JP2008203992A - 検出装置および方法、並びに、プログラム - Google Patents

検出装置および方法、並びに、プログラム Download PDF

Info

Publication number
JP2008203992A
JP2008203992A JP2007036759A JP2007036759A JP2008203992A JP 2008203992 A JP2008203992 A JP 2008203992A JP 2007036759 A JP2007036759 A JP 2007036759A JP 2007036759 A JP2007036759 A JP 2007036759A JP 2008203992 A JP2008203992 A JP 2008203992A
Authority
JP
Japan
Prior art keywords
camera
feature point
component
unit
detection
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.)
Withdrawn
Application number
JP2007036759A
Other languages
English (en)
Inventor
Hironori Koitabashi
宏礼 小板橋
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.)
Omron Corp
Original Assignee
Omron Corp
Omron Tateisi Electronics Co
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 Omron Corp, Omron Tateisi Electronics Co filed Critical Omron Corp
Priority to JP2007036759A priority Critical patent/JP2008203992A/ja
Priority to EP08151193A priority patent/EP1959675A3/en
Priority to US12/029,992 priority patent/US20080199050A1/en
Publication of JP2008203992A publication Critical patent/JP2008203992A/ja
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
    • B60R2300/301—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing combining image information with other obstacle sensor information, e.g. using RADAR/LIDAR/SONAR sensors for estimating risk of collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/80—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement
    • B60R2300/8033—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement for pedestrian protection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/80—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement
    • B60R2300/8093—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement for obstacle warning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

【課題】移動体に設置されたカメラの回転運動の成分を正確かつ簡単に検出する。
【解決手段】車両に設置されたカメラにより撮影された前方画像において検出された動きベクトルがランダムに３つ抽出され、カメラの回転運動のヨー角、ピッチ角、ロール角の線形式であって、背景ベクトルとカメラの回転角との関係を表す関係式に基づいて、抽出された動きベクトルを用いて仮の回転角が求められる。そして、他の動きベクトルについて、仮の回転角を用いた場合の誤差が算出され、誤差が所定の閾値以内となる動きベクトルの数が数えられる。以上の処理が所定の回数繰り返された後、誤差が所定の閾値以内となる動きベクトルの数が最も多かった仮の回転角がカメラの回転角として選択される。本発明は、車載用の障害物検出装置に適用できる。
【選択図】図２４

Description

本発明は、検出装置および方法、並びに、プログラムに関し、特に、移動体に設置されたカメラの回転運動の成分を検出する検出装置および方法、並びに、プログラムに関する。
従来、動画像の中の物体の動きを動きベクトルで表したオプティカルフローを求める方法が種々提案されている（例えば、非特許文献１参照）。
一方、従来、先行車両、対向車両、障害物などの車両の周囲に存在する移動物体を検出する技術において、それらのオプティカルフローの検出技術が適用されている。例えば、図１に示されるように、車両の前方を撮影した画像１において、黒丸を始点とする線で表される動きベクトルで表したオプティカルフローが検出され、検出されたオプティカルフローの向きや大きさに基づいて、画像１内の移動物体である人１１が検出される。
そして、オプティカルフローに基づいてより正確に移動物体を検出するために、車速センサおよびヨーレートセンサからの検出信号に基づき自車の運動方向を推定し、推定した運動方向に基づいて補正したオプティカルフローに基づいて、移動物体を検出することが提案されている（例えば、特許文献１参照）。
また、画像中の無限遠点の移動量に相当する量を、車両の転回走行により生じた成分として、オプティカルフローから除去することによりオプティカルフローを補正し、補正したオプティカルフローに基づいて自車両と後続の他車両との相対関係を監視することが提案されている（例えば、特許文献２参照）。
平健介、柴田昌明、画像情報とカメラモーションの融合による新しいオプティカルフロー生成手法、成蹊大学理工学研究報告Vol.43，No.2、２００６年１２月、８７〜９３ページ 特開平６−２８２６５５号公報 特開２０００−２５１１９９号公報
しかしながら、従来のヨーレートセンサによる車両の回転運動の成分の検出精度は十分であるとは言えず、その結果、移動物体の検出精度の低下を招く恐れがある。
また、無限遠点の移動量に基づいてオプティカルフローを補正する場合、例えば、画像内に平行線が存在しないなどの要因により無限遠点を検出できないとき、車両の転回走行により生じた成分を検出することができず、オプティカルフローを補正することができない。
本発明は、このような状況に鑑みてなされたものであり、移動体に設置されたカメラの回転運動の成分を正確かつ簡単に検出できるようにするものである。
本発明の一側面の検出装置は、１軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出装置であって、カメラにより撮影された画像内の静止している物体の動きベクトル、および、カメラの回転運動の成分との関係を表す関係式であって、カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、画像内において抽出された特徴点における動きベクトルに基づいて、カメラの回転運動の成分を検出する検出手段を備える。
本発明の一側面の検出装置においては、１軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出装置であって、カメラにより撮影された画像内の静止している物体の動きベクトル、および、カメラの回転運動の成分との関係を表す関係式であって、カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、画像内において抽出された特徴点における動きベクトルに基づいて、カメラの回転運動の成分が検出される。
従って、移動体に設置されたカメラの回転運動の成分を正確かつ簡単に検出することができる。
この検出手段は、例えば、CPU（Central Processing Unit）により構成される。
この関係式は、カメラの回転運動のヨー角、ピッチ角、および、ロール角の線形式により表すことができる。
これにより、カメラの回転運動の成分を簡単な計算により求めることができる。
この検出手段には、カメラの焦点距離をFとし、特徴点のx軸およびy軸方向の座標をXpおよびYpとし、特徴点における動きベクトルのx軸およびy軸方向の成分をvxおよびvyとし、カメラの回転運動のピッチ角、ヨー角、および、ロール角をθ、ψ、および、φとし、カメラの焦点距離をFとし、カメラのz軸方向の並進運動の成分をtzとし、カメラのx軸およびy軸方向の並進運動の成分をtx＝atz（aは定数）およびty＝btz（ｂは定数）とした場合、次の関係式
Figure 2008203992
 を用いて、カメラの回転運動の成分を検出させることができる。
これにより、カメラの回転運動の成分を簡単な計算により求めることができる。
この検出手段は、移動体が並進運動を行う方向とカメラの光軸とがほぼ平行あるいは垂直である場合、カメラの並進運動の方向を移動体が並進運動を行う方向に限定したモデルを適用することにより関係式を簡略化した式を用いて、カメラの回転運動の成分を検出させることができる。
これにより、カメラの回転運動の成分をより簡単な計算により求めることができる。
この移動体を車両とし、このカメラを、車両の前後方向とカメラの光軸とがほぼ平行になるように車両に設置し、この検出手段には、カメラの並進運動を車両の前後方向に限定したモデルを適用することにより関係式を簡略化した式を用いて、カメラの回転運動の成分を検出させることができる。
これにより、車両の回転運動に伴うカメラの回転運動の成分を正確かつ簡単に検出することができる。
この検出手段には、特徴点のうち静止している物体上の特徴点における動きベクトルに基づいて、カメラの回転運動の成分を検出させることができる。
これにより、カメラの回転運動の成分をより正確に検出することができる。
この検出手段には、前記特徴点のうち移動している物体上の特徴点における動きベクトルが検出結果に与える影響を低減するようにロバスト推定を行わせることができる。
これにより、カメラの回転運動の成分をより正確に検出することができる。
本発明の一側面の検出方法またはプログラムは、１軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出装置の検出方法、または、１軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出処理をコンピュータに実行させるプログラムであって、カメラにより撮影された画像内の静止している物体の動きベクトル、および、カメラの回転運動の成分との関係を表す関係式であって、カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、画像内において抽出された特徴点における動きベクトルに基づいて、カメラの回転運動の成分を検出する検出ステップを含む。
本発明の一側面の検出方法またはプログラムにおいては、１軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出装置であって、カメラにより撮影された画像内の静止している物体の動きベクトル、および、カメラの回転運動の成分との関係を表す関係式であって、カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、画像内において抽出された特徴点における動きベクトルに基づいて、カメラの回転運動の成分が検出される。
従って、移動体に設置されたカメラの回転運動の成分を正確かつ簡単に検出することができる。
この検出ステップは、例えば、CPUにより、カメラにより撮影された画像内の静止している物体の動きベクトル、および、カメラの回転運動の成分との関係を表す関係式であって、カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、画像内において抽出された特徴点における動きベクトルに基づいて、カメラの回転運動の成分を検出する検出ステップにより構成される。
本発明の一側面によれば、移動体に設置されたカメラの回転運動の成分を検出することができる。特に、本発明の一側面によれば、移動体に設置されたカメラの回転運動の成分を正確かつ簡単に検出することができる。
以下、図を参照して、本発明の実施の形態について説明する。
図２は、本発明を適用した障害物検出システムの一実施の形態を示すブロック図である。図２の障害物検出システム１０１は、例えば、車両に設けられ、障害物検出システム１０１が設けられた車両（以下、自車とも称する）の前方の人（例えば、歩行者、立ち止まっている人など）の検出を行い、検出結果に応じて、自車の動作を制御する。
障害物検出システム１０１は、レーザレーダ１１１、カメラ１１２、車速センサ１１３、障害物検出装置１１４、および、車両制御装置１１５を含むように構成される。
レーザレーダ１１１は、例えば、水平方向に走査を行う１次元スキャン方式のレーザレーダにより構成される。レーザレーダ１１１は、自車の前方に向けて自車の底面に対してほぼ水平に設置され、レーザレーダ１１１からのビーム（レーザ光）の反射光の強度が所定の閾値以上となる自車の前方のオブジェクト（例えば、車両、人、障害物、建築物、路側構造物、道路標識、信号など）を検出する。レーザレーダ１１１は、所定の間隔で、検出したオブジェクトのレーダ座標系におけるｘ軸およびｚ軸方向の位置（X，Z）、および、ｘ軸およびｚ軸方向の自車に対するオブジェクトの相対速度（dX，dZ）を含むオブジェクト情報を障害物検出装置１１４に供給する。レーザレーダ１１１から供給されたオブジェクト情報は、障害物検出装置１１４の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１４の各部が使用できる状態にされる。
なお、レーダ座標系は、レーザレーダ１１１のビームの出射口を原点とし、自車の距離方向（前後方向）をｚ軸方向とし、ｚ軸方向に垂直な高さ方向をｙ軸方向とし、ｚ軸方向およびｙ軸方向に垂直な自車の横断方向（左右方向）をｘ軸方向とする座標系である。なお、レーダ座標系の右方向をｘ軸の正の方向とし、上方向をy軸の正の方向とし、前方向をｚ軸の正の方向とする。
また、オブジェクトのｘ軸方向の位置Xは、オブジェクトからの反射光を受信したときのビームの走査角度により求められ、ｚ軸方向の位置Zは、ビームが出射されてからオブジェクトからの反射光を受信するまでの遅延時間により求められる。また、時刻tにおけるオブジェクトの相対速度(dX(t)，dZ(t))は、以下の式（１）および式（２）により求められる。
Figure 2008203992
なお、式（１）および式（２）のNはオブジェクトを追跡した回数を示し、X(t-k)およびZ(t-k)は、k回前のオブジェクトのx軸方向およびz軸方向の位置を示す。すなわち、オブジェクトの相対速度は、オブジェクトの位置の変位量に基づいて算出される。
カメラ１１２は、例えば、CCD撮像素子、CMOS撮像素子、または、対数変換型撮像素子などを用いたカメラにより構成される。カメラ１１２は、自車の並進運動の方向、すなわち、自車の前後方向とカメラ１１２の光軸がほぼ平行となるように、自車の前方に向けて自車の底面に対してほぼ水平に設置されるとともに、自車に対してほとんど並進および回転しないように固定される。なお、レーザレーダ１１１とカメラ１１２の中心軸（光軸）は、相互にほぼ平行であることが望ましい。
カメラ１１２は、所定の間隔で、自車の前方を撮影した画像（以下、前方画像と称する）を障害物検出装置１１４に出力する。カメラ１１２から供給された前方画像は、障害物検出装置１１４の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１４の各部が使用できる状態にされる。
なお、以下、カメラ座標系を、カメラ１１２のレンズの中心を原点とし、カメラ１１２の中心軸（光軸）方向、すなわち、自車の距離方向（前後方向）をz軸方向とし、ｚ軸方向に垂直な高さ方向をｙ軸方向とし、ｚ軸方向およびｙ軸方向に垂直な方向、すなわち、自車の横断方向（左右方向）をｘ軸方向とする座標系とする。なお、カメラ座標系の右方向をｘ軸の正の方向とし、上方向をy軸の正の方向とし、前方向をｚ軸の正の方向とする。
車速センサ１１３は、自車の車速を検出し、検出した車速を示す信号を障害物検出装置１１４の位置判定部１５１、速度判定部１５２、および、クラスタリング部１６６のベクトル分類部２６２（図６）に供給する。なお、車速センサ１１３を、例えば、自車に設けられている車速センサにより構成するようにしてもよいし、専用のセンサにより構成するようにしてもよい。
障害物検出装置１１４は、例えば、CPU（Central Processing Unit）、ROM（Read Only Memory）、RAM（Random Access Memory）などにより構成され、自車の前方に存在する人を検出し、検出結果を示す情報を車両制御装置１１５に供給する。
ここで、図３および図４を参照して、障害物検出装置１１４により行われる処理の概要について説明する。図３は、レーザレーダ１１１の検出結果の例を示す鳥瞰図である。図内の距離は自車からの距離を示しており、４本の縦線のうち内側の２本は、自車の車幅を示し、外側の２本は自車が走行している車線の幅を示している。図３の例においては、車線内右側の自車からの距離が20mを超えた付近にオブジェクト２０１が検出され、車線の左側外の自車からの距離が30mを超えた付近および40ｍ付近に、それぞれ、オブジェクト２０２および２０３が検出されている。
図４は、図３に示される検出が行われた時刻と同時刻にカメラ１１２により撮影された前方画像の例を示している。障害物検出装置１１４は、図７などを参照して後述するように、図４に示される前方画像において、オブジェクト２０１に対応する領域２１１、オブジェクト２０２に対応する領域２１２、および、オブジェクト２０３に対応する領域２１３をROI（Region Of Interest、関心領域）に設定し、設定したROIに対して画像処理を行うことにより、自車の前方の人の検出を行う。そして、図４の例の場合、ROI２１１内の領域２２１内に存在する人の位置、移動方向、速度などが検出結果として、障害物検出装置１１４から車両制御装置１１５に出力される。
なお、図７などを参照して後述するように、障害物検出装置１１４は、レーザレーダ１１１により検出された全てのオブジェクトに対して処理を行うのではなく、オブジェクトの位置および速度に基づいて、処理対象となるオブジェクトを抽出し、抽出したオブジェクトに対してのみ処理を行う。
図２に戻り、障害物検出装置１１４は、オブジェクト情報処理部１３１、画像処理部１３２、および、出力部１３３を含むように構成される。
オブジェクト情報処理部１３１は、レーザレーダ１１１からのオブジェクト情報の処理を行うブロックであり、オブジェクト抽出部１４１および特徴点密度パラメータ設定部１４２を含むように構成される。
オブジェクト抽出部１４１は、レーザレーダ１１１により検出されたオブジェクトのうち、画像処理部１３２において処理する対象となるオブジェクトを抽出するブロックであり、位置判定部１５１および速度判定部１５２を含むように構成される。
位置判定部１５１は、図８などを参照して後述するように、車速センサ１１３により検出された自車の速度に基づいて検知領域を設定し、レーザレーダ１１１により検出されたオブジェクトの中から検知領域内に存在するオブジェクトを抽出することにより、画像処理部１３２の処理対象とするオブジェクトを絞り込む。位置判定部１５１は、オブジェクトの抽出結果を示す情報を速度判定部１５２に供給する。
速度判定部１５２は、図８などを参照して後述するように、位置判定部１５１により抽出されたオブジェクトの中から、速度が所定の条件を満たすオブジェクトを抽出することにより、画像処理部１３２の処理対象とするオブジェクトを絞り込む。速度判定部１５２は、オブジェクトの抽出結果を示す情報、および、抽出したオブジェクトに対応するオブジェクト情報をROI設定部１６１に供給する。また、速度判定部１５２は、オブジェクトの抽出結果を示す情報を特徴点密度パラメータ設定部１４２に供給する。
特徴点密度パラメータ設定部１４２は、図１３などを参照して後述するように、ROI設定部１６１により設定された各ROIについて、ROI内のオブジェクトの自車からの距離に基づいて、ROI内において抽出する特徴点の密度を示す特徴点密度パラメータを設定する。特徴点密度パラメータ設定部１４２は、設定した特徴点密度パラメータを示す情報を特徴点抽出部１６３に供給する。
画像処理部１３２は、カメラ１１２により撮影された前方画像を画像処理するブロックであり、ROI設定部１６１、特徴量算出部１６２、特徴点抽出部１６３、ベクトル検出部１６４、回転角検出部１６５、および、クラスタリング部１６６を含むように構成される。
ROI設定部１６１は、図１１などを参照して後述するように、オブジェクト抽出部１４１により抽出された各オブジェクトに対するROIを設定する。ROI設定部１６１は、各ROIの前方画像上の位置を示す情報を特徴量算出部１６２に供給する。また、ROI設定部１６１は、各ROI内のオブジェクトの自車からの距離を示す情報をクラスタリング部１６６のベクトル分類部２６２（図６）に供給する。さらに、ROI設定部１６１は、各ROIの前方画像上およびレーダ座標系における位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。また、ROI設定部１６１は、各ROIの前方画像上の位置およびレーダ座標系における位置を示す情報、並びに、各ROI内のオブジェクトに対応するオブジェクト情報を出力部１３３に供給する。
特徴量算出部１６２は、図１３などを参照して後述するように、各ROI内の各画素の所定の種類の特徴量を算出する。特徴量算出部１６２は、処理を行ったROIの前方画像上の位置、および、ROI内の各画素の特徴量を示す情報を特徴点抽出部１６３に供給する。
特徴点抽出部１６３は、特徴点抽出部１６３は、特徴点を抽出するROIの前方画像上の位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。特徴点抽出部１６３は、図１３などを参照して後述するように、各画素の特徴量および特徴点密度パラメータに基づいて、各ROIの特徴点を抽出する。特徴点抽出部１６３は、処理を行ったROIの前方画像上の位置を示す情報、および、抽出した特徴点の位置を示す情報をベクトル検出部１６４に供給する。
ベクトル検出部１６４は、図１３などを参照して後述するように、特徴点抽出部１６３により抽出された各特徴点における動きベクトルを検出する。ベクトル検出部１６４は、検出した動きベクトルを示す情報を回転角検出部１６５の回転角算出部２４１（図５）に供給する。また、ベクトル検出部１６４は、処理を行ったROIの前方画像上の位置、および、検出した動きベクトルを示す情報をクラスタリング部１６６のベクトル変換部２６１（図６）に供給する。
回転角検出部１６５は、図２４を参照して後述するように、ロバスト推定の一つの手法であるRANSAC (Random Sample Consensus)の手法を用いて、自車の回転運動に伴うカメラ１１２の回転運動の成分、すなわち、カメラ１１２の回転角の方向および大きさを検出し、検出した回転角を示す情報をクラスタリング部１６６のベクトル変換部２６１（図６）に供給する。
クラスタリング部１６６は、図２５などを参照して後述するように、各ROI内のオブジェクトの種類を分類する。クラスタリング部１６６は、分類した結果を示す情報を出力部１３３に供給する。
出力部１３３は、検出されたオブジェクトの種類、位置、移動方向、および、速度などの検出結果を示す情報を車両制御装置１１５に供給する。
車両制御装置１１５は、例えば、ECU（Electronic Control Unit）により構成され、障害物検出装置１１４による検出結果に基づいて、自車および自車に設けられている各種の車載装置の動作を制御する。
図５は、回転角検出部１６５の機能的構成を詳細に示すブロック図である。回転角検出部１６５は、回転角算出部２４１、誤差算出部２４２、および、選択部２４３を含むように構成される。
回転角算出部２４１は、図２４を参照して後述するように、ベクトル検出部１６４により検出された動きベクトルの中から３つの動きベクトルをランダムに抽出し、抽出した動きベクトルに基づいて、カメラ１１２の仮の回転角を算出する。回転角算出部２４１は、算出した仮の回転角を示す情報を誤差算出部２４２に供給する。
誤差算出部２４２は、図２４を参照して後述するように、仮の回転角の算出に用いた動きベクトルの以外の各動きベクトルについて、仮の回転角を用いた場合の誤差を算出する。誤差算出部２４２は、各動きベクトルと算出した誤差を関連づける情報、および、仮の回転角を示す情報を選択部２４３に供給する。
選択部２４３は、図２４を参照して後述するように、誤差が所定の閾値以内となる動きベクトルの数に基づいて、回転角算出部２４１により求められた仮の回転角の中から１つの回転角を選択し、選択した回転角を示す情報をクラスタリング部１６６のベクトル変換部２６１（図６）に供給する。
図６は、クラスタリング部１６６の機能的構成を詳細に示すブロック図である。クラスタリング部１６６は、ベクトル変換部２６１、ベクトル分類部２６２、オブジェクト分類部２６３、移動物体分類部２６４、および、静止物体分類部２６５を含むように構成される。
ベクトル変換部２６１は、図２５を参照して後述するように、回転角検出部１６５により検出されたカメラ１１２の回転角に基づいて、ベクトル検出部１６４により検出された動きベクトルの成分から、自車の回転運動に伴うカメラ１１２の回転運動により生じた成分を除いた動きベクトル（以下、変換ベクトルとも称する）を求める。ベクトル変換部２６１は、処理を行ったROIの前方画像上の位置、および、求めた変換ベクトルを示す情報をベクトル分類部２６２に供給する。
ベクトル分類部２６２は、図２５などを参照して後述するように、変換ベクトル、前方画像における特徴点の位置、自車からオブジェクトまでの距離、および、車速センサ１１３により検出された自車の速度に基づいて、各特徴点において検出された動きベクトルの種類を検出する。ベクトル分類部２６２は、処理を行ったROIの前方画像上の位置、および、検出した動きベクトルの種類を示す情報をオブジェクト分類部２６３に供給する。
オブジェクト分類部２６３は、図２５を参照して後述するように、動きベクトルの分類結果に基づいて、ROI内のオブジェクトを移動している物体（以下、移動物体とも称する）、または、静止している物体（以下、静止物体とも称する）のいずれかに分類する。オブジェクト分類部２６３は、ROI内のオブジェクトを移動物体に分類した場合、その移動物体を含むROIの前方画像上における位置を示す情報を移動物体分類部２６４に供給する。また、オブジェクト分類部２６３は、ROI内のオブジェクトが静止物体であると判定した場合、その静止物体を含むROIの前方画像上における位置を示す情報を静止物体分類部２６５に供給する。
移動物体分類部２６４は、所定の画像認識の手法を用いて、ROI内の移動物体の種類を検出する。移動物体分類部２６４は、移動物体の種類、および、その移動物体を含むROIの前方画像上の位置を示す情報を出力部１３３に供給する。
静止物体分類部２６５は、所定の画像認識の手法を用いて、ROI内の静止物体の種類を分類する。静止物体分類部２６５は、静止物体の種類、および、その静止物体を含むROIの前方画像上の位置を示す情報を出力部１３３に供給する。
次に、図７のフローチャートを参照して、障害物検出システム１０１により実行される障害物検出処理について説明する。なお、この処理は、例えば、自車のエンジンが始動されたとき、開始される。
ステップＳ１において、レーザレーダ１１１は、オブジェクトの検出を開始する。レーザレーダ１１１は、検出したオブジェクトの位置および相対速度を含むオブジェクト情報の障害物検出装置１１４への供給を開始する。レーザレーダ１１１から供給されたオブジェクト情報は、障害物検出装置１１４の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１４の各部が使用できる状態にされる。
ステップＳ２において、カメラ１１２は、撮影を開始する。カメラ１１２は、自車の前方を撮影した前方画像の障害物検出装置１１４への供給を開始する。カメラ１１２から供給された前方画像は、障害物検出装置１１４の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１４の各部が使用できる状態にされる。
ステップＳ３において、車速センサ１１３は、車速の検出を開始する。車速センサ１１３は、検出した車速を示す信号の位置判定部１５１、速度判定部１５２、および、ベクトル分類部２６２への供給を開始する。
ステップＳ４において、障害物検出装置１１４は、ROI設定処理を行う。ここで、図８のフローチャートを参照して、ROI設定処理の詳細について説明する。
ステップＳ３１において、位置判定部１５１は、オブジェクトの位置に基づいて、処理対象を絞り込む。具体的には、位置判定部１５１は、レーザレーダ１１１により検出されたオブジェクトの位置（X，Z）に基づいて、以下の式（３）を満たすオブジェクトを抽出することにより、処理対象を絞り込む。
|X|＜Xth and Z＜Zth ・・・（３）
なお、式（３）のXthおよびZthは所定の閾値である。従って、図９の車両３０１を自車とした場合、車両３０１の前方の幅Xth×長さZthの検知領域Rth内に存在するオブジェクトが抽出される。
閾値Xthは、例えば、自車の車幅（図９においては、車両３０１の車幅Xc）、または、自車が走行中の車線幅に、余裕分として所定の長さを加えた値に設定される。
また、Zthは、例えば、以下の式（４）に基づいて算出される値に設定される。
Zth(m)＝自車の速度（m/s）×Tc(s) ・・・（４）
なお、時間Tcは、例えば、自車が所定の速度（例えば、60km/h）で走行しているときに、自車の前方の所定の距離（例えば、100m）だけ離れた位置にいる歩行者に衝突するまでの衝突時間（TTC（Time to Collision））などに基づいて設定される定数である。
これにより、自車に衝突する可能性が低い検知領域Rthの外に存在するオブジェクトが処理対象から除かれる。
なお、検知領域は、その領域内に存在するオブジェクトに自車が衝突する可能性に基づいて設定される領域であり、必ずしも図９のように矩形の領域である必要はない。また、例えば、カーブの場合には検知領域のXthを広げるようにしてもよい。
位置判定部１５１は、オブジェクトの抽出結果を示す情報を速度判定部１５２に供給する。
ステップＳ３２において、速度判定部１５２は、オブジェクトの速度に基づいて、処理対象を絞り込む。具体的には、速度判定部１５２は、位置判定部１５１により抽出されたオブジェクトの中から、以下の式（５）を満たすオブジェクトを抽出することにより、処理対象を絞り込む。
|Vv(t)＋dZ(t)|≦ε ・・・（５）
なお、Vv(t)は、時刻tにおける自車の速度を表し、dZ(t)は、上述したように、時刻tにおける自車に対するオブジェクトのz軸方向（距離方向）の相対速度を表す。また、εは所定の閾値を表す。
これにより、図１０に示されるように、検知領域内に存在するオブジェクトのうち、自車の距離方向の速度が所定の閾値より大きいオブジェクト、例えば、先行車両および対向車両などが処理対象から除かれ、自車の距離方向の速度が所定の閾値以下のオブジェクト、例えば、歩行者、路側構造物、停止車両、自車に対して横断方向に走行している車両などが処理対象として抽出される。従って、動きベクトルを用いた画像認識において歩行者との区別が困難な先行車両および対向車両が処理対象から除かれるため、処理の負荷を軽減できるとともに、検出性能を向上させることができる。
速度判定部１５２は、オブジェクトの抽出結果、および、抽出したオブジェクトに対応するオブジェクト情報を、ROI設定部１６１に供給する。また、速度判定部１５２は、オブジェクトの抽出結果を示す情報を特徴点密度パラメータ設定部１４２に供給する。
ステップＳ３３において、ROI設定部１６１は、ROIを設定する。ここで、図１１を参照して、ROIの設定方法の一例について説明する。
まず、図１１の左側のオブジェクト３２１によりビームＢＭ１１が反射された場合について考える。なお、レーザレーダ１１１から出射されるビームは、実際には縦長の楕円形をしているが、図１１では、説明を簡単にするために長方形により示している。まず、BM１１の幅および高さとほぼ等しい長方形の領域ＯＲ１１の中心点ＯＣ１１が、オブジェクト３２１の中心として求められる。中心点ＯＣ１１のレーダ座標系における位置を（X1，Y1，Z1）とした場合、X1およびZ1はレーザレーダ１１１から供給されるオブジェクト情報から求められ、Y1はレーザレーダ１１１の設置位置の地面からの高さから求められる。そして、中心点ＯＣ１１を中心とする高さ２Ａ（ｍ）×幅２Ｂ（ｍ）の領域３２２が、オブジェクト３２１に対するROIに設定される。なお、２Ａおよび２Ｂの値は、標準的な歩行者の大きさに余裕分として所定の長さを加えた値に設定される。
次に、図１１の右側のオブジェクト３２３によりビームＢＭ１２−１乃至ＢＭ１２−３が反射された場合について考える。この場合、反射点の距離の差が所定の閾値以内であるビームは同じオブジェクトから反射されてきたものと判断され、ビームＢＭ１２−１乃至ＢＭ１２−３がグループ化される。次にグループ化されたビームＢＭ１２−１乃至ＢＭ１２−３の幅および高さとほぼ等しい長方形の領域ＯＲ１２の中心点ＯＣ１２が、オブジェクト３２３の中心として求められる。中心点ＯＣ１２のレーダ座標系における位置を（X2，Y2，Z2）とした場合、X2およびZ2はレーザレーダ１１１から供給されるオブジェクト情報から求められ、Y２はレーザレーダ１１１の設置位置の地面からの高さから求められる。そして、中心点ＯＣ１２を中心とする高さ２Ａ(m)×幅２Ｂ(ｍ)の領域３２４が、オブジェクト３２３に対するROIに設定される。
そして、オブジェクト抽出部１４１により抽出された各オブジェクトに対するROIの位置が、以下の関係式（６）乃至（８）に基づいて、レーダ座標系における位置から前方画像における位置に変換される。
Figure 2008203992
なお、(XL，YL，ZL)はレーダ座標系における座標を示し、(Xc，Yc，Zc)はカメラ座標系における座標を示し、(Xp，Yp)は前方画像の座標系（以下、画像座標系とも称する）における座標を示す。なお、画像座標系は、周知のキャリブレーションによって設定された前方画像の中心(X0，Y0)を原点とし、水平方向をｘ軸方向、垂直方向をｙ軸方向とし、右方向をx軸の正の方向、上方向をy軸の正の方向とする座標系とされる。また、Ｒは３×３の行列、Ｔは３×１の行列を表し、ＲおよびＴは周知のカメラキャリブレーションにより設定される。さらに、Ｆはカメラ１１２の焦点距離を表し、dXpは前方画像の１画素の水平方向の長さ、dYpは前方画像の１画素の垂直方向の長さを表す。
これにより、前方画像において、抽出された各オブジェクトについて、オブジェクトの一部または全部を含み、オブジェクトまでの距離に応じた大きさのROIが設定される。
なお、レーダ座標系を画像座標系に変換する方法の詳細については、例えば、特開２００６−１５１１２５号公報などに開示されている。
ROI設定部１６１は、各ROIの前方画像上の位置を示す情報を特徴量算出部１６２に供給する。また、ROI設定部１６１は、各ROIの前方画像上およびレーダ座標系における位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。さらに、ROI設定部１６１は、各ROIの前方画像上の位置およびレーダ座標系における位置を示す情報、並びに、各ROI内のオブジェクトに対応するオブジェクト情報を出力部１３３に供給する。
図１２は、前方画像およびROIの例を示している。図１２の前方画像３４１においては、前方を横断している歩行者３５１を含むROI３５２、および、車線の左側に設置されているガードレール３５３の一部を含むROI３５４の２つのROIが設定されている。なお、以下、適宜、前方画像３４１を例に挙げながら、障害物検出処理の説明を行う。
図７に戻り、ステップＳ５において、特徴量算出部１６２は、未処理のROIを１つ選択する。すなわち、特徴量算出部１６２は、ROI設定部１６１により設定されたROIのうち、後述するステップＳ６乃至Ｓ９の処理を行っていないROIを１つ選択する。なお、以下、ステップＳ５において選択されたROIを選択ROIとも称する。
ステップＳ６において、障害物検出装置１１４は、特徴点抽出処理を実行する。ここで、図１３のフローチャートを参照して、特徴点抽出処理の詳細について説明する。
ステップＳ５１において、特徴量算出部１６２は、特徴量を算出する。例えば、特徴量算出部１６２は、所定の手法（例えば、ハリスのコーナー検出法など）に基づいて、選択ROI内の画像のコーナーの強度を特徴量として算出する。特徴量算出部１６２は、選択ROIの前方画像上の位置、および、選択ROI内の各画素の特徴量を示す情報を特徴点抽出部１６３に供給する。
ステップＳ５２において、特徴点抽出部１６３は、特徴点候補を抽出する。具体的には、特徴点抽出部１６３は、選択ROI内の各画素のうち、特徴量が所定の閾値を超える画素を特徴点候補として抽出する。
ステップＳ５３において、特徴点抽出部１６３は、特徴量の大きい順に特徴点候補をソートする。
ステップＳ５４において、特徴点密度パラメータ設定部１４２は、特徴点密度パラメータを設定する。具体的には、特徴点抽出部１６３は、選択ROIの前方画像上の位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。特徴点密度パラメータ設定部１４２は、選択ROIのレーダ座標系における位置を求める。そして、特徴点密度パラメータ設定部１４２は、選択ROI内のオブジェクトが歩行者であると仮定して、以下の式（９）に基づいて、その歩行者の前方画像における高さ（単位はピクセル）を推定する。
歩行者の高さ（ピクセル）＝身長（ｍ）×焦点距離（ピクセル）÷距離（ｍ） ・・・（９）
なお、式（９）において、身長は、想定される歩行者の身長の平均値などに基づく定数（例えば、1.7m）であり、焦点距離は、カメラ１１２の焦点距離をカメラ１１２の撮像素子の画素ピッチを用いて表した値であり、距離は、選択ROI内のオブジェクトまでの距離を表し、選択ROIのレーダ座標系における位置により求められる。
次に、特徴点密度パラメータ設定部１４２は、以下の式（１０）に基づいて、特徴点密度パラメータを算出する。
特徴点密度パラメータ（ピクセル）＝歩行者の高さ（ピクセル）÷Pmax
・・・（１０）
なお、Pmaxは所定の定数であり、例えば、歩行者の動きを検出するために、歩行者の高さ方向において抽出することが望ましい特徴点の数などに基づいて設定される。
特徴点密度パラメータは、前方画像におけるオブジェクトが歩行者であると仮定した場合、歩行者の大きさに関わらず、換言すれば、歩行者までの距離に関わらず、その歩行者の画像の高さ方向において抽出される特徴点の数がほぼ一定となるように、各特徴点間に設ける間隔の最小値を表す。すなわち、特徴点密度パラメータは、選択ROI内のオブジェクトの自車からの距離が遠いほど小さくなるように設定される。
特徴点密度パラメータ設定部１４２は、特徴点密度パラメータを示す情報を特徴点抽出部１６３に供給する。
ステップＳ５５において、特徴点抽出部１６３は、ROI内の全ての画素の選択フラグをオンに設定する。選択フラグは、特徴点に設定できる画素であるか否かを示すフラグであり、特徴点に設定される画素の選択フラグはオンに設定され、特徴点に設定できない画素の選択フラグはオフに設定される。特徴点抽出部１６３は、まず、選択ROI内の全ての画素を特徴点に設定できるように、選択ROI内の全ての画素の選択フラグをオンに設定する。
ステップＳ５６において、特徴点抽出部１６３は、未処理の特徴点候補の中から最も順位の高い特徴点候補を選択する。具体的には、特徴点抽出部１６３は、後述するステップＳ５６乃至Ｓ５８の処理を行っていない特徴点候補の中から、ソート順において最も順位が高い特徴点候補、すなわち、特徴量が最も大きい特徴点候補を選択する。
ステップＳ５７において、特徴点抽出部１６３は、選択した特徴点候補の選択フラグがオンであるかを判定する。選択した特徴点候補の選択フラグがオンであると判定された場合、処理はステップＳ５８に進む。
ステップＳ５８において、特徴点抽出部１６３は、選択した特徴点候補の近傍の画素の選択フラグをオフに設定する。具体的には、特徴点抽出部１６３は、選択した特徴点候補からの距離が特徴点密度パラメータの範囲内の画素の選択フラグをオフに設定する。これにより、選択した特徴点候補からの距離が特徴点密度パラメータの範囲内の画素から新たに特徴点が抽出されなくなる。
ステップＳ５９において、特徴点抽出部１６３は、選択した特徴点候補を特徴点リストに追加する。すなわち、選択した特徴点候補が特徴点として抽出される。
一方、ステップＳ５７において、選択した特徴点候補の選択フラグがオフであると判定された場合、ステップＳ５８およびＳ５９の処理はスキップされ、選択した特徴点候補が特徴点リストに追加されずに、処理はステップＳ６０に進む。
ステップＳ６０において、特徴点抽出部１６３は、全ての特徴点候補について処理したかを判定する。全ての特徴点候補について処理していないと判定された場合、処理はステップＳ５６に戻り、ステップＳ６０において、全ての特徴点候補について処理したと判定されるまで、ステップＳ５６乃至Ｓ６０の処理が、繰り返し実行される。すなわち、ROI内の全ての特徴点候補について、特徴量が大きい順にステップＳ５６乃至Ｓ６０の処理が実行される。
ステップＳ６０において、全ての特徴点候補について処理したと判定された場合、処理はステップＳ６１に進む。
ステップＳ６１において、特徴点抽出部１６３は、抽出結果を通知し、特徴点抽出処理は終了する。具体的には、特徴点抽出部１６３は、選択ROIの前方画像上の位置および特徴点リストをベクトル検出部１６４に供給する。
ここで、図１４乃至図１９を参照して、特徴点抽出処理の具体例について説明する。
図１４は、ROI内の各画素の特徴量の一例を示している。図１４のROI３５１内の正方形の各欄は画素を示しており、各画素内には各画素の特徴量が示されている。なお、以下、ROI３５１の左上隅の画素を原点（０，０）とし、水平方向をx軸方向、垂直方向をy軸方向とする座標系を用いて、ROI３５１内の各画素の座標を表す。
ステップＳ５２において、閾値を０に設定し、ROI３５１において特徴量が０を超える画素を特徴点候補として抽出した場合、座標が（２，１）、（５，１）、（５，３）、（２，５）および（５，５）の画素が、特徴点候補ＦＰ１１乃至ＦＰ１５として抽出される。
ステップＳ５３において、図１５に示されるように、ROI３５１内の特徴点候補が特徴量の大きい方から、特徴点候補ＦＰ１２、ＦＰ１３、ＦＰ１５、ＦＰ１１、ＦＰ１４の順にソートされる。
ステップＳ５４において、特徴点密度パラメータが設定されるが、以下、特徴点パラメータが２画素（２ピクセル）に設定されたものとして説明する。
ステップＳ５５において、ROI３５１内の全ての画素の選択フラグがオンに設定される。
ステップＳ５６において、まず、順位が最も高い特徴点候補ＦＰ１２が選択され、ステップＳ５７において、特徴点候補ＦＰ１２の選択フラグがオンであると判定され、ステップＳ５８において、特徴点候補ＦＰ１２からの距離が２画素以内の画素の選択フラグがオフに設定され、ステップＳ５９において、特徴点候補ＦＰ１２が特徴点リストに追加される。
図１６は、この時点におけるROI３５１の状態を示している。図内の斜線で示される画素は、選択フラグがオフに設定されている画素である。この時点で、特徴点候補ＦＰ１２からの距離が２画素である特徴点候補ＦＰ１３の選択フラグがオフに設定されている。
その後、ステップＳ６０において、まだ全ての特徴点候補について処理していないと判定され、処理はステップＳ５６に戻り、ステップＳ５６において、次に特徴点候補ＦＰ１３が選択される。
ステップＳ５７において、特徴点候補ＦＰ１３の選択フラグはオフであると判定され、ステップＳ５８およびＳ５９の処理はスキップされ、特徴点候補ＦＰ１３は特徴点リストに追加されずに、処理はステップＳ６０に進む。
図１７は、この時点におけるROI３５１の状態を示している。特徴点候補ＦＰ１３が特徴点リストに追加されず、かつ、特徴点候補ＦＰ１３の近傍の画素の選択フラグがオフに設定されないため、ROI３５１の状態は、図１６に示される状態から変化しない。
その後、ステップＳ６０において、まだ全ての特徴点候補について処理していないと判定され、処理はステップＳ５６に戻り、ステップＳ５６において、次に特徴点候補ＦＰ１５が選択される。
ステップＳ５７において、特徴点候補ＦＰ１５の選択フラグがオンであると判定され、ステップＳ５８において、特徴点候補ＦＰ１５からの距離が２画素以内の画素の選択フラグがオフに設定され、ステップＳ５９において、特徴点候補ＦＰ１５が特徴点リストに追加される。
図１８は、この時点のROI３５１の状態を示している。特徴点候補ＦＰ１２および特徴点候補ＦＰ１５が特徴点リストに追加され、特徴点候補ＦＰ１２または特徴点候補ＦＰ１５からの距離が２画素以内の画素の選択フラグがオフに設定されている。
その後、特徴点候補ＦＰ１１、特徴点候補ＦＰ１４の順番で、ステップＳ５６乃至Ｓ６０の処理が行われ、特徴点候補ＦＰ１４の処理が終わったとき、ステップＳ６０において、全ての特徴点候補について処理したと判定され、処理はステップＳ６１に進む。
図１９は、この時点のROI３５１の状態を示している。すなわち、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、および、ＦＰ１５が特徴点リストに追加され、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、または、ＦＰ１５からの距離が２画素以内の画素の選択フラグがオフに設定されている。
そして、ステップＳ６１において、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、および、ＦＰ１５が登録された特徴点リストがベクトル検出部１６４に供給される。すなわち、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、および、ＦＰ１５が特徴点としてROI３５１から抽出される。
このように、特徴点候補の中から特徴量が高い順に特徴点が抽出されるとともに、抽出された特徴点からの距離が特徴点密度パラメータ以下の特徴点候補が特徴点として抽出されなくなる。換言すれば、各特徴点の間隔が特徴点密度パラメータより大きくなるように、特徴点が抽出される。
ここで、図２０および図２１を参照して、特徴量の値のみに基づいて特徴点を抽出した場合と、上述した特徴点抽出処理を用いて特徴点を抽出した場合を比較する。図２０は、前方画像Ｐ１１およびＰ１２において、特徴量の値のみに基づいて特徴点を抽出した場合の例を示し、図２１は、同じ前方画像Ｐ１１およびＰ１２において、上述した特徴点抽出処理を用いて特徴点を抽出した場合の例を示している。なお、前方画像Ｐ１１およびＰ１２内の黒丸が抽出された特徴点を示している。
特徴量の値のみに基づいて特徴点を抽出した場合、図２０の画像Ｐ１１内のオブジェクト３６１のように、自車からオブジェクトまでの距離が近く、オブジェクトの画像が大きく鮮明であるとき、オブジェクト３６１に対応するROI３６２内において、オブジェクト３６１の動きを正確に検出するのに十分な数の特徴点が抽出される。しかし、画像Ｐ１２内のオブジェクト３６３のように、自車からオブジェクトまでの距離が遠く、オブジェクトの画像が小さく不鮮明であるとき、オブジェクト３６３に対応するROI３６４内において、抽出される特徴点の数が減るととともに、オブジェクト３６３以外の領域から抽出される特徴点が増える。すなわち、オブジェクト３６３の動きを正確に検出するのに十分な数の特徴点が抽出されなくなる可能性が高くなる。また、図示はしていないが、逆に、ROI３６２内において、抽出される特徴点の数が増えすぎて、後段の処理において、負荷が増大してしまう場合がある。
一方、上述した特徴点抽出処理を用いて特徴点を抽出した場合、自車からオブジェクトまでの距離が遠いほど高い密度で特徴点が抽出されるため、図２１に示されるように、画像Ｐ１１のROI３６２内および画像Ｐ１２のROI３６４内の両方において、それぞれ、オブジェクト３６１またはオブジェクト３６３の動きを正確に検出するために適切な数の特徴点が抽出される。
図２２は、図１２の前方画像３４１において抽出される特徴点の例を示している。図内の黒丸が特徴点を示しており、ROI３５２およびROI３５４内の画像のコーナーおよびその付近において、特徴点が抽出されている。
なお、以上の説明では、画像のコーナーの強度に基づいて特徴点を抽出する例を示したが、オブジェクトの動きベクトルの検出に適した特徴点を抽出することが可能であれば、それ以外の特徴量を用いて特徴点を抽出するようにしてもよい。また、特徴量を抽出する手法も、特定の手法に限定されるものではなく、正確に、迅速に、かつ、簡単な処理により特徴量を検出できる手法を適用することが望ましい。
図７に戻り、ステップＳ７において、ベクトル検出部１６４は、動きベクトルを検出する。具体的には、ベクトル検出部１６４は、所定の手法に基づいて、選択ROIの各特徴点における動きベクトルを検出する。例えば、ベクトル検出部１６４は、選択ROI内の各特徴点に対応する、次のフレームの前方画像内の画素を検出し、各特徴点から検出した画素に向かうベクトルを、各特徴点における動きベクトルとして検出する。ベクトル検出部１６４は、検出した動きベクトルを示す情報を回転角算出部２４１に供給する。ベクトル検出部１６４は、選択ROIの前方画像上の位置、および、検出した動きベクトルを示す情報をベクトル変換部２６１に供給する。
図２３は、図１２の前方画像３４１において検出される動きベクトルの例を示している。図内の黒丸で示される特徴点を始点とする線が、各特徴点における動きベクトルを示している。
なお、ベクトル検出部１６４が動きベクトルを検出する手法は、例えば、周知のLucas-Kanade法、ブロックマッチング法が代表的であるが、特定の手法に限定されるものではなく、正確に、迅速に、かつ、簡単な処理により動きベクトルを検出できる手法を適用することが望ましい。
図７に戻り、ステップＳ８において、回転角検出部１６５は、回転角検出処理を実行する。ここで、図２４のフローチャートを参照して、回転角検出処理の詳細について説明する。
ステップＳ８１において、回転角算出部２４１は、動きベクトルをランダムに３つ抽出する。すなわち、回転角算出部２４１は、ベクトル検出部１６４により検出された動きベクトルの中から３つの動きベクトルをランダムに抽出する。
ステップＳ８２において、回転角算出部２４１は、抽出した動きベクトルを用いて、仮の回転角を求める。具体的には、回転角算出部２４１は、前方画像内の静止物体の動きベクトルと、カメラ１１２の回転運動の成分であるカメラ１１２の回転角との関係を表す式（１１）に基づいて、カメラ１１２の仮の回転角を算出する。
F×Xp×θ＋F×Yp×ψ−（Xp2＋Yp2）×φ−vx×Xp＋vy×Yp＝0 ・・・（１１）
なお、Fはカメラ１１２の焦点距離を表す。焦点距離Fはカメラ１１２において一意に決まるので、実質的に定数となる。また、vxは動きベクトルの画像座標系におけるx軸方向の成分を表し、vyは動きベクトルの画像座標系におけるy軸方向の成分を表し、Xpは動きベクトルに対応する特徴点の画像座標系におけるx軸方向の座標を表し、Ypは動きベクトルに対応する特徴点の画像座標系におけるy軸方向の座標を表している。さらに、θはカメラ１１２のカメラ座標系におけるx軸回りの回転角（ピッチ角）を表し、ψはカメラ１１２のカメラ座標系におけるy軸回りの回転角（ヨー角）を表し、φはカメラ１１２のカメラ座標系におけるz軸回りの回転角（ロール角）を表している。
回転角算出部２４１は、抽出した３つの動きベクトルのx軸およびy軸方向の成分、および、対応する特徴点の座標を式（１１）に代入することにより得られる連立方程式を解くことにより、カメラ１１２の各軸回りの仮の回転角を求める。回転角算出部２４１は、求めた仮の回転角を示す情報を誤差算出部２４２に供給する。
ここで、式（１１）の導出方法について説明する。
３次元空間中のある点Pの時刻tにおけるカメラ座標系における位置をPc＝(Xc Yc Zc)Tと表し、点Pに対応する前方画像上の点の時刻tにおける画像座標系における位置をPp＝(Xp Yp F)Tと表した場合、PcとPpの関係は式（１２）により表される。
Figure 2008203992
式（１２）を時間tで微分すると、以下の式（１３）となる。
Figure 2008203992
ここで、Ezは、カメラ座標系のz軸方向の単位ベクトルであり、Ez＝(0 0 1)Tである。
次に、カメラ１１２のフレーム間隔である時刻tと時刻t+1との間におけるカメラ１１２の運動の成分を回転行列Rcと並進ベクトルTcを用いて表すと、以下の式（１４）のようになる。
Pct+1＝RcPct＋Tc ・・・（１４）
なお、Pctは点Pの時刻tにおけるカメラ座標系における位置を表し、Pct+1は点Pの時刻t+1におけるカメラ座標系における位置を表す。また、並進ベクトルTc＝(tx ty tz)Tとする。
ここで、回転行列Rcは、時刻tと時刻t+1との間におけるカメラ１１２の回転運動のピッチ角θ、ヨー角ψ、ロール角φを用いて、以下の式（１５）のように表される。
Figure 2008203992
ここで、時刻tと時刻t+1との間隔は非常に短いので、ピッチ角θ、ヨー角ψ、ロール角φの値は微少であると仮定することができ、式（１５）に以下の式（１６）乃至式（２０）の近似式を適用することにより、以下の式（２１）が求められる。
cosθ＝cosψ＝cosφ≒1 ・・・（１６）
sinθ≒θ ・・・（１７）
sinψ≒ψ ・・・（１８）
sinφ≒φ ・・・（１９）
ψθ＝φθ＝φψ＝φψθ≒0 ・・・（２０）
Figure 2008203992
よって、RcPcは、以下の式（２２）のように表される。
Figure 2008203992
なお、ω＝(θ ψ φ)Tである。
カメラ座標系から見た場合、時刻tと時刻t+1の間に、点Pは、−Tcだけ並進し、−ωだけ回転したことになるので、Pcを時間tで微分したdPc／dtは、以下の式（２３）のように表すことができる。
Figure 2008203992
式（１３）に式（２３）を代入することにより、以下の式（２４）が導出される。
Figure 2008203992
カメラ１１２が設けられている車両（自車）は、前後方向の１軸方向のみに並進運動を行い、左右方向および上下方向に並進しないため、カメラ１１２の動きを、カメラ座標系において、z軸方向の並進、および、x軸、y軸、z軸回りの回転に限定したモデルにモデル化することができる。このモデル化を適用することにより、式（２３）は、以下の式（２５）のように簡略化することができる。
Figure 2008203992
式（２４）に式（２５）を代入して展開することにより、式（２６）が導出される。
Figure 2008203992
従って、前方画像内の静止物体上の画素における動きベクトル（以下、背景ベクトルと称する）Vsは、以下の式（２７）により表される。
Figure 2008203992
ここで、αを以下の式（２８）のように定義し、式（２８）を式（２７）に適用することにより、以下の式（２９）が導出される。
Figure 2008203992
式（２９）からαを消去することにより、以下の式（３０）が得られる。
F×Xp×θ＋F×Yp×ψ−（Xp2＋Yp2）×φ＝vx×Xp−vy×Yp ・・・（３０）
そして、式（３０）の右辺を左辺に持ってくることにより、上述した式（１１）が得られる。
式（１１）は、焦点距離F、動きベクトルのx軸方向の成分vxおよびy軸方向の成分vy、並びに、特徴点のx軸方向の座標Xpおよびy軸方向の座標Ypが既知である場合、変数がピッチ角θ、ヨー角ψ、ロール角φの一次の線形式となるため、式（１１）を用いることにより、線形最適化問題の解法を用いて、ピッチ角θ、ヨー角ψ、ロール角φを求めることができる。従って、ピッチ角θ、ヨー角ψ、ロール角φの算出が容易になるとともに、各回転角の検出精度が向上する。
なお、式（１１）は、式（２７）の背景ベクトルVsの算出式から導出されたものであるので、抽出した３つの動きベクトルが全て背景ベクトルである場合、求めた回転角は実際の値に近い値となる可能性が高く、抽出した３つの動きベクトルの中に前方画像内の移動物体上の画素における動きベクトル（以下、移動物体ベクトルと称する）が含まれる場合、求めた回転角は実際のカメラ１１２の値から離れた値となる可能性が高い。
ステップＳ８３において、誤差算出部２４２は、他の動きベクトルについて、仮の回転角を用いた場合の誤差を算出する。具体的には、誤差算出部２４２は、仮の回転角の算出に用いられた３つの動きベクトル以外の各動きベクトルについて、仮の回転角、動きベクトルのx軸およびy軸方向の成分、および、対応する特徴点の座標の値を式（１１）の左辺に代入したときの値を、その動きベクトルに対する仮の回転角の誤差として算出する。誤差算出部２４２は、各動きベクトルと算出した誤差を関連づける情報、および、仮の回転角を示す情報を選択部２４３に供給する。
ステップＳ８４において、選択部２４３は、誤差が所定の閾値以内となる動きベクトルの数を数える。すなわち、選択部２４３は、仮の回転角の算出に用いられた動きベクトル以外の動きベクトルのうち、誤差算出部２４２により算出された誤差が所定の閾値以内となる動きベクトルの数を数える。
ステップＳ８５において、選択部２４３は、所定の数のデータが蓄積されたかを判定する。まだ所定の数のデータが蓄積されていないと判定された場合、処理はステップＳ８１に戻り、ステップＳ８５において、所定の数のデータが蓄積されたと判定されるまで、ステップＳ８１乃至Ｓ８５の処理が所定の回数だけ繰り返し実行される。これにより、所定の数の仮の回転角と、その仮の回転角を用いた場合の誤差が所定の閾値以内となる動きベクトルの数を示すデータが所定の数だけ蓄積される。
ステップＳ８５において、所定の数のデータが蓄積されたと判定された場合、処理はステップＳ８６に進む。
ステップ８６において、選択部２４３は、誤差が所定の閾値以内となる動きベクトルの数が最も多かった仮の回転角をカメラ１１２の回転角として選択し、回転角検出処理は終了する。
前方画像おいては、ほとんどの場合において静止物体が占める割合が高いため、検出された動きベクトルのうち背景ベクトルの占める割合が高くなる。従って、選択部２４３により選択される回転角は、背景ベクトルに対する誤差が小さい回転角、すなわち、３つの背景ベクトルに基づいて算出された回転角である可能性が非常に高く、その結果、実際の回転角と非常に近い値の回転角が選択される。従って、移動物体ベクトルがカメラ１１２の回転角の検出結果に与える影響が低減され、回転角の検出精度が向上する。
選択部２４３は、選択した回転角を示す情報をベクトル変換部２６１に供給する。
図７に戻り、ステップＳ９において、クラスタリング部１６６は、クラスタリング処理を行う。ここで、図２５のフローチャートを参照して、クラスタリング処理の詳細について説明する。
ステップＳ７１において、ベクトル変換部２６１は、未処理の特徴点を１つ選択する。具体的には、ベクトル変換部２６１は、選択ROI内の特徴点のうち、まだステップＳ７２およびＳ７３の処理を行っていない特徴点を１つ選択する。なお、以下、ステップＳ７１において選択された特徴点を選択特徴点とも称する。
ステップＳ７２において、ベクトル変換部２６１は、選択した特徴点における動きベクトルを、カメラ１１２の回転角に基づいて変換する。具体的には、上述した式（２７）より、カメラ１１２が回転運動をすることにより発生する動きベクトルVrは、以下の式（３１）で表される。
Figure 2008203992
なお、式（３１）を見て明らかなように、カメラ１１２の回転運動により発生する動きベクトルVrの成分の大きさは、被写体までの距離とは無関係である。
ベクトル変換部２６１は、選択特徴点における動きベクトルの成分から、式（３１）により示される動きベクトルVrの成分を除去することにより、換言すれば、カメラ１１２の回転運動による成分を除去することにより、自車（カメラ１１２）の距離方向の移動、および、選択特徴点における被写体の動きにより生じた動きベクトル（変換ベクトル）を求める。
なお、例えば、背景ベクトルVsの変換ベクトルVscは、理論的には、上述した式（２７）から式（３１）を引くことにより、以下の式（３２）により求められる。
Figure 2008203992
また、詳細な説明は省略するが、前方画像内の移動物体ベクトルVmは、理論的には、以下の式（３３）により求められる。
Figure 2008203992
なお、dX、dY、dZは、時刻tと時刻t+1との間の移動物体のカメラ座標系におけるx軸、y軸、および、軸方向の移動量を表している。
従って、移動物体ベクトルVmの変換ベクトルVmcは、理論的には、式（３３）から式（３１）を引くことにより、以下の式（３４）により求められる。
Figure 2008203992
ベクトル変換部２６１は、選択ROIの前方画像上の位置、および、求めた変換ベクトルを示す情報をベクトル分類部２６２に供給する。
ステップＳ７３において、ベクトル分類部２６２は、動きベクトルの種類を検出する。具体的には、まず、ベクトル分類部２６２は、自車から選択ROI内のオブジェクトまでの距離を示す情報をROI設定部１６１から取得する。
変換ベクトルは、カメラ１１２の回転運動により生じた成分が除かれているため、選択特徴点における変換ベクトルと、選択特徴点において理論的に求められる背景ベクトルとを比較することにより、選択特徴点における動きベクトルが、移動物体ベクトルまたは背景ベクトルのいずれであるかを検出することができる。換言すれば、選択特徴点が、移動物体または静止物体のいずれの上にある画素であるかを検出することができる。
ベクトル分類部２６２は、選択特徴点における変換ベクトルと、選択特徴点における理論上の背景ベクトル（カメラ１１２が回転しておらず、かつ、選択特徴点が静止物体上の画素である場合の選択特徴点における動きベクトル）とのx軸方向（前方画像の水平方向）の向きが異なる場合、以下の式（３５）を満たすとき、選択特徴点における動きベクトルは移動物体ベクトルであると判定し、式（３５）を満たさないとき、選択特徴点における動きベクトルは背景ベクトルであると判定する。
|vcx|＞0 ・・・（３５）
なお、vcxは、変換ベクトルのx軸方向の成分を示している。すなわち、選択特徴点における動きベクトルは、選択特徴点における変換ベクトルと理論上の背景ベクトルとのx軸方向の向きが異なる場合、移動物体ベクトルであると判定され、x軸方向の向きが同じ場合、背景ベクトルであると判定される。
また、ベクトル分類部２６２は、選択特徴点における変換ベクトルと理論上の背景ベクトルとのx軸方向の向きが同じ場合、以下の式（３６）を満たすとき、選択特徴点における動きベクトルは移動物体ベクトルであると判定し、式（３６）を満たさないとき、選択特徴点における動きベクトルは背景ベクトルであると判定する。
|vcx|＞Xp×tz÷Zc ・・・（３６）
従って、選択特徴点における動きベクトルは、選択特徴点における変換ベクトルと理論上の背景ベクトルとのx軸方向の向きが同じ場合、変換ベクトルのx軸方向の成分の大きさが式（３６）の右辺より大きいとき、移動物体ベクトルであると判定され、変換ベクトルのx軸方向の成分の大きさが式（３６）の右辺以下のとき、背景ベクトルであると判定される。
なお、式（３６）の右辺は、上述した式（３２）に示される背景ベクトルの変換ベクトルVscのｘ成分と等しい。すなわち、式（３６）の右辺は、カメラ１１２が回転しておらず、かつ、選択特徴点が静止物体上にある場合の選択特徴点における理論上の動きベクトルの水平成分の大きさを表している。
ステップＳ７４において、ベクトル分類部２６２は、全ての特徴点について処理したかを判定する。全ての特徴点について処理していないと判定された場合、処理はステップＳ７１に戻り、ステップＳ７４において、全ての特徴点について処理したと判定されるまで、ステップＳ７１乃至Ｓ７４の処理が繰り返し実行される。すなわち、ROI内の全ての特徴点における動きベクトルの種類が検出される。
一方、ステップＳ７４において、全ての特徴点について処理したと判定された場合、処理はステップＳ７５に進む。
ステップＳ７５において、オブジェクト分類部２６３は、オブジェクトの種類を検出する。具体的には、ベクトル分類部２６２は、選択ROIの前方画像上の位置、および、選択ROI内の各動きベクトルの種類を示す情報をオブジェクト分類部２６３に供給する。
オブジェクト分類部２６３は、選択ROI内の動きベクトルを分類した結果に基づいて、選択ROI内のオブジェクトの種類を検出する。例えば、オブジェクト分類部２６３は、選択ROI内の移動物体ベクトルの数が所定の閾値以上である場合、選択ROI内のオブジェクトが移動物体であると判定し、所定の閾値未満である場合、選択ROI内のオブジェクトが静止物体であると判定する。あるいは、例えば、オブジェクト分類部２６３は、選択ROI内の全ての動きベクトルに占める移動物体ベクトルの比率が所定の閾値以上である場合、選択ROI内のオブジェクトが移動物体であると判定し、所定の閾値未満である場合、選択ROI内のオブジェクトが静止物体であると判定する。
ここで、図２６を参照して、オブジェクトの分類処理の具体例について説明する。なお、図２６は、前方画像を模式的に表した図であり、図内の黒の矢印は、ROI３８１内のオブジェクト３８２の動きベクトル、および、ROI３８３内のオブジェクト３８４の動きベクトルを表し、その他の矢印は背景ベクトルを表す。図２６に示されるように、背景ベクトルは、前方画像上のx軸方向のほぼ中央を境にして向きが変わり、左右の両端に近くなるほど、その大きさが大きくなる。また、線３８５乃至３８７は、路上の区分線を表し、線３８８および３８９は、検知領域の境界を表すための補助線である。
図２６に示されるように、オブジェクト３８２は、背景ベクトルの向きとほぼ反対方向に移動している。従って、オブジェクト３８２の動きベクトルとオブジェクト３８２における理論上の背景ベクトルのx軸方向の向きが異なるため、上述した式（３５）に基づいて、オブジェクト３８２の動きベクトルは、移動物体ベクトルであると判定され、オブジェクト３８２は移動物体に分類される。
一方、オブジェクト３８４は、背景ベクトルの向きとほぼ同じ方向に移動している。すなわち、オブジェクト３８４の動きベクトルとオブジェクト３８４における理論上の背景ベクトルのx軸方向の向きが同じになる。この場合、オブジェクト３８４の動きベクトルは、自車の移動による成分とオブジェクト３８４の移動による成分との和になり、理論上の背景ベクトルの大きさより大きくなる。従って、式（３６）に基づいて、オブジェクト３８４の動きベクトルは、移動物体ベクトルであると判定され、オブジェクト３８４は移動物体に分類される。
このように、オブジェクトの移動方向と理論上の背景ベクトルの向きとの関係に関わらず、オブジェクトが移動物体であるか否かを正確に検出することができる。
一方、例えば、特開６−２８２６５５号公報に記載されているように、動きベクトルと理論上の背景ベクトルとのx軸方向の向きのみに基づいて、移動物体を検出するようにした場合、背景ベクトルの向きとほぼ反対方向に移動しているオブジェクト３８２を移動物体に分類することはできるが、背景ベクトルとほほ同じ方向に移動しているオブジェクト３８４を移動物体に分類することはできない。
図２５に戻り、ステップＳ７６において、オブジェクト分類部２６３は、移動物体であるかを判定する。オブジェクト分類部２６３は、ステップＳ７５の処理の結果に基づいて、選択ROI内のオブジェクトが移動物体であると判定した場合、処理はステップＳ７７に進む。
ステップＳ７７において、移動物体分類部２６４は、移動物体の種類を検出し、クラスタリング処理は終了する。具体的には、オブジェクト分類部２６３は、選択ROIの前方画像上の位置を示す情報を移動物体分類部２６４に供給する。移動物体分類部２６４は、例えば、所定の画像認識の手法を用いて、選択ROI内のオブジェクトである移動物体が車両であるか否かを検出する。なお、上述したステップＳ４のROI設定処理において、対向車および先行車が処理対象から除かれているため、この処理により、選択ROI内の移動物体が、自車の横断方向に移動している車両であるか否かが検出される。
このように、検出対象が移動物体に絞り込まれた後、自車に対して横断方向に移動している車両であるか否かを検出するので、検出精度を向上させることができる。また、選択ROI内の移動物体が車両でないと判定された場合、その移動物体は、検知領域内において車両以外の移動する物体であり、人である可能性が高くなる。
移動物体分類部２６４は、選択ROIの前方画像上の位置、および、選択ROI内のオブジェクトの種類を示す情報を出力部１３３に供給する。
一方、ステップＳ７６において、選択ROI内のオブジェクトが静止物体であると判定された場合、処理はステップＳ７８に進む。
ステップＳ７８において、静止物体分類部２６５は、静止物体の種類を検出し、クラスタリング処理は終了する。具体的には、オブジェクト分類部２６３は、選択ROIの前方画像上の位置を示す情報を静止物体分類部２６５に供給する。静止物体分類部２６５は、例えば、所定の画像認識の手法を用いて、選択ROI内のオブジェクトである静止物体が人であるか否かを判定する。すなわち、選択ROI内の静止物体が人であるか、それ以外の物体（例えば、路側構造物、停止車両など）であるかが検出される。
このように、検出対象が静止物体に絞り込まれた後、静止している人であるか否かを検出するので、検出精度を向上させることができる。
静止物体分類部２６５は、選択ROIの前方画像上の位置、および、選択ROI内のオブジェクトの種類を示す情報を出力部１３３に供給する。
図７に戻り、ステップＳ１０において、特徴量算出部１６２は、全てのROIについて処理したかを判定する。まだ全てのROIについて処理していないと判定された場合、処理はステップＳ５に戻り、ステップＳ１０において、全てのROIについて処理したと判定されるまで、ステップＳ５乃至Ｓ１０の処理が繰り返し実行される。すなわち、設定された全てのROI内のオブジェクトの種類が検出される。
ステップＳ１１において、出力部１３３は、検出結果を供給する。具体的には、出力部１３３は、移動物体が検出されたROIのうち車両以外の移動物体が検出されたROI内のオブジェクト、および、静止物体が検出されたROIのうち人が検出されたROI内のオブジェクト、すなわち、人である可能性が高いオブジェクトのレーダ座標系における位置、移動方向、および、速度などの検出結果を示す情報を車両制御装置１１５に供給する。
図２７は、図１２の前方画像３４１における検出結果の例を示す図である。ROI３５２内の領域４０１内のオブジェクト３５１が人である可能性が高いと判定され、オブジェクト３５１のレーダ座標系における位置、移動方向、および、速度などの検出結果を示す情報が車両制御装置１１５に供給される。
ステップＳ１２において、車両制御装置１１５は、検出結果に応じた処理を行う。例えば、車両制御装置１１５は、図示せぬ表示や装置やスピーカなどを用いて、画像や音声により、検出した人との接触や衝突の回避を促す警報を行う。また、例えば、車両制御装置１１５は、検出した人との接触や衝突を回避するように、自車の速度や進行方向などを制御する。
ステップＳ１３において、障害物検出システム１０１は、処理を終了するかを判定する。処理を終了しないと判定された場合、処理はステップＳ４に戻り、ステップＳ１３において、処理を終了すると判定されるまで、ステップＳ４乃至Ｓ１３の処理が繰り返し実行される。
一方、ステップＳ１３において、例えば、自車のエンジンが停止された場合、処理を終了すると判定され、障害物検出処理は終了する。
以上のように、自車の前方に存在するオブジェクトが移動物体または静止物体のいずれであるかを正確に検出することができ、その結果、自車の前方に存在する人の検出性能を向上させることができる。
また、検出処理を行う領域がROI内に限定されるため、検出処理の負荷を軽減することができ、処理速度を高速化したり、検出処理を実現するための装置に要するコストを削減したりすることができる。
さらに、オブジェクトまでの距離に応じてROI内から抽出される特徴点の密度が適切に設定されるので、検出性能を向上させることができるとともに、特徴点が必要以上に抽出されてしまい、検出処理の負荷が増大することが防止される。
次に、図２８乃至図３１を参照して、回転角検出部１６５の他の実施の形態について説明する。
まず、図２８および図２９を参照して、回転角検出部１６５の第２の実施の形態について説明する。
図２８は、回転角検出部１６５の第２の実施の形態の機能的構成を示すブロック図である。図２８の回転角検出部１６５は、ロバスト推定の１つの手法としてRANSACと最小二乗法を組み合わせた手法を用いて、カメラ１１２の回転角を検出する。図２８の回転角検出部１６５は、回転角算出部２４１、誤差算出部２４２、選択部４２１、および、回転角推定部４２２を含むように構成される。なお、図中、図５と対応する部分については同じ符号を付してあり、処理が同じ部分に関しては、その説明は繰り返しになるので省略する。
選択部４２１は、図５の選択部２４３と同様に、誤差が所定の閾値以内となる動きベクトルの数に基づいて、回転角算出部２４１により求められた仮の回転角の中から１つの回転角を選択する。選択部４２１は、選択した仮の回転角を用いた場合の誤差が所定の閾値以内となる動きベクトルを示す情報を回転角推定部４２２に供給する。
回転角推定部４２２は、図２９を参照して後述するように、誤差が所定の閾値以内となる動きベクトルのみを用いて最小二乗法により回転角を推定し、推定した回転角を示す情報をベクトル変換部２６１に供給する。
次に、図２９のフローチャートを参照して、図２８の回転角検出部１６５により実行される図７のステップＳ８の回転角検出処理の詳細について説明する。
ステップＳ２０１乃至Ｓ２０５の処理は、上述した図２４のステップＳ８１乃至Ｓ８５の処理と同様であり、その説明は省略するが、これらの処理により、所定の数の仮の回転角と、その仮の回転角を用いた場合の誤差が所定の閾値以内となる動きベクトルの数を示すデータが所定の数だけ蓄積される。
ステップＳ２０６において、選択部４２１は、誤差が所定の閾値以内となる動きベクトルの数が最も多かった仮の回転角を選択する。選択部４２１は、選択した仮の回転角を用いた場合の誤差が所定の閾値以内となる動きベクトルを示す情報を回転角推定部４２２に供給する。
ステップＳ２０７において、回転角推定部４２２は、誤差が所定の閾値以内となる動きベクトルのみを用いて最小二乗法により回転角を推定し、回転角検出処理は終了する。具体的には、回転角推定部４２２は、選択部４２１から供給された情報に示される動きベクトル、すなわち、選択部４２１により選択された仮の回転角を用いた場合の誤差が所定の閾値以内となる動きベクトルの成分、および、対応する特徴点の座標の値を用いて、最小二乗法により、式（１１）の近似式を求める。これにより、式（１１）の未知の変数である、ピッチ角θ、ヨー角ψ、ロール角φが推定される。回転角推定部４２２は、推定した回転角を示す情報をベクトル変換部２６１に供給する。
この図２９の回転角検出処理によれば、上述した図２４の回転角検出処理と比較して、処理時間をほとんど増大させずに、回転角の検出精度を向上させることができる。
次に、図３０および図３１を参照して、回転角検出部１６５の第３の実施の形態について説明する。
図３０は、回転角検出部１６５の第３の実施の形態の機能的構成を示すブロック図である。図３０の回転角検出部１６５は、ロバスト推定の一つの手法であるハフ変換を用いて、カメラ１１２の回転角を検出する。図３０の回転角検出部１６５は、ハフ変換部４４１、および、抽出部４４２を含むように構成される。
ハフ変換部４４１は、検出された動きベクトルを示す情報をベクトル検出部１６４から取得する。ハフ変換部４４１は、図３１を参照して後述するように、ベクトル検出部１６４により検出された動きベクトルについて、上述した式（１１）に対するハフ変換を行い、ハフ変換の結果を示す情報を抽出部４４２に供給する。
抽出部４４２は、ハフ変換部４４１によるハフ変換の結果に基づいて、投票数が最大となる回転角の組み合わせを抽出し、抽出した回転角の組み合わせを示す情報をベクトル変換部２６１に供給する。
次に、図３１のフローチャートを参照して、図２９の回転角検出部１６５により実行される図７のステップＳ８の回転角検出処理の詳細について説明する。
ステップＳ２２１において、ハフ変換部４４１は、３種類の回転角をパラメータとするパラメータ空間を設定する。具体的には、ハフ変換部４４１は、上述した式（１１）に現れる各要素のうち、ピッチ角θ、ヨー角ψ、ロール角φの３つの回転角をパラメータとするパラメータ空間、すなわち、ピッチ角θ、ヨー角ψ、ロール角φの３軸からなるパラメータ空間を設定する。また、ハフ変換部４４１は、各軸を所定の範囲ごとに区切ることによりパラメータ空間を複数の領域（以下、ビンとも称する）に分割する。
ステップＳ２２２において、ハフ変換部４４１は、全ての動きベクトルについて、３種類の回転角のうち２種類の回転角を変化させながら、パラメータ空間に投票する。具体的には、ハフ変換部４４１は、動きベクトルを１つ選択し、選択した動きベクトルのx軸およびy軸方向の成分、並びに、対応する特徴点のx軸およびy軸方向の座標を上述した式（１１）に代入する。ハフ変換部４４１は、式（１１）に対して、ピッチ角θ、ヨー角ψ、ロール角φのうち２つを所定の間隔で変化させながら残りの１つの値を求め、その３種類の回転角の値の組み合わせを含むパラメータ空間のビンに票を投票していく。すなわち、１つの動きベクトルについて、３種類の回転角の値の組み合わせが複数求められ、複数の票がパラメータ空間に投票される。ハフ変換部４４１は、この処理を全ての動きベクトルについて行う。ハフ変換部４４１は、ハフ変換の結果であるパラメータ空間の各ビンの投票数を示す情報を抽出部４４２に供給する。
ステップＳ２２３において、抽出部４４２は、投票数が最大となる回転角の組み合わせを抽出し、回転角検出処理は終了する。具体的には、抽出部４４２は、ハフ変換部４４１から取得したハフ変換の結果に基づいて、投票数が最大となるパラメータ空間のビンを抽出する。抽出部４４２は、抽出したビンに含まれる回転角の組み合わせのうち１つを抽出する。例えば、抽出部４４２は、抽出したビンにおけるピッチ角、ヨー角、ロール角の各回転角の中央値の組み合わせを抽出する。抽出部４４２は、抽出した回転角の組み合わせを示す情報をベクトル変換部２６１に供給する。
この図３１の回転角検出処理によれば、上述した図２４および図２９の回転角検出処理と比較して、処理時間は長くなる一方、移動物体ベクトルがカメラ１１２の回転角の検出結果に与える影響がより低減され、回転角の検出精度がさらに向上する。
なお、以上の説明では、カメラ１１２の並進運動の方向をz軸方向に限定するモデルを例に挙げたが、ここで、並進運動の方向を限定しない場合について考えてみる。
並進運動の方向を限定しない場合、上述した式（２３）は、以下の式（３７）のように表される。
Figure 2008203992
上述した式（２４）に式（３７）を代入して展開することにより、式（３８）が導出される。
Figure 2008203992
従って、前方画像における静止物体上の画素における背景ベクトルVsは、以下の式（３９）により表される。
Figure 2008203992
式（３９）からZcを消去することにより、以下の式（４０）が導出される。
Figure 2008203992
ここで、自車の並進運動の方向は１軸方向に限定されるので、カメラ１１２の並進運動の３軸方向の成分のうち２軸方向の成分は、残りの１軸方向の成分を用いて表すことができる。従って、tx＝atz（aは定数），ty＝btz（ｂは定数）と表すことにより、式（４０）から、以下の式（４１）乃至式（４３）を経て、式（４４）が導出される。
Figure 2008203992
式（４４）は、上述した式（１１）と同様に、焦点距離F、動きベクトルのx軸方向の成分vxおよびy軸方向の成分vy、並びに、特徴点のx軸方向の座標Xpおよびy軸方向の座標Ypが既知である場合、変数がピッチ角θ、ヨー角ψ、ロール角φの一次の線形式となるため、式（４４）を用いることにより、線形最適化問題の解法を用いて、ピッチ角θ、ヨー角ψ、ロール角φを求めることができる。従って、ピッチ角θ、ヨー角ψ、ロール角φの算出が容易になるとともに、各回転角の検出精度が向上する。
例えば、図３２に示されるように、カメラ１１２の光軸（カメラ座標系のｚ軸）が、車両４６１の左右方向において進行方向Ｆ１に対して斜めになるように設置されている場合、カメラ１１２は、車両４６１の進行に伴い、x軸およびz軸方向に並進移動する。従って、この場合、カメラ１１２の並進運動の方向をz軸方向の１軸方向に限定したモデルを適用することができない。しかし、カメラ座標系のz軸と車両の進行方向Fとの間の角度αを計測しておけば、tx＝tztanα（tanαは定数）と表すことができ、式（４４）を用いて、ピッチ角θ、ヨー角ψ、ロール角φを求めることができる。
なお、カメラ１１２が、車両４６１の上下方向において進行方向Fに対して斜めに設置されたり、車両４６１の上下および左右の両方向において進行方向Fに対して斜めに設置された場合も同様に、式（４４）を用いて、カメラ１１２の回転運動のピッチ角θ、ヨー角ψ、ロール角φを求めることができる。
また、式（４０）において、カメラ１１２の並進運動の方向をz軸方向に限定し、tx＝0，ty＝0とした場合、式（４０）から、以下の式（４５）乃至式（４９）を経て、式（５０）が導出される。
Figure 2008203992
この式（５０）は、上述した式（３０）と一致する。
さらに、式（４０）において、カメラ１１２の並進運動の方向をx軸方向に限定し、ty＝0，tz＝0とした場合、式（４０）から、以下の式（５１）を経て、式（５２）が導出される。
Figure 2008203992
式（５２）は、上述した式（１１）および式（４４）と同様に、焦点距離F、動きベクトルのx軸方向の成分vxおよびy軸方向の成分vy、並びに、特徴点のx軸方向の座標Xpおよびy軸方向の座標Ypが既知である場合、変数がピッチ角θ、ヨー角ψ、ロール角φの一次の線形式となる。
また、式（４０）において、カメラ１１２の並進運動の方向をy軸方向に限定し、tx＝0，tz＝0とした場合、式（４０）から、以下の式（５３）および式（５４）を経て、式（５５）が導出される。
Figure 2008203992
式（５５）は、上述した式（１１）、式（４４）、および、式（５２）と同様に、焦点距離F、動きベクトルのx軸方向の成分vxおよびy軸方向の成分vy、並びに、特徴点のx軸方向の座標Xpおよびy軸方向の座標Ypが既知である場合、変数がピッチ角θ、ヨー角ψ、ロール角φの一次の線形式となる。
従って、上述した車両の例に限らず、カメラが設置されている移動体の並進運動の方向が１軸方向に限定される場合、カメラの回転運動の成分である回転角は、カメラの取付位置や取付方向に関わらず、上述した式（４４）を用いて求めることができる。加えて、移動体の並進運動の方向とカメラの光軸（z軸）が平行または垂直であるとき、換言すれば、移動体の並進運動の方向とカメラ座標系の１つの軸が平行であるとき、カメラの並進運動の方向を移動体が並進運動を行う方向に限定したモデルを適用することにより、カメラの回転角は、式（１１）、式（５２）または式（５５）のいずれかを用いて求めることができる。
なお、以上の説明では、障害物検出装置１１４から、自車の前方に存在する人の位置、移動方向、および、速度などを検出結果として出力する例を示したが、例えば、検出された全ての移動物体および静止物体の種類、位置、移動方向、および、速度などを検出結果として出力するようにしてもよい。あるいは、例えば、横断方向に走行している車両など、所望の種類のみの物体の位置、移動方向、および、速度などを検出結果として出力するようにしてもよい。
また、必要に応じて、移動物体分類部２６４および静止物体分類部２６５において、さらに高精度な画像認識を行い、より詳細に移動物体または静止物体の種類を分類するようにしてもよい。
さらに、移動物体または静止物体の種類を分類する必要がない場合、移動物体または静止物体の種類の検出を行わずに、移動物体または静止物体の位置、移動方向、および、速度などを検出結果として出力するようにしてもよい。
また、図８のROI設定処理において、速度が所定の閾値より大きいオブジェクトを処理対象から除外するようにしたが、逆に、速度が所定の閾値より大きいオブジェクトのみを処理対象とするようにしてもよい。これにより、対向車および先行車の検出精度を低下させることなく、検出処理の負荷を低減させることができる。
さらに、図８のROI設定処理において、速度が所定の閾値より大きいオブジェクトに対するROIを求め、求めたROI以外の領域を処理対象とするようにしてもよい。
また、図１３の特徴点抽出の手法は、上述した動きベクトルを検出するための特徴点を抽出する以外にも、例えば、画像認識における特徴点抽出などにも適用することができる。
さらに、以上の説明では、車両の前方のオブジェクトを検出する例を示したが、本発明は、前方以外の方向のオブジェクトを検出する場合にも適用することができる。
また、以上の説明では、画像の高さ方向において抽出することが望ましい特徴点の数に基づいて、特徴点密度パラメータを設定する例を示したが、例えば、画像の所定の面積あたりにおいて抽出することが望ましい特徴点の数に基づいて、特徴点密度パラメータを設定するようにしてもよい。
さらに、カメラの回転角の検出に用いるロバスト推定の手法は、上述した例に限定されるものではなく、他の手法（例えば、M推定）を用いるようにしてもよい。
また、ロバスト推定を行わずに、例えば、レーザレーダ１１１からの情報などに基づいて、検出した動きベクトルの中から背景ベクトルを抽出し、抽出した背景ベクトルを用いてカメラの回転角を検出するようにしてもよい。
上述した障害物検出装置１１４の一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。障害物検出装置１１４の一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。
図３３は、上述した障害物検出装置１１４の一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。
コンピュータにおいて、CPU（Central Processing Unit）５０１，ROM（Read Only Memory）５０２，RAM（Random Access Memory）５０３は、バス５０４により相互に接続されている。
バス５０４には、さらに、入出力インタフェース５０５が接続されている。入出力インタフェース５０５には、キーボード、マウス、マイクロホンなどよりなる入力部５０６、ディスプレイ、スピーカなどよりなる出力部５０７、ハードディスクや不揮発性のメモリなどよりなる記憶部５０８、ネットワークインタフェースなどよりなる通信部５０９、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブルメディア５１１を駆動するドライブ５１０が接続されている。
以上のように構成されるコンピュータでは、CPU５０１が、例えば、記憶部５０８に記憶されているプログラムを、入出力インタフェース５０５及びバス５０４を介して、RAM５０３にロードして実行することにより、上述した一連の処理が行われる。
コンピュータ（CPU５０１）が実行するプログラムは、例えば、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory),DVD(Digital Versatile Disc)等）、光磁気ディスク、もしくは半導体メモリなどよりなるパッケージメディアであるリムーバブルメディア５１１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供される。
そして、プログラムは、リムーバブルメディア５１１をドライブ５１０に装着することにより、入出力インタフェース５０５を介して、記憶部５０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部５０９で受信し、記憶部５０８にインストールすることができる。その他、プログラムは、ROM５０２や記憶部５０８に、あらかじめインストールしておくことができる。
なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。
また、本明細書において、システムの用語は、複数の装置、手段などより構成される全体的な装置を意味するものとする。
さらに、本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。
オプティカルフローに基づいて移動体を検出する例を説明するための図である。 本発明を適用した障害物検出システムの一実施の形態を示すブロック図である。 レーザレーダの検出結果の例を示す図である。 前方画像の例を示す図である。 図１の回転角検出部の機能的構成の詳細を示すブロック図である。 図１のクラスタリング部の機能的構成の詳細を示すブロック図である。 障害物検出システムにより実行される障害物検出処理を説明するためのフローチャートである。 図７のステップＳ４のROI設定処理の詳細を説明するためのフローチャートである。 検知領域の例を示す図である。 処理対象として抽出されるオブジェクトの種類を説明するための図である。 ROIの設定方法の例を説明するための図である。 前方画像およびROIの例を示す図である。 図７のステップＳ６の特徴点抽出処理の詳細を説明するためのフローチャートである。 ROI内の各画素の特徴量の例を示す図である。 特徴点候補のソートを説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴量のみに基づいて抽出した特徴点の例を示す図である。 図１３の特徴点抽出処理により抽出した特徴点の例を示す図である。 図１２の前方画像において抽出された特徴点の例を示す図である。 図１２の前方画像において検出された動きベクトルの例を示す図である。 図７のステップＳ８の回転角検出処理の詳細を説明するための図である。 図７のステップＳ９のクラスタリング処理の詳細を説明するための図である。 動きベクトルの種類の検出方法を説明するための図である。 図１２の前方画像における検出結果の例を示す図である。 図１の回転角検出部の第２の実施の形態の機能的構成の詳細を示すブロック図である。 図２８の回転角検出部による図７のステップＳ８の回転角検出処理の詳細を説明するための図である。 図１の回転角検出部の第３の実施の形態の機能的構成の詳細を示すブロック図である。 図３０の回転角検出部による図７のステップＳ８の回転角検出処理の詳細を説明するための図である。 カメラの取付方向の例を示す図である。コンピュータの構成の例を示すブロック図である。 コンピュータの構成の例を示すブロック図である。
符号の説明
１０１ 障害物検出システム
１１１ レーザレーダ
１１２ カメラ
１１３ 車速センサ
１１４ 障害物検出装置
１１５ 車両制御装置
１３１ オブジェクト情報処理部
１３２ 画像処理部
１３３ 出力部
１４１ オブジェクト抽出部
１４２ 特徴点密度パラメータ設定部
１５１ 位置判定部
１５２ 速度判定部
１６１ ROI設定部
１６２ 特徴量算出部
１６３ 特徴点抽出部
１６４ ベクトル検出部
１６５ 回転角検出部
１６６ クラスタリング部
２４１ 回転角算出部
２４２ 誤差算出部
２４３ 選択部
２６１ ベクトル変換部
２６２ ベクトル分類部
２６３ オブジェクト分類部
２６４ 移動物体分類部
２６５ 静止物体分類部
４２１ 選択部
４２２ 回転角推定部
４４１ ハフ変換部
４４２ 抽出部

Claims (9)

  1. １軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出装置において、
    前記カメラにより撮影された画像内の静止している物体の動きベクトル、および、前記カメラの回転運動の成分との関係を表す関係式であって、前記カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、前記画像内において抽出された特徴点における動きベクトルに基づいて、前記カメラの回転運動の成分を検出する検出手段を
    含む検出装置。
  2. 前記関係式は、前記カメラの回転運動のヨー角、ピッチ角、および、ロール角の線形式により表される
    請求項１に記載の検出装置。
  3. 前記カメラの焦点距離をFとし、前記特徴点のx軸およびy軸方向の座標をXpおよびYpとし、前記特徴点における動きベクトルのx軸およびy軸方向の成分をvxおよびvyとし、前記カメラの回転運動のピッチ角、ヨー角、および、ロール角をθ、ψ、および、φとし、前記カメラの焦点距離をFとし、前記カメラのz軸方向の並進運動の成分をtzとし、前記カメラのx軸およびy軸方向の並進運動の成分をtx＝atz（aは定数）およびty＝btz（ｂは定数）とした場合、前記検出手段は、次の関係式
    Figure 2008203992
     を用いて、前記カメラの回転運動の成分を検出する
    請求項１に記載の検出装置。
  4. 前記検出手段は、前記移動体が並進運動を行う方向と前記カメラの光軸とがほぼ平行あるいは垂直である場合、前記カメラの並進運動の方向を前記移動体が並進運動を行う方向に限定したモデルを適用することにより前記関係式を簡略化した式を用いて、前記カメラの回転運動の成分を検出する
    請求項１に記載の検出装置。
  5. 前記移動体は車両であり、
    前記カメラは、前記車両の前後方向と前記カメラの光軸とがほぼ平行になるように前記車両に設置され、
    前記検出手段は、前記カメラの並進運動を前記車両の前後方向に限定したモデルを適用することにより前記関係式を簡略化した式を用いて、前記カメラの回転運動の成分を検出する
    請求項４に記載の検出装置。
  6. 前記検出手段は、前記特徴点のうち静止している物体上の特徴点における動きベクトルに基づいて、前記カメラの回転運動の成分を検出する
    請求項１に記載の検出装置。
  7. 前記検出手段は、前記特徴点のうち移動している物体上の特徴点における動きベクトルが検出結果に与える影響を低減するようにロバスト推定を行う
    請求項１に記載の検出装置。
  8. １軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出装置の検出方法において、
    前記カメラにより撮影された画像内の静止している物体の動きベクトル、および、前記カメラの回転運動の成分との関係を表す関係式であって、前記カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、前記画像内において抽出された特徴点における動きベクトルに基づいて、前記カメラの回転運動の成分を検出する検出ステップを
    含む検出方法。
  9. １軸方向にのみ並進運動を行う移動体に設置されたカメラの回転運動の成分を検出する検出処理であって、
    前記カメラにより撮影された画像内の静止している物体の動きベクトル、および、前記カメラの回転運動の成分との関係を表す関係式であって、前記カメラの並進運動の３軸方向の成分のうち２軸方向の成分を残りの１軸方向の成分を用いて表すことにより導出される関係式を用いて、前記画像内において抽出された特徴点における動きベクトルに基づいて、前記カメラの回転運動の成分を検出する検出ステップ
    を含む検出処理をコンピュータに実行させるプログラム。
JP2007036759A 2007-02-16 2007-02-16 検出装置および方法、並びに、プログラム Withdrawn JP2008203992A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2007036759A JP2008203992A (ja) 2007-02-16 2007-02-16 検出装置および方法、並びに、プログラム
EP08151193A EP1959675A3 (en) 2007-02-16 2008-02-08 Detection device, method and program thereof
US12/029,992 US20080199050A1 (en) 2007-02-16 2008-02-12 Detection device, method and program thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2007036759A JP2008203992A (ja) 2007-02-16 2007-02-16 検出装置および方法、並びに、プログラム

Publications (1)

Publication Number Publication Date
JP2008203992A true JP2008203992A (ja) 2008-09-04

Family

ID=39365658

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007036759A Withdrawn JP2008203992A (ja) 2007-02-16 2007-02-16 検出装置および方法、並びに、プログラム

Country Status (3)

Country Link
US (1) US20080199050A1 (ja)
EP (1) EP1959675A3 (ja)
JP (1) JP2008203992A (ja)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010145735A (ja) * 2008-12-18 2010-07-01 Mitsubishi Heavy Ind Ltd 撮像装置及び撮像方法
JP2010286963A (ja) * 2009-06-10 2010-12-24 Nissan Motor Co Ltd 移動物体検出装置、及び移動物体検出方法
JP2011014148A (ja) * 2009-07-06 2011-01-20 Valeo Vision 自動車用の障害物検知方法
JP2012003604A (ja) * 2010-06-18 2012-01-05 Toshiba Alpine Automotive Technology Corp 移動体検出装置及び移動体検出方法
KR101131580B1 (ko) * 2009-12-22 2012-03-30 (주)엠아이웨어 차량 탑재 카메라를 이용한 주행 중 도로횡단 보행자 검출 방법
JP2012123750A (ja) * 2010-12-10 2012-06-28 Toshiba Alpine Automotive Technology Corp 車両用画像処理装置および車両用画像処理方法
JP2013074325A (ja) * 2011-09-26 2013-04-22 Toshiba Alpine Automotive Technology Corp 車載カメラ用画像補正方法および車載カメラ用画像補正プログラム
JP2013097391A (ja) * 2011-10-27 2013-05-20 Toshiba Alpine Automotive Technology Corp 衝突判定方法および衝突判定プログラム
JP2013097390A (ja) * 2011-10-27 2013-05-20 Toshiba Alpine Automotive Technology Corp 自車移動推定方法および自車移動推定プログラム
JP2013133098A (ja) * 2011-12-23 2013-07-08 Hyundai Motor Co Ltd アラウンドビューモニタートップビュー基盤の駐車支援システム
JP2013531223A (ja) * 2010-05-07 2013-08-01 クアルコム，インコーポレイテッド 方位センサの較正
JP2015187855A (ja) * 2014-03-07 2015-10-29 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 多範囲オブジェクト検出装置および方法
JP2017142760A (ja) * 2016-02-12 2017-08-17 日立オートモティブシステムズ株式会社 移動体の周囲環境認識装置
CN108230360A (zh) * 2016-12-14 2018-06-29 意美森公司 基于视觉里程计的自动触觉生成
US10560631B2 (en) 2017-03-24 2020-02-11 Casio Computer Co., Ltd. Motion vector acquiring device, motion vector acquiring method, and storage medium

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8300887B2 (en) * 2007-05-10 2012-10-30 Honda Motor Co., Ltd. Object detection apparatus, object detection method and object detection program
US9123241B2 (en) 2008-03-17 2015-09-01 International Business Machines Corporation Guided video feed selection in a vehicle-to-vehicle network
US8400507B2 (en) * 2008-03-17 2013-03-19 International Business Machines Corporation Scene selection in a vehicle-to-vehicle network
US8345098B2 (en) * 2008-03-17 2013-01-01 International Business Machines Corporation Displayed view modification in a vehicle-to-vehicle network
US9043483B2 (en) * 2008-03-17 2015-05-26 International Business Machines Corporation View selection in a vehicle-to-vehicle network
DE102008038731A1 (de) * 2008-08-12 2010-02-18 Continental Automotive Gmbh Verfahren zur Erkennung ausgedehnter statischer Objekte
US8189866B1 (en) * 2008-08-26 2012-05-29 Adobe Systems Incorporated Human-action recognition in images and videos
US8854458B2 (en) * 2009-04-15 2014-10-07 Toyota Jidosha Kabushiki Kaisha Object detection device
JP4858574B2 (ja) * 2009-05-19 2012-01-18 トヨタ自動車株式会社 物体検出装置
DE102009048066A1 (de) 2009-10-01 2011-04-07 Conti Temic Microelectronic Gmbh Verfahren zur Verkehrszeichenerkennung
JP2011233039A (ja) * 2010-04-28 2011-11-17 Sony Corp 画像処理装置、画像処理方法、撮像装置、およびプログラム
DE102010020330A1 (de) * 2010-05-14 2011-11-17 Conti Temic Microelectronic Gmbh Verfahren zur Erkennung von Verkehrszeichen
US8351653B2 (en) * 2010-08-26 2013-01-08 Honda Motor Co., Ltd. Distance estimation from image motion for moving obstacle detection
JP5616974B2 (ja) * 2010-11-16 2014-10-29 本田技研工業株式会社 車載カメラの変位量検出装置
KR20120053713A (ko) * 2010-11-18 2012-05-29 에스엘 주식회사 차량용 카메라의 제어 장치 및 방법
DE102010053120A1 (de) * 2010-12-01 2012-06-06 Daimler Ag Verfahren und Vorrichtung zur Beobachtung eines Fahrers eines Fahrzeuges
EP2463843B1 (en) * 2010-12-07 2015-07-29 Mobileye Vision Technologies Ltd. Method and system for forward collision warning
US9147260B2 (en) * 2010-12-20 2015-09-29 International Business Machines Corporation Detection and tracking of moving objects
US9041817B2 (en) * 2010-12-23 2015-05-26 Samsung Electronics Co., Ltd. Method and apparatus for raster output of rotated interpolated pixels optimized for digital image stabilization
JP5812808B2 (ja) * 2011-01-05 2015-11-17 キヤノン株式会社 画像処理装置及び画像処理方法
US9233659B2 (en) 2011-04-27 2016-01-12 Mobileye Vision Technologies Ltd. Pedestrian collision warning system
DE102011109387A1 (de) 2011-08-04 2013-02-07 Conti Temic Microelectronic Gmbh Verfahren zur Erkennung von Verkehrszeichen
JP2013097675A (ja) * 2011-11-02 2013-05-20 Honda Elesys Co Ltd 勾配推定装置、勾配推定方法、及び勾配推定プログラム
JP2013097676A (ja) * 2011-11-02 2013-05-20 Honda Elesys Co Ltd 到達時間推定装置、到達時間推定方法、到達時間推定プログラム、及び情報提示装置
US9008359B2 (en) * 2012-06-28 2015-04-14 International Business Machines Corporation Detection of static object on thoroughfare crossings
EP2918076A4 (en) * 2012-11-12 2016-10-05 Behavioral Recognition Sys Inc IMAGE STABILIZATION PROCEDURE FOR VIDEO MONITORING SYSTEMS
JP5987660B2 (ja) * 2012-11-30 2016-09-07 富士通株式会社 画像処理装置、画像処理方法及びプログラム
DE102013201545A1 (de) * 2013-01-30 2014-07-31 Bayerische Motoren Werke Aktiengesellschaft Erstellen eines Umfeldmodells für ein Fahrzeug
US10140717B2 (en) * 2013-02-27 2018-11-27 Hitachi Automotive Systems, Ltd. Imaging apparatus and vehicle controller
JP6036601B2 (ja) * 2013-08-09 2016-11-30 株式会社デンソー 画像処理装置及び画像処理方法
DE102013219909A1 (de) 2013-10-01 2015-04-02 Conti Temic Microelectronic Gmbh Verfahren und Vorrichtung zur Erkennung von Verkehrszeichen
US9380229B2 (en) * 2014-02-28 2016-06-28 Samsung Electronics Co., Ltd. Digital imaging systems including image sensors having logarithmic response ranges and methods of determining motion
DE102014209197A1 (de) * 2014-05-15 2015-11-19 Conti Temic Microelectronic Gmbh Vorrichtung und Verfahren zum Erkennen von Niederschlag für ein Kraftfahrzeug
JP6234349B2 (ja) * 2014-09-16 2017-11-22 株式会社東芝 移動***置推定装置、移動***置推定方法及び移動***置推定プログラム
KR102359083B1 (ko) * 2015-06-02 2022-02-08 에스케이하이닉스 주식회사 움직이는 객체 검출 장치 및 방법
JP6540482B2 (ja) * 2015-12-04 2019-07-10 株式会社デンソー 情報処理システム、情報処理装置及び出力制御方法
US10145951B2 (en) * 2016-03-30 2018-12-04 Aptiv Technologies Limited Object detection using radar and vision defined image detection zone
KR20180069147A (ko) * 2016-12-14 2018-06-25 만도헬라일렉트로닉스(주) 차량의 보행자 경고장치
KR101996417B1 (ko) * 2016-12-30 2019-07-04 현대자동차주식회사 자세 정보 기반 보행자 탐지 및 보행자 충돌 방지 장치 및 방법
US10210398B2 (en) * 2017-01-12 2019-02-19 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for predicting flow of crowds from limited observations
KR102499398B1 (ko) * 2017-08-09 2023-02-13 삼성전자 주식회사 차선 검출 방법 및 장치
GB2569654B (en) 2017-12-22 2022-09-07 Sportlight Tech Ltd Apparatusses, systems and methods for object tracking
US11041941B2 (en) * 2018-02-26 2021-06-22 Steradian Semiconductors Private Limited Method and device for calibrating a radar object detection system
CN109903344B (zh) * 2019-02-28 2021-04-20 东软睿驰汽车技术（沈阳）有限公司 一种标定方法及装置
CN110175527B (zh) * 2019-04-29 2022-03-25 北京百度网讯科技有限公司 行人再识别方法及装置、计算机设备及可读介质
CN112396662B (zh) * 2019-08-13 2024-05-24 杭州海康威视数字技术股份有限公司 一种转换矩阵修正的方法及装置
US11442463B1 (en) * 2019-09-23 2022-09-13 Amazon Technologies, Inc. System to determine stationary features by autonomous mobile device
KR102238522B1 (ko) * 2019-09-27 2021-04-09 주식회사 서울로보틱스 3차원 공간에 대응되는 맵을 생성하는 차량 및 방법
CN113829994B (zh) * 2020-06-08 2023-11-21 广州汽车集团股份有限公司 基于车外鸣笛声的预警方法、装置、汽车及介质
CN112070555A (zh) * 2020-09-16 2020-12-11 青岛维感科技有限公司 一种客流监测方法、装置、***及通道及存储介质
US11210877B1 (en) * 2020-12-02 2021-12-28 Ford Global Technologies, Llc Passive entry passive start verification with two-factor authentication

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5259040A (en) * 1991-10-04 1993-11-02 David Sarnoff Research Center, Inc. Method for determining sensor motion and scene structure and image processing system therefor
JP3239521B2 (ja) 1993-03-30 2001-12-17 トヨタ自動車株式会社 移動体認識装置
US5473364A (en) * 1994-06-03 1995-12-05 David Sarnoff Research Center, Inc. Video technique for indicating moving objects from a movable platform
JP2000251199A (ja) 1999-03-01 2000-09-14 Yazaki Corp 車両用後側方監視装置
EP1727089A3 (en) * 1999-11-26 2007-09-19 MobilEye Technologies, Ltd. System and method for estimating ego-motion of a moving vehicle using successive images recorded along the vehicle's path of motion
JP3846494B2 (ja) * 2004-07-13 2006-11-15 日産自動車株式会社 移動障害物検出装置
JP2006151125A (ja) 2004-11-26 2006-06-15 Omron Corp 車載用画像処理装置
US8164628B2 (en) * 2006-01-04 2012-04-24 Mobileye Technologies Ltd. Estimating distance to an object using a sequence of images recorded by a monocular camera

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010145735A (ja) * 2008-12-18 2010-07-01 Mitsubishi Heavy Ind Ltd 撮像装置及び撮像方法
JP2010286963A (ja) * 2009-06-10 2010-12-24 Nissan Motor Co Ltd 移動物体検出装置、及び移動物体検出方法
JP2011014148A (ja) * 2009-07-06 2011-01-20 Valeo Vision 自動車用の障害物検知方法
KR101131580B1 (ko) * 2009-12-22 2012-03-30 (주)엠아이웨어 차량 탑재 카메라를 이용한 주행 중 도로횡단 보행자 검출 방법
JP2013531223A (ja) * 2010-05-07 2013-08-01 クアルコム，インコーポレイテッド 方位センサの較正
JP2012003604A (ja) * 2010-06-18 2012-01-05 Toshiba Alpine Automotive Technology Corp 移動体検出装置及び移動体検出方法
JP2012123750A (ja) * 2010-12-10 2012-06-28 Toshiba Alpine Automotive Technology Corp 車両用画像処理装置および車両用画像処理方法
JP2013074325A (ja) * 2011-09-26 2013-04-22 Toshiba Alpine Automotive Technology Corp 車載カメラ用画像補正方法および車載カメラ用画像補正プログラム
JP2013097390A (ja) * 2011-10-27 2013-05-20 Toshiba Alpine Automotive Technology Corp 自車移動推定方法および自車移動推定プログラム
JP2013097391A (ja) * 2011-10-27 2013-05-20 Toshiba Alpine Automotive Technology Corp 衝突判定方法および衝突判定プログラム
JP2013133098A (ja) * 2011-12-23 2013-07-08 Hyundai Motor Co Ltd アラウンドビューモニタートップビュー基盤の駐車支援システム
JP2015187855A (ja) * 2014-03-07 2015-10-29 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ 多範囲オブジェクト検出装置および方法
JP2017142760A (ja) * 2016-02-12 2017-08-17 日立オートモティブシステムズ株式会社 移動体の周囲環境認識装置
US10685449B2 (en) 2016-02-12 2020-06-16 Hitachi Automotive Systems, Ltd. Surrounding environment recognition device for moving body
CN108230360A (zh) * 2016-12-14 2018-06-29 意美森公司 基于视觉里程计的自动触觉生成
US10560631B2 (en) 2017-03-24 2020-02-11 Casio Computer Co., Ltd. Motion vector acquiring device, motion vector acquiring method, and storage medium

Also Published As

Publication number Publication date
US20080199050A1 (en) 2008-08-21
EP1959675A2 (en) 2008-08-20
EP1959675A3 (en) 2010-01-06

Similar Documents

Publication Publication Date Title
JP2008203992A (ja) 検出装置および方法、並びに、プログラム
JP4967666B2 (ja) 画像処理装置および方法、並びに、プログラム
EP3229041B1 (en) Object detection using radar and vision defined image detection zone
JP2008172441A (ja) 検出装置および方法、並びに、プログラム
KR102109941B1 (ko) 라이다 센서 및 카메라를 이용한 객체 검출 방법 및 그를 위한 장치
Khammari et al. Vehicle detection combining gradient analysis and AdaBoost classification
US7672514B2 (en) Method and apparatus for differentiating pedestrians, vehicles, and other objects
JP5407898B2 (ja) 対象物検出装置及びプログラム
JP5822255B2 (ja) 対象物識別装置及びプログラム
US7103213B2 (en) Method and apparatus for classifying an object
CN113156421A (zh) 基于毫米波雷达和摄像头信息融合的障碍物检测方法
US8994823B2 (en) Object detection apparatus and storage medium storing object detection program
US7466860B2 (en) Method and apparatus for classifying an object
US20050232463A1 (en) Method and apparatus for detecting a presence prior to collision
CN110730966B (zh) 用于行人检测的***和方法
CN109426802A (zh) 雷达和视觉传感器***的融合
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
US10748014B2 (en) Processing device, object recognition apparatus, device control system, processing method, and computer-readable recording medium
JP2008171141A (ja) 画像処理装置および方法、並びに、プログラム
JP7418476B2 (ja) 運転可能な領域情報を決定するための方法及び装置
JP7052265B2 (ja) 情報処理装置、撮像装置、機器制御システム、移動体、情報処理方法、及び、情報処理プログラム
KR20170138842A (ko) 템플릿 매칭 기반의 차량 추적 시스템 및 방법
JP5464073B2 (ja) 車外環境認識装置、車外環境認識方法
Al-Refai et al. A framework for background modeling using vehicle-to-infrastructure communication for improved candidate generation in pedestrian detection
Ramaiah et al. Stereo vision-based road debris detection system for advanced driver assistance systems

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20091210

A761 Written withdrawal of application

Free format text: JAPANESE INTERMEDIATE CODE: A761

Effective date: 20101115