本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種輔助駕駛系統(tǒng)的車輛檢測方法及其裝置。

背景技術(shù)：

車輛檢測和車道線檢測是智能輔助駕駛系統(tǒng)最基本的2個功能，使用的傳感器一般為單目攝像機，將攝像機采集到的圖像利用計算機視覺算法進行處理得到圖像中的車道線和車輛，從而采取一定的輔助操作。

輔助駕駛系統(tǒng)組成如圖1所示，包括處理器1、攝像頭2、顯示裝置3和車輛本身4。處理器1負(fù)責(zé)接收攝像頭2信息并進行處理，同時接收來自車輛本身4的速度信息，用于后續(xù)的判斷。處理器1將處理的結(jié)果顯示在顯示裝置3上，顯示裝置3放置在車輛本身4上，用于提示駕駛員當(dāng)前道路狀況。

現(xiàn)有技術(shù)中，針對輔助駕駛系統(tǒng)在車輛檢測方式中，通過訓(xùn)練得到多個弱分類器后，將獲取的待檢測畫面分為多個子區(qū)域，分別檢測每一子區(qū)域中是否存在被檢測車輛。然而獲取的待檢測畫面中，位于最上面的部分一般為天空或者樓房等區(qū)域，位于最下面的區(qū)域一般為地面道路，因此在對整個待檢測畫面進行檢測時，由于最上面部分和最下面部分中不存在被檢測車輛，而照樣對該部分進行檢測，從而增加了當(dāng)前車輛的處理器的計算負(fù)荷，增加了處理器的運行時間。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種輔助駕駛系統(tǒng)的車輛檢測方法，用以減少當(dāng)前車輛在檢測前方車輛時處理器的計算壓力，從而減少處理器的運行時間。

本發(fā)明實施例提供了一種輔助駕駛系統(tǒng)的車輛檢測方法，該方法包括：

獲取待檢測圖像，并確定所述待檢測圖像中的車道線的位置；

根據(jù)所述車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域；

根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定所述有效區(qū)域內(nèi)的被檢測的車輛，t為正整數(shù)。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測方法中，根據(jù)所述車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域，包括：

根據(jù)所述車道線的消失點，確定所述待檢測圖像中的有效區(qū)域的上邊界；

根據(jù)當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域的下邊界。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測方法中，通過下述方式確定所述待檢測圖像中的有效區(qū)域的下邊界：

d＝k*v；

其中，d為待檢測圖像的下邊界距有效區(qū)域的下邊界的距離，k為權(quán)重系數(shù)，v為當(dāng)前車輛的速度。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測方法中，根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定所述有效區(qū)域內(nèi)的被檢測的車輛，包括：

通過滑框方式逐漸檢測所述有效區(qū)域內(nèi)的每一子區(qū)域，以及確定每一子區(qū)域所對應(yīng)的特征值；

將每一子區(qū)域所對應(yīng)的特征值，與預(yù)設(shè)的t個弱分類器中的第一個弱分類器進行比較，若該子區(qū)域所對應(yīng)的特征值大于或等于所述第一個弱分類器中所有節(jié)點的閾值，則確定該子區(qū)域為待選區(qū)域；

根據(jù)下述公式確定該待選區(qū)域的h1的值是否大于或等于第一閾值，若是，則依次與下一個弱分類器進行比較，并確定該待選區(qū)域的ht的值大于或等于所述第一閾值，直到與最后一個弱分類器比較，并確定ht大于或等于所述第一閾值時，則確定該子區(qū)域中存在被檢測的車輛；其中，

ht為第t個強分類器所對應(yīng)的值，αt為第t個弱分類器所對應(yīng)的權(quán)重系數(shù)，ht為第t個弱分類器所對應(yīng)的閾值。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測方法中，

若該子區(qū)域所對應(yīng)的特征值小于所述t個的弱分類器中任一弱分類器中節(jié)點的閾值，則確定該子區(qū)域不存在被檢測的車輛。

相應(yīng)地，本發(fā)明實施例還提供了一種輔助駕駛系統(tǒng)的車輛檢測裝置，該裝置包括：

獲取單元，用于獲取待檢測圖像，并確定所述待檢測圖像中的車道線的位置；

處理單元，根據(jù)所述車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域；根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定所述有效區(qū)域內(nèi)的被檢測的車輛，t為正整數(shù)。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測裝置中，所述處理單元根據(jù)所述車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域，具體用于：

根據(jù)所述車道線的消失點，確定所述待檢測圖像中的有效區(qū)域的上邊界；

根據(jù)當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域的下邊界。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測裝置中，通過下述方式確定所述待檢測圖像中的有效區(qū)域的下邊界：

d＝k*v；

其中，d為待檢測圖像的下邊界距有效區(qū)域的下邊界的距離，k為權(quán)重系數(shù)，v為當(dāng)前車輛的速度。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測裝置中，所述處理單元根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定所述有效區(qū)域內(nèi)的被檢測的車輛，具體用于：

通過滑框方式逐漸檢測所述有效區(qū)域內(nèi)的每一子區(qū)域，以及確定每一子區(qū)域所對應(yīng)的特征值；

將每一子區(qū)域所對應(yīng)的特征值，與預(yù)設(shè)的t個弱分類器中的第一個弱分類器進行比較，若該子區(qū)域所對應(yīng)的特征值大于或等于所述第一個弱分類器中所有節(jié)點的閾值，則確定該子區(qū)域為待選區(qū)域；

根據(jù)下述公式確定該待選區(qū)域的h1的值是否大于或等于第一閾值，若是，則依次與下一個弱分類器進行比較，并確定該待選區(qū)域的ht的值大于或等于所述第一閾值，直到與最后一個弱分類器比較，并確定ht大于或等于所述第一閾值時，則確定該子區(qū)域中存在被檢測的車輛；其中，

ht為第t個強分類器所對應(yīng)的值，αt為第t個弱分類器所對應(yīng)的權(quán)重系數(shù)，ht為第t個弱分類器所對應(yīng)的閾值。

在一種可能的實施方式中，本發(fā)明實施例提供的上述車輛檢測裝置中，所述處理單元還用于：

若該子區(qū)域所對應(yīng)的特征值小于所述t個的弱分類器中任一弱分類器中節(jié)點的閾值，則確定該子區(qū)域不存在被檢測的車輛。

本發(fā)明有益效果如下：

本發(fā)明實施例提供的輔助駕駛系統(tǒng)的車輛檢測方法中，首先獲取待檢測圖像，并確定所述待檢測圖像中的車道線的位置；然后根據(jù)所述車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域；最后根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定所述有效區(qū)域內(nèi)的被檢測的車輛。因此，本發(fā)明實施例中在對車輛進行檢測時，僅是在待檢測圖像中有效區(qū)域內(nèi)進行檢測，從而確定被檢測車輛。相比現(xiàn)有技術(shù)中，通過對待檢測圖像進行車輛檢測，本發(fā)明實施例中車輛檢測方法中，需要檢測的有效區(qū)域明顯小于待檢測圖像，從而減小了當(dāng)前車輛在檢測前方車輛時處理器的計算壓力，從而減少處理器的運行時間。

附圖說明

圖1為現(xiàn)有技術(shù)提供的一種輔助駕駛系統(tǒng)的結(jié)構(gòu)示意圖；

圖2為本發(fā)明實施例提供的一種輔助駕駛系統(tǒng)的車輛檢測方法的流程示意圖；

圖3為本發(fā)明實施例提供的一種弱分類器的結(jié)構(gòu)示意圖；

圖4為本發(fā)明實施例提供的一種待檢測圖像的區(qū)域分布圖；

圖5為本發(fā)明實施例提供的一種輔助駕駛系統(tǒng)的車輛檢測裝置的結(jié)構(gòu)示意圖。

具體實施方式

需要說明的是，在以下描述中闡述了具體細(xì)節(jié)以便于充分理解本發(fā)明。但是本發(fā)明能夠以多種不同于在此描述的其它方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣。因此本發(fā)明不受下面公開的具體實施方式的限制。如在說明書及權(quán)利要求當(dāng)中使用了某些詞匯來指稱特定組件。本領(lǐng)域技術(shù)人員應(yīng)可理解，硬件制造商可能會用不同名詞來稱呼同一個組件。本說明書及權(quán)利要求并不以名稱的差異來作為區(qū)分組件的方式，而是以組件在功能上的差異來作為區(qū)分的準(zhǔn)則。如在通篇說明書及權(quán)利要求當(dāng)中所提及的“包含”為一開放式用語，故應(yīng)解釋成“包含但不限定于”。說明書后續(xù)描述為實施本申請的較佳實施方式，然所述描述乃以說明本申請的一般原則為目的，并非用以限定本申請的范圍。本申請的保護范圍當(dāng)視所附權(quán)利要求所界定者為準(zhǔn)。

本發(fā)明實施例提供了一種輔助駕駛系統(tǒng)的車輛檢測方法，用以減少當(dāng)前車輛在檢測前方車輛時處理器的計算壓力，從而減少處理器的運行時間。

參見圖2，本發(fā)明實施例提供了一種輔助駕駛系統(tǒng)的車輛檢測方法，該方法包括：

s201、獲取待檢測圖像，并確定待檢測圖像中的車道線的位置；

步驟s201中，獲取待檢測圖像的方式可以采用車輛中安裝的攝像頭拍攝前方的畫面而得到待檢測的圖像?；蛘卟捎闷渌绞?，在此不做具體限定。其中，確定待檢測圖像中的車道線的位置，可以采用現(xiàn)有技術(shù)中的車道線檢測方式中的任一種方法進行確定。例如，通過獲取的待檢測圖像，對圖像進行逆透視映射(inverseperspectivemapping，ipm)，使得待檢測圖像變成俯視圖；然后對該俯視圖進行hough變換后進行直線檢測，再利用pansac樣條曲線進行擬合，從而得到當(dāng)前車輛所在的車道線。一般地，確定待檢測圖像中的車道線為當(dāng)前車輛所在的車道線，且該車道線包括左右兩側(cè)的車道線。

s202、根據(jù)車道線的位置，以及當(dāng)前車輛的速度，確定待檢測圖像中的有效區(qū)域；

需要說明的是，本發(fā)明實施例中的有效區(qū)域為待檢測圖像的部分區(qū)域，例如，待檢測圖像中，位于待檢測圖像最上面的區(qū)域一般為天空或者樓房等畫面，位于待檢測圖像最下面的區(qū)域一般為地面，或者當(dāng)前車輛的車身，則待檢測圖像的存在被檢測車輛的區(qū)域僅為除去最上面部分和最下面部分的中間部分，因此將中間部分作為有效區(qū)域。因此，本發(fā)明實施例中的有效區(qū)域僅為待檢測圖像的一部分，顯然小于待檢測圖像，且有效區(qū)域中包括被檢測的車輛。

s203、根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定有效區(qū)域內(nèi)的被檢測的車輛，t為正整數(shù)。

一般地，對車輛檢測時主要包括訓(xùn)練和檢測兩個流程，訓(xùn)練主要是為了獲取t個弱分類器，以及每一弱分類器所對應(yīng)的閾值，檢測主要是通過訓(xùn)練得到的弱分類器對有效區(qū)域內(nèi)的畫面進行檢測，從而確定被檢測車輛的位置。具體地，本發(fā)明實施例中預(yù)設(shè)的t個弱分類器可以采用現(xiàn)有技術(shù)中任一種訓(xùn)練方法得到，在此不做具體限定。

例如，訓(xùn)練的流程包括：

(1)收集包含車輛的圖像并進行標(biāo)注，將圖像中的車輛區(qū)域取出，并縮放到固定大小的圖片中，作為訓(xùn)練的正樣本；并從圖像中取出預(yù)設(shè)數(shù)量的不包含車輛區(qū)域的區(qū)域，縮放到與正樣本的大小相同的尺寸，作為訓(xùn)練的負(fù)樣本；

(2)分別計算正樣本和負(fù)樣本的特征值，其中，該特征值包括luv圖像通道、6個方向的方向梯度直方圖通道、圖像的梯度幅值通道共10個通道特征值，將計算得到的10個通道特征值進行歸一化作為訓(xùn)練的特征值；

(3)將正樣本和負(fù)樣本計算的特征值利用adaboost算法進行訓(xùn)練，得到多個強分類器，且多個強分類器分別由t(t為正整數(shù))個弱分類器組成，本發(fā)明實施例中的弱分類器是通過訓(xùn)練多個具有車輛的正樣本以及多個不具有車輛的負(fù)樣而本得到的。且弱分類器可以采用二分決策樹、邏輯回歸、神經(jīng)網(wǎng)絡(luò)等算法得到。在此，僅以弱分類器采用二分決策樹的算法進行確定的方式進行舉例，但不限于該方式。

每一弱分類器為二分決策樹，如圖3所示，每一弱分類器的深度可以為5層或者更少或者更多，在此不做具體限定。且每一弱分類器的決策樹的節(jié)點的數(shù)值是通過訓(xùn)練中得到的閾值，通過將待檢測的區(qū)域所對應(yīng)的特征值與弱分類器決策樹節(jié)點的閾值進行比較，從而可以區(qū)分出該區(qū)域是正樣本還是負(fù)樣本。每一弱分類器的最后一行均可以確定為正樣本還是負(fù)樣本。參見圖3所示，正樣本用1表示，負(fù)樣本用0表示。如圖3所示，橢圓表示需要判斷的弱分類器的節(jié)點所對應(yīng)的閾值，當(dāng)子區(qū)域的特征值大于節(jié)點所對應(yīng)的閾值，則走向下一個節(jié)點，并進行判斷，直到判斷到該子區(qū)域所對應(yīng)的特征值為0或是1。其中，圓表示判斷后的終結(jié)點，即判斷后可以確定該子區(qū)域的特征值所對應(yīng)的值為0還是1，若是為0，則確定該子區(qū)域為負(fù)樣本，若為1，則確定該子區(qū)域為正樣本。

其中，t個弱分類器用于對有效區(qū)域進行車輛檢測，從而確定有效區(qū)域中是否存在被檢測車輛。下面再詳細(xì)描述通過弱分類器確定是否存在被檢測車輛的方法。

本發(fā)明實施例提供的輔助駕駛系統(tǒng)的車輛檢測方法中，首先獲取待檢測圖像，并確定待檢測圖像中的車道線的位置；然后根據(jù)車道線的位置，以及當(dāng)前車輛的速度，確定待檢測圖像中的有效區(qū)域；最后根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定有效區(qū)域內(nèi)的被檢測的車輛。因此，本發(fā)明實施例中在對車輛進行檢測時，僅是在待檢測圖像中有效區(qū)域內(nèi)進行檢測，從而確定被檢測車輛。相比現(xiàn)有技術(shù)中，通過對待檢測圖像進行車輛檢測，本發(fā)明實施例中車輛檢測方法中，需要檢測的有效區(qū)域明顯小于待檢測圖像，從而減小了當(dāng)前車輛在檢測前方車輛時處理器的計算壓力，從而減少處理器的運行時間。

在具體實施例中，本發(fā)明實施例提供的上述車輛檢測方法中，步驟s202根據(jù)車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域，包括：根據(jù)車道線的消失點，確定待檢測圖像中的有效區(qū)域的上邊界；根據(jù)當(dāng)前車輛的速度，確定待檢測圖像中的有效區(qū)域的下邊界。

具體地，本發(fā)明實施例通過將待檢測圖像中的天空區(qū)域或者樓房區(qū)域，地面區(qū)域或當(dāng)前車輛的車身區(qū)域去掉，從而將剩下的部分作為有效區(qū)域；確定有效區(qū)域后，僅對有效區(qū)域進行車輛檢測，從而減少了車輛檢測的次數(shù)，減少了處理器的計算壓力。其中，待檢測圖像中的車道線一般為兩個車道線，在當(dāng)前車輛正前方的兩個車道線會隨著距離逐漸增大而逐漸靠近而消失。因此，在確定有效區(qū)域時，將當(dāng)前兩個車道線交叉點的縱坐標(biāo)(交叉點所在的水平方向上的延長線)作為有效區(qū)域的上邊界。由于當(dāng)前車輛的車速不一樣，獲取的待檢測圖像的畫面不一樣，且拍攝到的前方車輛的距離也不一樣。因此，在確定有效區(qū)域的下邊界時，可以根據(jù)當(dāng)前車輛的車速進行確定。

在具體實施例中，經(jīng)過多次反復(fù)試驗，并通過多次試驗獲得的數(shù)據(jù)，可以通過下述方式確定待檢測圖像中的有效區(qū)域的下邊界：

d＝k*v；(1)

其中，d為待檢測圖像的下邊界距有效區(qū)域的下邊界的距離，k為權(quán)重系數(shù)，v為當(dāng)前車輛的速度。

本發(fā)明實施例通過多次試驗和數(shù)學(xué)建模的方式得到公式(1)的關(guān)系：例如，初始時設(shè)置大地區(qū)域為待檢測圖像區(qū)域的10％，然后統(tǒng)計不同情況下的車輛檢測的下邊界距離待檢測圖像下邊界的距離，進行數(shù)據(jù)統(tǒng)計，統(tǒng)計當(dāng)前車輛的速度v及該速度對應(yīng)的下邊界d的值，然后通過線性回歸思想對統(tǒng)計的多個值進行線性建模，從而得到上述公式(1)，并可以直接應(yīng)用在動態(tài)選取下邊界d的位置，從而減少了車輛檢測過程中檢測的區(qū)域，加快了車輛檢測的速度。

需要說明的是，本發(fā)明實施例中僅以考慮了當(dāng)前車輛的速度的因素，確定有效區(qū)域的下邊界的位置。在實際應(yīng)用中，為了更加精確地確定有效區(qū)域的下邊界的位置，可以再加上其他因素，如道路的彎曲程度，對有關(guān)當(dāng)前車輛的速度、當(dāng)前道路的彎曲角度，等因素進行數(shù)據(jù)統(tǒng)計，從而通過線性回歸思想建立數(shù)學(xué)模型，從而確定有效區(qū)域的下邊界的位置。因此，只要是采用數(shù)據(jù)統(tǒng)計，計算有效區(qū)域的下邊界的位置，進而確定有效區(qū)域的思想，均屬于本發(fā)明的保護范圍。

在具體實施例中，本發(fā)明實施例提供的上述車輛檢測方法中，步驟s203根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定有效區(qū)域內(nèi)的被檢測的車輛，包括：

通過滑框方式逐漸檢測有效區(qū)域內(nèi)的每一子區(qū)域，以及確定每一子區(qū)域所對應(yīng)的特征值；

將每一子區(qū)域所對應(yīng)的特征值，與預(yù)設(shè)的t個弱分類器中的第一個弱分類器進行比較，若該子區(qū)域所對應(yīng)的特征值大于或等于所述第一個弱分類器中所有節(jié)點的閾值，則確定該子區(qū)域為待選區(qū)域；

根據(jù)下述公式確定該待選區(qū)域的h1的值是否大于或等于第一閾值，若是，則依次與下一個弱分類器進行比較，并確定該待選區(qū)域的ht的值大于或等于所述第一閾值，直到與最后一個弱分類器比較，并確定ht大于或等于所述第一閾值時，則確定該子區(qū)域中存在被檢測的車輛；其中，

ht為第t個強分類器所對應(yīng)的值，αt為第t個弱分類器所對應(yīng)的權(quán)重系數(shù)，ht為第t個弱分類器所對應(yīng)的閾值。

具體地，如圖4所示的待檢測圖像，其中通過車道線01和車道線02的交叉點o確定了有效區(qū)域的上邊界，通過上述公式(1)確定了有效區(qū)域的下邊界，圖4中兩個虛線和待檢測圖像的邊界所圍成的區(qū)域為有效區(qū)域03。

對有效區(qū)域進行車輛檢測的方法，包括步驟：

步驟一、通過滑框04檢測有效區(qū)域03，每移動一次滑框04確定一個子區(qū)域，對該子區(qū)域內(nèi)的圖像進行檢測，比較該子區(qū)域內(nèi)的特征值與t個弱分類器的閾值的大小。

例如，有t個弱分類器，每一弱分類器可以如圖3所示的結(jié)構(gòu)，將滑框確定的子區(qū)域中的特征值與第一個弱分類器決策樹的節(jié)點中的閾值進行比較，參見圖3所示的一個弱分類器：具體地，將子區(qū)域所對應(yīng)的特征值與弱分類器決策樹中的第一個節(jié)點進行比較，若子區(qū)域所對應(yīng)的特征值小于第一個節(jié)點中的閾值，則確定該子區(qū)域為負(fù)樣本，直接丟棄該子區(qū)域；若該子區(qū)域所對應(yīng)的特征值與弱分類器決策樹中的第一個節(jié)點進行比較，子區(qū)域所對應(yīng)的特征值大于或等于第一個節(jié)點中的閾值，則繼續(xù)與第二個節(jié)點進行比較，依次比較每一個節(jié)點中的閾值，直到該子區(qū)域經(jīng)過多次判斷后得到的值為1，則確定該子區(qū)域為可能包含目標(biāo)的待選區(qū)域。

按照步驟一的方式依次確定每一子區(qū)域是為可能包含目標(biāo)的區(qū)域或者不包含目標(biāo)的區(qū)域，將每一個可能包含目標(biāo)的子區(qū)域作為待選區(qū)域。

步驟二、當(dāng)子區(qū)域通過一個弱分類器(例如第1個弱分類器)判斷該子區(qū)域為待選區(qū)域之后，將第1個弱分類器所對應(yīng)的閾值h1與該第1個弱分類器所對應(yīng)的權(quán)重系數(shù)α1相乘，并將相乘之后的值α1h1與第一閾值進行比較，其中，第一閾值一般為-1，也可以為其它值，在此不做具體限定。若α1h1大于第一閾值，則將該待選區(qū)域與下一個弱分類器(例如第2個弱分類器)進行比較，并采用步驟一的方式，確定該待選區(qū)域判定后的值為0還是1，若為0，則放棄該待選區(qū)域；若確定待選區(qū)域判定之后的值為1，則該第2個弱分類器所對應(yīng)的閾值h2與該第2個弱分類器所對應(yīng)的權(quán)重系數(shù)α2相乘，且將h1α1+h2α2的值與第一閾值進行比較，若小于第一閾值，則放棄該待選區(qū)域；若大于第一閾值，則繼續(xù)與第3個弱分類器進行比較；直到比較到第t個弱分類器，且滿足的值大于或等于第一閾值，則確定該待選區(qū)域為目標(biāo)區(qū)域，存在待檢測車輛。

需要說明的是，無論任何一個弱分類器(假設(shè)第i個弱分類器)在做步驟一的判斷時如果被判斷為0，那么該子區(qū)域就直接被丟棄，不再進行后續(xù)判斷；如果第i個弱分類器在步驟一中被判斷為1，被作為待選區(qū)域，那么計算αihi+...+α2h2+α1h1是否大于或等于第一閾值，如果大于或等于第一閾值，那么再進行后續(xù)第i+1個分類器的判斷，如果αihi+...+α2h2+α1h1＜第一閾值，則此子區(qū)域直接被丟棄，不再進行后續(xù)判斷。

步驟三、按照步驟一和步驟二的方式依次移動滑框，并依次檢測每一子區(qū)域，并確定該子區(qū)域是否存在被檢測車輛。

由此可見，每滑動一次滑框確定該滑框所對應(yīng)的子區(qū)域，判斷該子區(qū)域中是否存在被檢測車輛，需要滿足兩個條件：條件一、該子區(qū)域所對應(yīng)的特征值均大于t個弱分類器中節(jié)點所對應(yīng)的特征值；條件二、該t個弱分類器所對應(yīng)的閾值通過上述公式(2)得到的ht大于或等于第一閾值；其中，第一閾值可以為-1或其他值。

需要說明的是，有效區(qū)域中可能有多個車輛，根據(jù)拍攝位置，距離當(dāng)前車輛較遠(yuǎn)的車輛較小，且出現(xiàn)相撞的可能較小。為了進一步減少檢測有效區(qū)域的次數(shù)，以及避免檢測到的車輛的距當(dāng)前車輛的距離較遠(yuǎn)，且出現(xiàn)相撞可能小較小的情況，本發(fā)明實施例中的滑塊可以適應(yīng)性地變大，使得每一滑框所對應(yīng)的像素數(shù)大于第二閾值。且第二閾值的大小可以根據(jù)實際情況進行確定。其中，確定第二閾值的方式可以采用下述方式，如，通過統(tǒng)計多個當(dāng)前車輛獲取的圖像中被檢測車輛的尺寸，確定被檢測車輛所占用的像素數(shù)，然后根據(jù)多張圖像獲取的被檢測車輛的像素數(shù)，確定第二閾值的范圍。

本發(fā)明實施例中，通過將滑塊所對應(yīng)的像素數(shù)大于第二閾值，從而進一步減少了檢測有效區(qū)域的次數(shù)，而且由于該第二閾值是根據(jù)被檢測車輛的尺寸確定的，使得通過該尺寸的滑塊對有效區(qū)域進行檢測，進一步忽略了檢測到的距離當(dāng)前車輛較遠(yuǎn)的車輛，從而有效地確定了距離當(dāng)前車輛較近的被檢測車輛。

在具體實施例中，本發(fā)明實施例提供的上述車輛檢測方法中，若該子區(qū)域所對應(yīng)的特征值小于t個的弱分類器中任一弱分類器中節(jié)點的閾值，則確定該子區(qū)域不存在被檢測的車輛。

具體地，當(dāng)子區(qū)域所對應(yīng)的特征值不符合上述條件一或條件二，則確定該子區(qū)域不存在被檢測車輛。

基于同一發(fā)明思想，參見圖5，本發(fā)明實施例還提供了一種輔助駕駛系統(tǒng)的車輛檢測裝置，該裝置包括：

獲取單元51，用于獲取待檢測圖像，并確定所述待檢測圖像中的車道線的位置；

處理單元52，根據(jù)所述車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域；根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定所述有效區(qū)域內(nèi)的被檢測的車輛，t為正整數(shù)。

在具體實施例中，本發(fā)明實施例提供的上述車輛檢測裝置中，處理單元52根據(jù)所述車道線的位置，以及當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域，具體用于：

根據(jù)所述車道線的消失點，確定所述待檢測圖像中的有效區(qū)域的上邊界；

根據(jù)當(dāng)前車輛的速度，確定所述待檢測圖像中的有效區(qū)域的下邊界。

在具體實施例中，本發(fā)明實施例提供的上述車輛檢測裝置中，通過下述方式確定所述待檢測圖像中的有效區(qū)域的下邊界：

d＝k*v；

其中，d為待檢測圖像的下邊界距有效區(qū)域的下邊界的距離，k為權(quán)重系數(shù)，v為當(dāng)前車輛的速度。

在具體實施例中，本發(fā)明實施例提供的上述車輛檢測裝置中，處理單元52根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定所述有效區(qū)域內(nèi)的被檢測的車輛，具體用于：

通過滑框方式逐漸檢測所述有效區(qū)域內(nèi)的每一子區(qū)域，以及確定每一子區(qū)域所對應(yīng)的特征值；

將每一子區(qū)域所對應(yīng)的特征值，與預(yù)設(shè)的t個弱分類器中的第一個弱分類器進行比較，若該子區(qū)域所對應(yīng)的特征值大于或等于所述第一個弱分類器中所有節(jié)點的閾值，則確定該子區(qū)域為待選區(qū)域；

根據(jù)下述公式確定該待選區(qū)域的h1的值是否大于或等于第一閾值，若是，則依次與下一個弱分類器進行比較，并確定該待選區(qū)域的ht的值大于或等于所述第一閾值，直到與最后一個弱分類器比較，并確定ht大于或等于所述第一閾值時，則確定該子區(qū)域中存在被檢測的車輛；其中，

ht為第t個強分類器所對應(yīng)的值，αt為第t個弱分類器所對應(yīng)的權(quán)重系數(shù)，ht為第t個弱分類器所對應(yīng)的閾值。

在具體實施例中，本發(fā)明實施例提供的上述車輛檢測裝置中，處理單元52還用于：

若該子區(qū)域所對應(yīng)的特征值小于所述t個的弱分類器中任一弱分類器中節(jié)點的閾值，則確定該子區(qū)域不存在被檢測的車輛。

綜上所述，本發(fā)明實施例提供的輔助駕駛系統(tǒng)的車輛檢測方法中，首先獲取待檢測圖像，并確定待檢測圖像中的車道線的位置；然后根據(jù)車道線的位置，以及當(dāng)前車輛的速度，確定待檢測圖像中的有效區(qū)域；最后根據(jù)預(yù)設(shè)的t個弱分類器以及每一弱分類器所對應(yīng)的閾值，確定有效區(qū)域內(nèi)的被檢測的車輛。因此，本發(fā)明實施例中在對車輛進行檢測時，僅是在待檢測圖像中有效區(qū)域內(nèi)進行檢測，從而確定被檢測車輛。相比現(xiàn)有技術(shù)中，通過對待檢測圖像進行車輛檢測，本發(fā)明實施例中車輛檢測方法中，需要檢測的有效區(qū)域明顯小于待檢測圖像，從而減小了當(dāng)前車輛在檢測前方車輛時處理器的計算壓力，從而減少處理器的運行時間。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。