CN111539278A - 一种用于目标车辆的检测方法及*** - Google Patents

一种用于目标车辆的检测方法及*** Download PDF

Info

Publication number
CN111539278A
CN111539278A CN202010290821.9A CN202010290821A CN111539278A CN 111539278 A CN111539278 A CN 111539278A CN 202010290821 A CN202010290821 A CN 202010290821A CN 111539278 A CN111539278 A CN 111539278A
Authority
CN
China
Prior art keywords
target
vehicle
point
target vehicle
pixel
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.)
Pending
Application number
CN202010290821.9A
Other languages
English (en)
Inventor
许成舜
施亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Zhejiang Geely Automobile Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Zhejiang Geely Automobile Research Institute Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202010290821.9A priority Critical patent/CN111539278A/zh
Publication of CN111539278A publication Critical patent/CN111539278A/zh
Pending legal-status Critical Current

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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种用于目标车辆的检测方法及***，涉及车辆智能驾驶领域。本发明先根据目标车辆的图像提取出多个特征点，以得到第一特征点集；之后从第一特征点集中找出与自车距离最近的目标最近点；并且根据第一特征点集获取目标车辆的轮廓；然后将目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；进一步地利用融合后的目标特征点对目标车辆的轮廓进行修正，以得到目标车辆的最终轮廓，以便于根据最终轮廓对目标车辆进行追踪。本发明通过图像提取出特征点集，从而能够准确地找出目标特征点，并且与雷达采集到的目标特征点进行融合，从而进一步地提高了目标特征点的识别精度。

Description

一种用于目标车辆的检测方法及***
技术领域
本发明涉及车辆智能驾驶领域，特别是涉及一种用于目标车辆的检测方法及***。
背景技术
目前车辆检测有多种方法，按照感知***的传感器组成可分为：单一传感器，多传感融合。其中单一传感器成本低，实现简单，但识别率不高，鲁棒性不高，有很多场景局限性，如夜间摄像头性能差，雷达对静止目标检测差。而对于多传感器融合，虽然成本高，融合技术复杂，但感知性能，稳定性和场景适应性更好。
按照传感器类型又可分为：摄像头，毫米波雷达，激光雷达。基于摄像头图像的识别，分类能力强，对静态目标和横向探测精度高，但纵向探测距离精度低，更容易受到光照和天气等影响。而雷达对径向运动目标更敏感，不易受光照等天气影响，但对目标的分类能力差，尤其是静态目标。激光雷达探测能力强，分类能力强，识别精度高，成本也更高。
现有技术中，通过多传感器对目标车辆进行监测的方案中，对目标车辆离自车距离最近的目标点的识别度不高，因此，导致融合后的目标点的精度较低。
发明内容
本发明第一方面的目的是要提供一种用于目标车辆的检测方法，解决现有技术中多种传感器在对目标车辆进行检测时存在识别度不高的问题。
本发明第一方面的进一步目的是要提高目标特征点的检测精度。
本发明第二方面的目的是要提供一种用于目标车辆的检测***。
根据本发明第一方面的目的，本发明提供了一种用于目标车辆的检测方法，包括：
根据目标车辆的图像提取出多个特征点，以得到第一特征点集；
从所述第一特征点集中找出离自车距离最近的目标特征点；
根据所述第一特征点集获取所述目标车辆的轮廓；
将所述目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；
利用所述融合后的目标特征点对所述目标车辆的轮廓进行修正，以得到所述目标车辆的最终轮廓，以便于根据所述最终轮廓对所述目标车辆进行追踪。。
可选地，从所述第一特征点集中找出离自车距离最近的目标特征点；以及根据所述第一特征点集获取所述目标车辆的轮廓，具体包括：
当所述图像中只显示所述目标车辆的一个侧面时采用单线模型计算，具体为：
取所述第一特征点集中最左侧的特征点和最右侧的特征点，以得到一条直线，取所述直线的中间点作为所述目标特征点，所述直线为所述目标车辆的轮廓。
可选地，还包括：
当所述图像中显示所述目标车辆的两个侧面时采用L模型计算，具体为：
取所述第一特征点集中的最左侧的特征点和最右侧的特征点，以得到一条直线；
以所述直线为直径作圆；
取所述圆上的所有特征点为第二特征点集；
设所述第二特征点集中的特征点与所述最左侧的特征点的距离为L1、与所述最右侧的特征点的距离为L2，L1与L2之和最小的为所述目标特征点，所述最左侧的特征点与所述目标特征点的连线、所述最右侧的特征点与所述目标特征点的连线为所述目标车辆的轮廓。
可选地，所有步骤之前，还包括：
实时地获取自车前方的图像；
提取所述图像的多个边缘特征；
根据多个所述边缘特征确定所述目标车辆的图像。
可选地，提取所述图像的多个边缘特征，具体为：
所述边缘特征包括水平边缘、垂直边缘、边缘的模值、边缘的朝向；
设像素点(x，y)的灰度值为pixel(x，y)；则
所述像素点的水平边缘为：grandentx＝pixel(x+1，y)一pixel(x-1，y)；
所述像素点的垂直边缘为：grandenty＝pixel(x，y+1)-pixel(x，y-1)；
所述像素点边缘的模值为：
Figure BDA0002450321650000031
所述像素点边缘的朝向为：tan-1(grandenty/grandentx)；其中，
pixel(x+1，y)表示所述像素点的右侧点，pixel(x-1，y)表示所述像素点的左侧点，pixel(x，y+1)表示所述像素点的上侧点，pixel(x，y-1)表示所述像素点的下侧点。
可选地，根据多个所述边缘特征确定所述目标车辆的图像，具体为：
将多个所述边缘特征提取到检测窗口中；
对多个所述边缘特征进行分类和整合，从而确定所述目标车辆的图像。
可选地，根据所述目标车辆的图像提取出多个特征点，以得到第一特征点集，具体为：
设所述检测窗口内的灰度变化为：
Figure BDA0002450321650000032
对角化为：
Figure BDA0002450321650000033
其中，G(x，y)为高斯滤波，I(x，y)为所述像素点(x，y)的灰度值，Ix和Iy分别为x方向梯度和y方向梯度，u为所述像素点在所述检测窗口的X方向的移动值，v为所述像素点在所述检测窗口的Y方向的移动值；
计算矩阵M的秩和迹的差值：
d＝det(M)-k·trace2(M)；
其中det为矩阵M的行列式，trace为矩阵M的迹，K为比例系数，当d大于预设阈值时，则确定该像素点为所述特征点，从而得到所述第一特征点集(xi，yi)，其中，i＝1…n。
可选地，将所述目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点，具体包括：
通过摄像头获取所述目标特征点离自车的距离dv和方向角βv，通过雷达获取所述雷达特征点离自车的距离dr和方向角βr，所述方向角表示所述目标特征点/所述雷达特征点相对于自车的角度；
将所述目标特征点离自车的距离dv和所述雷达特征点离自车的距离dr进行融合，以得到融合后的所述目标特征点离自车的距离d；
将所述目标特征点的方向角βv和所述雷达特征点的方向角进行融合βr，以得到融合后的所述目标特征点的方向角β。
可选地，根据所述最终轮廓对所述目标车辆进行追踪，具体为：
对所述最终轮廓进行卡尔曼滤波，以得到连续时刻的所述目标车辆的最终轮廓，从而对所述目标车辆进行追踪。
根据本发明第二方面的目的，本发明还提供了一种用于目标车辆的检测***，包括：
处理单元，用于根据目标车辆的图像提取出多个特征点，以得到第一特征点集；之后从所述第一特征点集中找出离自车距离最近的目标特征点以及根据所述第一特征点集获取所述目标车辆的轮廓；然后将所述目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；进一步地利用所述融合后的目标特征点对所述目标车辆的轮廓进行修正，以得到所述目标车辆的最终轮廓，以便于根据所述最终轮廓对所述目标车辆进行追踪。
本发明先根据目标车辆的图像提取出多个特征点，以得到第一特征点集；之后从第一特征点集中找出与自车距离最近的目标最近点；并且根据第一特征点集获取目标车辆的轮廓；然后将目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；进一步地利用融合后的目标特征点对目标车辆的轮廓进行修正，以得到目标车辆的最终轮廓，以便于根据最终轮廓对目标车辆进行追踪。本发明通过图像提取出特征点集，从而能够准确地找出目标特征点，并且与雷达采集到的目标特征点进行融合，从而进一步地提高了目标特征点的识别精度。
进一步地，本发明根据图像中车辆出现的侧面的数量进行分类处理，采用单线模型和L模型，针对车辆的不同情况对目标特征点的计算方式不相同，能够进一步地提高目标特征点的精确度。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本发明一个实施例的用于目标车辆的检测方法的示意性流程图；
图2是根据本发明另一个实施例的用于目标车辆的检测方法的示意性流程图；
图3是根据本发明一个实施例的用于目标车辆的检测***的示意性结构图；
图4是根据本发明一个实施例的纵向测距精度的示意性仿真图；
图5是根据本发明一个实施例的横向测距精度的示意性仿真图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
图1是根据本发明一个实施例的用于目标车辆的检测方法的示意性流程图。如图1所示，在一个具体地实施例中，用于目标车辆的检测方法一般性地可包括以下步骤：
S100，根据目标车辆的图像提取出多个特征点，以得到第一特征点集；
S200，从第一特征点集中找出离自车距离最近的目标特征点；
S300，根据第一特征点集获取目标车辆的轮廓；
S400，将目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；
S500，利用融合后的目标特征点对目标车辆的轮廓进行修正，以得到目标车辆的最终轮廓，以便于根据最终轮廓对目标车辆进行追踪。
这里，特征点是本领域技术人员均知晓的一个概念，这里不作进一步解释。
本发明通过图像提取出特征点集，从而能够准确地找出目标特征点，并且与雷达采集到的目标特征点进行融合，从而进一步地提高了目标特征点的识别精度。
具体地，从第一特征点集中找出离自车距离最近的目标特征点；以及根据第一特征点集获取目标车辆的轮廓，需要根据目标车辆的图像采用不同的计算方式来找出目标最近点和目标车辆的轮廓。
第一种方式为：当图像中只显示目标车辆的一个侧面时采用单线模型计算，具体包括：
取第一特征点集中最左侧的特征点和最右侧的特征点，以得到一条直线，取直线的中间点作为目标特征点，直线为目标车辆的轮廓。
第二种方式为：当图像中显示目标车辆的两个侧面时采用L模型计算，具体包括以下步骤：
步骤一：取第一特征点集中的最左侧的特征点和最右侧的特征点，以得到一条直线；
步骤二：以直线为直径作圆；
步骤三：取圆上的特征点为第二特征点集；
步骤四：设第二特征点集中的特征点与最左侧的特征点的距离为L1、与最右侧的特征点的距离为L2，L1与L2之和最小的为目标特征点，最左侧的特征点与目标特征点的连线、最右侧的特征点与目标特征点的连线为目标车辆的轮廓。
具体地，对于L模型，可以采用最小二乘法求得目标特征点。
本发明采用单线模型和L模型，对目标车辆的具体情况进行具体分析，可以提高对目标车辆上目标特征点的识别精度。
图2是根据本发明另一个实施例的用于目标车辆的检测方法的示意性流程图。如图2所示，并参见图1，在一个实施例中，在所有步骤之前，还包括以下步骤：
S010，实时地获取自车前方的图像；
S020，提取图像的多个边缘特征；
S030，根据多个边缘特征确定目标车辆的图像。
具体地，在获取到自车前方的图像后将该图像生成图像金子塔，图像金子塔由多个不同比例大小的图像组成，然后提取图像金子塔里所有图像的边缘特征，从而可以准确地确定所采集到的图像中目标车辆的具体图像。
本发明利用自车获取到的前方的图像信息，从而可以确定自车前方目标车辆的图像，采用图像的处理技术可以很清楚地确定目标车辆的图像，提高目标车辆的识别度。
具体地，提取图像的多个边缘特征，具体为：
分别提取不同比例大小的图像的边缘特征，将它们的特征向量整合并做归一化处理，首先提取边缘特征，设计最小特征检测单元cell，cell由若干个像素组成，cell的形状为正方形；再设计次层特征整合单元block，block通常由若干个cell组成，每个block在取景窗口win中滑动，整合所有block收集的特征算子，组成一组可描述目标特征的边缘向量，至此提取完边缘特征，其中，
边缘特征包括水平边缘、垂直边缘、边缘的模值、边缘的朝向；
设像素点(x，y)的灰度值为pixel(x，y)；则
像素点的水平边缘为：grandentx＝pixel(x+1，y)-pixel(x-1，y)；
像素点的垂直边缘为：grandenty＝pixel(x，y+1)-pixel(x，y-1)；
像素点边缘的模值为：
Figure BDA0002450321650000071
像素点边缘的朝向为：tan-1(grandenty/grandentx)；其中，
pixel(x+1，y)表示像素点的右侧点，pixel(x-1，y)表示像素点的左侧点，pixel(x，y+1)表示像素点的上侧点，pixel(x，y-1)表示像素点的下侧点。
进一步地，根据多个边缘特征确定目标车辆的图像，具体包括以下步骤：
步骤一：将多个边缘特征提取到检测窗口中；
步骤二：对多个边缘特征进行分类和整合，从而确定目标车辆的图像。
在一个实施例中，根据目标车辆的图像提取出多个特征点，以得到第一特征点集S100，具体为：
设检测窗口内的灰度变化为：
Figure BDA0002450321650000072
对角化为：
Figure BDA0002450321650000073
其中，G(x，y)为高斯滤波，I(x，y)为像素点(x，y)的灰度值，Ix和Iy分别为x方向梯度和y方向梯度，u为像素点在检测窗口的X方向的移动值，v为像素点在检测窗口的Y方向的移动值；
计算矩阵M的秩和迹的差值：
d＝det(M)-k·trace2(M)；
其中det为矩阵M的行列式，trace为矩阵M的迹，K为比例系数，当d大于预设阈值时，则确定该像素点为特征点，从而得到第一特征点集(xi，yi)，其中，i＝1…n。
在一个实施例中，将目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点，具体包括以下步骤：
步骤一：通过摄像头获取目标特征点离自车的距离dv和方向角βv，通过雷达获取雷达特征点离自车的距离dr和方向角βr，其中，方向角表示目标特征点/雷达特征点相对于自车的角度；
步骤二：将目标特征点离自车的距离dv和雷达特征点离自车的距离dr进行融合，以得到融合后的目标特征点离自车的距离d，其中，
Figure BDA0002450321650000081
步骤三：将目标特征点的方向角βv和雷达特征点的方向角进行融合βr，以得到融合后的目标特征点的方向角β，其中，
Figure BDA0002450321650000082
其中，b为测量偏差。
需要说明的是，步骤二和步骤三没有先后顺序关系。
进一步地，根据最终轮廓对目标车辆进行追踪，具体为：
对最终轮廓进行卡尔曼滤波，以得到连续时刻的目标车辆的最终轮廓，从而对目标车辆进行追踪。
具体地，包括：
获取融合后的目标特征点相对于自车的纵向速度vy、横向速度vx和方向角速率vα；
设融合后的目标特征点的当前状态向量为：
Figure BDA0002450321650000083
其中，yd为融合后的目标特征点相对于自车的纵向距离，，xd为横向距离，
根据融合后的目标特征点的当前状态向量计算下一刻目标特征点的状态：
Ak+1＝FkAk+vk；
Fk是恒定速度运动模型参数，vk是过程噪声。
可以理解的是，本发明最终是对连续时刻的融合后的目标特征点、目标车辆的最右侧特征点和目标车辆的最左侧特征点的位置进行追踪，这三点的位置可以表示目标车辆的最终轮廓。
本发明通过卡尔曼滤波可以将多个时刻点的目标车辆的最终轮廓形成连续的时刻段的目标车辆的最终轮廓，从而可以知晓目标车辆的位置变化，便于对车辆进行连续的追踪。
图3是根据本发明一个实施例的用于目标车辆的检测***的示意性结构图。如图3所示，在一个具体地实施例中，用于目标车辆的检测***100包括处理单元30，其用于根据目标车辆的图像提取出多个特征点，以得到第一特征点集；之后从第一特征点集中找出离自车距离最近的目标特征点以及根据第一特征点集获取目标车辆的轮廓；然后将目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；进一步地利用融合后的目标特征点对目标车辆的轮廓进行修正，以得到目标车辆的最终轮廓，以便于根据最终轮廓对目标车辆进行追踪。
进一步地，用于目标车辆的检测***100还包括用于采集车辆前方图像的摄像头10以及采集雷达特征点的雷达20，摄像头10和雷达20均与处理单元30信号连接，摄像头10将采集到的自车前方的图像信息发送给处理单元30，雷达30将采集到的目标车辆离自车距离最近的雷达特征点发送给处理单元30。
本发明采用毫米波雷达和摄像头融合方案，其成本远低于采用激光雷达的ADAS***，并且能够提高对目标车辆轮廓的识别度。
图4是根据本发明一个实施例的纵向测距精度的示意性仿真图，图5是根据本发明一个实施例的横向测距精度的示意性仿真图。如图4-5所示，classic表示未采用本发明的检测方法，proposed表示采用了本发明的检测方法，采用本发明的检测方法后纵向测距精度提高了7％左右，横向测距精度提高了3％左右。这里，纵向指定的是目标车辆相对于自车的纵向，横向指的是目标车辆相对于自车的横向。
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种用于目标车辆的检测方法，其特征在于，包括：
根据目标车辆的图像提取出多个特征点，以得到第一特征点集；
从所述第一特征点集中找出离自车距离最近的目标特征点；
根据所述第一特征点集获取所述目标车辆的轮廓；
将所述目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；
利用所述融合后的目标特征点对所述目标车辆的轮廓进行修正，以得到所述目标车辆的最终轮廓，以便于根据所述最终轮廓对所述目标车辆进行追踪。
2.根据权利要求1所述的检测方法，其特征在于，从所述第一特征点集中找出离自车距离最近的目标特征点；以及根据所述第一特征点集获取所述目标车辆的轮廓，具体包括：
当所述图像中只显示所述目标车辆的一个侧面时采用单线模型计算，具体为：
取所述第一特征点集中最左侧的特征点和最右侧的特征点，以得到一条直线，取所述直线的中间点作为所述目标特征点，所述直线为所述目标车辆的轮廓。
3.根据权利要求2所述的检测方法，其特征在于，还包括：
当所述图像中显示所述目标车辆的两个侧面时采用L模型计算，具体为：
取所述第一特征点集中的最左侧的特征点和最右侧的特征点，以得到一条直线；
以所述直线为直径作圆；
取所述圆上的所有特征点为第二特征点集；
设所述第二特征点集中的特征点与所述最左侧的特征点的距离为L1、与所述最右侧的特征点的距离为L2，L1与L2之和最小的为所述目标特征点，所述最左侧的特征点与所述目标特征点的连线、所述最右侧的特征点与所述目标特征点的连线为所述目标车辆的轮廓。
4.根据权利要求1所述的检测方法，其特征在于，所有步骤之前，还包括：
实时地获取自车前方的图像；
提取所述图像的多个边缘特征；
根据多个所述边缘特征确定所述目标车辆的图像。
5.根据权利要求4所述的检测方法，其特征在于，提取所述图像的多个边缘特征，具体为：
所述边缘特征包括水平边缘、垂直边缘、边缘的模值、边缘的朝向；
设像素点(x，y)的灰度值为pixel(x，y)；则
所述像素点的水平边缘为：grandentx＝pixel(x+1，y)-pixel(x-1，y)；
所述像素点的垂直边缘为：grandenty＝pixel(x，y+1)-pixel(x，y-1)；
所述像素点边缘的模值为：
Figure FDA0002450321640000021
所述像素点边缘的朝向为：tan-1(grandenty/grandentx)；其中，
pixel(x+1，y)表示所述像素点的右侧点，pixel(x-1，y)表示所述像素点的左侧点，pixel(x，y+1)表示所述像素点的上侧点，pixel(x，y-1)表示所述像素点的下侧点。
6.根据权利要求5所述的检测方法，其特征在于，根据多个所述边缘特征确定所述目标车辆的图像，具体为：
将多个所述边缘特征提取到检测窗口中；
对多个所述边缘特征进行分类和整合，从而确定所述目标车辆的图像。
7.根据权利要求6所述的检测方法，其特征在于，根据所述目标车辆的图像提取出多个特征点，以得到第一特征点集，具体为：
设所述检测窗口内的灰度变化为：
Figure FDA0002450321640000022
对角化为：
Figure FDA0002450321640000023
其中，G(x,y)为高斯滤波，I(x,y)为所述像素点(x,y)的灰度值，Ix和Iy分别为x方向梯度和y方向梯度，u为所述像素点在所述检测窗口的X方向的移动值，v为所述像素点在所述检测窗口的Y方向的移动值；
计算矩阵M的秩和迹的差值：
d＝det(M)-k·trace2(M)；
其中det为矩阵M的行列式，trace为矩阵M的迹，K为比例系数，当d大于预设阈值时，则确定该像素点为所述特征点，从而得到所述第一特征点集(xi，yi)，其中，i＝1…n。
8.根据权利要求6所述的检测方法，其特征在于，将所述目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点，具体包括：
通过摄像头获取所述目标特征点离自车的距离dv和方向角βv，通过雷达获取所述雷达特征点离自车的距离dr和方向角βr，所述方向角表示所述目标特征点/所述雷达特征点相对于自车的角度；
将所述目标特征点离自车的距离dv和所述雷达特征点离自车的距离dr进行融合，以得到融合后的所述目标特征点离自车的距离d；
将所述目标特征点的方向角βv和所述雷达特征点的方向角进行融合βr，以得到融合后的所述目标特征点的方向角β。
9.根据权利要求8所述的检测方法，其特征在于，根据所述最终轮廓对所述目标车辆进行追踪，具体为：
对所述最终轮廓进行卡尔曼滤波，以得到连续时刻的所述目标车辆的最终轮廓，从而对所述目标车辆进行追踪。
10.一种用于目标车辆的检测***，其特征在于，包括：
处理单元，用于根据目标车辆的图像提取出多个特征点，以得到第一特征点集；之后从所述第一特征点集中找出离自车距离最近的目标特征点以及根据所述第一特征点集获取所述目标车辆的轮廓；然后将所述目标特征点和自车雷达采集到的目标车辆离自车距离最近的雷达特征点进行融合，以得到融合后的目标特征点；进一步地利用所述融合后的目标特征点对所述目标车辆的轮廓进行修正，以得到所述目标车辆的最终轮廓，以便于根据所述最终轮廓对所述目标车辆进行追踪。
CN202010290821.9A 2020-04-14 2020-04-14 一种用于目标车辆的检测方法及*** Pending CN111539278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010290821.9A CN111539278A (zh) 2020-04-14 2020-04-14 一种用于目标车辆的检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010290821.9A CN111539278A (zh) 2020-04-14 2020-04-14 一种用于目标车辆的检测方法及***

Publications (1)

Publication Number Publication Date
CN111539278A true CN111539278A (zh) 2020-08-14

Family

ID=71978680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010290821.9A Pending CN111539278A (zh) 2020-04-14 2020-04-14 一种用于目标车辆的检测方法及***

Country Status (1)

Country Link
CN (1) CN111539278A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333398A (zh) * 2021-12-15 2022-04-12 三江学院 一种车辆查找方法及***
CN117111491A (zh) * 2023-10-25 2023-11-24 北京赛目科技股份有限公司 一种自动驾驶仿真中物体最近点确定方法、装置及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090292468A1 (en) * 2008-03-25 2009-11-26 Shunguang Wu Collision avoidance method and system using stereo vision and radar sensor fusion
CN103559791A (zh) * 2013-10-31 2014-02-05 北京联合大学 一种融合雷达和ccd摄像机信号的车辆检测方法
JP2017010539A (ja) * 2015-06-16 2017-01-12 株式会社デンソー 車両制御装置、及び車両制御方法
CN106710240A (zh) * 2017-03-02 2017-05-24 公安部交通管理科学研究所 融合多目标雷达与视频信息的通行车辆跟踪测速方法
CN106951879A (zh) * 2017-03-29 2017-07-14 重庆大学 基于摄像头与毫米波雷达的多特征融合车辆检测方法
CN108564814A (zh) * 2018-06-06 2018-09-21 清华大学苏州汽车研究院（吴江） 一种基于图像的停车场车位检测方法及装置
CN108629343A (zh) * 2018-04-28 2018-10-09 湖北民族学院 一种基于边缘检测和改进Harris角点检测的车牌定位方法和***
CN110435642A (zh) * 2019-08-06 2019-11-12 吉利汽车研究院（宁波）有限公司 数据融合方法、装置及存储介质
CN110532896A (zh) * 2019-08-06 2019-12-03 北京航空航天大学 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090292468A1 (en) * 2008-03-25 2009-11-26 Shunguang Wu Collision avoidance method and system using stereo vision and radar sensor fusion
CN103559791A (zh) * 2013-10-31 2014-02-05 北京联合大学 一种融合雷达和ccd摄像机信号的车辆检测方法
JP2017010539A (ja) * 2015-06-16 2017-01-12 株式会社デンソー 車両制御装置、及び車両制御方法
CN106710240A (zh) * 2017-03-02 2017-05-24 公安部交通管理科学研究所 融合多目标雷达与视频信息的通行车辆跟踪测速方法
CN106951879A (zh) * 2017-03-29 2017-07-14 重庆大学 基于摄像头与毫米波雷达的多特征融合车辆检测方法
CN108629343A (zh) * 2018-04-28 2018-10-09 湖北民族学院 一种基于边缘检测和改进Harris角点检测的车牌定位方法和***
CN108564814A (zh) * 2018-06-06 2018-09-21 清华大学苏州汽车研究院（吴江） 一种基于图像的停车场车位检测方法及装置
CN110435642A (zh) * 2019-08-06 2019-11-12 吉利汽车研究院（宁波）有限公司 数据融合方法、装置及存储介质
CN110532896A (zh) * 2019-08-06 2019-12-03 北京航空航天大学 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘骊等: "《计算机服装建模及仿真》", 北京航空航天大学出版社, pages: 185 - 187 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333398A (zh) * 2021-12-15 2022-04-12 三江学院 一种车辆查找方法及***
CN114333398B (zh) * 2021-12-15 2023-06-13 三江学院 一种车辆查找方法及***
CN117111491A (zh) * 2023-10-25 2023-11-24 北京赛目科技股份有限公司 一种自动驾驶仿真中物体最近点确定方法、装置及设备
CN117111491B (zh) * 2023-10-25 2024-01-19 北京赛目科技股份有限公司 一种自动驾驶仿真中物体最近点确定方法、装置及设备

Similar Documents

Publication Publication Date Title
CN109945858B (zh) 用于低速泊车驾驶场景的多传感融合定位方法
CN107424116B (zh) 基于侧环视相机的泊车位检测方法
CN108596081B (zh) 一种基于雷达和摄像机融合的车辆行人探测方法
CN107272021B (zh) 使用雷达和视觉定义的图像检测区域的对象检测
CN106778593B (zh) 一种基于多地面标志融合的车道级定位方法
US20200041284A1 (en) Map road marking and road quality collecting apparatus and method based on adas system
EP3007099B1 (en) Image recognition system for a vehicle and corresponding method
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
CN110780305A (zh) 一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法
CN112396650A (zh) 一种基于图像和激光雷达融合的目标测距***及方法
CN104700414A (zh) 一种基于车载双目相机的前方道路行人快速测距方法
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
WO2003001473A1 (en) Vision-based collision threat detection system_
CN107796373B (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN115032651A (zh) 一种基于激光雷达与机器视觉融合的目标检测方法
CN115049700A (zh) 一种目标检测方法及装置
CN111340855A (zh) 一种基于轨迹预测的道路移动目标检测方法
CN108645375B (zh) 一种用于车载双目***快速车辆测距优化方法
CN113848545B (zh) 一种基于视觉和毫米波雷达的融合目标检测和跟踪方法
CN106447697A (zh) 一种基于动平台的特定动目标快速跟踪方法
CN112735164B (zh) 测试数据构建方法及测试方法
CN115113206B (zh) 井下有轨车辅助驾驶的行人与障碍物检测方法
CN112800938B (zh) 无人驾驶车辆检测侧面落石发生的方法及装置
CN111723778B (zh) 基于MobileNet-SSD的车辆测距***及方法
CN112927283A (zh) 测距方法及装置、存储介质及电子设备

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