CN103065151B - 一种基于深度信息的车辆识别方法 - Google Patents

Abstract

本发明涉及模式识别和智能车辆技术领域，具体涉及一种用于汽车辅助驾驶系统的基于深度信息的车辆识别方法。具体包括利用测距传感器连续获取扫描范围内物体的深度信息，采用基于距离的方法对每一帧数据进行聚类，其中距离的阈值可根据目标与本车的距离远近以及相对方位自动调整，提高了聚类的准确性，为后续的特征提取奠定了良好的基础；对保留的聚类采用迭代适应点IEPF算法和最小二乘法分别进行直线拟合，并在此基础上提取目标的特征向量；依据特征向量判断目标是否为车辆目标。本方法利用多个特征识别车辆目标，能够准确的识别道路环境中的车辆目标。

Description

一种基于深度信息的车辆识别方法

技术领域

本发明涉及模式识别和智能车辆技术领域，具体涉及一种用于汽车辅助驾驶系统的基于深度信息的车辆识别方法。

背景技术

智能车辆技术按功能主要分为自主导航和安全保障两个方面。自主导航技术的应用有赖于整个ITS系统的建立和完善，近期难以达到实用化。而安全保障的相关技术可率先应用于驾驶员辅助驾驶系统，从而为解决常规车辆驾驶员主观因素产生的交通事故提供有力的技术支持。目标车辆检测技术是智能车辆安全辅助驾驶系统的重要研究内容，对于减少车辆碰撞交通事故，提高车辆的道路行驶安全性具有重要的意义。

用于车辆识别和跟踪的方法主要包括基于机器视觉的方法和基于深度信息的方法。基于机器视觉的车辆检测系统一般采用CCD摄像头，硬件成本较低，能够感知到丰富的环境信息，但受环境变化影响大。晴天时树木的阴影，光滑表面的反光，道路上的积水以及夜间光照不足等都会对图像信息的识别造成很大影响。基于深度信息的算法一般采用激光雷达、微波雷达等获取深度信息，能够准确的得到目标的距离信息，而且不容易受到环境的影响，数据处理的速度比基于机器视觉的方法快。

由于检测的目标为车辆，在实际检测中，一般可以扫描到车辆的一个或两个侧面，如图2所示，与本车的距离较远的聚类3，内部数据点间的距离明显比近处的聚类1和聚类2内部数据点间的距离大。另外，当扫描到车辆的两个面时，与扫描射线接近垂直的面上的点比较密集，但对于与扫描射线方向大致相同的侧面，由于入射角较小，所采集到的点比较稀疏，加上轮胎所在位置的反射率较低，通常这个面上的扫描点稀疏而且不连续，如图1中聚类1、2中纵向排列的离散点。

文献[1]利用深度信息识别车辆目标的方法，提取目标的直线和直角特征，克服了目标形状变化的干扰，但这种算法采用固定距离阈值的方法进行聚类，在聚类过程中会丢失远处入射角较小的目标上的点，不仅影响到特征提取的准确性，而且在后续的目标跟踪过程中会产生较大的测量误差。

发明内容

本发明提供一种车辆识别方法，利用测距传感器获取周围环境的深度信息，采用基于距离的方法对每帧数据进行聚类，其中距离的阈值可随目标与传感器的距离远近以及相对方位而变化，克服了采用固定距离阈值时，由于远处与近处的目标上点间距离不同造成的聚类不准确，以及丢失车身侧面点的不足，提高了聚类分析的准确性；在聚类内部提取目标的位置、形状、大小等特征，根据这些特征判断该目标是否为车辆。

具体实施过程如下：

A．利用测距传感器连续获取扫描范围内物体的深度信息R，R={(r_n，φ_n)|n=0，…，N_R}，其中，r_n表示扫描点与传感器的距离，φ_n表示扫描点的方位角，N_R表示一个扫描周期采集到的扫描点的个数，n为0到N_R的整数，并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一帧；

B．采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类；

C．计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，

公式一

其中，表示一个聚类的起点与终点的横坐标之差；

表示一个聚类的起点与终点的纵坐标之差；

D．对保留的聚类分别进行直线拟合，并在此基础上提取目标的特征向量，特征向量包括聚类内线段的数目，线段的方向、聚类大小和线段的长度比；

E．根据特征向量的值依次判别保留的聚类是否为车辆目标；

步骤B所述的自适应距离阈值的方法包含以下步骤：

第一步，计算当前获取的一帧数据中连续两个点p_n-1和p_n之间的距离d=||p_n-p_n-1||，其中n的取值范围为1到N_R；

第二步，计算p_n-1和p_n两点的横坐标之差与纵坐标之差的比值的绝对值其中（x_n，y_n）表示p_n的坐标，（X_n-1，y_n-1）表示p_n-1的坐标；

第三步：计算距离阈值D_max，计算公式如下：

公式二

其中：r_n-1为p_n-1点与传感器的距离，Δφ为两条扫描射线间的夹角，σ_r为传感器的测量误差，λ为阈值因数，λ大于等于1度小于等于9度。如果a<0.7，p_n-1和p_n点可能位于同一垂直面上，λ取较小值，如果a>0.7，λ取较大值；

第四步：当点p_n-1和p_n之间的距离d小于D_max时，认为p_n-1和p_n属于同一个聚类；

当点p_n-1和p_n之间的距离d大于等于D_max时，认为p_n-1和p_n属于不同的聚类，p_n-1为当前聚类的终点，p_n为新的聚类的起点。直到遍历一帧数据中的所有点。

步骤C所述聚类内部距离d的阈值A为0.3米。

步骤D所述直线拟合以及提取特征向量的方法包括以下步骤：

4.1）利用迭代适应点IEPF算法分割聚类内部的点，将聚类内部的点分割为多个子集，分割过程中每个子集内到由该子集的两端点形成的连线的距离最大的点记为p_na，p_na到由该子集的两端点形成的连线的距离记为D_na，当所有子集的D_na都小于阈值D_thd时，认为完成了分割聚类的过程；

4.2）对步骤4.1）分割后的每个子集采用最小二乘法进行直线拟合，然后参照每个子集的起始点和终点确定本子集拟合的直线的两个端点，提取线段。在此基础上，提取目标的特征向量：

1）、线段数目num，聚类内部存在一条线段时，num值为1；存在一条折线时，num值为2；

2）、目标形状shape，聚类内线段的数目为1时，shape值为线段的斜率的绝对值；聚类内线段的数目为2时，shape值为两条线段间夹角的余弦的绝对值；

3）、目标大小size，聚类内线段的数目为1时，size大小为线段的长度；存在一条折线时，size大小为折线最小外接矩形的面积；

4）、线段长度比ratio，聚类内部存在一条线段时，ratio长度比为0；存在一条折线时，ratio为两条线段的长度比；

步骤4.1）中所述阈值D_thd的取值范围为0.2米到0.5米之间。

依据特征向量的值判别目标是否为车辆，如果聚类的特征向量满足以下两种情况之一，则判定该聚类为车辆目标：

第一种情况：（1）num=1，（2）1.1米≤size≤5.5米，（3）ratio=0。

第二种情况：（1）num=2，（2）shape<0.3，即两条线段的夹角接近90度，（3）0.8平方米≤size≤10平方米（4）0.2≤ratio≤6。

与现有技术相比，本方法有如下有益效果：

1．采用一种基于距离的方法对深度信息进行聚类处理，其距离阈值是随数据点深度值的大小以及目标与传感器的相对方位而变化的，提高了聚类的准确性，为车辆识别和跟踪奠定了良好的基础；

2．通过IEPF算法分割聚类内部的点，能够在此基础上准确的提取聚类内的直线段和折线段，更符合车辆目标的特点。

3．利用多个特征识别车辆目标，提高了车辆识别的准确性。

因此，本方法在多传感器融合的智能车辆道路识别系统、雷达数据处理中有着广泛的应用。

附图说明：

图1为本方法的流程图；

图2为一个扫描周期所采集到的深度信息示例；

图3为利用IEPF算法分割聚类内部的点的示意图；

图4a为利用本算法识别出来的车辆目标；

图4b为与图4a对应的实景图。

具体实施方式：

以下通过实例进一步对本发明进行描述；本实施例以本发明的技术方案为前提进行实施，以激光雷达作为测距传感器，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于以下的实施例。

本实施例按以下步骤实现：

步骤一：车载激光雷达开始扫描，扫描的范围为180度，扫描的最大距离为80m，两条扫描射线间的夹角为0.5度，每帧数据包含361个扫描点。将扫描点由极坐标转化为笛卡尔坐标形式。

步骤二：读入数据后，将与本车的水平距离超过3米的点去掉，即只考虑道路上的目标，忽略路边的绿化带、路灯等障碍物。

在保留的数据中，将第一个数据标记为第一个聚类的起始点，并从第一个数据开始依次计算相邻两点p_n和p_n-1间的距离以及两点的x坐标之差与y坐标之差的比值的绝对值如果两点间距离大于按照公式二计算的距离阈值，将两点中的前一个点标记为当前聚类的终点，后一个点标记为下一个聚类的起始点。如果两点间的距离小于阈值，认为两点属于同一个目标，继续判断p_n和p_n+1点是否属于同一目标。

本实施例中，公式二的参数Δφ=0.5度；对于位于垂直面上的两点，即a<0.5时，λ取3度，a>0.5时，λ取5度；激光雷达的测量误差σ_r为10mm。

步骤三：依据公式一计算每个聚类的内部距离，删除内部尺寸小于0.5m的聚类，保留内部尺寸大于0.5m的聚类。

步骤四：分别在保留的每个聚类内部提取线段。

本步骤包含两个过程：

（1）利用IEPF算法分割每个聚类内的点，并对分割所得的每个部分的起始点和终点进行标记。分割的过程如图3所示，先将该聚类的起始点p_ni和终点p_ne用直线L连接起来，计算聚类内的每个点到直线L的距离D_ni，并找出距离直线L最远的点，假设该点为p_na。如果p_na到直线L的距离D_na大于预先设定的阈值D_thd，则在该点处把这个聚类分割成两个子集P′={p_ni，p_ni+1，…，p_na}和P″={p_na，p_na+1，…，p_ne}。然后分别对P′和P″重复上述过程，直至子集内的点到子集的两个端点连线的距离都小于D_thd为止。上述阈值D_thd可设为0.2m-0.5m范围内。

（2）利用最小二乘法对聚类内的每个部分进行直线拟合。由于最小二乘法只能拟合直线，不能得到线段，因此以子集的起始点和终点的横坐标作为要得到的线段起始点和终点的横坐标，或者以子集的起始点和终点的纵坐标作为纵坐标，在拟合出的直线上确定线段的起点和终点，以便于后续的特征提取。

步骤五：对当前存在的每一个聚类提取特征向量，以附图4a中所示的一帧数据为例，聚类1的特征向量为：{num=1，shape=0.75，size=1.27m，ratio=0}；聚类2的特征向量为：{num=2，shape=0.045，size=12.6m²，ratio=1.78}；聚类3的特征向量为：{num=2，shape=0.16，size=5.8m²，ratio=0.37}。

步骤六：利用步骤五提取的目标的特征向量，确认目标是否为车辆。如果目标的特征向量满足以下两种情况之一，确认该目标为车辆目标：

第一种情况：（1）聚类内线段的数目为1，（2）聚类的大小在1.1米到5.5米之间，（3）线段的长度比为0。

第二种情况：（1）聚类内线段的数目为2，（2）聚类的方向值小于0.3，即两条线段的夹角接近90度，（3）聚类的大小在0.8平方米到15平方米之间，（4）线段的长度比在0.2到6之间。

聚类1的特征向量符合第一种情况，聚类2和聚类3的特征向量符合第二种情况，因此三个目标均为车辆目标。

附图4b为利用摄像头同步拍摄的图像，附图4a中的聚类1与附图4b中工程车后面被部分遮挡的汽车1对应，聚类2对应工程车2，聚类3对应前方正在转弯的车辆3。

参考文献：

[1]甘志梅，王春香，杨明.基于激光雷达的车辆跟踪与识别方法[J].上海交通大学学报.2009，43（6）：923-926.

Claims (4)

1.一种基于深度信息的车辆识别方法，其特征在于：包括以下步骤：

A.利用测距传感器连续获取扫描范围内物体的深度信息R，R＝{(r_m,φ_m)|m＝0,…,N_R}，其中，r_m表示扫描点与传感器的距离，φ_m表示扫描点的方位角，N_R表示一个扫描周期采集到的扫描点的个数，m为0到N_R的整数，并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一帧；

B.采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类；

C.计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，

$d=\sqrt{x_{p_{ni}{p}_{ne}}^2+y_{p_{ni}{p}_{ne}}^2}$

其中，表示一个聚类的起点与终点的横坐标之差；

表示一个聚类的起点与终点的纵坐标之差；

D.对保留的聚类分别进行直线拟合，并在此基础上提取目标的特征向量，特征向量包括聚类内线段的数目，目标的形状、目标大小和线段的长度比；

E.根据特征向量的值依次判别保留的聚类是否为车辆目标；

步骤B中所述的自适应距离阈值的方法，包含以下步骤：

第一步，计算当前获取的一帧数据中连续两个点p_n-1和p_n之间的距离D＝||p_n-p_n-1||，其中n的取值范围为1到N_R；

第二步，计算p_n-1和p_n两点的横坐标之差与纵坐标之差的比值的绝对值其中(x_n,y_n)表示p_n的坐标，(x_n-1,y_n-1)表示p_n-1的坐标；

第三步：计算距离阈值D_max，计算公式如下：

$D_{max}=r_{n-1}\frac{sin\left(\mathrm{\&Delta;}\mathrm{\&phi;}\right)}{sin(\mathrm{\&lambda;}-\mathrm{\&Delta;}\mathrm{\&phi;})}+3{\mathrm{\&sigma;}}_r$

其中：r_n-1为p_n-1点与传感器的距离，Δφ为两条扫描射线间的夹角，σ_r为传感器的测量误差，λ为阈值因数，λ大于等于1度小于等于9度，如果a<0.5，p_n-1和p_n点位于接近垂直的平面上，λ取值为1～5度，如果a>0.5，λ取值为5～9度；

第四步：当点p_n-1和p_n之间的距离D小于D_max时，认为p_n-1和p_n属于同一个聚类；

当点p_n-1和p_n之间的距离D大于等于D_max时，认为p_n-1和p_n属于不同的聚类，p_n-1为当前聚类的终点，p_n为新的聚类的起点；

步骤D中所述直线拟合以及提取特征向量的方法，其特征在于包括以下步骤：

4.1)利用迭代适应点IEPF算法分割聚类内部的点，将聚类内部的点分割为多个子集，分割过程中每个子集内到由该子集两端点形成的连线的距离最大的点记为p_na，p_na到由该子集的两端点形成的连线的距离记为D_na，当所有子集的D_na都小于阈值D_thd时，认为完成了分割聚类的过程；

4.2)对步骤4.1)分割后的每个子集采用最小二乘法进行直线拟合，然后参照每个子集的起始点和终点确定本子集拟合的直线的两个端点，提取线段，在此基础上，提取目标的特征向量：

(1)线段数目num，聚类内部存在一条线段时，num值为1；存在一条折线时，num值为2；

(2)目标形状shape，聚类内线段的数目为1时，shape值为线段的斜率的绝对值；聚类内线段的数目为2时，shape值为两条线段间夹角的余弦的绝对值；

(3)目标大小size，聚类内线段的数目为1时，size大小为线段的长度；存在一条折线时，size大小为折线最小外接矩形的面积；

(4)线段长度比ratio，聚类内部存在一条线段时，ratio长度比为0；存在一条折线时，ratio为两条线段的长度比。

2.根据权利要求1所述的一种基于深度信息的车辆识别方法，其特征在于：步骤C中所述聚类内部距离d的阈值A为0.5米。

3.根据权利要求1所述的一种基于深度信息的车辆识别方法，其特征在于：步骤4.1)中阈值D_thd的取值范围为0.2米到0.5米之间。

4.根据权利要求1所述的一种基于深度信息的车辆识别方法，其特征在于：步骤E中所述，如果聚类的特征向量满足以下两种情况之一，则判定该聚类为车辆目标：

第一种情况：(1)num＝1，(2)1.1米≤size≤5.5米，(3)ratio＝0；

第二种情况：(1)num＝2，(2)shape<0.3，即两条线段的夹角接近90度，(3)0.8平方米≤size≤15平方米，(4)0.2≤ratio≤6。