一種基于貝葉斯分類器的車載多障礙物分類裝置及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及車載多障礙物分類技術(shù)領(lǐng)域，尤其是設(shè)及一種基于貝葉斯分類器的車 載多障礙物分類裝置及方法。
【背景技術(shù)】
[0002] 車載多障礙物分類是智能交通的一個(gè)重要研究課題，是智能車輛周邊環(huán)境感知技 術(shù)領(lǐng)域中的重要組成部分。近幾年，在國(guó)內(nèi)外智能交通研究領(lǐng)域中，關(guān)于車載多障礙物的識(shí) 別提出了很多方法，主要包括下述方法：
[0003] 孟華東等人提出多傳感器信息融合結(jié)合貝葉斯網(wǎng)絡(luò)的車輛類型檢測(cè)法，通過微波 和視頻傳感器分別得到車輛的高度輪廓和平面輪廓，采用貝葉斯網(wǎng)絡(luò)對(duì)7類車輛進(jìn)行分類。 高磊等人提出基于邊緣對(duì)稱性檢測(cè)視頻車輛的方法，計(jì)算候選區(qū)域的對(duì)稱軸和寬度，使用 邊緣強(qiáng)度、對(duì)稱性和寬度驗(yàn)證候選區(qū)域是否是車輛。沈志熙等人提出一種基于Boosting集 成學(xué)習(xí)的二叉樹支持向量機(jī)(BBT-SVM)方法，根據(jù)城區(qū)交通環(huán)境中各類障礙物出現(xiàn)概率、模 式間的類間差異，設(shè)計(jì)基于Boosting的智能車輛障礙物識(shí)別的SVM樹型結(jié)構(gòu)。張秋豪等人應(yīng) 用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了障礙物分類識(shí)別。
[0004] 現(xiàn)有技術(shù)方案存在的主要缺點(diǎn)是：目前貝葉斯方法存在的問題主要是類間差訓(xùn)練 樣本較難選取，且在貝葉斯進(jìn)行分類階段，時(shí)間復(fù)雜性取決于特征值間的依賴程度，導(dǎo)致正 確率較低，系統(tǒng)的實(shí)時(shí)性不強(qiáng)。二叉樹支持向量機(jī)(BBT-SVM)多類分類方法構(gòu)建了一個(gè)二叉 樹，每個(gè)樹節(jié)點(diǎn)是一個(gè)二值向量分類器，W此分下去直至節(jié)點(diǎn)中只有一個(gè)類別即葉子節(jié)點(diǎn)。 運(yùn)種方法的主要缺點(diǎn)是誤差累積W及存在不可分區(qū)域問題。B巧巾經(jīng)網(wǎng)絡(luò)分類器具有并行 性、魯棒性等特點(diǎn)，可W大大減少分類器的計(jì)算時(shí)間，但是分類器的錯(cuò)誤率較高。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種識(shí)別準(zhǔn)確率高、 抗干擾能力強(qiáng)、高效、實(shí)時(shí)性好的基于貝葉斯分類器的車載多障礙物分類裝置及方法。
[0006] 本發(fā)明的目的可W通過W下技術(shù)方案來實(shí)現(xiàn)：
[0007] -種基于貝葉斯分類器的車載多障礙物分類裝置，包括相連接的攝像頭和PC機(jī)， 所述PC機(jī)包括：
[000引卡爾曼濾波模塊，用于對(duì)攝像頭采集的車輛前方視頻圖像進(jìn)行卡爾曼濾波，檢測(cè) 障礙物目標(biāo)；
[0009] 特征提取模塊，用于對(duì)檢測(cè)出的障礙物目標(biāo)進(jìn)行特征提取，所述特征包括對(duì)稱性 特征、水平邊緣直線度特征和長(zhǎng)寬比特征；
[0010] 貝葉斯分類模塊，用于根據(jù)障礙物目標(biāo)的特征，采用樸素貝葉斯分類器得到障礙 物目標(biāo)的類別。
[0011] 所述攝像頭安裝于汽車內(nèi)部后視鏡處。
[0012] 所述貝葉斯分類模塊包括：
[0013] 貝葉斯分類器建立單元，用于建立用于分類的樸素貝葉斯分類器，并根據(jù)已知樣 本數(shù)據(jù)訓(xùn)練樸素貝葉斯分類器；
[0014] 分類單元，用于利用訓(xùn)練好的樸素貝葉斯分類器對(duì)特征提取模塊獲得障礙物目標(biāo) 的特征進(jìn)行分類，得到障礙物目標(biāo)的類別。
[0015] 所述貝葉斯分類器建立單元包括：
[0016] 樣本特征提取子單元，用于提取已知樣本數(shù)據(jù)的特征，所述已知樣本數(shù)據(jù)為已知 類別的待分類項(xiàng)集合；
[0017] 訓(xùn)練子單元，用于根據(jù)已知樣本數(shù)據(jù)的特征對(duì)建立的樸素貝葉斯分類器進(jìn)行訓(xùn) 練，獲取每個(gè)類別在已知樣本數(shù)據(jù)中出現(xiàn)的概率及每個(gè)特征屬性劃分對(duì)每個(gè)類別的條件概 率估計(jì)。
[0018] -種基于貝葉斯分類器的車載多障礙物分類方法，包括W下步驟：
[0019] 1)對(duì)獲取的車輛前方視頻圖像進(jìn)行卡爾曼濾波，檢測(cè)得障礙物目標(biāo)；
[0020] 2)對(duì)檢測(cè)出的障礙物目標(biāo)進(jìn)行特征提取，所述特征包括對(duì)稱性特征、水平邊緣直 線度特征和長(zhǎng)寬比特征；
[0021 ] 3)根據(jù)所提取的障礙物目標(biāo)的特征，采用樸素貝葉斯分類器得到障礙物目標(biāo)的類 別。
[0022] 所述步驟2)中，對(duì)稱性特征通過W下方式提?。?br>[0023] al)圖像預(yù)處理，對(duì)障礙物目標(biāo)圖像進(jìn)行灰度化和高斯平滑濾波去噪；
[0024] a2)邊緣檢測(cè)，對(duì)預(yù)處理后的障礙物目標(biāo)圖像進(jìn)行Sobel算子邊緣檢測(cè)，得到邊緣 檢測(cè)垂直疊加投影；
[0025] a3)對(duì)稱性檢測(cè)，根據(jù)垂直疊加投影計(jì)算目標(biāo)區(qū)域?qū)ΨQ軸的列坐標(biāo)位置，記為U，對(duì) 稱區(qū)域?qū)挾扔洖閃，W列坐標(biāo)位置作為橫坐標(biāo)，W列坐標(biāo)位置對(duì)應(yīng)的垂直疊加投影作為縱坐 標(biāo)作函數(shù)f(x)，其中，目標(biāo)區(qū)域?qū)ΨQ軸的列坐標(biāo)位置為坐標(biāo)原點(diǎn)，X的取值范圍是[- 設(shè)f(x)=g(x)+h(x)，其中g(shù)(x)為f(x)的奇函數(shù)分量，h(x)為f(x)的偶函數(shù)分量，則有
[0028] 根據(jù)奇函數(shù)分量和偶函數(shù)分量比值獲得障礙物目標(biāo)的對(duì)稱性特征：
[0029]
[0030] 其中，S表示對(duì)稱性特征，且-1 < S。，當(dāng)s = l時(shí)圖像左右完全對(duì)稱，當(dāng)s = -l時(shí)圖 像左右完全相反
[0031] 所述步驟2)中，水平邊緣直線度特征通過W下方式提取：
[0032] 首先對(duì)障礙物目標(biāo)圖像進(jìn)行預(yù)處理和邊緣檢測(cè)，然后利用霍夫變換檢測(cè)直線，標(biāo) 記、統(tǒng)計(jì)所有直線的長(zhǎng)度，求和歸一化后得到障礙物目標(biāo)圖像的邊緣直線特征值。
[0033] 所述步驟2)中，長(zhǎng)寬比特征通過W下公式表示：
[0034]
[0035] 式中，（Xmax，ymax)和(Xmin，ymin)分別是圍繞一個(gè)障礙物目標(biāo)的圍盒的右下角和左上 角坐標(biāo)，K的數(shù)值是障礙物目標(biāo)對(duì)應(yīng)面積圖像的最小外接矩形的長(zhǎng)寬比。
[0036] 所述步驟3)中所采用的樸素貝葉斯分類器通過W下方式訓(xùn)練：
[0037] 31)獲取已知樣本數(shù)據(jù)，所述已知樣本數(shù)據(jù)為已知類別的待分類項(xiàng)集合；
[0038] 32)提取已知樣本數(shù)據(jù)的特征；
[0039] 33)根據(jù)已知樣本數(shù)據(jù)的特征對(duì)建立的樸素貝葉斯分類器進(jìn)行訓(xùn)練，獲取每個(gè)類 別在已知樣本數(shù)據(jù)中出現(xiàn)的概率及每個(gè)特征屬性劃分對(duì)每個(gè)類別的條件概率估計(jì)。
[0040] 與現(xiàn)有技術(shù)相比，本發(fā)明具有W下有益效果：
[0041] (1)本發(fā)明基于貝葉斯分類器對(duì)車輛前方多障礙物進(jìn)行分類，依據(jù)最大后驗(yàn)概率 進(jìn)行決策分類，將樣本判定為有最大概率值的類別，可W減小由于圖像噪聲干擾帶來的分 類誤差，提高識(shí)別的準(zhǔn)確率。
[0042] (2)提取的多障礙物特征包括對(duì)稱性特征、水平邊緣直線度特征和長(zhǎng)寬比特征，具 有相對(duì)獨(dú)立，分類效果較好，可對(duì)多類障礙物進(jìn)行分類識(shí)別;其中，采用目標(biāo)的對(duì)稱性特征， 有利于將車輛的正面和騎自行車/摩托者，W及行人區(qū)分開;采用目標(biāo)邊緣的水平直線度特 征，有利于將車輛的側(cè)面和騎自行車/摩托者，W及行人區(qū)分開;采用目標(biāo)的長(zhǎng)寬比有利于 將行人和騎自行車/摩托者，W及車輛區(qū)分開。
[0043] (3)本發(fā)明基于貝葉斯分類器的多障礙物分類方法結(jié)構(gòu)簡(jiǎn)單，抗干擾能力較強(qiáng)，具 有很好的健壯性，為研究汽車輔助駕駛中車輛前方障礙物的分類識(shí)別提供了一種新的方 法，對(duì)研究智能交通、無人駕駛等領(lǐng)域有一定的理論意義和實(shí)用價(jià)值。
[0044] (4)利用本發(fā)明進(jìn)行分類的準(zhǔn)確度高，其中，騎自行車/摩托車者的分類準(zhǔn)確率達(dá) 到100%，車輛側(cè)面的分類準(zhǔn)確率達(dá)到95%，車輛正面的分類準(zhǔn)確率達(dá)到100%，行人分類準(zhǔn) 確率達(dá)到100 %，實(shí)時(shí)性可W達(dá)到每帖0.29秒。
【附圖說明】
[0045] 圖1為本發(fā)明分類方法的流程示意圖；
[0046] 圖2為本發(fā)明樸素貝葉斯分類器的流程示意圖。
【具體實(shí)施方式】
[0047] 下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。本實(shí)施例W本發(fā)明技術(shù)方案 為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施