CN108460323B - 一种融合车载导航信息的后视盲区车辆检测方法 - Google Patents
一种融合车载导航信息的后视盲区车辆检测方法 Download PDFInfo
- Publication number
- CN108460323B CN108460323B CN201711478171.5A CN201711478171A CN108460323B CN 108460323 B CN108460323 B CN 108460323B CN 201711478171 A CN201711478171 A CN 201711478171A CN 108460323 B CN108460323 B CN 108460323B
- Authority
- CN
- China
- Prior art keywords
- detection
- vehicle
- model
- navigation information
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请的融合车载导航信息的后视盲区车辆检测方法提供了针对后视盲区的车载导航与车辆检测算法融合的解决方案,结合导航提供的场景信息及天气状况,车辆检测算法根据不同的环境自适应选择不同的模型组合和参数,使得车辆检测算法更好的适应复杂多变的状况,具备更高的检测精度与效率,能更好的应用于汽车电子行业。
Description
技术领域
本申请涉及一种盲区车辆检测方法,具体地,属于一种融合车载导航信息的后视盲区车辆检测方法。
背景技术
随着汽车保有量的迅速增长,汽车驾驶安全被普遍的关注,人们越来越渴望技术带来的安全与便捷。因此,汽车ADAS***被深入研究,被广泛应用于汽车电子行业,发展成为汽车电子的核心技术。由于机器视觉能够清晰的捕捉到车身周围的信息,对物体的颜色和纹理等信息有较好的解析能力,能有效的识别出车身周围的车辆、行人、交警等等方面有着巨大优势,因此,在汽车上应用智能视觉模块,是目前驾驶辅助***极具竞争力的解决方案,有着巨大的市场前景。然而,在复杂场景及天气变化时,会增加视觉算法的处理难度,影响整体性能指标。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种融合车载导航信息的后视盲区车辆检测方法。
本发明旨在至少在一定程度上解决上述技术问题。
本发明的首要目的是提高检测精度与效率。
为解决上述技术问题,本发明的技术方案如下:
一种融合车载导航信息的后视盲区车辆检测方法,包括以下步骤:
S1、检测开始;
S2、接收导航信息和经过预处理的后视图像并进行模型初始化;
S3、进行模型的选择与组合;
S4、利用组合好的模型I进行初级层次像素检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S5,所述模型I为利用像素级特征训练出来的模型;
S5、利用组合好的模型II进行中级层次边缘检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S6,所述模型II为利用边缘特征训练出来的模型;
S6、利用组合好的模型III进行高级层次结构化检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S7,所述模型III为利用组合的边缘特征训练出来的模型;
S7、将检测后的信息与导航信息进行数据融合;
S8、检测结束。
进一步的,所述步骤S2中后视图像的预处理包括以下步骤:
S21、原始后视图像数据输入,原始后视图像数据包含左侧与右侧数据信息;
S22、根据标定参数与实际盲区需求规定生成图像中的感兴趣范围,并计算各个图像数据点与相机的距离与方位;
S23、执行自适应畸变校正算法:综合标定参数、图像数据点、与相机的距离与方位,完成感兴趣范围中各个点的映射过程;
S24、执行视角变换算法:通过图像变换矩阵,使得观察到的感兴趣范围数据能够处于最佳的检测状态;
S25、得到最终的待检测图像,送入检测模块进行检测。
进一步的,所述步骤S4中,初级层次像素检测的目的是筛选出车辆所在的候选区域,选择的特征就是Y通道里面的亮度信息,具体包括以下步骤:
S41、经过预处理后的后视图像中的后视感兴趣子图像块作为模型的输入;
S42、建立金字塔层级:完成不同尺寸下目标的检测,从上到下,从左到右遍历来搜索可能的目标位置;
S43、针对第i层的金字塔中的像素位置(x,y,width,height),与模型数据进行判决比较,并获得相应的分数;
S44、结合各级金字塔上各个位置上的分数,进行归一化至0-255范围内,得到概率分布图;
S45、针对概率分布图进行滤波与连通区域分割,目的是平滑图像、去除噪点、得到各个子区域;
S46、针对候选子区域进行适当外扩,并根据分数排序候选子区域,决策出候选区域的检测优先级。
进一步的,所述步骤S5中,中级层次边缘检测处理的数据是初级层次像素检测输出的候选区域框,选择的特征为边缘梯度信息,进行决策判断得到各个目标所在的子块。
进一步的,所述步骤S6中,高级层次结构化检测是在中级层次边缘检测输出的基础上,对各个子块进行确认,保证目标有效检出的基础上,去除虚警,选择的特征为结构化的特征,具体是将中级层次边缘检测的特征进行加权组合。
进一步的,所述步骤S3中,模型选择是根据导航信息中的环境信息选择最优的模型以及相匹配的参数。
进一步的,导航信息包括道路信息、场景信息、天候信息。
进一步的,导航信息包括涉及高速公路、城市道路、顺光、逆光、隧道的信息数据。
进一步的,本申请提供一种采用如前述所述的融合车载导航信息的后视盲区车辆检测方法的检测***,包括导航***、模型选择模块、模型组合模块、检测模块,融合模块。
与现有技术相比,本发明技术方案的有益效果是:本发明提出车载导航与后视盲区车辆检测的融合解决方法,针对不同环境因素选择不同的模型与参数,并进行各层级上进行模型组合,更有利于目标的检测,提高了检出率,降低了虚警。本发明在检测端会进行逐层级别的目标检测过程,初层次提供像素级别的特征检测,获取的候选区域用于中层次的边缘级别的特征检测,在此基础上得到的候选区域应用到高层次的结构化特征检测,输出的信息进行融合得到最终的结果,该方法能够更有效的检测出目标。
附图说明
图1为检测***结构示意图。
图2为融合车载导航信息的后视盲区车辆检测方法流程示意图。
图3为后视图像预处理流程示意图。
图4为初级层次像素检测过程示意图。
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的;相同或相似的标号对应相同或相似的部件;附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
参见附图,本申请的融合车载导航信息的后视盲区车辆检测方法,包括以下步骤:
S1、检测开始;
S2、接收导航信息和经过预处理的后视图像并进行模型初始化;
S3、进行模型的选择与组合;
S4、利用组合好的模型进行初级层次像素检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S5,所述模型I为利用像素级特征训练出来的模型;
S5、利用组合好的模型进行中级层次边缘检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S6,所述模型II为利用边缘特征训练出来的模型;
S6、利用组合好的模型进行高级层次结构化检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S7,所述模型III为利用组合的边缘特征训练出来的模型;
S7、将检测后的信息与导航信息进行数据融合;
S8、检测结束。
实施例2
本实施例类似于实施例1,由于采集后视图像时使用的镜头类型为fisheye镜头,优点是观察的视角范围很大,获取的数据更多;但缺点很明显,存在较大的畸变,尤其是远处的后视盲区中,车辆呈像畸变大,扭曲变形严重,影响目标的检测与识别,需要进行校正与变换处理,因此进一步的,所述步骤S2中后视图像的预处理包括以下步骤:
S21、原始后视图像数据输入,原始后视图像数据包含左侧与右侧数据信息;
S22、根据标定参数与实际盲区需求规定生成图像中的感兴趣范围,并计算各个图像数据点与相机的距离与方位;
S23、执行自适应畸变校正算法:综合标定参数、图像数据点、与相机的距离与方位,完成感兴趣范围中各个点的映射过程;
S24、执行视角变换算法:通过图像变换矩阵,使得观察到的感兴趣范围数据能够处于最佳的检测状态;
S25、得到最终的待检测图像,送入检测模块进行检测。
实施例3
本实施例类似于实施例1-2,进一步的,所述步骤S4中,初级层次像素检测的目的是筛选出车辆所在的候选区域,选择的特征就是Y通道里面的亮度信息,具体包括以下步骤:
S41、经过预处理后的后视图像中的后视感兴趣子图像块作为模型的输入;
S42、建立金字塔层级:完成不同尺寸下目标的检测,从上到下,从左到右遍历来搜索可能的目标位置;
S43、针对第i层的金字塔中的像素位置(x,y,width,height),与模型数据进行判决比较,并获得相应的分数;
S44、结合各级金字塔上各个位置上的分数,进行归一化至0-255范围内,得到概率分布图;
S45、针对概率分布图进行滤波与连通区域分割,目的是平滑图像、去除噪点、得到各个子区域;
S46、针对候选子区域进行适当外扩,并根据分数排序候选子区域,决策出候选区域的检测优先级。
步骤S5中,中级层次边缘检测处理的数据是初级层次像素检测输出的候选区域框,选择的特征为边缘梯度信息,进行决策判断得到各个目标所在的子块。
步骤S6中,高级层次结构化检测是在中级层次边缘检测输出的基础上,对各个子块进行确认,保证目标有效检出的基础上,去除虚警,选择的特征为结构化的特征,具体是将中级层次边缘检测的特征进行加权组合。
初级层次像素检测设计目的在于获得候选区域,选择的特征就是简单的像素值,方便快速过滤掉非目标区域,且保留有效目标;中级层次边缘检测目的是利用边缘梯度特征,搜索出目标所在的位置;高级层次结构化检测设计目的是去除虚假目标,利用的是中级层次边缘检测提取的特征的加权组合。
实施例4
本实施例类似于实施例1-3,进一步的,所述步骤S3中,模型选择是根据导航信息中的环境信息选择最优的模型以及相匹配的参数。
导航信息包括道路信息、场景信息、天候信息。
导航信息包括涉及高速公路、城市道路、顺光、逆光、隧道的信息数据。
实施例5
本申请提供一种采用如前述所述的融合车载导航信息的后视盲区车辆检测方法的检测***,包括导航***、模型选择模块、模型组合模块、检测模块、融合模块。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种融合车载导航信息的后视盲区车辆检测方法,其特征在于:包括以下步骤:
S1、检测开始;
S2、接收导航信息和经过预处理的后视图像并进行模型初始化;
S3、进行模型的选择与组合,模型选择是根据导航信息中的环境信息选择最优的模型以及相匹配的参数;
S4、利用组合好的模型I进行像素检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S5,所述模型I为利用像素级特征训练出来的模型;
S5、利用组合好的模型II进行边缘检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S6,所述模型II为利用边缘特征训练出来的模型;
S6、利用组合好的模型III进行结构化检测并判断是否有目标,如无目标则结束该次检测,如有目标则进行步骤S7,所述模型III为利用组合的边缘特征训练出来的模型;
S7、将检测后的信息与导航信息进行数据融合;
S8、检测结束。
2.根据权利要求1所述的融合车载导航信息的后视盲区车辆检测方法,其特征在于:所述步骤S2中,后视图像的预处理包括以下步骤:
S21、原始后视图像数据输入,原始后视图像数据包含左侧与右侧后视图像数据信息;
S22、根据标定参数与实际盲区需求规定生成图像中的感兴趣范围,并计算各个图像数据点与相机的距离与方位;
S23、执行自适应畸变校正算法:综合标定参数、图像数据点、与相机的距离与方位,完成感兴趣范围中各个点的映射过程;
S24、执行视角变换算法:通过图像变换矩阵,使得观察到的感兴趣范围数据能够处于最佳的检测状态;
S25、得到最终的待检测图像,送入检测模块进行检测。
3.根据权利要求1或2所述的融合车载导航信息的后视盲区车辆检测方法,其特征在于:所述步骤S4中,初级层次像素检测的目的是筛选出车辆所在的候选区域,选择的特征就是Y通道里面的亮度信息,具体包括以下步骤:
S41、经过预处理后的后视图像中的后视感兴趣子图像块作为模型的输入;
S42、建立金字塔层级:完成不同尺寸下目标的检测,从上到下,从左到右遍历来搜索可能的目标位置;
S43、针对第i层的金字塔中的像素位置(x,y,width,height),与模型数据进行判决比较,并获得相应的分数,参数x,y为像素块左上角坐标,参数width为像素块宽度,参数height为像素块高度;
S4 4、结合各级金字塔上各个位置上的分数,将分数进行归一化至0-255范围内,得到概率分布图;
S45、针对概率分布图进行滤波与连通区域分割,目的是平滑图像、去除噪点、得到各个子区域;
S46、针对候选子区域进行适当外扩,并根据分数排序候选子区域,决策出候选区域的检测优先级。
4.根据权利要求3所述的融合车载导航信息的后视盲区车辆检测方法,其特征在于:所述步骤S5中,中级层次边缘检测处理的数据是初级层次像素检测输出的候选区域框,选择的特征为边缘梯度信息,中级层次边缘检测进行决策判断得到各个目标所在的子块。
5.根据权利要求4所述的融合车载导航信息的后视盲区车辆检测方法,其特征在于:所述步骤S6中,高级层次结构化检测是在中级层次边缘检测输出的基础上,对各个子块进行确认,保证目标有效检出的基础上,去除虚警,选择的特征为结构化的特征,具体是将中级层次边缘检测的特征进行加权组合。
6.根据权利要求1所述的融合车载导航信息的后视盲区车辆检测方法,其特征在于:导航信息包括道路信息、场景信息、天候信息。
7.根据权利要求6所述的融合车载导航信息的后视盲区车辆检测方法,其特征在于:导航信息包括涉及高速公路、城市道路、顺光、逆光、隧道的信息数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711478171.5A CN108460323B (zh) | 2017-12-29 | 2017-12-29 | 一种融合车载导航信息的后视盲区车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711478171.5A CN108460323B (zh) | 2017-12-29 | 2017-12-29 | 一种融合车载导航信息的后视盲区车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460323A CN108460323A (zh) | 2018-08-28 |
CN108460323B true CN108460323B (zh) | 2022-05-20 |
Family
ID=63221219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711478171.5A Active CN108460323B (zh) | 2017-12-29 | 2017-12-29 | 一种融合车载导航信息的后视盲区车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460323B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512115A (zh) * | 2014-09-22 | 2016-04-20 | 惠州市德赛西威汽车电子股份有限公司 | 一种车载导航图片处理方法 |
CN106529530A (zh) * | 2016-10-28 | 2017-03-22 | 上海大学 | 一种基于单目视觉的前方车辆检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100312386A1 (en) * | 2009-06-04 | 2010-12-09 | Microsoft Corporation | Topological-based localization and navigation |
US20110081087A1 (en) * | 2009-10-02 | 2011-04-07 | Moore Darnell J | Fast Hysteresis Thresholding in Canny Edge Detection |
-
2017
- 2017-12-29 CN CN201711478171.5A patent/CN108460323B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512115A (zh) * | 2014-09-22 | 2016-04-20 | 惠州市德赛西威汽车电子股份有限公司 | 一种车载导航图片处理方法 |
CN106529530A (zh) * | 2016-10-28 | 2017-03-22 | 上海大学 | 一种基于单目视觉的前方车辆检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108460323A (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
Khammari et al. | Vehicle detection combining gradient analysis and AdaBoost classification | |
US8699754B2 (en) | Clear path detection through road modeling | |
US8611585B2 (en) | Clear path detection using patch approach | |
JP6197291B2 (ja) | 複眼カメラ装置、及びそれを備えた車両 | |
US8670592B2 (en) | Clear path detection using segmentation-based method | |
US8634593B2 (en) | Pixel-based texture-less clear path detection | |
US8803966B2 (en) | Clear path detection using an example-based approach | |
JP4930046B2 (ja) | 路面判別方法および路面判別装置 | |
CN108021856B (zh) | 车辆尾灯识别方法、装置及车辆 | |
US20100097457A1 (en) | Clear path detection with patch smoothing approach | |
US20150367781A1 (en) | Lane boundary estimation device and lane boundary estimation method | |
EP1403615B1 (en) | Apparatus and method for processing stereoscopic images | |
JP5180126B2 (ja) | 道路認識装置 | |
JP2006018751A (ja) | 車両用画像処理装置 | |
US20140002655A1 (en) | Lane departure warning system and lane departure warning method | |
Feniche et al. | Lane detection and tracking for intelligent vehicles: A survey | |
KR20200000953A (ko) | 어라운드 뷰 모니터링 시스템 및 카메라 공차 보정 방법 | |
Cheng et al. | A vehicle detection approach based on multi-features fusion in the fisheye images | |
US10108866B2 (en) | Method and system for robust curb and bump detection from front or rear monocular cameras | |
CN105069411B (zh) | 道路识别方法和装置 | |
US9558410B2 (en) | Road environment recognizing apparatus | |
JP6847709B2 (ja) | カメラ装置、検出装置、検出システムおよび移動体 | |
Kim et al. | An intelligent and integrated driver assistance system for increased safety and convenience based on all-around sensing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |