專利名稱：一種基于深度信息的車輛識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識(shí)別和智能車輛技術(shù)領(lǐng)域，具體涉及一種用于汽車輔助駕駛系統(tǒng)的基于深度信息的車輛識(shí)別方法。
背景技術(shù)：
智能車輛技術(shù)按功能主要分為自主導(dǎo)航和安全保障兩個(gè)方面。自主導(dǎo)航技術(shù)的應(yīng)用有賴于整個(gè)ITS系統(tǒng)的建立和完善，近期難以達(dá)到實(shí)用化。而安全保障的相關(guān)技術(shù)可率先應(yīng)用于駕駛員輔助駕駛系統(tǒng)，從而為解決常規(guī)車輛駕駛員主觀因素產(chǎn)生的交通事故提供有力的技術(shù)支持。目標(biāo)車輛檢測(cè)技術(shù)是智能車輛安全輔助駕駛系統(tǒng)的重要研究?jī)?nèi)容，對(duì)于減少車輛碰撞交通事故，提高車輛的道路行駛安全性具有重要的意義。用于車輛識(shí)別和跟蹤的方法主要包括基于機(jī)器視覺的方法和基于深度信息的方法?；跈C(jī)器視覺的車輛檢測(cè)系統(tǒng)一般采用CCD攝像頭，硬件成本較低，能夠感知到豐富的環(huán)境信息，但受環(huán)境變化影響大。晴天時(shí)樹木的陰影，光滑表面的反光，道路上的積水以及夜間光照不足等都會(huì)對(duì)圖像信息的識(shí)別造成很大影響?；谏疃刃畔⒌乃惴ㄒ话悴捎眉す饫走_(dá)、微波雷達(dá)等獲取深度信息，能夠準(zhǔn)確的得到目標(biāo)的距離信息，而且不容易受到環(huán)境的影響，數(shù)據(jù)處理的速度比基于機(jī)器視覺的方法快。 由于檢測(cè)的目標(biāo)為車輛，在實(shí)際檢測(cè)中，一般可以掃描到車輛的一個(gè)或兩個(gè)側(cè)面，如圖2所示，與本車的距離較遠(yuǎn)的聚類3，內(nèi)部數(shù)據(jù)點(diǎn)間的距離明顯比近處的聚類I和聚類2內(nèi)部數(shù)據(jù)點(diǎn)間的距離大。另外，當(dāng)掃描到車輛的兩個(gè)面時(shí)，與掃描射線接近垂直的面上的點(diǎn)比較密集，但對(duì)于與掃描射線方向大致相同的側(cè)面，由于入射角較小，所采集到的點(diǎn)比較稀疏，加上輪胎所在位置的反射率較低，通常這個(gè)面上的掃描點(diǎn)稀疏而且不連續(xù)，如

圖1中聚類1、2中縱向排列的離散點(diǎn)。文獻(xiàn)[I]利用深度信息識(shí)別車輛目標(biāo)的方法，提取目標(biāo)的直線和直角特征，克服了目標(biāo)形狀變化的干擾，但這種算法采用固定距離閾值的方法進(jìn)行聚類，在聚類過(guò)程中會(huì)丟失遠(yuǎn)處入射角較小的目標(biāo)上的點(diǎn)，不僅影響到特征提取的準(zhǔn)確性，而且在后續(xù)的目標(biāo)跟蹤過(guò)程中會(huì)產(chǎn)生較大的測(cè)量誤差。

發(fā)明內(nèi)容
本發(fā)明提供一種車輛識(shí)別方法，利用測(cè)距傳感器獲取周圍環(huán)境的深度信息，采用基于距離的方法對(duì)每幀數(shù)據(jù)進(jìn)行聚類，其中距離的閾值可隨目標(biāo)與傳感器的距離遠(yuǎn)近以及相對(duì)方位而變化，克服了采用固定距離閾值時(shí)，由于遠(yuǎn)處與近處的目標(biāo)上點(diǎn)間距離不同造成的聚類不準(zhǔn)確，以及丟失車身側(cè)面點(diǎn)的不足，提高了聚類分析的準(zhǔn)確性；在聚類內(nèi)部提取目標(biāo)的位置、形狀、大小等特征，根據(jù)這些特征判斷該目標(biāo)是否為車輛。具體實(shí)施過(guò)程如下A.利用測(cè)距傳感器連續(xù)獲取掃描范圍內(nèi)物體的深度信息R，R={(rn，(K) |n=0，…，Nj,其中，rn表不掃描點(diǎn)與傳感器的距離，4>n表不掃描點(diǎn)的方位角，Nk表不一個(gè)掃描周期采集到的掃描點(diǎn)的個(gè)數(shù)，n為O到Nk的整數(shù),并將深度信息R由極坐標(biāo)轉(zhuǎn)換為笛卡爾坐標(biāo)；傳感器一個(gè)掃描周期獲得的數(shù)據(jù)稱為一巾貞;B.采用自適應(yīng)距離閾值的方法對(duì)獲取的每幀數(shù)據(jù)實(shí)時(shí)進(jìn)行聚類分析，形成不同的聚類；C.計(jì)算每一個(gè)聚類的內(nèi)部距離d，如果聚類的內(nèi)部距離d小于閾值A(chǔ)，去掉該聚類，內(nèi)部距離d的計(jì)算公式如下，
權(quán)利要求
1.一種基于深度信息的車輛識(shí)別方法，包括以下步驟 A.利用測(cè)距傳感器連續(xù)獲取掃描范圍內(nèi)物體的深度信息R，R={(rn，(K)n=0,…，Nj，其中，rn表不掃描點(diǎn)與傳感器的距離，4>n表不掃描點(diǎn)的方位角，Nk表不一個(gè)掃描周期米集到的掃描點(diǎn)的個(gè)數(shù)，n為O到Nk的整數(shù),并將深度信息R由極坐標(biāo)轉(zhuǎn)換為笛卡爾坐標(biāo)；傳感器一個(gè)掃描周期獲得的數(shù)據(jù)稱為一巾貞; B.采用自適應(yīng)距離閾值的方法對(duì)獲取的每幀數(shù)據(jù)實(shí)時(shí)進(jìn)行聚類分析，形成不同的聚類； C.計(jì)算每一個(gè)聚類的內(nèi)部距離d，如果聚類的內(nèi)部距離d小于閾值A(chǔ)，去掉該聚類，內(nèi)部距離d的計(jì)算公式如下，
2.根據(jù)權(quán)利要求1中步驟B所述的自適應(yīng)距離閾值的方法，其特征在于包含以下步驟 第一步，計(jì)算當(dāng)前獲取的一巾貞數(shù)據(jù)中連續(xù)兩個(gè)點(diǎn)Pn-JPPn之間的距離d=| pn-pn_! I,其中n的取值范圍為I到Nk; 第二步，計(jì)算Plri和Pn兩點(diǎn)的橫坐標(biāo)之差與縱坐標(biāo)之差的比值的絕對(duì)值
3.根據(jù)權(quán)利要求1中步驟C所述聚類內(nèi)部距離d的閾值A(chǔ)為0.5米。
4.根據(jù)權(quán)利要求1中步驟D所述直線擬合以及提取特征向量的方法，其特征在于包括以下步驟 .4.1)利用迭代適應(yīng)點(diǎn)IEPF算法分割聚類內(nèi)部的點(diǎn)，將聚類內(nèi)部的點(diǎn)分割為多個(gè)子集，分割過(guò)程中每個(gè)子集內(nèi)到由該子集兩端點(diǎn)形成的連線的距離最大的點(diǎn)記為Pna，Pna到由該子集的兩端點(diǎn)形成的連線的距離記為Dna，當(dāng)所有子集的Dna都小于閾值Dthd時(shí)，認(rèn)為完成了分割聚類的過(guò)程；.4.2)對(duì)步驟4.1)分割后的每個(gè)子集采用最小二乘法進(jìn)行直線擬合，然后參照每個(gè)子集的起始點(diǎn)和終點(diǎn)確定本子集擬合的直線的兩個(gè)端點(diǎn)，提取線段，在此基礎(chǔ)上，提取目標(biāo)的特征向量 (1)線段數(shù)目num，聚類內(nèi)部存在一條線段時(shí)，num值為I;存在一條折線時(shí)，num值為.2 ； (2)目標(biāo)形狀shape，聚類內(nèi)線段的數(shù)目為I時(shí)，shape值為線段的斜率的絕對(duì)值；聚類內(nèi)線段的數(shù)目為2時(shí)，shape值為兩條線段間夾角的余弦的絕對(duì)值； (3)目標(biāo)大小size，聚類內(nèi)線段的數(shù)目為I時(shí)，size大小為線段的長(zhǎng)度；存在一條折線時(shí)，size大小為折線最小外接矩形的面積； (4)線段長(zhǎng)度比ratio，聚類內(nèi)部存在一條線段時(shí)，ratio長(zhǎng)度比為O;存在一條折線時(shí)，ratio為兩條線段的長(zhǎng)度比。
5.根據(jù)權(quán)利要求4的步驟4.1)所述，閾值Dthd的取值范圍為0. 2米到0. 5米之間。
6.根據(jù)權(quán)利要求1中步驟E所述，如果聚類的特征向量滿足以下兩種情況之一，則判定該聚類為車輛目標(biāo)第一種情況(I) num= I, (2)1.1 米< size < 5. 5 米，(3) ratio=。； 第二種情況(l)num=2, (2) shape〈0. 3,即兩條線段的夾角接近90度，(3)0. 8平方米^ size ^ 15 平方米(4) 0. 2 ^ ratio ^ 6。
全文摘要
本發(fā)明涉及模式識(shí)別和智能車輛技術(shù)領(lǐng)域，具體涉及一種用于汽車輔助駕駛系統(tǒng)的基于深度信息的車輛識(shí)別方法。具體包括利用測(cè)距傳感器連續(xù)獲取掃描范圍內(nèi)物體的深度信息，采用基于距離的方法對(duì)每一幀數(shù)據(jù)進(jìn)行聚類，其中距離的閾值可根據(jù)目標(biāo)與本車的距離遠(yuǎn)近以及相對(duì)方位自動(dòng)調(diào)整，提高了聚類的準(zhǔn)確性，為后續(xù)的特征提取奠定了良好的基礎(chǔ)；對(duì)保留的聚類采用迭代適應(yīng)點(diǎn)IEPF算法和最小二乘法分別進(jìn)行直線擬合，并在此基礎(chǔ)上提取目標(biāo)的特征向量；依據(jù)特征向量判斷目標(biāo)是否為車輛目標(biāo)。本方法利用多個(gè)特征識(shí)別車輛目標(biāo)，能夠準(zhǔn)確的識(shí)別道路環(huán)境中的車輛目標(biāo)。
文檔編號(hào)G06K9/62GK103065151SQ201210434029
公開日2013年4月24日 申請(qǐng)日期2012年11月4日 優(yōu)先權(quán)日2012年11月4日
發(fā)明者段建民, 周俊靜, 于宏嘯, 楊光祖 申請(qǐng)人:北京工業(yè)大學(xué)