识别阈值,则得到本车侧后方存在车辆的识别结果。在本实施例中,T时间不小于0.5秒。与三阶累积量相似,车辆识别阈值也与图像的像素值有关,当图像中存在车辆时,其像素值会高于没有车辆时,所以,当从相邻三帧图像中计算得到各梯形区域的三阶累积量后,如果任一梯形区域的三阶累积量超过车辆识别阈值,则表明该梯形区域中存在车辆。车辆识别阈值可以是经过多次测试所得到的经验值。
为了对识别结果进一步优化,以根据不同情况给予驾驶者不同的提示,本实施例的识别方法在获得所述识别结果后,还包括:
比较所述三个梯形区域的三阶累积量,以三阶累积量最大的梯形区域作为侧后方车辆所在区域。
如果该侧后方车辆所在区域是第三梯形区域III,由于其离本车最近,则提示驾驶者盲区存在车辆,不可直接变道;如果该侧后方车辆所在区域是第二梯形区域II或第一梯形区域I,则提示驾驶者盲区附近存在车辆,变道需谨慎。
图6是本发明实施例一中某一个图像序列中的侧后方车辆连续识别结果示意图,其中白线所示为识别到的侧后车辆所在的梯形区域。
通过上述说明可知,本发明在普通工况下,通过在获得的本车侧后方黑白图像中设置三个梯形区域,计算其三阶累积量即可以判断本车侧后方尤其是驾驶者盲区内是否存在车辆,无需复杂繁琐的算法,准确率和实时性高,计算量小,成本低,为驾驶员辅助***或自动驾驶***提供实时准确的侧后方车辆位置信息。
请再参照图7所示,基于本发明实施例二,本发明实施例二提供一种侧后方车辆识别装置,包括:
图像处理单元71,用于获取本车侧后方黑白图像,并从所述黑白图像中识别出旁车道的左右两条车道线;
梯形区域设置单元72,用于在所述黑白图像中的左右两条车道线范围内,设置三个梯形区域,所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行,上下底均与所述黑白图像的水平边平行;
计算单元73,用于分别计算所述三个梯形区域的三阶累积量;
识别单元74,用于当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值时,获得本车侧后方存在车辆的识别结果。
有关本实施例的原理、有益效果等请参照本发明实施例一的描述,此处不再赘述。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种侧后方车辆识别方法,包括:
步骤S1,获取本车侧后方黑白图像;
步骤S2,从所述黑白图像中识别出旁车道的左右两条车道线;
步骤S3,在所述黑白图像中的左右两条车道线范围内,设置三个梯形区域,所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行,上下底均与所述黑白图像的水平宽度方向平行,所述三个梯形区域按离本车距离远近,由远及近包括第一梯形区域、第二梯形区域和第三梯形区域;
步骤S4,通过前后三帧所述黑白图像中各梯形区域的一阶矩、二阶矩和三阶矩分别计算各梯形区域的三阶累积量,所述三阶累积量是所述一阶矩、二阶矩和三阶矩的函数,所述一阶矩为三帧图像所选区域单位面积的像素值,所述二阶矩为三帧图像的每两帧图像中所选区域中对应点像素值的乘积之和,除以所选区域的面积,所述三阶矩为三帧图像中所选区域中对应点像素值的乘积之和,除以所选区域的面积;
步骤S5,当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值时,获得本车侧后方存在车辆的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述第一梯形区域的下底与按前向车辆识别方法识别侧后方车辆失效时车辆底部在所述黑白图像的位置重合。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2还包括:
以所述黑白图像竖直高度方向为纵轴,水平宽度方向为横轴建立坐标系;
分别获得左右车道线在所述坐标系的斜率和在所述横轴上的截距;
所述步骤S3具体包括:
根据所述第一梯形区域的下底在所述坐标系的纵坐标、所述左右车道线在所述坐标系的斜率和在所述横轴上的截距,以及所述第一梯形区域的高度,确定所述第一梯形区域在所述坐标系中的横、纵坐标范围;
根据所述第二梯形区域与所述第一梯形区域的纵向间隔、所述左右车道线在所述坐标系的斜率和在所述横轴上的截距,以及所述第二梯形区域的高度,确定所述第二梯形区域在所述坐标系中的横、纵坐标范围;
根据所述第三梯形区域与所述第二梯形区域的纵向间隔、所述左右车道线在所述坐标系的斜率和在所述横轴上的截距,以及所述第三梯形区域的高度,确定所述第三梯形区域在所述坐标系中的横、纵坐标范围。
4.根据权利要求3所述的方法,其特征在于,各梯形区域的高度相同,相邻梯形区域的纵向间隔也相同。
5.根据权利要求4所述的方法,其特征在于,确定所述各梯形区域的横坐标范围时,所述横坐标的最小值加上第一修正量,所述横坐标的最大值减去第二修正量。
6.根据权利要求5所述的方法,其特征在于,所述第一修正量为所述各梯形区域的左侧腰线的延长线在所述横轴上的截距,与所述左车道线在所述横轴上的截距的差值;所述第二修正量为所述右车道线在所述横轴上的截距,与所述各梯形区域的右侧腰线的延长线在所述横轴上的截距的差值。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述设定时间不小于0.5秒。
8.根据权利要求7所述的方法,其特征在于,还包括:
比较所述三个梯形区域的三阶累积量,以三阶累积量最大的梯形区域作为侧后方车辆所在区域。
9.根据权利要求8所述的方法,其特征在于,如果所述侧后方车辆所在区域是所述第三梯形区域,则提示驾驶者盲区存在车辆,不可直接变道;如果所述侧后方车辆所在区域是所述第二梯形区域或所述第一梯形区域,则提示驾驶者盲区附近存在车辆,变道需谨慎。
10.一种侧后方车辆识别装置,其特征在于,包括:
图像处理单元,用于获取本车侧后方黑白图像,并从所述黑白图像中识别出旁车道的左右两条车道线;
梯形区域设置单元,用于在所述黑白图像中的左右两条车道线范围内,设置三个梯形区域,所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行,上下底均与所述黑白图像的水平边平行,所述三个梯形区域按离本车距离远近,由远及近包括第一梯形区域、第二梯形区域和第三梯形区域;
计算单元,用于通过前后三帧所述黑白图像中各梯形区域的一阶矩、二阶矩和三阶矩分别计算各梯形区域的三阶累积量,所述三阶累积量是所述一阶矩、二阶矩和三阶矩的函数,所述一阶矩为三帧图像所选区域单位面积的像素值,所述二阶矩为三帧图像的每两帧图像中所选区域中对应点像素值的乘积之和,除以所选区域的面积,所述三阶矩为三帧图像中所选区域中对应点像素值的乘积之和,除以所选区域的面积;
识别单元,用于当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值时,获得本车侧后方存在车辆的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410531287.0A CN105574470B (zh) | 2014-10-10 | 2014-10-10 | 一种侧后方车辆识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410531287.0A CN105574470B (zh) | 2014-10-10 | 2014-10-10 | 一种侧后方车辆识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574470A CN105574470A (zh) | 2016-05-11 |
CN105574470B true CN105574470B (zh) | 2020-07-31 |
Family
ID=55884580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410531287.0A Active CN105574470B (zh) | 2014-10-10 | 2014-10-10 | 一种侧后方车辆识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574470B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886729B (zh) * | 2016-09-30 | 2021-02-23 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN108647670A (zh) * | 2018-05-22 | 2018-10-12 | 哈尔滨理工大学 | 一种基于支持向量机的侧向车辆图像的特征识别方法 |
CN112417926B (zh) * | 2019-08-22 | 2024-02-27 | 广州汽车集团股份有限公司 | 车位识别方法、装置、计算机设备及可读存储介质 |
CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7844078B1 (en) * | 2007-06-05 | 2010-11-30 | Gianni Arcaini | Method and apparatus for automatic zone occupation detection via video capture |
CN101639983B (zh) * | 2009-08-21 | 2011-02-02 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
CN101807301B (zh) * | 2010-03-17 | 2012-11-07 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN102632839B (zh) * | 2011-02-15 | 2015-04-01 | 香港生产力促进局 | 一种基于后视图像认知的车载盲区预警***及方法 |
KR101361663B1 (ko) * | 2012-03-21 | 2014-02-12 | 주식회사 코아로직 | 차량용 영상 처리 장치 및 방법 |
CN102774325B (zh) * | 2012-07-31 | 2014-12-10 | 西安交通大学 | 一种后视倒车辅助***和形成后视障碍图像的方法 |
CN104021388B (zh) * | 2014-05-14 | 2017-08-22 | 西安理工大学 | 基于双目视觉的倒车障碍物自动检测及预警方法 |
CN104036275B (zh) * | 2014-05-22 | 2017-11-28 | 东软集团股份有限公司 | 一种车辆盲区内目标对象的检测方法及其装置 |
-
2014
- 2014-10-10 CN CN201410531287.0A patent/CN105574470B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105574470A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3607489B1 (en) | Direct vehicle detection as 3d bounding boxes using neural network image processing | |
US20170297488A1 (en) | Surround view camera system for object detection and tracking | |
US10325171B2 (en) | Object detection device, driving assistance device, object detection method, and object detection program | |
US20120300078A1 (en) | Environment recognizing device for vehicle | |
US11288833B2 (en) | Distance estimation apparatus and operating method thereof | |
JP5145585B2 (ja) | 物標検出装置 | |
Guo et al. | A multimodal ADAS system for unmarked urban scenarios based on road context understanding | |
JP6313081B2 (ja) | 車載用画像処理装置およびそれを用いた車両システム | |
JPH11213138A (ja) | 車外監視装置 | |
CN105740782A (zh) | 一种基于单目视觉的驾驶员换道过程量化方法 | |
US20150269445A1 (en) | Travel division line recognition apparatus and travel division line recognition program | |
CN105574470B (zh) | 一种侧后方车辆识别方法及装置 | |
EP2833096B1 (en) | Method for determining a current distance and/or a current speed of a target object based on a reference point in a camera image, camera system and motor vehicle | |
WO2006028434A2 (en) | Method and apparatus for refining target position and size estimates using image and depth data | |
US10108866B2 (en) | Method and system for robust curb and bump detection from front or rear monocular cameras | |
JP2015225546A (ja) | 物体検出装置、運転支援装置、物体検出方法、および物体検出プログラム | |
Ponsa et al. | On-board image-based vehicle detection and tracking | |
JP2018060422A (ja) | 物体検出装置 | |
Romdhane et al. | A generic obstacle detection method for collision avoidance | |
JP3868915B2 (ja) | 前方監視装置及びその方法 | |
Takahashi et al. | A robust lane detection using real-time voting processor | |
KR101263158B1 (ko) | 차량의 검출 방법 및 장치 | |
KR101478072B1 (ko) | 차량 검출 방법 | |
JP2010231400A (ja) | 障害物危険度算出装置、方法及びプログラム | |
US11420855B2 (en) | Object detection device, vehicle, and object detection process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220105 Address after: 511400 No.36 Longying Road, Shilou Town, Panyu District, Guangzhou City, Guangdong Province Patentee after: GAC AION New Energy Vehicle Co.,Ltd. Address before: 510000 23 building, Cheng Yue mansion 448-458, Dongfeng Middle Road, Yuexiu District, Guangzhou, Guangdong. Patentee before: GUANGZHOU AUTOMOBILE GROUP Co.,Ltd. |