CN103176185A

CN103176185A - 用于检测道路障碍物的方法及系统

Info

Publication number: CN103176185A
Application number: CN2011104406909A
Authority: CN
Inventors: 刘凯
Original assignee: SAIC Motor Corp Ltd
Current assignee: SAIC Motor Corp Ltd
Priority date: 2011-12-26
Filing date: 2011-12-26
Publication date: 2013-06-26
Anticipated expiration: 2031-12-26
Also published as: CN103176185B

Abstract

本发明涉及用于检测道路障碍物的方法及系统。本发明公开了基于视频摄像装置的第一障碍物检测模型，基于视频摄像装置和毫米波雷达的第二障碍物检测模型，基于三维激光雷达和红外线摄像装置的第三障碍物检测模型，并且通过基于粗糙集的模糊神经网络算法使得所述多个模型形成互补检测，从而实时获取道路障碍物的特征信息。本发明能够在不同道路场景、不同气候条件下进行实时有效的道路障碍物检测，准确获取不同障碍物的行进速度、方向等参数，从道路交通环境中提取和分析车辆周边环境信息，并针对异常交通行为进行判断，从而缓解目前城市交通压力、提高交通管理的效率。

Description

用于检测道路障碍物的方法及系统

技术领域

本发明属于信息检测和处理技术领域，并且具体地涉及基于多传感器融合的用于检测和识别道路障碍物的方法及系统。

背景技术

随着汽车时代的全面来临，汽车技术，特别是汽车安全技术受到越来越多的重视。除了传统汽车中对汽车安全起决定作用的机电控制以外，实时获取车载信息也是安全驾驶重要的保障。具体而言，车载信息主要包括车辆状态信息和环境信息，其中对环境信息的感知尤为重要。随着技术的发展，各种功能各异的传感器设备可以被用于获取各种实时路况信息。

目前常用的车载传感器主要可以分成声学类（超声波）、光学类（无源红外线、视频摄像机等）、电磁类（毫米波雷达）。每一种传感器探测技术都有其适用的场合以及受限制的方面。举例来说，视频摄像机探测范围广，信号丰富，但是容易受外界因素影响，存在目标缺失、模糊等问题；超声波传感器在小目标反射信号弱的情况下无法探测，而且需温度补偿；无源红外线式传感器通过物体所发射的热能来实现探测，这种传感器不能很准确地确定物体的距离；雷达传感器采用短的大功率红外光脉冲进行探测，根据光脉冲所需的传播时间可以确定物体被测距离，但雷达传感器的缺陷是检测物体轮廓不准确。

在获取环境信息的过程中，非常重要的一个方面是要检测和识别车辆周围的障碍物。传统的汽车通常仅采用基于单一传感器的单个检测模型来获取周围环境的障碍物信息，因而在复杂气候、复杂交通场景下具有很大的局限性，导致无法精确识别出障碍物，为行车安全带来了很大的隐患。

因而，对能够在不同道路场景、不同气候条件下实时有效地进行障碍物检测的方法及系统有很大的需求。

发明内容

为实现上述目标，本发明提供了一种用于检测目标区域中的道路障碍物的方法，其特征在于，所述方法包括以下步骤：利用视频摄像装置获取所述目标区域的视频图像信息；基于所述视频图像信息建立第一障碍物检测模型；利用毫米波雷达获取所述目标区域的第一位置信息；基于所述视频图像信息和所述第一位置信息建立第二障碍物检测模型；利用激光雷达所述目标区域的第二位置信息并且利用红外线摄像装置获取所述目标区域的温度信息；基于所述第二位置信息和所述温度信息建立第三障碍物检测模型；以及利用基于粗糙(vague)集的模糊神经网络算法结合所述第一障碍物检测模型的检测结果、所述第二障碍物检测模型的检测结果和所述第三障碍物检测模型的检测结果以确定所述道路障碍物的特征信息，其中，所述目标区域被划分成一系列三维立体栅格，并且所述第一、第二和第三障碍物检测模型的检测结果均包括表征每个所述三维立体栅格是否被所述道路障碍物占据的栅格信息。

在本发明的一些实施例中，所述利用基于粗糙集的模糊神经网络算法结合每个所述障碍物检测模型的检测结果包括以下步骤：按所述三维立体栅格对每一时刻所述第一、第二和第三障碍物检测模型的检测结果进行加权以得到每一时刻所述第一、第二和第三障碍物检测模型的复合检测结果，并且其中根据周围环境信息以及历史检测结果动态地调整所述第一、第二和第三障碍物检测模型的检测结果的权重。

在本发明的一些实施例中，利用基于粗糙集的模糊神经网络算法结合每个所述障碍物检测模型的检测结果还包括以下步骤：按所述三维立体栅格对预定时间段内每一时刻的所述复合检测结果进行加权，并且根据周围环境信息以及历史检测结果动态地调整每个时刻的所述复合检测结果的权重。

在本发明的一些实施例中，所述周围环境信息包括道路条件和气候条件中的至少一个。

在本发明的一些实施例中，所述建立第一障碍物检测模型包括以下步骤：基于所述视频图像信息计算逆透视变换矩阵；通过所述逆透视变换将所述视频图像从图像坐标系变换至世界坐标系；以及基于斑块聚类算法对所述世界坐标系下的视频图像进行图像分割以确定所述道路障碍物。

在本发明的一些实施例中，所述计算逆透视变换矩阵包括以下步骤：对所述视频图像进行图像分割；在经分割的视频图像中进行道路标志线检测；基于所检测到的道路标志线确定消隐点；根据所述消隐点的坐标对所述视频摄像装置的参数进行估计；基于所估计得到的参数值计算所述逆透视矩阵，其中所述参数包括所述视频摄像装置的水平孔径角和垂直孔径角。

在本发明的一些实施例中，基于直方图算法对所述视频图像进行图像分割。

在本发明的一些实施例中，所述建立第二障碍物模型包括以下步骤：根据所述第一位置信息估计所述道路障碍物的方位；将所述第一位置信息映射到所述视频图像所处的图像坐标系中以确定所估计的道路障碍物方位的中心点；以及基于所述视频图像信息跟踪所述中心点以确定所述道路障碍物。

在本发明的一些实施例中，基于所述视频图像信息跟踪所述中心点包括以下步骤：计算所述视频图像的单应性矩阵；以及通过所述单应性矩阵对所述视频图像进行配准。

在本发明的一些实施例中，所述第二位置信息包括每个所述三维立体栅格与所述激光雷达之间的距离

，并且所述建立第三障碍物模型包括根据以下公式计算每个所述三维立体栅格被所述道路障碍物占据的概率：

，

其中

为由所述激光雷达测得该栅格被所述道路障碍物占据及其温度信息的联合分布概率。

在本发明的一些实施例中，所述建立第三障碍物模型还包括基于概率超过预定阈值的三维立体栅格联结成的斑块来确定所述道路障碍物。

本发明还提供了一种用于检测目标区域中的道路障碍物的系统，其特征在于，所述系统包括：视频摄像装置，用于获取所述目标区域的视频图像信息；毫米波雷达，用于获取所述目标区域的第一位置信息；激光雷达，用于获取所述目标区域的第二位置信息；红外线摄像装置，用于获取所述目标区域的温度信息；以及数据处理装置，其被配置用于基于所述视频图像信息建立第一障碍物检测模型；基于所述视频图像信息和所述第一位置信息建立第二障碍物检测模型；基于所述第二位置信息和所述温度信息建立第三障碍物检测模型；并且利用基于粗糙集的模糊神经网络算法结合所述第一障碍物检测模型的检测结果、所述第二障碍物检测模型的检测结果和所述第三障碍物检测模型的检测结果以确定所述道路障碍物的特征信息，其中所述目标区域被划分成一系列三维立体栅格，并且每个所述障碍物检测模型的检测结果均包括表征每个所述三维立体栅格是否被所述道路障碍物占据的栅格信息。

在本发明的一些实施例中，所述视频摄像装置和所述红外线摄像装置被布置在汽车前挡风玻璃的上端，并且所述毫米波雷达和所述激光雷达被布置在汽车车头前部大体上正中的位置。

本发明建立了基于包括视频摄像装置、毫米波雷达、三维激光雷达和红外线摄像装置在内的多种传感器的多个障碍物检测模型，并且通过基于粗糙集的模糊神经网络算法使得所述多个模型形成互补检测，从而实时获取道路障碍物的特征信息。本发明能够在不同道路场景、不同气候条件下进行实时有效的道路障碍物检测，准确获取不同障碍物的行进速度、方向等参数，从道路交通环境中提取和分析车辆周边环境信息，并针对异常交通行为进行判断，从而缓解目前城市交通压力、提高交通管理的效率。

附图说明

以下将结合附图和实施例，对本发明的技术方案作进一步的详细描述。

图1是本发明所提供的用于检测道路障碍物的方法的示意图。

图2是根据本发明的实施例的用于建立第一障碍物检测模型的流程图。

图3是根据本发明的实施例的用于建立第二障碍物检测模型的流程图。

图4是根据本发明的实施例的用于建立第三障碍物检测模型的流程图。

图5是根据本发明的实施例的利用基于粗糙集的模糊神经网络算法结合第一、第二和第三障碍物检测模型的过程的示意图。

具体实施方式

为使本发明的上述目的、特征和优点更加明显易懂，以下结合附图和具体实施例进一步详细描述本发明。需要说明的是，附图中的各结构只是示意性的而不是限定性的，以使本领域普通技术人员最佳地理解本发明的原理，其不一定按比例绘制。

在图1中示出了本发明所提供的用于检测道路障碍物的方法的示意图。如图1所示，基于不同的传感器装置建立了三个不同的障碍物检测模型，所述传感器装置包括视频摄像装置、毫米波雷达、激光雷达和红外线摄像装置。在本发明的优选实施例中，可以将视频摄像装置和红外线摄像装置布置在汽车前挡风玻璃的上端，并且将毫米波雷达和激光雷达被布置在汽车车头前部大体上正中的位置，从而使得这些传感器装置可以同时感测例如汽车正前方5~10米区域范围内道路上的障碍物。由此，不同传感器装置所获得的目标区域的感测结果可以互补和融合，以更准确全面地获取障碍物的特征信息，诸如其行进速度、方向、轮廓形状、类型等等。

根据本发明所提供的方法，第一障碍物检测模型单一地基于视频摄像装置所获取的视频图像信息来建立，其中所述视频摄像装置包括如摄像机等能够拍摄视频的设备。结合视频摄像装置所获取的视频图像信息以及毫米波雷达所获取的位置信息共同建立第二障碍物检测模型。所述毫米波雷达的工作频率可以选在30～300 GHz范围内，其可以是调频连续波（FMCW）雷达或者脉冲雷达。在使用中，毫米波雷达实时监测车辆的前方，连续收集目标区域中可能的障碍物的位置信息。这样的位置信息与视频摄像装置所获取的视频图像信息可以形成良好的互补而准确地得到障碍物的轮廓信息，这将在下文中结合图3更详细地说明。

第三障碍物检测模型基于激光雷达所获取的位置信息和红外线摄像装置所获取的温度信息。所述激光雷达可以是工作在从红外到紫外光谱段的雷达系统，该传感器装置能够精确测量包括道路障碍物的距离和角度、运动状态（速度、振动和姿态）和形状在内的各种信息。所使用的激光雷达可以采用脉冲或连续波工作方式，探测方法按照探测的原理不同可以包括米散射、瑞利散射、拉曼散射、布里渊散射、荧光、多普勒等。激光雷达所获取的道路障碍物的三维立体位置和红外线摄像装置所获取的目标温度可以被结合以更精确地判断道路障碍物的空间位置，这将在下文中结合图4更详细地说明。

如前所述，本发明所使用的视频摄像装置、毫米波雷达、激光雷达以及红外线摄像装置都将被布置用于感测同一目标区域中的道路障碍物。相应地，对于所述第一、第二和第三障碍物检测模型中的每一个而言，可以将该目标区域划分成一系列三维立体栅格，并且使得每个模型的检测结果均包括表征每个三维立体栅格是否被道路障碍物占据的栅格信息。每个模型的检测结果都可以分别对应到每个三维立体栅格，由此可以更容易且准确地融合这三个模型的检测结果以最终确定目标区域中的障碍物存在情况。

在上述第一、第二和第三障碍物检测模型分别被建立之后，可以进一步利用基于粗糙集的模糊神经网络算法结合每个模型的检测结果。模糊神经网络是具有模糊权系数或者输入信号是模糊量的神经网络，其关键在于不断需要学习和优化权系数。然而，当该神经网络规模较大、样本较多时，其学习和训练的时间将会变得很长，这对于道路障碍物检测这样的需要不断获取即时结果的应用而言并非理想的选择。粗糙集理论的主要思想是利用已知的知识库，将不精确或不确定的知识用已知的知识库中的知识来近似刻画，其能有效地化简训练样本集，消除冗余数据。应用粗糙集化简模糊神经网络的训练样本数据集，在保留重要信息的前提下消除了多余的数据，大大提高了模糊神经网络的训练速度，从而适用于融合上述三个障碍物检测模型的结果以在不同道路、不同气候条件下均能够实时地提供准确的障碍物特征信息。

在图2中示出了根据本发明的优选实施例的用于建立第一障碍物检测模型的流程图。如本领域的技术人员所知，单个视频摄像装置所拍摄的记录目标区域情况的视频由许多连续的二维视频图像构成。在本发明的优选实施例中，通过逆透视变换矩阵将二维视频图像变换到三维空间坐标下以建立第一障碍物检测模型。具体而言，在欧式空间中定义两个坐标系和

，分别表示三维的世界坐标系和二维的图像坐标系：

逆透视变换的实质就是将如车载摄像机的视频摄像装置所获取的图像坐标系下的道路图像变换到世界坐标系下。

如图2的实施例所示，为实现上述逆透视变换，首先在步骤S201中对所获取的原始视频图像进行图像分割，也就是将数字图像细分为多个图像子区域以使得图像更容易理解和分析。优选地，可以基于直方图算法进行这样的图像分割，但也可以采用本领域中已知的其他恰当的图像分割算法。

接着，在经分割的视频图像中进行道路标志线检测，如步骤S203所示。优选地，在检测道路标志线之前可以对视频图像信息进行时域滤波以去除不必要的噪点及干扰信息。可以使用例如Hough变换、链码等直线检测方法对分割后的每个图像块进行直线检测来确定道路标志线。在步骤S205中，根据所检测到的道路标志线确定多个消隐点。在视频摄像装置的逆透视变换矩阵的计算中：俯仰角和偏航角是最重要的两个参数，而消隐点中含有这两个参数的信息，由此如步骤S207所示，在确定消隐点之后就可以对视频摄像装置的参数进行估计。假设

、是摄像机的水平孔径角和垂直孔径角，

为消隐点坐标，M*N是图像的分辨率，则俯仰角

和偏航角

计算公式如下：

。

在计算得到必要的摄像机参数之后计算逆透视变换矩阵，如步骤S209所示，并且在步骤S211中实施坐标变换。假定

是图像坐标系中的坐标点，

是对应的世界坐标系中的坐标点，R是根据俯仰角和偏航角所计算得到的逆透视变换矩阵，则坐标变换过程可由下式表示：

其中，

和K是世界坐标系到图像坐标系的基本变换向量，可根据不同时刻两个坐标系下相对应的点的坐标来计算这两个参数，I为单位向量矩阵。

经过上述步骤后可以得到视频摄像装置获取的视频图像所对应的所述目标区域的三维空间信息。接着，在步骤S213中基于例如斑块聚类对这样的三维空间信息进行分割，从而基于分割的结果在步骤步骤S215中确定目标区域内的障碍物，包括例如确定障碍物的位置坐标等等。由此，第一障碍物检测模型的建立得以完成。

在图3中示出了根据本发明的优选实施例的用于建立第二障碍物检测模型的流程图。如前所述，该第二障碍物检测模型基于毫米波雷达和视频摄像装置两者分别所获得的目标区域的信息。如图3的实施例所示，由毫米波雷达在步骤S301中估计目标区域内的障碍物的方位，即感测可能的障碍物并且确定其各个位置的三维空间坐标。接着，在步骤S303中，通过坐标变换将毫米波雷达所感测到的障碍物的位置映射到视频摄像装置所获取的视频图像所处的图像坐标系中。假定Q为毫米波雷达坐标系到图像坐标系变换的映射矩阵，则可以根据下式进行位置点从毫米波雷达坐标系到图像坐标系的变换：

。

根据所建立的映射关系，可以确定由毫米波雷达所感测到的障碍物的中心点在图像坐标系中的位置，如步骤S305所示。通过对该位置的跟踪可以更准确地获得障碍物的轮廓信息，弥补常规的毫米波雷达检测的缺陷。根据本发明的方法，将充分利用视频摄像装置所获得的视频图像信息来辅助实现这样的目标跟踪。

为此，在步骤S307中计算视频图像的单应性矩阵。单应性矩阵是一个数学概念，它定义了同一坐标系下不同时刻两幅图像之间的相互关系，一帧图像上的任意一点可以在另一帧图像上找到对应的点，且对应点惟一，反之亦然。假定在

和

时刻，例如车载摄像机的视频摄像装置的逆透视变换系数分别为：

其中

，

为世界坐标系中的基准点，

为

时刻车载摄像机在世界坐标系中的坐标，T为前后两帧的时间差，d为车载摄像机和路面的距离，则单应性矩阵的计算公式如下：

对应点坐标计算公式为：

。

基于该单应性矩阵可以在步骤S309中实现对视频图像系中的各个图像的配准。在图像配准的情况下，可以容易地对上述已确定的障碍物中心点进行跟踪，从而目标区域内的障碍物，特别是确定障碍物的轮廓。由此，第二障碍物检测模型的建立得以完成。

在图4中示出了根据本发明的优选实施例的用于建立第三障碍物检测模型的流程图。如前所述，该第三障碍物检测模型基于激光雷达和红外线摄像装置两者分别所获得的目标区域的信息。可以采用具有4层波束的激光雷达，其具备良好的三维立体探测功能。如前所述，目标区域被划分成一系列三维立体栅格，而激光雷达可以被用于确定表示每个栅格是否被障碍物占据的概率。如步骤S401所示，首先由激光雷达估计目标区域内的障碍物的位置信息，包括每个三维立体栅格与激光雷达之间的距离

。

同时，在步骤S403中，利用红外线摄像机探测获得目标区域中各个位置的的温度信息，该温度信息也可以按栅格被划分，即每个栅格具有与其对应的栅格温度信息。

在步骤S405中计算每个栅格被道路障碍物占据的概率，计算公式如下：

其中

为由所述激光雷达测得的位置信息以及由红外线摄像装置测得的温度信息的联合分布概率。

在步骤S407中可以根据计算得到的联合分布概率来确定目标区域内的障碍物。在本发明的优选实施例中，基于概率超过预定阈值的三维立体栅格联结成的斑块来确定所述道路障碍物。例如，可以将概率超过0.5的栅格联结而成的斑块确定为检测到的物体。由此，第三障碍物检测模型的建立得以完成。

图5是根据本发明的实施例的利用基于粗糙集的模糊神经网络算法结合上述第一、第二和第三障碍物检测模型的过程的示意图。参照图5，所述三个模型分别被表示为X1、X2和X3，并且假定目标区域被划分成三个三维立体栅格U1、U2和U3。应理解的是，在具体实践中三维立体栅格的数量将远远大于三个，在这个仅是为了方便描述。根据本发明的一些实施例，在分别得到第一、第二和第三模型的检测结果之后，可以按三维立体栅格对每一时刻所述第一、第二和第三障碍物检测模型的检测结果进行加权以得到每一时刻所述第一、第二和第三障碍物检测模型的复合检测结果。例如对栅格U1而言，

，而所述复合检测结果则是由栅格数量个类似结果构成，其中

为每个模型的检测结果的权重。可以根据周围环境信息以及历史检测结果动态地调整该权重值，这可以基于所采用的模糊神经网络算法的学习模式来实现。周围环境信息可以包括道路条件或者气候条件，历史检测结果可以包括先前所获得的检测结果以及对该结果最终的准确性判断。

进一步地，还可以按三维立体栅格对预定时间段内每一时刻的复合检测结果进行加权，并且同样根据周围环境信息以及历史检测结果动态地调整每个时刻的复合检测结果的权重。由此得到的最终检测结果将各种道路状况、天气状况以及传感器装置本身的检测能力均考虑在内，从而使得相应的系统在不同的条件下均具备准确检测道路障碍物的能力。此外，该方法充分考虑对冗余信息的剔除，从而保证了所提供的信息的及时性和可靠性。

综上所述，本发明建立了基于多种传感器的多个检测模型，并通过基于粗糙集的模糊神经网络目标识别决策算法使得多个检测模型形成互补检测，实时得出准确的障碍物特征信息，从而能够在不同道路条件、不同气候条件下准确有效地进行道路障碍物检测，大大保障了行车安全。

以上列举了若干具体实施例来详细阐明本发明，这些个例仅供说明本发明的原理及其实施方式之用，而非对本发明的限制，在不脱离本发明的精神和范围的情况下，本领域的普通技术人员还可以做出各种变形和改进。因此所有等同的技术方案均应属于本发明的范畴并为本发明的各项权利要求所限定。

Claims

1. 一种用于检测目标区域中的道路障碍物的方法，其特征在于，所述方法包括以下步骤：

利用视频摄像装置获取所述目标区域的视频图像信息；

基于所述视频图像信息建立第一障碍物检测模型；

利用毫米波雷达获取所述目标区域的第一位置信息；

基于所述视频图像信息和所述第一位置信息建立第二障碍物检测模型；

利用激光雷达所述目标区域的第二位置信息并且利用红外线摄像装置获取所述目标区域的温度信息；

基于所述第二位置信息和所述温度信息建立第三障碍物检测模型；以及

利用基于粗糙集的模糊神经网络算法结合所述第一障碍物检测模型的检测结果、所述第二障碍物检测模型的检测结果和所述第三障碍物检测模型的检测结果以确定所述道路障碍物的特征信息，

其中，所述目标区域被划分成一系列三维立体栅格，并且所述第一、第二和第三障碍物检测模型的检测结果均包括表征每个所述三维立体栅格是否被所述道路障碍物占据的栅格信息。

2. 如权利要求1所述的方法，其特征在于，其中所述利用基于粗糙集的模糊神经网络算法结合每个所述障碍物检测模型的检测结果包括以下步骤：

按所述三维立体栅格对每一时刻所述第一、第二和第三障碍物检测模型的检测结果进行加权以得到每一时刻所述第一、第二和第三障碍物检测模型的复合检测结果，并且其中根据周围环境信息以及历史检测结果动态地调整所述第一、第二和第三障碍物检测模型的检测结果的权重。

3. 如权利要求2所述的方法，其特征在于，所述利用基于粗糙集的模糊神经网络算法结合每个所述障碍物检测模型的检测结果还包括以下步骤：

按所述三维立体栅格对预定时间段内每一时刻的所述复合检测结果进行加权，并且根据周围环境信息以及历史检测结果动态地调整每个时刻的所述复合检测结果的权重。

4. 如权利要求2或3所述的方法，其特征在于，其中所述周围环境信息包括道路条件和气候条件中的至少一个。

5. 如权利要求1所述的方法，其特征在于，其中所述建立第一障碍物检测模型包括以下步骤：

基于所述视频图像信息计算逆透视变换矩阵；

通过所述逆透视变换将所述视频图像从图像坐标系变换至世界坐标系；以及

基于斑块聚类算法对所述世界坐标系下的视频图像进行图像分割以确定所述道路障碍物。

6. 如权利要求5所述的方法，其特征在于，其中所述计算逆透视变换矩阵包括以下步骤：

对所述视频图像进行图像分割；

在经分割的视频图像中进行道路标志线检测；

基于所检测到的道路标志线确定消隐点；

根据所述消隐点的坐标对所述视频摄像装置的参数进行估计；

基于所估计得到的参数值计算所述逆透视矩阵，其中所述参数包括所述视频摄像装置的水平孔径角和垂直孔径角。

7. 如权利要求6所述的方法，其特征在于，其中基于直方图算法对所述视频图像进行图像分割。

8. 如权利要求1所述的方法，其特征在于，其中所述建立第二障碍物模型包括以下步骤：

根据所述第一位置信息估计所述道路障碍物的方位；

将所述第一位置信息映射到所述视频图像所处的图像坐标系中以确定所估计的道路障碍物方位的中心点；以及

基于所述视频图像信息跟踪所述中心点以确定所述道路障碍物。

9. 如权利要求8所述的方法，其特征在于，其中基于所述视频图像信息跟踪所述中心点包括以下步骤：

计算所述视频图像的单应性矩阵；以及

通过所述单应性矩阵对所述视频图像进行配准。

10. 如权利要求1所述的方法，其特征在于，其中所述第二位置信息包括每个所述三维立体栅格与所述激光雷达之间的距离

Figure 2011104406909100001DEST_PATH_IMAGE002

Figure 2011104406909100001DEST_PATH_IMAGE004

，

其中

Figure 2011104406909100001DEST_PATH_IMAGE006

为由所述激光雷达测得的第二位置信息以及由所述红外线摄像装置测得的温度信息的联合分布概率。

11. 如权利要求10所述的方法，其特征在于，其中所述建立第三障碍物模型还包括基于概率超过预定阈值的三维立体栅格联结成的斑块来确定所述道路障碍物。

12. 一种用于检测目标区域中的道路障碍物的系统，其特征在于，所述系统包括：

视频摄像装置，用于获取所述目标区域的视频图像信息；

毫米波雷达，用于获取所述目标区域的第一位置信息；

激光雷达，用于获取所述目标区域的第二位置信息；

红外线摄像装置，用于获取所述目标区域的温度信息；以及

数据处理装置，其被配置用于基于所述视频图像信息建立第一障碍物检测模型；基于所述视频图像信息和所述第一位置信息建立第二障碍物检测模型；基于所述第二位置信息和所述温度信息建立第三障碍物检测模型；并且利用基于粗糙集的模糊神经网络算法结合所述第一障碍物检测模型的检测结果、所述第二障碍物检测模型的检测结果和所述第三障碍物检测模型的检测结果以确定所述道路障碍物的特征信息，其中所述目标区域被划分成一系列三维立体栅格，并且每个所述障碍物检测模型的检测结果均包括表征每个所述三维立体栅格是否被所述道路障碍物占据的栅格信息。

13. 如权利要求1所述的系统，其特征在于，其中所述视频摄像装置和所述红外线摄像装置被布置在汽车前挡风玻璃的上端，并且所述毫米波雷达和所述激光雷达被布置在汽车车头前部大体上正中的位置。