CN103253263B - 障碍物检测及碰撞报警装置及其方法 - Google Patents

Abstract

本发明涉及一种障碍物检测及碰撞报警装置及方法，该装置以对车辆位置的识别值、对障碍物的感知值、从摄像头获得的影像数据为基础，在探知障碍物后利用机器学习方法实时准确地检测处于近距离及远距离的障碍物活动向驾驶员告知检测的结果。根据本发明，能够利用主成分分析法与障碍物影像特征值，极大提高障碍物检测性能，自动探知障碍物，检测活动，鸣响报警进行告知，从而驾驶员无需另行操作，十分便利，提取数据的特征向量，使用机器学习算法进行分类，从而能够减小复杂度。利用传感器及障碍物影像信息，从而即使借助于照明或姿态等，也能够准确地检测不同障碍物，鸣响报警，因此能够减小与活动的障碍物的碰撞危险，极大地减少现有技术的错误。

Description

障碍物检测及碰撞报警装置及其方法

技术领域

本发明涉及障碍物检测及碰撞报警装置及其方法，尤其涉及一种涉及在停车时检测障碍物并对碰撞进行报警的装置及其方法。

背景技术

如图1所示，现有的自动停车系统包括自动位置识别部、停车空间判断部、停车路径生成部、停车路径追踪部及系统管理部。

自动位置识别部接收车辆信息(诸如，转向角(SteeringAngle)、车轮脉冲(WheelPulse)、偏航角速度(Yawrate)、温度(Temperature)等)判断车辆的状态及位置，传递给轨迹计算/控制模块。

停车空间判断部利用从传感器接收的信息判断停车空间，计算车辆的停车目标点，传递给轨迹计算/控制模块的停车路径生成部。

停车路径生成部从停车空间判断部接收停车空间计算结果，计算出停车引导轨迹。

停车路径追踪部利用从停车空间判断部接收的车辆周边的障碍物信息和从停车路径生成部接收的停车轨迹，引导停车空间追踪。

系统管理部进行对构成自动停车系统的各模块的集成管理的功能。

如图2所示，停车空间判断部由超声波传感器的距离探索并判断可停车的空间。能否停车的判断与停车方式和路径生成方式相关联。利用由超声波传感器测量的距离和车辆位置识别部的位置信息，掌握当前车辆的位置，通过利用两种信息构成地图，根据将应用的路径计划法，而判定能否停车。

另一方面，停车空间会因障碍物的活动(则，移动)而异，因此，为实现准确的停车空间判断，必须能够检测障碍物活动。

但是，现有的障碍物活动检测技术，随着诸如人机界面(humancomputerinterface)、视频监视系统、利用障碍物的影像检索等多种应用领域出现，其重要性正在不断增大。然而，在实际生活的使用中，存在算法的探知可靠性低、检测速度不够满意、有时无法识别障碍物活动的问题。

现有的障碍物活动检测技术主要是，利用加装于车辆的摄像头感知车辆附近有碰撞可能性的障碍物，把这种感知结果预先告知驾驶员，以便能够防备碰撞。

加装于车辆的障碍物检测装置探知对驾驶席而言构成死角的车辆前后、左右区域的障碍物并告知驾驶员。如图3所示，在车辆的前保险杠上配置两个传感器、在后保险杠上配置两个传感器，感知障碍物。

传感器探知区域以传感器为中心呈近乎半球形的形态，其设计成在感知障碍物后，通过控制单元，使蜂鸣按既定间隔鸣叫，因而驾驶员难以掌握障碍物的位置。

这种系统的障碍物识别方法，是在从摄像头影像接收障碍物的候补区域的信息，然后判别有无障碍物，确认实际障碍物是否存在。

为此，从障碍物样本模式学习判定边界(decisionboundary)，应用于障碍物识别。其代表性的方法是多层感知机(Multi-layerPerceptron，MLP)技术。基于MLP的学习方法是从给定的样本数据只使错误实现最小化的方法。

下面具体说明现有的障碍物检测系统的问题，就是在障碍物检测方面出错较高。

即使是有经验的驾驶员，当把车辆停车于狭小场所时，也可能会由于障碍物识别错误，而与他人车辆或位于车辆前面的壁面发生碰撞。另外，即使停车场所有空余，由于诸如石头的较矮的物体无法被系统识别，从而在停车过程中，车辆下部也可能受到损伤。

这是因为利用简单的传感器，只能测量距离，因此在车辆死角地带上的障碍物难以探知。

现有技术使用不准确的探知算法。

MLP方法只使来自给定样本数据的错误实现最小化，在学习数据中保障较高的准确度，但在非学习数据中，呈现较低的准确度。如同障碍物影像探知一样，考虑到光线亮度、位置、形态等发生多种变化的环境，如果样本数据数不广泛，则难以确保可靠性。

现有技术无法识别障碍物活动。

现有技术是由加装于车辆的前后方保险杠的距离感知传感器感知接近的障碍物的距离，向驾驶员进行警告，因此，存在无法判断障碍物的活动的问题。

现有技术对障碍物碰撞危险警不准确地报警。

在自动停车辅助系统控制停车时，在障碍物突然出现的情况下，如果由于传感器的障碍物位置识别误差而错误地识别了停车空间中存在的障碍物，则无法在停车空间准确停车，还可能与突然出现的障碍物或停车空间内的障碍物碰撞。

如上所述，停车车辆必须检测障碍物并通过障碍物。在位于停车车辆左、右侧面的停车车辆停得很复杂或通过障碍物所需的停车空间狭小时，如果不向驾驶员告知活动的障碍物的位置，那么，停车车辆无法与周边障碍物保持既定间隔，即使障碍物的活动被实时检测到，与障碍物碰撞的危险性依然很高。

另外，在感知后方障碍物并向驾驶员报警的情况下，驾驶员只利用摄像头的影像来识别障碍物，因此，夜间或大雾等恶劣天气下的障碍物识别率下降，也可能会发生碰撞的情形。

发明内容

技术问题

本发明正是鉴于如上问题而研发的，其目的在于提供一种障碍物检测及碰撞报警装置及方法，以对车辆位置的识别值、对障碍物的感知值、从摄像头获得的影像数据为基础，在探知障碍物后，利用机器学习方法，实时准确地检测处于近距离及远距离的障碍物活动，向驾驶员告知检测的结果。

技术方案

为达成所述目的，根据本发明一个方面的用于自动停车系统的障碍物检测及碰撞报警装置包括：障碍物活动检测器，如果在输入的影像信号中确认了亮度变化，则利用区分障碍物区域与非障碍物区域的SVM的判定边界(decisionboundary)，检测障碍物区域；以及碰撞危险报警部，其根据检测的障碍物的位置，通过与之对应的扬声器，向驾驶员告知有障碍物，使得不与障碍物碰撞。

根据本发明另一个方面的用于自动停车系统的障碍物检测及碰撞报警方法包括以下步骤：如果在输入的影像信号中确认了亮度变化，则利用区分障碍物区域与非障碍物区域的SVM的判定边界(decisionboundary)，检测障碍物区域；以及根据检测的障碍物的位置，通过与之对应的扬声器告知驾驶员，使得不与检测的障碍物碰撞。

技术效果

根据本发明，能够利用主成分分析法与障碍物影像特征值，极大地提高障碍物感知性能。

根据本发明，能够自动探知障碍物，检测活动，鸣响报警进行告知，从而驾驶员无需另行操作，十分便利。

根据本发明，能够提取数据的特征向量，使用机器学习算法(SVM)进行分类，从而能够减小复杂度。

根据本发明，利用传感器及障碍物影像信息，进行障碍物活动检测及碰撞危险报警，从而即使借助于照明或状态等，也能够准确地检测不同障碍物。另外，通过鸣响报警，能够减小与活动的障碍物的碰撞危险，极大地减少现有技术的错误。

根据本发明，只追加配备用于对系统进行控制的传感器及摄像头即可，因而开发费用低廉。

本发明是使用机器学习算法，利用扬声器的系统开发，因而经济且对环境完全无害。

附图说明

图1至图3为用于说明现有技术的示意图；

图4为用于说明本发明一个实施例的障碍物检测及碰撞报警装置的方框图；

图5为用于更具体说明图4的方框图；

图6为用于说明障碍物活动检测器的方框图；

图7为用于说明超声波传感器及扬声器安装位置的示意图；

图8为用于说明本发明一个实施例的障碍物检测及碰撞报警方法的流程图。

附图标记说明

110：车辆位置识别部120：传感器部

130：摄像头影像部140：障碍物探知部

150：障碍物活动检测器160：碰撞危险报警部

具体实施方式

参照下面与附图一同详细叙述的实施例，本发明的优点、特征以及达成其的方法将更加明确。但是，本发明并非限定于以下公开的实施例，将以相互不同的多种形态体现，本实施例只是提供用于使本发明的公开更完全，让本发明所属技术领域的技术人员能够容易地理解发明的范畴，本发明根据权利要求书的记载进行定义。另一方面，在本说明书中使用的术语用于说明实施例，并非意在限定本发明。在本说明书中，只要在语句中未特别提及，单数形也包括复数形。在说明书中使用的“包括(comprises)”或“包括的(comprising)”，不排除提及的构成要素、步骤、动作及/或元件之外的一个以上的其它构成要素、步骤、动作及/或元件的存在或追加。

下面参照图4至图7，说明本发明一个实施例的障碍物检测及碰撞报警装置。图4是用于说明本发明一个实施例的障碍物检测及碰撞报警装置的方框图，图5是用于更具体说明图4的方框图，图6是用于说明障碍物活动检测器的方框图，图7是用于说明超声波传感器及扬声器安装位置的示意图。

如图4所示，本发明的障碍物检测及碰撞报警装置包括车辆位置识别部110、传感器部120、摄像头影像部130、障碍物探知部140、障碍物活动检测器150及碰撞危险报警部160。

车辆位置识别部110如图5所示，包括感知车辆转向方向及转向角的转向角(SteeringAngle)传感器111、车轮脉冲(WheelPulse)传感器112、偏航角速度(Yawrate)传感器113、温度(Temperature)传感器，114。

传感器部120包括用于探知信号和障碍物的超声波信号传感器(Ultrasonicsensor)121。

摄像头影像部130包括摄像头131。

障碍物探知部140从输入的影像提取特征向量。

车辆位置识别部110通过由转向角传感器111测量的值测量(基于车辆方向盘转向角度的信号的值)，实时感知车辆的位置和活动。

传感器部120探知车辆的侧方、前后方的障碍物，障碍物探知部140通过由传感器部120测量的值，判断障碍物是否存在。

障碍物活动检测器150从摄像头131获得影像数据值，用作学习数据。

例如，障碍物活动检测器150在输入影像信号后，确认在输入的影像信号中是否有亮度变化。如果有亮度变化，则利用区分障碍物区域与非障碍物区域的支持向量机(supportvectormachine，SVM)，则机器学习方法，的判定边界(decisionboundary)，检测障碍物区域，然后输出活动感知信号。

碰撞危险报警部160在从障碍物活动检测器150输入活动感知信号后，通过扬声器向驾驶员告知有障碍物，使得不与障碍物碰撞。如果与障碍物的距离达到约50cm，则对控制单元进行控制，使指示灯闪烁，蜂鸣单声连续鸣响。另外，越接近障碍物，使其周期越快，如果达到20cm以内，则使指示灯连续点亮，与此同时，使蜂鸣也连续鸣响。

下面对障碍物活动检测器进行更详细说明，如图6所示，利用障碍物特征的障碍物活动检测器150包括帧存储器(framememory)151、特征值提取部152、第一临界值设定部153、比较部154、二值化(Binarizing)部155、加算器156、障碍物活动判别部157及障碍物活动检测部158。

帧存储器151从摄像头影像部获得影像并存储。

减算器159求出关于存储的以前影像与当前输入影像的亮度值的差影像。

特征值提取部152为检测障碍物活动而提取特征值。特征值包括平均、标准偏差、正态分布、直方图(histogram)。

第一临界值设定部153设定来自特征值提取部的假定有障碍物活动的像素边界值。

比较部154把关于由减算器求出的以前影像与当前输入影像亮度值的差影像与第一临界值进行比较。当差影像的值大于第一临界值时，判断为有障碍物活动的像素，当差影像的值小于第一临界值时，判断为无障碍物活动的像素。

二值化部155根据亮度值有无变化，分配+1(加一)值、-1(减一)值。有亮度值变化的像素分配+1值，无变化的像素分配-1值。通过这种过程使影像实明二值化。

加算器156在实现二值化的影像中求出有障碍物活动的像素的总和。

障碍物活动判别部157计算在全体输入影像中是否有亮度值变化后，根据该变化判断是否有障碍物活动区域，如果有活动的像素的总和大于临界值，则判断为在当前输入影像中有障碍物活动。

障碍物活动检测部158在有障碍物活动区域的情况下，判别在有活动区域的部分有无障碍物特性，如果有障碍物，则输出障碍物活动检测信号。在一次性判别的影像中检测障碍物影像。当有障碍物影像时，则最终是有障碍物活动，因而输出障碍物活动检测信号。

障碍物活动检测部158包括基于M-gridGabor小波(wavelet)的候补区域检测部、基于低分辨率SVM的候补区域检测部、基于高分辨率SVM的候补区域检测部。

基于M-gridGabor小波的候补区域检测部，使特定模式应用于判别为有活动的区域，检测有障碍物存在可能性的候补区域。摄像头影像顺序以帧单位输入后，在所有可能的位置匹配‘Mlikeshapegrid’，提取特征向量，计算与平均向量的距离。如果与平均向量的距离比借助于提前的机器学习而获得的最大值距离小，则判断为障碍物区域，检测障碍物存在的候补区域。

基于低分辨率SVM的候补区域检测部，针对在机器学习步骤中实现正规化的多个障碍物影像(NXN像素大小)，进行主成分分析法(PrincipleComponentAnalysis，PCA)使用N个特性向量(eigenvector)提取特征向量。利用PCA，向使影像特征向量表现的离散实现最大化的方向扇形投射特征空间，减少层次。利用离散求出固有值和特征向量。按固有值的大小顺序进行罗列，提取与之相应的所需层次的特征向量。一般选择累积贡献率(累积离散)占全体固有值之和的99％的k个。

把提取的障碍物特征向量与非障碍物特征向量接入于SVM，获得能够区分障碍物类与非障碍物类的判定边界(Decisionboundary)。在检测步骤中，基于M-gridGabor小波的候补区域检测部以判断为障碍物的候补地点为中心，对所有可能的位置的观察影像(Observationwindow)进行调查，从而在提前的学习的判定边界中查找障碍物候补区域。

基于高分辨率SVM的最终障碍物检测部，利用与基于低分辨率SVM的候补区域检测部的学习及检测步骤类似的方法，在学习步骤中使用2NX2N像素大小的障碍物影像，使用2N个特性向量提取特征。在检测步骤中，进行基于低分辨率SVM的候补区域检测，以判断为检测到障碍物的候补区域为中心，利用高分辨率SVM，最终检测障碍物。

另一方面，障碍物活动检测器150如图7所示，包括感知车辆前方障碍物的活动的前方超声波传感器(四个)、感知侧方障碍物的活动的侧方超声波传感器(两个)、感知后方障碍物的活动的后方超声波传感器(四个)以及扬声器部，扬声器部安装于各传感器安装的位置。

从障碍物活动检测器150输出障碍物活动检测信号后，根据位置，前方扬声器、侧方扬声器、后方扬声器输出警告音。

例如，如果在前方检测到障碍物的活动，则前方扬声器启动，如果在侧方检测到，则侧方扬声器启动，如果在后方检测到，则后方扬声器输出警告音，从而，向驾驶员告知碰撞危险。

如果与障碍物的距离达到约50cm，则对控制单元进行控制，使指示灯闪烁，蜂鸣单声连续鸣响。另外，越接近障碍物，使其周期越快，如果达到20cm以内，则使指示灯连续点亮，与此同时，使蜂鸣也连续鸣响。

如前所述，根据本发明，在车辆的前保险杠安装四个超声波传感器，在后保险杠安装四个超声波传感器，在侧面安装两个，共安装十个传感器，通过其检测障碍物活动，从而能够拓宽障碍物活动检测区域。通过利用主成分分析法与障碍物影像特征值，能够极大地提高检测及报警性能。通过利用障碍物特征来检测活动，能够通过更智能的检测来提高自动停车性能。能够只存储必要影像，因而能够高效使用影像存储容量。另外，不在全体影像中查找障碍物，而只针对有亮度变化的影像，检测障碍物区域，从而能够减小计算量，通过使用SVM，能够以较小数量的支持向量(supportvector)有效地表现判定边界，极大地减少运算量，提高障碍物检测分类速度，通过获得更大的范围(margin)，从而能够保障较高的可靠性。

以上参照图4至图7，说明了本发明一个实施例的障碍物检测及碰撞报警装置，下面参照图8，说明本发明一个实施例的障碍物检测及碰撞报警方法。图8是用于说明本发明一个实施例的障碍物检测及碰撞报警方法的流程图。

如图8所示，在步骤S800中，根据车辆位置值、障碍物位置值、障碍物影像数据值等是否输入，然后，在步骤S801中，判断是否探知障碍物。

即，如果输入车辆位置值、障碍物位置值、障碍物影像数据值等，则决定探知障碍物，如果未输入车辆位置值、障碍物位置值、障碍物影像数据值等，则不探知障碍物。

根据步骤S801判断结果，在步骤S802中，当决定探知障碍物时，以对当前输入影像与已存储的以前影像的亮度值的差影像为基础，在全体输入影像中计算有无亮度值变化。

根据亮度值变化，在步骤S803中，当有活动区域时，使碰撞危险报警部启动，判别在有活动区域的全体影像中是否有人的障碍物特性。

当在输入影像中有障碍物区域时，在步骤S804中，输出活动感知信号。

根据感知的障碍物的位置，扬声器输出警告音，向驾驶员告知碰撞危险。

例如，如果在步骤S805中障碍物活动是前方区域，则在步骤S806中前方扬声器发生报警，如果在步骤S807中障碍物活动是侧方区域，则在步骤S808中侧方扬声器发生报警，如果在步骤S809中障碍物活动是后方区域，则在步骤S810中后方扬声器发生报警。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.一种用于自动停车系统的障碍物检测及碰撞报警装置，包括：障碍物活动检测器，如果在输入的影像信号中确认了亮度变化，则利用区分障碍物区域与非障碍物区域的SVM的判定边界，检测障碍物区域；以及碰撞危险报警部，其根据检测的障碍物的位置，通过与之对应的扬声器，向驾驶员告知有障碍物，使得不与障碍物碰撞；其中，所述障碍物活动检测器包括：障碍物活动判别部，其计算在全体输入影像中是否有亮度值变化后，根据该变化，判断是否有障碍物活动区域，如果有活动的像素的总和大于临界值，则判别为当前输入影像中有障碍物活动；以及障碍物活动检测部，当有障碍物活动区域时，其判别在有活动区域的部分有无障碍物特性，在判别的影像中检测障碍物影像，如果检测到障碍物影像，则判断为有障碍物活动，输出障碍物活动检测信号，其特征在于，所述障碍物活动检测部包括：

基于M-gridGabor小波的候补区域检测部，其使特定模式应用于判别为有活动的区域，检测有障碍物存在可能性的候补区域；

基于低分辨率SVM的候补区域检测部，其针对在提前的学习步骤中实现正规化的多个NXN像素大小的障碍物影像，进行主成分分析法，使用N个特性向量提取特征向量，把提取的障碍物特征向量与非障碍物特征向量接入SVM，获得能够区分障碍物类与非障碍物类的判定边界，以检测到的所述候补区域为中心，对有可能的位置的观察影像进行调查，从而在提前的学习的判定边界中查找障碍物候补区域；以及

基于高分辨率SVM的最终障碍物检测部，其在学习步骤中使用2NX2N像素大小的障碍物影像，使用2N个特性向量，提取障碍物特征，

其中，在检测步骤中，进行所述基于低分辨率SVM的候补区域检测，以判断为检测到障碍物的候补区域为中心，利用所述高分辨率SVM，最终检测障碍物。

2.一种用于自动停车系统的障碍物检测及碰撞报警方法，包括以下步骤：如果在输入的影像信号中确认了亮度变化，则利用区分障碍物区域与非障碍物区域的SVM的判定边界，检测障碍物区域；以及根据检测的障碍物的位置，通过与之对应的扬声器告知驾驶员，使得不与检测的障碍物碰撞；其中，所述检测障碍物区域的步骤包括以下步骤：计算全体输入影像中是否有亮度值变化后，根据该变化判断是否有障碍物活动区域，如果有活动的像素的总和大于临界值，则判别为当前输入影像中有障碍物活动；以及当有障碍物活动区域时，判别在有活动区域的部分有无障碍物特性，在判别的影像中检测障碍物影像，如果检测到障碍物影像，则判断为有障碍物活动，输出障碍物活动检测信号，其特征在于，所述输出障碍物活动检测信号的步骤包括以下步骤：

使特定模式应用于判别为有活动的区域，检测有障碍物存在可能性的基于M-gridGabor小波的候补区域；

针对在提前的学习步骤中实现正规化的多个NXN像素大小的障碍物影像，进行主成分分析法，使用N个特性向量提取特征向量，把提取的障碍物特征向量与非障碍物特征向量接入SVM，获得能够区分障碍物类与非障碍物类的判定边界，以检测到的所述候补区域为中心，对有可能的位置的观察影像进行调查，从而在提前的学习的判定边界中查找障碍物候补区域；以及

在提前的学习步骤中使用2NX2N像素大小的障碍物影像，使用2N个特性向量，提取障碍物特征。