一種復合型車道識別系統(tǒng)及方法
【專利摘要】本發(fā)明請求保護一種復合型車道識別系統(tǒng)及方法，涉及智能車輛環(huán)境感知與控制技術(shù)領(lǐng)域。系統(tǒng)由數(shù)據(jù)采集、信息融合、車道建模與車道識別四個模塊組成。其中，數(shù)據(jù)采集模塊利用攝像機及多個雷達采集車道標志線、車道邊界、引導車和護欄信息，通過車載定位裝置采集主車運動狀態(tài)；信息融合模塊融合攝像機與多個雷達采集的車道邊界、引導車信息以提高其檢測精度；車道建模模塊利用車道標志線、車道邊界建立主車所在車道的中心曲線模型來描述車道形狀；車道識別模塊利用車道標志線、車道邊界、護欄、引導車信息及主車運動狀態(tài)通過濾波器來準確估計車道結(jié)構(gòu)參數(shù)，從而實現(xiàn)車道識別的目的。本發(fā)明方法提高了對不同車道的適應(yīng)能力并提高車道識別的準確性。
【專利說明】
一種復合型車道識別系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明屬于計算機和自動化技術(shù)，特別是智能車輛環(huán)境感知技術(shù)領(lǐng)域，具體涉及 一種針對結(jié)構(gòu)化和非結(jié)構(gòu)化車道的復合型車道識別系統(tǒng)及方法。
【背景技術(shù)】
[0002] 對周圍復雜環(huán)境的感知是智能車輛實現(xiàn)輔助駕駛與無人駕駛的基礎(chǔ)，車道識別是 智能車輛環(huán)境感知的重要組成部分。"復合型車道"是結(jié)構(gòu)化車道與非結(jié)構(gòu)化車道兩種類型 車道的總稱，復合型車道識別是智能車輛對環(huán)境理解的重要組成部分，是智能車輛實現(xiàn)輔 助駕駛與無人駕駛的先決條件。
[0003] 中國專利申請：車道識別系統(tǒng)、車道識別方法和車道識別程序（申請?zhí)枺?CN200980102024.5 )與中國專利申請：一種實時多車道識別及跟蹤方法（申請?zhí)枺?CN201510205669.9)是基于圖像的車道識別，通過獲取車道標志線識別車道，這種方法只適 用于具有車道標志線的結(jié)構(gòu)化車道，不適用于非結(jié)構(gòu)化車道。中國專利申請:一種車道檢測 方法及裝置（申請?zhí)枺篊N201410163327.0)是基于圖像的車道識別，利用車道邊界線和車道 標志線識別車道，這種方法只采用了視覺信息。中國專利申請:車道估計裝置和方法（申請 號:CN201410208141.2)是基于圖像和雷達的車道識別方法，利用攝像頭捕獲車輛前方的圖 像和雷達感測車輛前方的多個靜止物體識別車道，這種方法沒有利用主車前方引導車輛信 息及護欄信息。
[0004] 本發(fā)明針對現(xiàn)有車道識別系統(tǒng)及方法信息來源少、適應(yīng)不同類型車道的能力較弱 以及車道識別精度低的問題，提出一種復合型車道識別方法，利用多種傳感器采集主車周 圍環(huán)境信息并進行融合來識別車道，克服了現(xiàn)有方法中存在的問題，提高了車道識別的精 度以及對不同類型車道的適應(yīng)能力。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對復合型車道的特點及現(xiàn)有方法信息來源少導致的復合型車道識別精 度低的問題，提出了一種基于多傳感器信息融合的復合型車道識別系統(tǒng)及方法，以提高車 道識別的精度及對不同車道的適應(yīng)能力。
[0006] 該系統(tǒng)由數(shù)據(jù)采集模塊、信息融合模塊、車道建模模塊和車道識別模塊組成。其 中，數(shù)據(jù)采集模塊利用攝像機與多個雷達采集車道與環(huán)境信息，包括車道標志線、車道邊 界、主車前方引導車、車道兩側(cè)的護欄，從中利用圖像處理及雷達數(shù)據(jù)處理技術(shù)提取車道標 志線、車道邊界、主車前方引導車、護欄的位置及運動狀態(tài)信息，并利用車載定位裝置獲得 主車運動狀態(tài)信息。信息融合模塊融合數(shù)據(jù)采集模塊中分別由攝像機與多個雷達獲得的車 道邊界位置、引導車位置。車道建模模塊利用數(shù)據(jù)采集模塊獲得的車道標志線位置、信息融 合模塊得到的車道邊界位置建立車道模型。車道識別模塊以車道模型為基礎(chǔ)，利用數(shù)據(jù)采 集模塊獲得的車道標志線位置、護欄位置、主車狀態(tài)信息以及信息融合模塊得到的車道邊 界位置、引導車狀態(tài)信息進行濾波估計，得到車道結(jié)構(gòu)參數(shù)從而實現(xiàn)復合型車道的識別。
[0007] 本發(fā)明解決上述技術(shù)問題的方案是：
[0008] 在主車運行過程中，復合型車道的識別分成兩個階段，第一階段是道路與環(huán)境信 息的感知，包括數(shù)據(jù)采集與信息融合;第二階段是道路參數(shù)的估計，包括車道建模與車道識 別。
[0009] 第一階段中，復合型車道識別系統(tǒng)的數(shù)據(jù)采集模塊利用攝像機采集并計算主車前 方車道標志線位置、車道邊界位置、引導車位置與速度，利用多個雷達采集并計算主車前方 車道邊界位置、引導車位置與速度、護欄位置，利用車載定位裝置采集并計算主車位置與速 度;信息融合模塊對上述攝像機與多個雷達分別獲得的車道邊界位置、引導車位置與速度 進行融合，得到融合后的車道邊界位置、引導車位置與速度。
[0010] 第二階段中，復合型車道識別系統(tǒng)的車道建模模塊綜合考慮結(jié)合結(jié)構(gòu)化和非結(jié)構(gòu) 化車道的特征，用主車所在車道的中心曲線來描述車道形狀，利用數(shù)據(jù)采集模塊獲得的車 道標志線位置、信息融合模塊得到的車道邊界位置建立車道模型；車道識別模塊以車道模 型為基礎(chǔ)，利用數(shù)據(jù)采集模塊獲得的車道標志線位置、、護欄位置、主車運動狀態(tài)信息以及 信息融合模塊獲得的車道邊界位置、引導車位置與速度通過濾波器估計車道結(jié)構(gòu)參數(shù)，實 現(xiàn)車道識別。
[0011] 本發(fā)明的優(yōu)點及有益效果如下：
[0012] 本發(fā)明提出一種基于多傳感器信息融合的復合型車道識別系統(tǒng)及方法，其優(yōu)點及 有益效果有：（1)提高車道識別的精度。本發(fā)明綜合利用多個傳感器獲得的車道標志線、車 道邊界、護欄、引導車以及主車運動狀態(tài)等多種信息，通過信息融合來估計出車道的結(jié)構(gòu)參 數(shù)，提高了車道識別精度。（2)適用于多種類型車道。本發(fā)明結(jié)合結(jié)構(gòu)化和非結(jié)構(gòu)化車道的 特點，利用多種信息建立車道模型，此方法相較于其他車道模型更具有適應(yīng)能力。
【附圖說明】
[0013] 圖1本發(fā)明一種復合型車道識別系統(tǒng)的總體框架；
[0014] 圖2本發(fā)明一種復合型車道識別方法采用的坐標系統(tǒng)；
[0015] 圖3本發(fā)明的車道標志線檢測流程；
[0016] 圖4本發(fā)明的車道邊界檢測與融合流程；
[0017] 圖5本發(fā)明的引導車檢測與融合流程；
[0018] 圖6本發(fā)明的車道模型；
[0019 ]圖7本發(fā)明的車道識別流程。
【具體實施方式】
[0020] 以下結(jié)合附圖，對本發(fā)明作進一步說明：
[0021] 本發(fā)明提出一種基于多傳感器信息的復合型車道識別系統(tǒng)及方法，利用攝像機、 雷達及車載定位裝置采集車道標志線、車道邊界、護欄、引導車及主車運動狀態(tài)等信息并進 行融合，建立車道模型并通過濾波器估計車道結(jié)構(gòu)參數(shù)，提高車道識別的精度與適應(yīng)能力。 [0022]下面結(jié)合附圖和【具體實施方式】對本發(fā)明作進一步詳細說明。
[0023]如圖1所示為本發(fā)明一種復合型車道識別系統(tǒng)的總體框架。該系統(tǒng)由數(shù)據(jù)采集模 塊、信息融合模塊、車道建模模塊和車道識別模塊組成。
[0024] 其中，數(shù)據(jù)采集模塊中包含攝像機與雷達兩類傳感器，攝像機安裝于主車的前方， 多個雷達分別安裝于主車前方及兩側(cè)。數(shù)據(jù)采集模塊利用攝像機采集并提取車道標志線、 車道邊界及前方引導車，利用安裝在主車前方的雷達采集主車前方引導車，利用安裝在兩 側(cè)的雷達采集車道邊界及護欄，并利用車載定位裝置獲得主車運動狀態(tài)信息。信息融合模 塊融合數(shù)據(jù)采集模塊中分別由攝像機、雷達獲得的車道邊界位置、引導車位置與速度，得到 更高精度的車道邊界位置、引導車位置與速度信息。車道建模模塊利用數(shù)據(jù)采集模塊獲得 的車道標志線位置、信息融合模塊得到的車道邊界位置建立車道模型。車道識別模塊以車 道模型為基礎(chǔ)，利用數(shù)據(jù)采集模塊獲得的車道標志線位置、護欄位置、主車狀態(tài)信息以及信 息融合模塊得到的車道邊界、引導車狀態(tài)信息進行濾波估計，得到車道結(jié)構(gòu)參數(shù)從而實現(xiàn) 復合型車道的識別。
[0025] 所述系統(tǒng)進行車道識別的具體步驟包括：
[0026] (1)坐標系建立:建立系統(tǒng)用到的坐標系，包括地面坐標系、車載坐標系與車道坐 標系；
[0027] (2)數(shù)據(jù)采集:利用攝像機采集并計算主車前方車道標志線位置、車道邊界位置、 引導車位置與速度;利用多個雷達采集并計算主車前方車道邊界位置、引導車位置與速度、 護欄位置;利用車載定位裝置采集并計算主車位置與速度；
[0028] (3)信息融合:對步驟(2)中攝像機與多個雷達分別獲得的車道邊界位置、引導車 位置與速度進行融合，得到更高精度的車道邊界位置、引導車位置與速度；
[0029] (4)車道建模:用主車所在車道的中心曲線來描述車道形狀，利用數(shù)據(jù)采集模塊獲 得的車道標志線位置、信息融合模塊得到的車道邊界位置建立車道模型；
[0030] (5)車道識別：在步驟(4)建立的車道模型的基礎(chǔ)上，將數(shù)據(jù)采集模塊獲得的車道 標志線位置、護欄位置、主車運動狀態(tài)信息以及信息融合模塊獲得的車道邊界位置、引導車 位置與速度通過濾波器估計車道結(jié)構(gòu)參數(shù)，實現(xiàn)車道識別。
[0031] 圖2為本發(fā)明一種復合型車道識別方法采用的坐標系統(tǒng)，坐標系統(tǒng)包含了地面坐 標系、車載坐標系與車道坐標系3類。
[0032] 其中，地面坐標系0g-xgygz^主車啟動時的初始位置確定，坐標系原點0%t = 0時 刻的主車首部中心處的地面，78指向主車左側(cè)，向主車前方，28與其構(gòu)成右手系。車載坐 標系Ok-xkykZk用于描述t = k時刻主車運動過程中車載攝像機及雷達采集的環(huán)境目標狀態(tài) 信息，坐標系原點Ok在主車首部中心處的地面，yk指向主車左側(cè)，xk指向主車前方，z k與其構(gòu) 成右手系。車道坐標系〇r_lk，nk用于描述t = k時刻的車道結(jié)構(gòu)，原點是車道中心線與車載坐 標系〇k-xkyk的yk軸交點，lk軸為車道中心線且指向車道，nk軸指向車道中心線法線方向且與 lk軸構(gòu)成右手系。
[0033] 圖3~5為本發(fā)明數(shù)據(jù)采集模塊采集主車運動過程中的環(huán)境信息的實現(xiàn)流程，包括 車道標志線、車道邊界、引導車、護欄四類觀測對象。
[0034] 如圖3所示為本發(fā)明車道標志線檢測流程，步驟包括：
[0035] (1)圖像預處理:對圖像進行灰度化，再進行對比度增強。先判斷光照模式，若是夜 間模式則采用Reinex方法增強圖像對比度;若是強光照模式則采用直方圖錐形拉伸方法增 強圖像對比度;若是正常光照模式則不需要增強圖像對比度；
[0036] (2)圖像邊緣檢測：通過自適應(yīng)Canny邊緣識別等方法，對得到的圖像實行邊緣化 識別，實現(xiàn)車道標志線與背景分割；
[0037] (3)R0I(Region Of Interest，感興趣區(qū)域）設(shè)定:采用動態(tài)R0I設(shè)定，對第一幀圖 像，設(shè)定圖像的下半部分為R0I區(qū)域;對非第一幀圖像，R0I區(qū)域為上一時刻檢測出的車道標 志線左右兩側(cè)一定范圍的區(qū)域；
[0038] (4)車道線檢測:對R0I區(qū)域進行Hough變換得到車道標志線。用三階多項式
[0039] yk = d[ (0) + d[ (\ )x + d[ (2 ).r ' d', (3 )x' (1)
[0040] 以及
[0041] y；=d；fO) + d；Y])x + (/[(2)x2+d^3)x^ (2)
[0042] 分別描述k時刻主車左右兩側(cè)車道標志線，其系數(shù)構(gòu)成的向量記為[(1^(0), 以⑴，以⑵，以⑶]1以及"=[(!!/(0) ，d!/(3)] T。在檢測出多條曲線的情 況下，選擇離主車當前位置最近的左右兩條曲線作為主車左右兩側(cè)車道標志線。
[0043] 如圖4所示為本發(fā)明的車道邊界檢測與融合流程，步驟包括：
[0044] (1)攝像機檢測車道邊界:攝像機獲取圖像，采用與車道標志線檢測相同的流程， 得到三階多項式表示的車道邊界曲線的系數(shù)向量 'E1(3)]T 以及 21^=[(1以1(0)，(11^1(1)，(11^ 1(2)，(11/，3)]^其中，由于采用了相同的識別 方法，判別三階多項式擬合曲線表征的是車道標志線還是車道邊界的準則是：
[0045]如果主車兩側(cè)左右兩條曲線的距離SWL，則擬合曲線表征的是車道標志線；否則 擬合曲線表征的是車道邊界；
[0046] 其中，門限值WL表示車道線的最大寬度。
[0047] (2)雷達檢測車道邊界:利用安裝于車輛兩側(cè)的雷達進行檢測，對檢測數(shù)據(jù)進行預 處理，選擇2^< 2<21^且7^^1^的數(shù)據(jù)進行擬合，其中參數(shù)Ζ ?Ε及定路沿的最小高度及 最大高度，YHE限定路沿的側(cè)向范圍。采用三階多項式，用最小二乘法進行擬合，得到三階多 項式表示的車道邊界曲線的系數(shù)向量 zk1，E2=[dk1， E2(0)，dk1，E2(l)，dk 1，E2(2)，dk1，E\3)] T&& zkr>E= [dkr>E2(0) ,dkr>E2(l) ,dkr>E2(2) ,dkr>E2(3)]T;
[0048] (3)車道邊界信息融合:融合攝像機檢測車道邊界[dAWO)，也^⑴，也1 及雷達檢測到的車道 邊界 zk1，E2=[dk1， E2(0)，dk1，E2(l)，dk 1，E2(2)，dk1，E2(3)] TW&Zkr，E=[dk r，E2(0)，dkr，E2(l)，d kr，E2 (2) ，?/'Ε2(3)]τ，得到三階多項式表示的車道邊界zk1'。[dk 1'^)，也1'％)，也1'％) (3) ]Tl^^zkr>E=[dk r>E(0),dkr>E(l),d kr>E(2),dkr> E(3)]T〇S^^?J^：
[0049] 對主車左側(cè)車道邊界a1#以及zk1#，
[0050] 如果Zk1#以及Zk1#均無效，車道邊界無效；
[0051] 如果Ζ1^Ε1以及Ζ1^Ε2之一無效，選擇有效者作為車道邊界zk 1，％
[0052] 如果Zk1#以及zP2均有效，且其距離^^匕現(xiàn)^為現(xiàn)~與現(xiàn)^的平均值；
[0053]如果Zk1#以及Zk1#均有效，且其距離〉A(chǔ)L，兩類傳感器檢測結(jié)果沖突，車道邊界 無效。
[0054]其中，門限值△ L表示攝像機與雷達兩種傳感器檢測的車道邊界的最大允許誤差。
[0055] 主車右側(cè)車道邊界的融合規(guī)則與主車左側(cè)車道邊界的融合規(guī)則相同。
[0056] 如圖5所示為本發(fā)明的引導車檢測與融合流程，步驟包括：
[0057] (1)攝像機檢測引導車:攝像機獲取圖像，在進行車道線檢測與車道邊界檢測后， 以檢測出的車道線或車道邊界設(shè)定ROI區(qū)域，在ROI區(qū)域內(nèi)通過陰影檢測、邊緣檢測等方法 提取引導車，通過攝像機的標定參數(shù)及線性成像模型計算出引導車的位置，并結(jié)合上一個 時刻的位置及攝像機采樣周期計算引導車速度。引導車在車載坐標系下的運動狀態(tài)表示為 _nv1，S1, iff，其分量分別為車載坐標系下引導車在k時刻的x、y坐標及速 度；
[0058] (2)雷達檢測引導車：利用安裝于車輛前方的雷達進行檢測，對檢測到的多個目 標，根據(jù)檢測出的車道線/車道邊界以及目標形狀特征進行篩選，確定引導車并獲取其位 置、速度，引導車在車載坐標系下的運動狀態(tài)表示為.ζ/2=|>Λ.ι^2,i; 2, m
[0059] (3)引導車信息融合:融合攝像機檢測到的引導車運動狀if, f與雷達檢測到的引導車運動狀態(tài)<'2,私2:，f，得到引導車運動狀態(tài) W=|>/，：^V，〖丨，融合的規(guī)則是：
[0060] 如果a'1與Zkv2均無效，引導車運動狀態(tài)Zk v無效；
[0061] 如果Zkvl與Zkv2之一有效，選擇有效者作為引導車運動狀態(tài) Zkv;
[0062] 如果zkvl與zkv2均有效，且位置誤差
，引導車運動狀 態(tài)Zkv為Zkvl與Zkv2的平均值；
[0063] 如果zkvl與zkv2均有效，且位置誤差兩類傳感器檢 測結(jié)果沖突，引導車運動狀態(tài)zkv無效。
[0064] 其中，門限值A(chǔ)V表示攝像機與雷達兩種傳感器檢測的引導車位置的最大允許誤 差。
[0065] 如圖6所示為本發(fā)明建立的車道模型。用主車所在車道的中心曲線來描述車道形 狀，車道的中心曲線利用數(shù)據(jù)采集模塊獲得的車道標志線位置以及信息融合模塊得到的車 道邊界位置來構(gòu)造。車道標志線與車道邊界的選擇原則是：當車道標志線有效時，選擇車道 標志線計算車道的中心曲線來建立車道模型;否則選擇車道邊界建立車道模型。
[0066] 圖6中虛線為數(shù)據(jù)采集模塊獲得的車道標志線或者信息融合模塊得到的車道邊 界，實線為由車道標志線或者車道邊界計算出的車道中心的擬合曲線，在其上以采樣距離 A取Μ個采樣點p(i)，i = l，2，···，M。用車道中心曲線的參數(shù)描述車道形狀，用向量 c<3),..., q.(從-1)Γ表示。其中，yJ表示主車相對車道中心的橫向偏離 距離，可根據(jù)車道標志線/車道邊界的三階多項式擬合曲線及主車相對車道標志線或者車 道邊界的距離bk1計算獲得；約t為主車方向與車道中心曲線的切線的夾角，可根據(jù)車道標志 線/車道邊界的三階多項式擬合曲線計算獲得;〇<(1)，（1 = 2,3，一，-1)表示車道中心曲線 上第i個采樣點處的采樣曲率，計算公式為：
[0068]其中V、V2表示一階、二階后向差分。根據(jù)向量rk可以建立車道模型的狀態(tài)方程與 觀測方程：
[0069] (1)建立狀態(tài)方程
[0070] 假設(shè)主車在時間段[k，k+l]行駛的距離小于采樣距離Δ，對k時刻的第Μ個采樣點 的采樣曲率，采用高斯模型計算，計算公式為：
[0071] ck(M) = ck(M-l )+wk(M) (4)
[0072] 其中wk(i)為獨立的零均值高斯白噪聲。定義擴展車道狀態(tài)向量rka
[0073] rka=[rkT，ck(M)]T (5)
[0074] 設(shè)車道曲線采樣點位置向量為
[0075] pk=[(pk(l))T，（pk(2)) T，...，（pk(M))T]T (6)
[0076] 則其擴展向量為
[0077] Pka=[(Pk(l))T，（Pk(2)) T，."，（Pk(M+l))T]T (7)
[0078] 其中Pk(i)為第i個采樣點在車載坐標系中的坐標：
[0082] 其中 /，(/ - 1) = ▽<(/. - 1) + ^.6(/ - I)，a( i-Ι) = Δ 2Ck(i-1 )b3/2(i-Ι)。
[0083] 由于主車的運動，k與k+1時刻的車載坐標系的坐標變換關(guān)系為：
[0084] Λ+1(λ = φ(-4,1 (z^ - ν'Γ? (6)
[0085] 其中φ (_ Φ k+1+ Φ k)為角度旋轉(zhuǎn)矩陣，為k時刻主車在地面坐標系中的 坐標與角度，為k+Ι時刻主車在地面坐標系中的坐標與角度。
[0086] 將pka通過式(6)轉(zhuǎn)換到k+Ι時刻，再由式(8)，通過式rk+i = g4(pk+i)計算出k+Ι時刻 車道的狀態(tài)向量：
[0087] = g^(fk+1 (g(r；)))+ wk+l (7)
[0088] (2)建立量測方程
[0089] 根據(jù)不同的觀測對象建立相應(yīng)的量測方程，分別得到針對車道標志線/車道邊界、 引導車、護欄的量測方程。
[0090] 對車道標志線或者車道邊界，在車道中心線上取三個采樣點，采樣距離為△，建立 量測方程為
[0091] pi, + (8)
[0092]其中，g3(rk+1)表示利用式(8)計算前三個采樣點的坐標，觀測噪聲i n+1為零均值高 斯白噪聲。
[0093]對引導車，k+Ι時刻引導車的位置坐標為[xk+i，yk+i]T，其方向為ik+i。通過rk+i計算 出Pk+1，找出與引導車臨近的兩個采樣點，設(shè)其坐標為[xk+1(j)，yk+1(j)]WP[xk +1(j+l)，yk+1 (j+l)]T，建立量測方程為：
[0095] 其中觀測噪聲％:為零均值高斯白噪聲。
[0096] 對護欄，本發(fā)明利用車道坐標系（lk，nk)來描述，左右護欄的量測方程類似。以左護 欄為例，設(shè)z bk+1(i)為此坐標下左護欄中i點的狀態(tài)信息，建立量測方程為：
[0098] 其中，尤,(/ω(，)Λ+1)表示左護欄在車道坐標下的位置，B(lk+1(i)，r k+1)為坐標旋轉(zhuǎn) 矩陣用于角度變換，觀測噪聲^+1為零均值高斯白噪聲。
[0099] 如圖7所示為本發(fā)明的車道識別流程，是在所建立的車道狀態(tài)方程(7)及觀測方程 (8)~（10)基礎(chǔ)上，利用數(shù)據(jù)檢測模塊及信息融合模塊得到的車道標志線、車道邊界、護欄、 引導車信息及主車運動狀態(tài)，通過濾波器來估計車道結(jié)構(gòu)參數(shù)，其步驟是：
[0100] (1)當獲得新的車道邊界或者車道標志線時，首先進行變道檢測判斷主車是否進 行變道，若主車發(fā)生變道，重啟濾波器;若未發(fā)生變道，則繼續(xù)進行濾波。
[0101]變道判別的規(guī)則是：當未獲得車道標志線位置時，不進行變道識別；否則，當 乂+1 ->{_ > 〇.驟，判定主車換到左邊車道；當乂+1 - < -〇.8『，判定主車換到右邊車 道。其中，時刻主車離車道中心曲線的距離，為k時刻預測的k+Ι時刻主車離車 道中心曲線的距離，W為當前車道寬度。
[0102] (2)當獲得新的引導車狀態(tài)信息時，首先進行野值剔除，其規(guī)則為:若其速度在設(shè) 定的引導車速度值范圍[V g_，Vgmax]內(nèi)，視為引導車信息有效;否則視為引導車信息無效。
[0103] (3)當獲得新的護欄狀態(tài)信息時，首先進行野值剔除，其規(guī)則為:若護欄距離車道 中心的橫向偏離距離在設(shè)定的護欄位置范圍[N smin，Nsmax]內(nèi)，且橫向偏離距離的方差小于設(shè) 定的門限值，視為護欄信息有效;否則視為護欄信息無效。
[0104] (4)由于建立的車道模型是非線性模型，此處以unscented濾波器為例進行說明， 但本專利不僅限于該算法。濾波主要過程分為時間更新、量測更新以及估計融合三個階段：
[0105] 時間更新階段：用UT變換計算擴展車道狀態(tài)向量rka的多個〇點，通過式(7)，計算 〇 點按狀態(tài)方程的傳播結(jié)果，作為rka的一步預測rak+1|k;
[0106] 量測更新階段:分別針對三類對象的觀測方程，即式(8)~（10)進行量測更新，計 算擴展車道狀態(tài)向量的一步預測r\+1| k對應(yīng)的觀測，用實際觀測進行濾波更新，得到k+Ι時 刻車道狀態(tài)向量的三個估計值；
[0107] 估計融合階段:對量測更新階段獲得的車道狀態(tài)向量的三個估計值按其估計誤差 進行加權(quán)融合，得到得到k+Ι時刻車道狀態(tài)向量rk+1 lk+ι。
[0108]以上這些實施例應(yīng)理解為僅用于說明本發(fā)明而不用于限制本發(fā)明的保護范圍。在 閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等效變 化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。
【主權(quán)項】
1. 一種復合型車道識別系統(tǒng)，其特征在于:包括數(shù)據(jù)采集模塊、信息融合模塊、車道建 模模塊和車道識別模塊，其中 所述數(shù)據(jù)采集模塊:利用攝像機與多個雷達采集并提取主車前方車道邊界的位置、車 道標志線的位置、引導車的位置與速度、護欄的位置，利用車載定位裝置獲得主車的位置與 速度； 信息融合模塊:融合數(shù)據(jù)采集模塊獲得的車道邊界位置得到車道邊界的狀態(tài)信息，融 合數(shù)據(jù)采集模塊獲得的引導車位置得到引導車的狀態(tài)信息； 車道建模模塊:利用數(shù)據(jù)采集模塊獲得的車道標志線位置、信息融合模塊得到的車道 邊界的狀態(tài)信息建立車道模型； 車道識別模塊：以車道模型為基礎(chǔ)，利用數(shù)據(jù)采集模塊獲得的車道標志線位置、護欄位 置、主車狀態(tài)信息以及信息融合模塊得到的車道邊界與引導車的狀態(tài)信息進行濾波估計， 得到車道結(jié)構(gòu)參數(shù)從而實現(xiàn)車道識別。2. 根據(jù)權(quán)利要求1所述的復合型車道識別系統(tǒng)的復合型車道識別方法，其特征在于，包 括以下步驟： 2.1坐標系建立:建立系統(tǒng)用到的坐標系，包括地面坐標系、車載坐標系和車道坐標系； 2.2數(shù)據(jù)采集:利用攝像機采集并計算主車前方車道標志線位置、車道邊界位置、引導 車位置與速度;利用多個雷達采集并計算主車前方車道邊界位置、引導車位置與速度、護欄 位置;利用車載定位裝置采集并計算主車位置與速度； 2.3信息融合:對步驟2.2中攝像機與多個雷達分別獲得的車道邊界位置、引導車位置 與速度進行融合，得到融合后的車道邊界位置、引導車位置與速度； 2.4車道建模:用主車所在車道的中心曲線來描述車道形狀，利用數(shù)據(jù)采集模塊獲得的 車道標志線位置、信息融合模塊得到的車道邊界位置建立車道模型； 2.5車道識別：在步驟2.4建立的車道模型的基礎(chǔ)上，將數(shù)據(jù)采集模塊獲得的車道標志 線位置、主車運動狀態(tài)信息、護欄位置，以及信息融合模塊獲得的車道邊界位置、引導車位 置與速度通過濾波器來估計車道結(jié)構(gòu)參數(shù)，實現(xiàn)車道識別。3. 根據(jù)權(quán)利要求2所述的復合型車道識別方法，其特征在于:所述車道建模方法中，用 主車所在車道的中心曲線來描述車道形狀，用主車相對于車道的橫向偏離距離以及偏離角 度描述主車與車道的位置關(guān)系，用車道寬度以及車道標志線或車道邊界的擬合曲線上的采 樣點處的曲率描述車道結(jié)構(gòu)。4. 根據(jù)權(quán)利要求3所述的復合型車道識別方法，其特征在于，建立車道模型時車道標志 線與車道邊界的選擇原則是：當車道有車道標志線時選擇距離主車較近的車道標志線建立 車道模型;否則選擇車道邊界建立車道模型。5. 根據(jù)權(quán)利要求2所述的復合型車道識別方法，其特征在于:所述車道識別方法中，當 獲得新的車道標志線位置、車道邊界位置時，首先判斷主車是否進行車道變換;若主車發(fā)生 變道，重啟濾波器;若未發(fā)生變道，則利用車道標志線位置、車道邊界位置、引導車位置與速 度、護欄位置以及主車主車運動狀態(tài)用于濾波器估計車道參數(shù)。
【文檔編號】G06K9/00GK106096525SQ201610392902
【公開日】2016年11月9日
【申請日】2016年6月6日 公開號201610392902.3, CN 106096525 A, CN 106096525A, CN 201610392902, CN-A-106096525, CN106096525 A, CN106096525A, CN201610392902, CN201610392902.3
【發(fā)明人】岑明, 王春陽, 馮輝宗, 李銀國, 蔣建春, 馮明馳
【申請人】重慶郵電大學