CN100492437C - 一种目标车换道工况下的快速识别方法 - Google Patents

Abstract

一种目标车换道工况下的快速识别方法属于智能汽车环境感知技术领域，其特征在于，采用机器视觉和雷达相结合的方法采集本车和目标车之间的横向距离、纵向距离、相对速度及同车道可能性共四个特征量，对每一轮检测中目标车辆的特征数据进行比较和量化，再对同车道可能性数据进行补偿修正，并对漏检车辆的参数进行跟踪预测，最后通过用两层BP神经网络训练得到的这些特征值对识别目标车的权重来计算每辆车的置信度，一旦越过设定的置信度阈值，便被识别为危险目标。在正常操作工况下，本发明可以准确、稳定地识别目标车，相比于单纯依靠雷达的识别技术，可提高对目标车状态变化的适应能力。

Description

一种目标车换道工况下的快速识别方法

技术领域：

一种目标车换道工况下的快速识别方法属于智能汽车行驶环境感知技术领域。

背景技术：

在纵向主动安全的研究领域，从识别出的候选车辆中挑选出危险目标或者跟车目标是后续开展避撞报警或自动驾驶的基础。传统的智能车纵向主动安全系统大多采用雷达作为目标车识别的传感器，但是雷达的误警率很高，路边和道路上方的结构物都可能被雷达误检测为本车前方行驶区域内的障碍物，而且其探测视野有限，当道路有较大曲率时，前方车辆容易驶出雷达的测量范围，另外，当目标车发生换道操作时，雷达无法做出及时的响应。

为完成目标车识别任务，文献1(Knoeppel C，et al.Robust vehicle detection at largedistance using low resolution cameras，Proceedings of the IEEE Intelligent VehiclesSymposium，2000)使用立体视觉对车辆进行识别，根据模拟计算出的行驶轨迹确定虚拟的车道线，在此基础上确定车辆所在车道并完成目标车识别。文献2(Eom T D，et al.Hierarchical object recognition algorithm based on Kalman filter for adaptive cruise controlsystem using scanning laser，1999)根据转向盘转角传感器获取的数据去估计道路曲率，然后从雷达扫描到的车辆中挑选最靠近车道中线的作为目标车。上述两种方法没有检测车道线，比较难对目标车辆和本车道之间的相对位置关系做出准确判断。文献3(CladyX，et al.Object tracking with a Pan-tilt-zoom camera：Application to car driving assistance，2001)利用一个普通摄像机对前方的车道线及行驶的车辆进行识别，并利用一台焦距、角度可变的摄像机(Pan-Tilt-Zoom Camera)对远距离目标进行跟踪，但是系统需要对两台摄像机进行协同标定，设备组成及算法都很复杂。文献4(CHU Jiangwei，et al.Studyon method of detecting preceding vehicle based on monocular camera，2004)首先对车道线进行检测，然后利用检测得到的两条直线构成一个三角形区域，在该区域内进行目标车识别，问题在于不易对切入本车道的车辆做出及时反应。

上述方法由于没有充分地融合利用横、纵向感知信息导致目标车识别跟踪的稳定性不足以及当目标车发生换道操作时，算法对目标车状态变化的反应不及时。

发明内容：

本发明的目的在于，提出一种目标车换道工况下的快速识别方法。该方法结合车辆以及车道线的识别结果，融合利用车辆的多个特征完成目标车辨识，能够实现对目标车的准确识别与跟踪，并提高对目标车状态变化的快速响应能力。

该方法的特征在于，该方法是依次按以下步骤在计算机中实现的：

步骤(1)，设：每一轮检测得到的车辆数为n，每一轮检测中识别得到的前车为i，i＝1，...，n，定义从用机器视觉的方法得到的图像中识别出的前车车辆底部中点距离本车车道中线的距离为横向距离，则：每辆作为目标车的前车经过比较和量化之后的横向距离D_Hi为：

$D_{\mathrm{Hi}}=\frac{D_{\mathrm{HI}\min }}{D_{\mathrm{HIi}}}\&CenterDot;\frac{4-D_{\mathrm{HIi}}}{4},$ 若D_Hi<0，则令D_Hi＝0，

D_HImin是根据图像信息计算得到的总数为n辆前车中最小的横向距离，D_HIi是为根据图像信息计算得到的前车i的原始横向距离；

每辆作为目标车的前车经过比较和量化之后的纵向距离

为：

$D_{\mathrm{Li}}=(\frac{D_{\mathrm{LI}\min }-D_{\mathrm{LIi}}}{20}+1)/2,$

若：D_Li<0，则D_Li＝0，

D_Li>1，则D_Li＝1，

每辆作为目标车的前车经过比较和量化之后相对于本车的相对速度V_i为：

$V_i=(\frac{V_{I\min }-V_{\mathrm{Ii}}}{10}+1)/2,$

若：V_i<0，则V_i＝0，

V_i>1，则V_i＝1，

其中：D_LImin和V_Imin分别为横向距离最小的作为检测目标的前车的纵向距离和相对于本车的速度；

D_LIi和

分别为根据图像信息和雷达数据计算得到的原始纵向距离和相对速度；每辆作为目标车的前车与本车处在同车道的可能性P_Ii根据雷达检测获得；

上述四个特征量D_Hi、V_i、P_Ii的取值范围在[0，1]值域空间；

步骤(2)，对步骤(1)取得的同车道可能性数据P_Ii按下式进行修正，修正后的同车道可能性为P_i：

$P_i=P_{\mathrm{Ii}}+(P_{\max }-P_{\mathrm{Ii}})\&CenterDot;\sqrt{{\left(\frac{D_{H\max }}{D_{\mathrm{HIi}}}\right)}^2+{\left(\frac{D_{L\max }-D_{\mathrm{LIi}}}{D_{L\max }}\right)}^2},$

若： $D_{\mathrm{LIi}}\&GreaterEqual;D_{L\max },$ 则 $P_i=P_{\mathrm{Ii}},$

$D_{\mathrm{HIi}}\&le;D_{H\max },$ 则 $P_i=P_{\max },$

${\left(\frac{D_{H\max }}{D_{\mathrm{HIi}}}\right)}^2+{\left(\frac{D_{L\max }-D_{\mathrm{LIi}}}{D_{L\max }}\right)}^2>1,$ 则P_i＝P_max，

其中：P_max、D_Hmax、D_Lmax分别为对同一轮检测中雷达探测到的多个车辆目标进行对比后，选取出的同车道可能性最大的目标车的同车道可能性、横向距离和纵向距离；

步骤(3)，利用卡尔曼滤波方法对发生漏检时的车辆参数进行跟踪预测，纵向卡尔曼滤波器的状态方程为：

s(t+Δt)＝A·s(t)+B·w(t)，

观测方程为：

z(t)＝H·s(t)+v(t)，

其中：s(t)是当前时刻的系统状态向量，s(t+Δt)是预测的下一时刻状态向量，Δt是时间步长，z(t)是当前时刻的系统观测向量，A是系统矩阵，B是系统噪声影响矩阵，H是系统观测矩阵，w(t)是系统噪声，其方差矩阵为Q，v(t)是观测噪声，其方差矩阵为R；

s(t)＝[d_L，v_L，a_L]^T，z(t)＝[d_L，v_L]^T，

$A=\left[\begin{array}{ccc}1& \mathrm{\&Delta;t}& \frac{{\mathrm{\&Delta;t}}^2}{2}\\ 0& 1& \mathrm{\&Delta;t}\\ 0& 0& 1\end{array}\right],$ $B=[\frac{{\mathrm{\&Delta;t}}^3}{6},\frac{{\mathrm{\&Delta;t}}^2}{2},\mathrm{\&Delta;t}],$ $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$

$Q=1,R=\left[\begin{array}{cc}0.01& 0\\ 0& 0.01\end{array}\right],$

d_L指的是前车与本车之间的相对纵向距离，v_L指的是前车与本车之间的相对纵向速度，a_L指的是前车与本车之间的相对纵向加速度；

横向卡尔曼滤波器的状态方程及观测方程的形式和纵向卡尔曼滤波器相同，但是状态量、观测量、系统矩阵、系统噪声影响矩阵、观测矩阵、系统噪声方差矩阵、观测噪声方差矩阵不同：

s(t)＝[d_H，v_H]^T，z(t)＝[d_H]

$A=\left[\begin{array}{cc}1& \mathrm{\&Delta;t}\\ 0& 1\end{array}\right],$ $B=[\frac{{\mathrm{\&Delta;t}}^2}{2},\mathrm{\&Delta;t}],$ H＝[10]，Q＝1，R＝0.01，

d_H指的是前车与本车之间的相对横向距离，v_H指的是前车与本车之间的相对横向速度；

步骤(4)，用两层BP神经网络训练得到的权值矩阵iw、阈值向量b以及设定的传输函数logsig对每一轮中的每一辆车的作为所述两层BP神经网络的输入p的特征量进行处理，计算获得每一辆车的目标车置信度W_i：

W_i＝logsig(iw²logsig(iw¹p_i+b¹)+b²)，

其中， $p_i={[D_{\mathrm{Hi}},D_{\mathrm{Li}},V_i,P_i]}^T;$

iw¹是第一层BP神经网络的权值矩阵，为：

${\mathrm{iw}}^1=\left[\begin{array}{cccc}-2.41& -6.65& -4.75& 0.28\\ 4.56& 3.62& -1.43& 5.75\\ -0.57& 3.31& 3.50& -6.87\\ -8.12& -0.77& 3.66& -0.61\\ -2.10& 2.77& -0.52& -7.70\end{array}\right],$

iw²是第二层BP神经网络的权值矩阵，为：

iw²＝[-8.58，9.54，-3.06，-5.89，-3.31]，

b¹是第一层BP神经网络的阈值向量，为：

b¹＝[7.14，-6.03，3.11，3.16，-0.15]^T，

b²是第二层BP神经网络的阈值向量，为：

b²＝5.15；

步骤(5)，比较所有车辆目标的置信度W_i，把置信度最大的目标车辆作为候选目标车；

步骤(6)，当候选目标车的置信度大于0.5时，该目标车即为危险目标，对其进行跟踪，否则，该轮检测中没有目标车。

试验证明：在正常道路工况下，本发明中的方法可以准确、稳定地识别目标车，当目标车发生换道操作时，相比于单纯依靠雷达的目标车识别，本发明中的方法能有效提高对目标车状态变化的响应能力。

附图说明：

图1，卡尔曼跟踪前后的车辆数据对比，其中(a)是纵向距离跟踪前后的对比，(b)是横向距离跟踪前后的对比，(c)是纵向相对速度跟踪前后的对比；

图2，两层BP神经网络模型；

图3，训练性能曲线；

图4，目标车识别效果，其中(a)是高速路的目标车识别(有目标)，(b)是高速路的目标车识别(无目标)，(c)是城市道路的目标车识别(目标车切入)；

图5，驶离工况下的目标车参数，其中(a)是目标车在图像中的左、右边界位置，(b)是目标车在图像中的上、下边界位置，(c)是目标车的纵向距离，(d)是目标车的相对速度，(e)是目标车的横向距离；

图6，切入工况下的目标车参数，其中(a)是目标车的横向距离，(b)是目标车的纵向距离；

图7，程序运行的流程框图。

具体实施方式：

本发明中的方法共需要3个步骤完成，首先在综合利用车辆及车道识别结果的基础上建立了车辆参数特征集，随后利用特征参数的提取与优化方法对特征集中的特征量进行了优化处理，最后通过两层BP神经网络训练获取了特征参数对于目标车识别的影响权值和阈值，并将训练结果应用于目标车的识别，有效提高了目标车识别算法的准确性。

(1)车辆参数特征集的建立

与现有目标车识别方法相比，本方法没有孤立地依赖单个车辆参数进行目标车的识别与判决，而是组合应用了从机器视觉以及雷达数据当中获取的多个车辆参数特征，该处理方法的优点包括两个方面：第一，利用判决信息的冗余提高了目标车识别与跟踪的稳定性和准确性；第二，由于融合了横向及纵向的环境感知信息，使得算法能够在目标车发生切入、驶离本车道等操作时对目标车的状态变化做出及时响应。

从机器视觉以及激光雷达获取的车辆数据信息中可以得到前车与本车之间的横向距离、纵向距离以及相对速度，而且雷达还提供了前车处在本车车道的可能性数据(In-Lane Probability)，因此车辆数据特征集当中选取了这4个特征量，分别标记为D_Hi(相对横向距离)，D_Li(相对纵向距离)，V_i(相对速度)和P_i(处在本车道的可能性)，i＝1，...，n，n是每一轮检测中识别得到的车辆总数。如果把前车与本车之间的相对距离等原始数据直接作为特征量输入的话存在两个问题：(1)几个特征量的数据变化范围很大，没有统一量化在一个值域范围内，不利于后续的神经网络训练；(2)在人类驾驶员进行目标车识别的时候，实际上是对每一轮检测得到的候选车辆进行对比的结果，并不是孤立地对单个车辆进行是否是目标的判断，如果把原始数据当作特征量的话，无法反映这种对比因素。为解决这两个问题，在选取特征量的时候，没有单纯把原始数据代入选取过程，而是根据每一轮的识别结果，引入了相对距离等数据的比较结果作为特征量，并且将4个特征量统一量化到了[0，1]值域空间。

(a)横向距离指标

对于雷达与机器视觉识别出的车辆，雷达数据和图像数据中都能够给出该车辆与本车之间的横向距离，但是由于激光雷达在探测目标的时候所给出的目标横向距离是由扫描到的多个目标尾部反射点根据雷达内部设定的算法计算出来的，考虑到前车车宽的因素，这个值通常不精确，而且在雷达给出的横向距离数据的计算过程中，也没有考虑车道线信息。因此在横向距离这个特征量的选择上，采用了图像信息，即计算图像中识别出的车辆底部中点距离车道中线的距离。设每一轮检测得到的车辆数目为n，对于每一辆车，根据图像信息计算得到的原始横向距离为D_HIi，n辆车当中最小的横向距离为D_HImin。横向距离最小的目标车的纵向距离和相对速度记为：D_LImin和V_Imin。每辆车经过比较和量化之后的横向距离为D_Hi，其计算如式(1)所示。

$D_{\mathrm{Hi}}=\frac{D_{\mathrm{HI}\min }}{D_{\mathrm{HIi}}}\&CenterDot;\frac{4-D_{\mathrm{HIi}}}{4}---\left(1\right)$

${\mathrm{if\; D}}_{\mathrm{Hi}}<0,D_{\mathrm{Hi}}=0$

表征了目标在横向距离方面的危险程度，其值越大，危险程度越高。在横向距离的比较量化过程中，首先考虑了同一轮检测过程中的对比，即越接近最小横向距离的目标，横向距离指标越大；同时也考虑了车辆的绝对横向距离，即该值越小，危险程度越高。当横向距离D_HIi超过4m之后，横向距离指标记为0。通过式(1)，能够把原始的横向距离D_HIi比较量化为横向距离指标D_Hi，并且该指标的值域范围为[0，1]。

(b)纵向距离和相对速度指标

激光雷达获取的车辆纵向数据比较精确与稳定，因此以雷达数据作为提取特征集中纵向距离和相对速度的依据。当雷达发生漏检，通过图像补充识别到了漏检的车辆时，由于该车辆的数据无法通过雷达给出，此时纵向距离和相对速度由图像信息给出。纵向距离可以直接计算图像中识别出的车辆底部中点和本车之间的距离。相对速度的计算使用了本帧图像及过去的连续3帧图像当中的纵向距离数据，然后计算得到3个速度值，用[0.25，0.25，0.5]的滤波器得到相对速度值。

原始纵向距离记为D_LIi，比较量化后的纵向距离指标D_Li其计算如式(2)所示。

$D_{\mathrm{Li}}=(\frac{D_{\mathrm{LI}\min }-D_{\mathrm{LIi}}}{20}+1)/2$

${\mathrm{if\; D}}_{\mathrm{Li}}<0,D_{\mathrm{Li}}=0---\left(2\right)$

${\mathrm{if\; D}}_{\mathrm{Li}}>1,D_{\mathrm{Li}}=1$

纵向距离指标的比较对象是横向距离最小的目标车。

原始相对速度记为

比较量化后的相对速度指标V_i其计算如式(3)所示。

$V_i=(\frac{V_{I\min }-V_{\mathrm{Ii}}}{10}+1)/2$

if V_i<0，V_i＝0                  (3)

if V_i>1，V_i＝1

相对速度指标的比较对象同样也是横向距离最小的目标车。

经过比较量化之后，能够把同一轮检测当中识别出的多辆车之间的相对危险程度引入特征集，而且把特征量统一量化到了[0，1]空间。

(c)同车道可能性

雷达对于探测到的车辆目标提供了“In-Lane Probability”数据，此数据表征了车辆目标处于本车同车道的可能性，因此这个数据也收入了车辆特征集当中作为危险目标挑选的依据。当雷达发生漏检，通过图像补充识别到了漏检的车辆时，该数据通过图像中识别到的车辆处在本车道的宽度除以整车宽度得到。

(2)车辆特征数据的优化处理

(a)同车道可能性数据的DCF修正

雷达通常不能对切入车辆做出及时反应，表现在同车道可能性这个数据上，就会出现如下的情况：当有两辆车，纵向距离远的车辆处在本车道的正中央，纵向距离近的车辆已经开始切入本车道，在雷达数据中，这两辆车的同车道可能性数值可能相差很多，纵向距离远的车辆其同车道可能性接近1，但是纵向距离近的车辆却接近0。该数据和实际路况及车辆目标的危险程度是不相符的。

在文献5(LIU Y，et al.Nash strategies with distance discount factor in target selectionproblems，2004)所设计的DDF(Distance Discount Factor)方法的启发下，设计了距离补偿因子(DCF，Distance Compensation Factor)，对车辆目标的距离因素加以考虑，以此修正雷达数据当中的同车道可能性，使它能够更好地符合实际路况。

首先，对同一轮检测当中雷达探测到的多个车辆目标进行对比，选取同车道可能性最大的目标，将它的同车道可能性、横向距离、纵向距离分别记为：P_max，D_Hmax，D_Lmax。原始数据当中的同车道可能性记为P_Ii，经过DCF修正后的同车道可能性记为P_i。DCF修正公式如式(4)所示。

$P_i=P_{\mathrm{Ii}}+(P_{\max }-P_{\mathrm{Ii}})\&CenterDot;\sqrt{{\left(\frac{D_{H\max }}{D_{\mathrm{HIi}}}\right)}^2+{\left(\frac{D_{L\max }-D_{\mathrm{LIi}}}{D_{L\max }}\right)}^2}$

${\mathrm{if\; D}}_{\mathrm{LIi}}\&GreaterEqual;D_{L\max },$ $P_i=P_{\mathrm{Ii}}$                          (4)

${\mathrm{if\; D}}_{\mathrm{HIi}}\&le;D_{H\max },$     P_i＝P_max

$\mathrm{if}{\left(\frac{D_{H\max }}{D_{\mathrm{HIi}}}\right)}^2+{\left(\frac{D_{L\max }-D_{\mathrm{LIi}}}{D_{L\max }}\right)}^2>1,P_i=P_{\max }$

相比于DDF，DCF拥有以下特点：DDF是一维修正因子，DCF采用了二维的修正因子，综合考虑了横向距离和纵向距离的影响因素；DDF是一个折扣因子，即通过采用DDF修正，能够降低远距离目标的重要性。而DCF是一个补偿因子，雷达原始数据当中本车道可能性的最高值通常是准确的，但是对于切入的车辆，雷达不能及时反映出这种变化，使得切入车辆的本车道可能性数值很低，DCF考虑距离因素，对目标的同车道可能性数据进行了补偿修正。

(b)卡尔曼跟踪预测

使用卡尔曼滤波主要是为了对发生漏检时的车辆参数进行跟踪预测。

融合机器视觉和激光雷达获取的信息进行车辆识别的过程中，可能会发生车辆漏检的情况，为提高车辆识别的准确率和稳定性，在进行车辆识别的时候，对于初始探测到的车辆并不将其确定为车辆目标，该车被第二次连续探测到的时候，才确定其目标身份，并把它列入跟踪档案之中。当跟踪档案中的车辆没有被识别到时，也不会立刻将它从档案中删除，而是继续对其位置进行跟踪预测，直到连续未能探测该车10次，才将它从档案中删除。

在本发明中，假设本车与前车之间相对纵向加速度以及相对横向速度的变化是平稳的，因此选用了3阶卡尔曼滤波器对纵向数据进行跟踪预测，2阶卡尔曼滤波器对横向数据进行跟踪预测。

纵向卡尔曼滤波器的状态方程如式(5)所示，观测方程如式(6)所示。

s(t+Δt)＝A·s(t)+B·w(t)                  (5)

z(t)＝H·s(t)+v(t)                         (6)

其中：s(t)是当前时刻的系统状态向量，s(t+Δt)是预测的下一时刻状态向量，Δt是时间步长，z(t)是当前时刻的系统观测向量，A是系统矩阵，B是系统噪声影响矩阵，H是系统观测矩阵，w(t)是系统噪声，其方差矩阵为Q，v(t)是观测噪声，其方差矩阵为R；

s(t)＝[d_L，v_L，a_L]^T，z(t)＝[d_L，v_L]^T

$A=\left[\begin{array}{ccc}1& \mathrm{\&Delta;t}& \frac{{\mathrm{\&Delta;t}}^2}{2}\\ 0& 1& \mathrm{\&Delta;t}\\ 0& 0& 1\end{array}\right],$ $B=[\frac{{\mathrm{\&Delta;t}}^3}{6},\frac{{\mathrm{\&Delta;t}}^2}{2},\mathrm{\&Delta;t}],$ $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right]$

$Q=1,R=\left[\begin{array}{cc}0.01& 0\\ 0& 0.01\end{array}\right]$

d_L指的是前车与本车之间的相对纵向距离，v_L指的是前车与本车之间的相对纵向速度，a_L指的是前车与本车之间的相对纵向加速度。

横向卡尔曼滤波器的状态方程及观测方程的形式和纵向卡尔曼滤波器相同，但是状态量、观测量、系统矩阵、系统噪声影响矩阵、观测矩阵、系统噪声方差矩阵、观测噪声方差矩阵不同。

s(t)＝[d_H，v_H]^T，z(t)＝[d_H]

$A=\left[\begin{array}{cc}1& \mathrm{\&Delta;t}\\ 0& 1\end{array}\right],$ $B=[\frac{{\mathrm{\&Delta;t}}^2}{2},\mathrm{\&Delta;t}],$ H＝[10]，Q＝1，R＝0.01

d_H指的是前车与本车之间的相对横向距离，v_H指的是前车与本车之间的相对横向速度。

具体实施过程中，在没有发生漏检的情况下(即有观测数据到达)，利用观测量对卡尔曼滤波增益矩阵及估计误差协方矩阵进行状态更新，从而获取现时系统状态值的最优估计，当发生了漏检(没有观测数据)的时候，需要以上一轮的系统状态估计值为基础，对现时系统状态值进行一步预报估计。状态更新方程以及预测方程的形式可参见文献6(侯德藻.汽车纵向主动避撞系统的研究，2004)中的公式(6-19)至(6-23)。

卡尔曼滤波器的跟踪预测效果如图1所示。从图中可以看出，原始数据中有一段时间丢掉了目标，即发生了漏检的情况，通过卡尔曼跟踪预测，能够较好地估计车辆的数据，从而提高车辆识别的稳定性，降低漏检率，经过卡尔曼滤波之后的数据也能更好地作为目标车识别的特征量。

(3)BP神经网络训练及目标车判决

经过卡尔曼跟踪预测的车辆纵向距离、横向距离、相对速度以及经过DCF修正的同车道可能性这4个特征量共同组成了目标车识别的特征集，为获取特征集中特征量对于目标车识别的影响权重，使用了文献7(周开利，等.神经网络模型及其MATLAB仿真程序设计，2005)中的两层BP神经网络模型对样本集进行训练，其结构如图2所示。

图中各符号的意义如下：R：输入向量的维数；S：神经元的个数；p：输入向量；iw：权值矩阵；b：阈值向量；n：加权和；a：输出向量；f：传输函数。

各符号的上角标代表网络层的序号。具体应用中，输入向量是4维的，输出向量是1维的，其中：

p＝[D_H，D_L，V，P]^T                    (7)

a¹＝f¹(iw¹p+b¹)                       (8)

a²＝f²(iw²a¹+b²)                      (9)

在式(7)中，神经网络的输入包括4个参数，分别为车辆目标的横向距离、纵向距离、相对纵向速度以及与本车处于同车道的可能性，式(8)和(9)分别计算了两层神经网络的输出，a²也是整个网络的输出，该向量由单一元素构成，直接用来判决车辆目标是否为前方行驶的目标车。

在神经网络的使用过程中需要确定的训练参数包括隐层节点数、两层的传输函数以及训练函数。在隐层节点数的选择上，目前尚没有很好的解析式可以求解，通常利用文献7(周开利，等.神经网络模型及其MATLAB仿真程序设计，2005)中的经验公式进行选择。

$k=\sqrt{k_i+k_o}+a---\left(10\right)$

式(10)中：k：隐层节点数；ki：输入节点数；k_o：输出节点数；a：1～10之间的常数。

隐层节点数设定为5，两层的传输函数均选择了logsig函数，训练函数设定为traingdx，样本集中共包括646个车辆数据。输入样本与输入向量相对应，车辆样本的第一个元素是横向距离，第二个元素是纵向距离，第三个元素是相对纵向速度，第四个元素是目标和本车处于同车道的可能性。训练后得到的权值和阈值如式(11)所示。

${\mathrm{iw}}^1=\left[\begin{array}{cccc}-2.41& -6.65& -4.75& 0.28\\ 4.56& 3.62& -1.43& 5.75\\ -0.57& 3.31& 3.50& -6.87\\ -8.12& -0.77& 3.66& -0.61\\ -2.10& 2.77& -0.52& -7.70\end{array}\right]---\left(11\right)$

b¹＝[7.14，-6.03，3.11，3.16，-0.15]^T

iw²＝[-8.58，9.54，-3.06，-5.89，-3.31]

b²＝5.15

训练过程的性能曲线如图3所示。

训练后获取的权值以及阈值能够用于目标车的识别。在实际应用过程中，对每一轮检测中识别到的所有车辆，分别按照权值和阈值对每一辆车的特征量进行处理，计算获得每一辆车的目标车置信度，如式(12)所示。

W_i＝logsig(iw²logsig(iw¹p_i+b¹)+b²)          (12)

式中：p_i：第i个车辆目标的参数向量；W_i：第i个车辆目标的目标车置信度。

比较所有车辆的目标车置信度，把置信度最大的车辆作为候选目标车。最后比较候选目标车的置信度与判决门限的大小关系，大于判决门限时，该候选目标车就是跟车目标或危险目标，否则该轮检测中没有目标车。本发明中选取的判决门限为0.5，判决门限值也可以和驾驶员的个人习惯联系起来，保守的驾驶员可以把判决门限设定得小一些。

具体实施例：

在国内捷达AT型轿车平台上，通过单目摄像机以及激光雷达来完成环境信息的感知，单目摄像机选用了德国Basler A601f CMOS摄像机，激光雷达选用了Denso公司生产的CAN总线雷达。

目标车识别的效果如图4所示。图中，黑线是识别出的车道线位置，白色方框是识别出的车辆位置，黑色方框是识别得到的目标车位置。可以看出，在识别出多个车辆之后，算法能够准确地从中挑选出跟车目标或危险目标，当路面上行驶的多辆车都对本车不构成威胁时，算法也能做出准确的判断，而且在前方有车切入时，算法可以较为及时地做出响应，将切入的车辆作为跟车目标。

对测试中目标车的数据进行了记录，目标车驶离本车道情况下的参数如图5所示。从图中可以看出，随着该车距离本车越来越远，其左右边界之间的距离以及上下边界之间的距离明显变小，反映了目标在图像中近大远小的特性。图5(e)中对目标车驶离本车道情况下的目标选取方法进行了对比，图中的A线是利用本发明的多特征融合方法判定原目标车不再是跟车目标的切换时机，B线则是仅利用雷达信息得到的切换时机，可以看出，当目标车逐渐驶离本车道时，融合方法能够及时发现目标车的驶离，比较符合实际路况，而仅仅依靠雷达数据则会发生较长的迟滞。

当有车辆切入本车道时，目标车辆的数据曲线如图6所示。从图中可以看出，当仅仅依靠雷达信息的时候，发现切入的车辆比较晚，切换到新的跟车目标也会发生较大的迟滞，而利用本发明设计的方法则能够迅速发现有切入意图的车辆并将跟车目标切换到新切入的车辆，从而进一步提高了纵向驾驶员辅助系统的安全系数。

整个方法的程序流程框图如图7所示。

Claims (2)

1.一种目标车换道工况下的快速识别方法，其特征在于，该方法是依次按以下步骤在计算机中实现的：

步骤(1)，设：每一轮检测得到的车辆数为n，每一轮检测中识别得到的前车为i，i＝1，...，n，定义从用机器视觉方法得到的图像中识别出的前车车辆底部中点距离本车车道中线的距离为横向距离，则：每辆作为目标车的前车经过比较和量化之后的横向距离D_Hi为：

$D_{\mathrm{Hi}}=\frac{D_{\mathrm{HI}\min }}{D_{\mathrm{HIi}}}\&CenterDot;\frac{4-D_{\mathrm{HIi}}}{4},$ 若D_Hi<0，则令D_Hi＝0，

D_HImin是根据图像信息计算得到的总数为n辆前车中最小的横向距离，D_HIi是根据图像信息计算得到的前车i的原始横向距离；

每辆作为目标车的前车经过比较和量化之后的纵向距离D_Li为：

$D_{\mathrm{Li}}=(\frac{D_{\mathrm{LI}\min }-D_{\mathrm{LIi}}}{20}+1)/2,$

若：D_Li<0，则D_Li＝0，

D_Li>1，则D_Li＝1，

每辆作为目标车的前车经过比较和量化之后相对于本车的相对速度V_i为：

$V_i=(\frac{V_{I\min }-V_{\mathrm{Ii}}}{10}+1)/2,$

若：V_i<0，则V_i＝0，

V_i>1，则V_i＝1，

其中：D_LImin和V_Imin分别为横向距离最小的作为检测目标的前车的纵向距离和相对于本车的速度；

D_LIi和V_Ii分别为根据图像信息和雷达数据计算得到的原始纵向距离和相对速度；

每辆作为目标车的前车与本车处在同车道的可能性P_Ii根据雷达检测获得；

上述四个特征量D_Hi、D_Li、V_i、P_Ii的取值范围在[0，1]值域空间；

步骤(2)，对步骤(1)取得的同车道可能性数据PIi按下式进行修正，修正后的同车道可能性为P_i：

$P_i=P_{\mathrm{Ii}}+(P_{\max }-P_{\mathrm{Ii}})\&CenterDot;\sqrt{{\left(\frac{D_{H\max }}{D_{\mathrm{HIi}}}\right)}^2+{\left(\frac{D_{L\max }-D_{\mathrm{LIi}}}{D_{L\max }}\right)}^2},$

若：D_LIi≥D_Lmax，则P_i＝P_Ii，

D_HIi≤D_Hmax，则P_i＝P_max，

${\left(\frac{D_{H\max }}{D_{\mathrm{HIi}}}\right)}^2+{\left(\frac{D_{L\max }-D_{\mathrm{LIi}}}{D_{L\max }}\right)}^2>1,$  则P_i＝P_max，

其中：P_max、D_Hmax、D_Lmax分别为对同一轮检测中雷达探测到的多个车辆目标进行对比后，选取出的同车道可能性最大的目标车的同车道可能性、横向距离和纵向距离；

步骤(3)，利用卡尔曼滤波方法对发生漏检时的车辆参数进行跟踪预测，纵向卡尔曼滤波器的状态方程为：

s(t+Δt)＝A·s(t)+B·w(t)，

观测方程为：

z(t)＝H·s(t)+v(t)，

其中：s(t)是当前时刻的系统状态向量，s(t+Δt)是预测的下一时刻状态向量，Δt是时间步长，z(t)是当前时刻的系统观测向量，A是系统矩阵，B是系统噪声影响矩阵，H是系统观测矩阵，w(t)是系统噪声，其方差矩阵为Q，v(t)是观测噪声，其方差矩阵为R；

s(t)＝[d_L，v_L，a_L]^T，z(t)＝[d_L，v_L]^T，

$A=\left[\begin{array}{ccc}1& \mathrm{\&Delta;t}& \frac{{\mathrm{\&Delta;t}}^2}{2}\\ 0& 1& \mathrm{\&Delta;t}\\ 0& 0& 1\end{array}\right],$ $B=[\frac{{\mathrm{\&Delta;t}}^3}{6},\frac{{\mathrm{\&Delta;t}}^2}{2},\mathrm{\&Delta;t}],$ $H=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right],$

$Q=1,R=\left[\begin{array}{cc}0.01& 0\\ 0& 0.01\end{array}\right],$

d_L指的是前车与本车之间的相对纵向距离，v_L指的是前车与本车之间的相对纵向速度，a_L指的是前车与本车之间的相对纵向加速度；

横向卡尔曼滤波器的状态方程及观测方程的形式和纵向卡尔曼滤波器相同，但是状态量、观测量、系统矩阵、系统噪声影响矩阵、观测矩阵、系统噪声方差矩阵、观测噪声方差矩阵不同：

s(t)＝[d_H，v_H]^T，z(t)＝[d_H]，

$A=\left[\begin{array}{cc}1& \mathrm{\&Delta;t}\\ 0& 1\end{array}\right],$ $B=[\frac{{\mathrm{\&Delta;t}}^2}{2},\mathrm{\&Delta;t}],$ H＝[1 0]，Q＝1，R＝0.01，

d_H指的是前车与本车之间的相对横向距离，v_H指的是前车与本车之间的相对横向速度；

步骤(4)，用两层BP神经网络训练得到的权值矩阵iw、阈值向量b以及设定的传输函数logsig对每一轮中的每一辆车的作为所述两层BP神经网络的输入p的特征量进行处理，计算获得每一辆车的目标车置信度W_i：

W_i＝logsig(iw²logsig(iw¹p_i+b¹)+b²)，

其中，p_i＝[D_Hi，D_Li，p_i]^T；

iw¹是第一层BP神经网络的权值矩阵，为：

${\mathrm{iw}}^1=\left[\begin{array}{cccc}-2.41& -6.65& -4.75& 0.28\\ 4.56& 3.62& -1.43& 5.75\\ -0.57& 3.31& 3.50& -6.87\\ -8.12& -0.77& 3.66& -0.61\\ -2.10& 2.77& -0.52& -7.70\end{array}\right],$

iw²是第二层BP神经网络的权值矩阵，为：

iw²＝[-8.58，9.54，-3.06，-5.89，-3.31]，

b¹是第一层BP神经网络的阈值向量，为：

b¹＝[7.14，-6.03，3.11，3.16，-0.15]^T，

b²是第二层BP神经网络的阈值向量，为：

b²＝5.15；

步骤(5)，比较所有车辆目标的置信度W_i，把置信度最大的目标车辆作为候选目标车；

步骤(6)，当候选目标车的置信度大于0.5时，该目标车即为危险目标，对其进行跟踪，否则，该轮检测中没有目标车。

2.根据权利要求1所述的一种目标车换道工况下的快速识别方法，其特征在于，在计算目标车对本车的相对速度时使用本帧图像及过去的连续三帧图像当中的纵向距离，然后计算得到三个速度值，再用[0.25，0.25，0.5]的滤波器得到相对速度值。

Images