CN104574376B - 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 - Google Patents
拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 Download PDFInfo
- Publication number
- CN104574376B CN104574376B CN201410817347.5A CN201410817347A CN104574376B CN 104574376 B CN104574376 B CN 104574376B CN 201410817347 A CN201410817347 A CN 201410817347A CN 104574376 B CN104574376 B CN 104574376B
- Authority
- CN
- China
- Prior art keywords
- laser radar
- vehicle
- barrier
- camera
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种拥挤交通中基于双目视觉和激光雷达的车辆防撞方法,包括以下步骤:对双目视觉系统和激光雷达系统进行参数联合标定,得到摄像机坐标系、雷达坐标系与车辆坐标系三者之间的对应与转换关系;利用左侧摄像机和右侧摄像机采集车辆前方环境信息,同时使用激光雷达对前方区域进行多线扫描,得到两种不同类型传感器的异类异步数据并进行预处理;判断当前车辆前方是否有障碍物,如果有障碍物采用联合鲁棒校验方法,得到当前障碍物相对于本车的距离信息并根据障碍物距离信息预警。本发明极大地提高障碍物识别效率和鲁棒性。解决了拥挤交通环境中,摄像机所获得障碍物轮廓不完整的问题,同时,能够获得更为准确可靠的障碍物参数信息。
Description
技术领域
本发明属于智能车辆技术领域,涉及汽车安全行驶,具体涉及拥挤交通中基于双目视觉和激光雷达的联合校验防撞方法。
背景技术
随着汽车技术的发展,交通安全问题越发突出。而车辆碰撞为交通事故的主要表现形式。
智能交通系统通过改进“人-车-环境”耦合系统的智能化水平,可以有效提高在途行驶车辆的安全性。作为智能交通系统的重要组成部分,智能车辆防撞技术是其实现智能化的关键。
基于机器视觉和激光雷达的避障方法是智能车辆常用的避障技术,其技术要点在于首先通过机器视觉方法获得周围环境中的障碍信息,然后使用激光雷达技术获取所探测障碍物的景深信息,综合得到障碍物的实时信息。该方法结构简单,易于实现,对于车辆在未知环境中行驶时的障碍识别具有重要的意义。
然而,当交通系统比较拥挤时,由于车辆间距离较近,摄像机无法获取环境中相邻车辆的整体轮廓信息,系统会表现出鲁棒性不高,“虚警”、“漏检”现象严重等问题,并可能导致交通事故。因此,在拥挤环境中,如何准确地检测出前方车辆的相对位置和类型,并指导车辆防撞是一个亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法,解决现有技术在拥挤交通环境下鲁棒性不高的问题。
为了实现本发明的上述目的,本发明提供了一种拥挤交通中基于双目视觉和激光雷达的车辆防撞方法,具体包括以下步骤:
S1,对双目视觉系统和激光雷达系统进行参数联合标定,得到摄像机坐标系、雷达坐标系与车辆坐标系三者之间的对应与转换关系;
S2,利用左侧摄像机和右侧摄像机采集车辆前方环境信息,同时使用激光雷达对前方区域进行多线扫描,得到两种不同类型传感器的异类异步数据,并对所获得的数据进行预处理;
S3,对步骤S2所获得的数据进行分析,判断当前车辆前方障碍物的存在性,如果没有障碍物则返回步骤S2,否则执行步骤S4;
S4,采用联合鲁棒校验方法计算,得到当前障碍物相对于本车的距离信息;
S5,根据步骤S4所确定的障碍物距离信息,进行预警,提醒驾驶员前方障碍信息。
相比现有技术,本发明具有如下有益效果:
1、本发明采用双层障碍物检测方法,包括:首先使用耗时较短的“障碍物存在性联合快速校验方法”判断车辆前方是否存在障碍物。当确定障碍物存在后,调用“障碍物参数联合鲁棒校验方法”确定障碍物的具体参数。本发明可以极大的提高障碍物识别效率和鲁棒性,系统检测单次循环不超过38ms,检测成功率达到93%以上。
2、本发明采用双目视觉系统和激光雷达作为环境感知设备,同时对车辆前方行驶环境进行探测。通过对左、右摄像机所捕获图像的拼接处理,解决了拥挤交通环境中,摄像机所获得障碍物轮廓不完整的问题。同时,采用距离信息融合的方法,将双目视觉三维环境重构,获得的障碍物的距离信息和激光雷达获得的障碍物距离信息相融合,获得更为准确可靠的障碍物参数信息。
附图说明
图1为本发明的双目视觉系统和激光雷达系统硬件框图;
图2为本发明的拥挤交通中基于双目视觉和激光雷达的车辆防撞方法的流程图;
图3为本发明的航位推算坐标变换示意图;
图4为本发明的拥挤交通中基于双目视觉和激光雷达的车辆防撞方法的逻辑框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明拥挤交通中基于双目视觉和激光雷达的车辆防撞方法利用的系统如图1所示,防撞系统包括双目视觉系统、激光雷达采集系统、电源和电子控制计算单元。其中,双目视觉系统包括左摄像头、左摄像头数据采集卡、右摄像头和右摄像头数据采集卡,摄像头数据采集卡将图像信号采集后通过以太网传输到电子控制计算单元中;激光雷达系统用来对车辆前方障碍物进行扫描,并将数据通过以太网传输到电子控制计算单元中;电子控制计算单元用来处理双目视觉系统和激光雷达系统的数据;电源系统为双目视觉系统、激光雷达采集系统和电子控制计算单元提供电能。
本发明还提供了一种拥挤交通中基于双目视觉和激光雷达的车辆防撞方法,如图2和图4所示,其包括以下步骤:
S1,采用联合标定方法对双目视觉系统和激光雷达系统进行参数联合标定,得到摄像机坐标系、雷达坐标系与车辆坐标系三者之间的对应与转换关系。
在本实施方式中,采用联合标定方法建立摄像机坐标系、雷达坐标系与车辆坐标系三者之间的对应与转换关系,具体方法为:
S11,对左摄像机、右摄像机分别进行标定,获得摄像机的标定参数,所述标定参数包括:左摄像机内参矩阵ML,右摄像机内参矩阵MR,左摄像机旋转矩阵RL,右摄像机旋转矩阵RR,左摄像机平移向量tL和右摄像机平移向量tR。
S12,对激光雷达进行标定,获得激光雷达标定参数,包括换算矩阵RML和平移矩阵tML。
在本实施方式中,具体参数的定义和标定取值方法可按照现有技术中的定义和取值方法。
S13,给定车辆坐标系中的一点S,该点在左摄像机坐标系、右摄像机坐标系和激光雷达坐标系中的非齐次坐标分别为XcL,XcR,XML,该点在车辆坐标系中的坐标为Xw,得到:XcL=RLXw+tL,XcR=RRXw+tR,XML=RMLXw+tML。
S14,将步骤S13中XcL、XML和XcR中Xw消去,得到XcL=RLRR -1(XcR-tR)+tL,XcR=RRRML -1(XML-tML)+tR,由此求出左摄像机、右摄像机和激光雷达之间的变换关系,分别为:
从激光雷达到左摄像机坐标系的变换关系为:RML=RLRML -1,tML=tL-RLRML -1tML;
从激光雷达到右摄像机坐标系的变换关系为:RMR=RRRML -1,tMR=tR-RRRML -1tML。
S2,利用左侧摄像机和右侧摄像机采集车辆前方环境信息,同时使用激光雷达对前方区域进行多线扫描,得到两种不同类型传感器的异类异步数据,并对所获得的数据进行预处理。
在本实施方式中,对得到的异类异步数据预处理方法具体包括以下步骤:
S21,采用数据挖掘领域的快速OPTICS聚类算法对激光雷达得到的点云数据进行聚类筛选,获得点云聚类,对算法生成的有序对象列表进行分析,去除其中不属于聚类群的孤立点和奇异点。具体快速OPTICS聚类算法可参照现有的方法。
S22,对左摄像机、右摄像机获得的当前图像进行色彩空间转换处理,由三通道RGB彩色空间转换到单通道灰度空间,并进行直方图均衡化处理。
直方图处理的公式如下:
式中,N为样本图像I中Harr-like特征的数量,Am为矩形区域,R为旋转因子,ζm为特征值,当像素灰度为黑色时ζm为0,否则为白色时ζm为1。
S23,使用双边滤波在保证图像中障碍物边缘清晰的前提下去除图像中的噪声,滤波计算表达式为:
其中,f为原输入图像,h为去噪后的输出图像,c(ξ,x)为度量了领域中心点x和领近点ξ的几何临近度,kd为归一化参数。
S24,采用如图3所示的基于航位推算的坐标变换方法,解决由于车辆运动和传感器频率差异而导致的数据配准问题,实现异步数据的同步化;以摄像机图像时刻为基准,由激光雷达坐标变换全局坐标到图像坐标系的全局坐标转换方程为:
式中:(x1b,y1b)和(x1a,y1a)分别为两个时刻摄像机和激光雷达探测到的全局坐标,为当前时刻车辆前进方向与全局坐标系x轴的夹角,为前1时刻车辆前进方向与全局坐标系x轴的夹角;两个时刻之间的车辆位置差(xa-xb,ya-yb),可通过航位推算得到;即通过上式可获得图像坐标系下的障碍物全局坐标,解决了两种不同传感器的时间同步问题。
S3,对步骤S2所获得的数据进行分析,判断当前车辆前方障碍物的存在性,如果没有障碍物则返回步骤S2,否则执行步骤S4。
在本实施方式中,采用快速联合校验方法判断车辆前方障碍物存在性,具体包括以下步骤:
S31,使用快速聚类方法将激光雷达得到的一帧点云数据分割为多个点族,这些点族包含了障碍物和非障碍物分类,聚类的判断规则如下:
式中:
rk为某次雷达扫描获得的第k个激光点数据,rk,k+1=|rk-rk+1|为相邻两个激光雷达的距离;φ为激光雷达角分辨率,C0为调节激光雷达的纵向误差;当相邻两个激光雷达数据点距离小于某个阈值的时候,视为它们在同一个聚类空间中。
S32,将车辆前方行驶范围内的点族视为障碍物可疑点。
S33,对左摄像机、右摄像机所获取的图像分别进行障碍物特征分析,首先将两幅单帧图像从RGB颜色空间,转换到对光照敏感度小的HIS颜色空间中,具体为;
其中,
R、G、B为像素点的三色度值。
S34,使用特征搜索法计算路面区域的色调Ha和饱和度Sa,计算方法为:
其中
其中,
式中,S表示临域W内的像素个数;M和N分别为临域W的长和宽,f(u,v)、g(u,v)分别表示此像素的色调和饱和度。
S35,图像中障碍物判定,图像中像素点(i,j)为障碍物的计算公式为:
F(i,j)=|h(i,j)-Ha|
G(i,j)=|s(i,j)-Sa|
当F(i,j)大于设定的阈值HT时,并且G(i,j)大于设定的阈值ST时,像素对应为障碍物存在可疑点;
S36,将激光雷达获得的可疑点和左、右摄像机获得的可疑点通过坐标变换变换到车辆坐标系中来;若有两个以上传感器所确定的可疑点在车辆坐标系中重合,则确认当前车辆前方存在障碍物。
S4,采用联合鲁棒校验方法计算,得到当前障碍物相对于本车的距离信息。在本实施方式中,车辆前方障碍参数鲁棒联合校验方法具体步骤如下:
S41,分别构建左、右摄像机所捕获图像的尺度空间函数,定义尺度函数分别为LL(x,y),LR(x,y),将高斯函数作为卷积核,其中高斯函数为:
δ为尺度空间因子,x和y为像素点坐标;
使用高斯函数对图像进行卷积,卷积公式为:
其中为卷积计算符。
S42,确定各关键点的尺度,剔除低对比度的关键点,利用关键点领域像素的梯度为每个关键点指定方向参数;关键点的尺度梯度m(x,y)和方向θ(x,y)分别为:
θ(x,y)=tan-1([L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)],其中LL和LR可分别替换公式中的L获得左右摄像机的尺度梯度和方向。
S43,采用关键点特征向量的欧式距离作为两幅图像中关键点的相似性判定准则,得到满足准则的匹配点对;
欧式距离的计算公式为:
其中,Disij为计算所得的欧式距离,(xik,yik)为左摄像机中第k个特征点的横坐标与纵坐标,(xjk,yjk)为右摄像机中第k个特征点的横坐标与纵坐标。
S44,以匹配点对为基础,对两幅图像进行拼接处理,得到扩展后的具有障碍物全部轮廓的全景图像;将右摄像机图像平移(x0,y0)后产生,即:
f2(x,y)=f1(x-x0,y-y0),其中f1为原图像,f2为平移后的图像,
S45,将激光雷达坐标系中的可疑障碍物位置向拼接后的图像投影,可疑障碍物在图像中的投影区域,即为感兴趣区域(ROI区域);
S46,提取图像ROI区域中的HAAR特征,采用RAB级联分类方法对图像中的ROI区域进行障碍物分类,获得障碍物的类型信息。RAB的计算公式为:
式中,H(x)为强分类器,ht(x)为弱分类器,ht(x)∈R为判断结果的可信度,at为弱分类器ht(x)的权重,T为弱分类器数量,sign(·)定义如下:
式中,sth为信任阈值,表示分类器输出结果为真,表示分类器输出结果为假。
S47,对左摄像机、右摄像机获得的两幅图像使用OpenCV提供的现有技术进行三维图像重建,获得障碍物的距离信息Sc。
S48,将摄像机三维重构方法获得障碍距离信息和激光雷达获得的障碍物距离SL进行综合判定,取两者的平均值作为当前障碍物相对于本车的距离信息S,计算方法为:S=(Sc+SL)/2。
S5,根据步骤S4所确定的障碍物距离信息,进行预警,提醒驾驶员前方障碍信息。在本实施方式中,具体包括如下步骤:
S51,预警决策模块判断当前障碍物相对于本车的距离S是否小于设定的阈值TS,具体TS为正值,可根据具体的应用场景进行设定。
S52,当S≤Ts时触发预警系统,预警系统包括光、声和振动三种方式之一或任意组合;
其中,声音信息为提醒驾驶员车辆前方障碍物的位置和类型;
光亮信息采用LED灯实现,用于引起驾驶员的注意;
震动信息由振动电机加载在方向盘上实现,通过振动保持驾驶员的注意力集中,防止疲劳驾驶
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种拥挤交通中基于双目视觉和激光雷达的车辆防撞方法,其特征在于,具体包括以下步骤:
S1,对双目视觉系统和激光雷达系统进行参数联合标定,得到摄像机坐标系、雷达坐标系与车辆坐标系三者之间的对应与转换关系;
S2,利用左侧摄像机和右侧摄像机采集车辆前方环境信息,同时使用激光雷达对前方区域进行多线扫描,得到两种不同类型传感器的异类异步数据,并对所获得的数据进行预处理;
S3,对步骤S2所获得的数据进行分析,判断当前车辆前方障碍物的存在性,如果没有障碍物则返回步骤S2,否则执行步骤S4;
在本步骤中采用快速联合校验方法判断车辆前方障碍物存在性,具体包括以下步骤:
S31,使用快速聚类方法将激光雷达得到的一帧点云数据分割为多个点族,这些点族包含了障碍物和非障碍物分类,聚类的判断规则如下:
式中:
rmin={rk,rk+1},rk,k+1=|rk-rk+1|为相邻两个激光雷达的距离;φ为激光雷达角分辨率,C0为调节激光雷达的纵向误差;当相邻两个激光雷达数据点距离小于某个阈值的时候,视为它们在同一个聚类空间中;
S32,将车辆前方行驶范围内的点族视为障碍物可疑点;
S33,对左、右摄像机所获取的图像分别进行障碍物特征分析,首先将两幅单帧图像从RGB颜色空间,转换到对光照敏感度小的HIS颜色空间中;
S34,使用特征搜索法计算路面区域的色调Ha和饱和度Sa,计算方法为:
其中
其中,
式中,S表示临域W内的像素个数;M和N分别为临域W的长和宽,f(u,v)、g(u,v)分别表示此像素的色调和饱和度;
S35,图像中障碍物判定,图像中像素点(i,j)为障碍物的计算公式为:
F(i,j)=|h(i,j)-Ha|
G(i,j)=|s(i,j)-Sa|
当F(i,j)大于设定的阈值HT时,并且G(i,j)大于设定的阈值ST时,像素对应为障碍物存在可疑点;
S36,将激光雷达获得的可疑点和左、右摄像机获得的可疑点通过坐标变换变换到车辆坐标系中来;若有两个以上传感器所确定的可疑点在车辆坐标系中重合,则确认当前车辆前方存在障碍物;
S4,采用联合鲁棒校验方法计算,得到当前障碍物相对于本车的距离信息,所述联合鲁棒校验方法具体步骤如下:
S41,分别构建左、右摄像机所捕获图像的尺度空间函数,定义尺度函数分别为LL(x,y),LR(x,y),将高斯函数作为卷积核,其中高斯函数为:
δ为尺度空间因子,x和y为像素点坐标;
使用高斯函数对图像进行卷积,卷积公式为:
其中为卷积计算符;
S42,确定各关键点的尺度,剔除低对比度的关键点,利用关键点临域像素的梯度为每个关键点指定方向参数;关键点的尺度梯度m(x,y)和方向θ(x,y)分别为:
θ(x,y)=tan-1([L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)],
S43,采用关键点特征向量的欧式距离作为两幅图像中关键点的相似性判定准则,得到满足准则的匹配点对;
S44,以匹配点对为基础,对两幅图像进行拼接处理,得到扩展后的具有障碍物全部轮廓的全景图像;将右摄像机图像平移(x0,y0)后,即:f2(x,y)=f1(x-x0,y-y0),其中f1为原图像,f2为平移后的图像,对右摄像机平移后图像和左摄像机图像进行拼接处理产生全景图像,所述x0,y0依次为将原右摄像机图像平移得到全景图像时的平移横坐标距离和平移纵坐标距离;
S45,将激光雷达坐标系中的可疑障碍物位置向拼接后的图像投影,可疑障碍物在图像中的投影区域,即为感兴趣ROI区域;
S46,提取图像ROI区域中的HAAR特征,采用RAB级联分类方法对图像中的ROI区域进行障碍物分类,获得障碍物的类型信息;
S47,对左、右摄像机获得的两幅图像进行三维重建,获得障碍物的距离信息Sc;
S48,将摄像机三维重构方法获得障碍距离信息Sc和激光雷达获得的障碍物距离SL进行综合判定,取两者的平均值作为当前障碍物相对于本车的距离信息S,计算方法为:S=(Sc+SL)/2;
S5,根据步骤S4所确定的障碍物距离信息,进行预警,提醒驾驶员前方障碍信息。
2.如权利要求1所述的拥挤交通中基于双目视觉和激光雷达的车辆防撞方法,其特征在于,所述步骤S1中联合标定,建立摄像机坐标系、雷达坐标系与车辆坐标系三者之间的对应与转换关系,具体方法为:
S11,对左、右摄像机分别进行标定,获得摄像机的标定参数,所述标定参数包括:左摄像机内参矩阵ML,右摄像机内参矩阵MR,左摄像机旋转矩阵RL,右摄像机旋转矩阵RR,左摄像机平移向量tL和右摄像机平移向量tR;
S12,对激光雷达进行标定,获得激光雷达标定参数,包括换算矩阵RML和平移矩阵tML;
S13,给定车辆坐标系中的一点S,该点在左摄像机坐标系、右摄像机坐标系和激光雷达坐标系中的非齐次坐标分别为XcL,XcR,XML,该点在车辆坐标系中的坐标为Xw,得到:XcL=RLXw+tL,XcR=RRXw+tR,XML=RMLXw+tML
S14,将步骤S13中XcL、XML和XcR中Xw消去,得到XcL=RLRR -1(XcR-tR)+tL,XcR=RRRML -1(XML-tML)+tR,由此求出左摄像机、右摄像机和激光雷达之间的变换关系,分别为:
从激光雷达到左摄像机坐标系的变换关系为:RML=RLRML -1,tML=tL-RLRML -1tML;
从激光雷达到右摄像机坐标系的变换关系为:RMR=RRRML -1,tMR=tR-RRRML -1tML。
3.如权利要求1所述的拥挤交通中基于双目视觉和激光雷达的车辆防撞方法,其特征在于,所述步骤S2中对得到的异类异步数据预处理方法具体包括以下步骤:
S21,采用快速OPTICS聚类算法对激光雷达得到的点云数据进行聚类筛选,获得点云聚类,对算法生成的有序对象列表进行分析,去除其中不属于聚类群的孤立点和奇异点;
S22,对左、右摄像机获得的当前图像进行色彩空间转换处理,由三通道RGB彩色空间转换到单通道灰度空间,并进行直方图均衡化处理;
S23,使用双边滤波在保证图像中障碍物边缘清晰的前提下去除图像中的噪声,滤波计算表达式为:
其中,f为原输入图像,h为去噪后的输出图像,c(ξ,x)为度量了临域中心点x和领近点ξ的几何临近度,kd为归一化参数;S24,采用基于航位推算的坐标变换方法,解决由于车辆运动和传感器频率差异而导致的数据配准问题,实现异步数据的同步化;以摄像机图像时刻为基准,由激光雷达坐标变换全局坐标到图像坐标系的全局坐标转换方程为:
式中:(x1b,y1b)和(x1a,y1a)分别为两个时刻摄像机和激光雷达探测到的全局坐标,为当前时刻车辆前进方向与全局坐标系x轴的夹角,为前1时刻车辆前进方向与全局坐标系x轴的夹角;两个时刻之间的车辆位置差(xa-xb,ya-yb),获得图像坐标系下的障碍物全局坐标。
4.如权利要求1所述的拥挤交通中基于双目视觉和激光雷达的车辆防撞方法,其特征在于,所述步骤S5具体包括如下步骤:
S51,预警决策模块判断当前障碍物相对于本车的距离S是否小于设定的阈值TS;
S52,当S≤Ts时触发预警系统,预警系统包括光、声和振动三种方式之一或任意组合;
其中,声音信息为提醒驾驶员车辆前方障碍物的位置和类型;
光亮信息采用LED灯实现,用于引起驾驶员的注意;
震动信息由振动电机加载在方向盘上实现,通过振动保持驾驶员的注意力集中,防止疲劳驾驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817347.5A CN104574376B (zh) | 2014-12-24 | 2014-12-24 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817347.5A CN104574376B (zh) | 2014-12-24 | 2014-12-24 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104574376A CN104574376A (zh) | 2015-04-29 |
CN104574376B true CN104574376B (zh) | 2017-08-08 |
Family
ID=53090348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410817347.5A Expired - Fee Related CN104574376B (zh) | 2014-12-24 | 2014-12-24 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104574376B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105828029A (zh) * | 2016-03-11 | 2016-08-03 | 乐卡汽车智能科技(北京)有限公司 | 车辆碰撞监测系统、方法及装置 |
US20190004178A1 (en) * | 2016-03-16 | 2019-01-03 | Sony Corporation | Signal processing apparatus and signal processing method |
JP6088094B1 (ja) * | 2016-06-20 | 2017-03-01 | 株式会社Cygames | 複合現実環境を作成するためのシステム等 |
CN107561537B (zh) * | 2016-06-30 | 2024-04-30 | 北京行易道科技有限公司 | 雷达系统、交通工具、无人机以及探测方法 |
CN106707293B (zh) * | 2016-12-01 | 2019-10-29 | 百度在线网络技术(北京)有限公司 | 用于车辆的障碍物识别方法和装置 |
CN106650708B (zh) * | 2017-01-19 | 2023-08-11 | 南京航空航天大学 | 一种自动驾驶障碍物视觉检测方法与系统 |
CN106799991A (zh) * | 2017-02-08 | 2017-06-06 | 张军 | 一种基于多核异构处理器的智能行车预警系统接口 |
CN106671961A (zh) * | 2017-03-02 | 2017-05-17 | 吉林大学 | 一种基于电动汽车的主动防碰撞系统及其控制方法 |
CN107092021B (zh) * | 2017-04-05 | 2020-04-21 | 天津珞雍空间信息研究院有限公司 | 车载激光雷达三维扫描方法、地物分类方法及系统 |
CN107424166B (zh) * | 2017-07-18 | 2020-05-19 | 深圳市速腾聚创科技有限公司 | 点云分割方法及装置 |
CN108008412A (zh) * | 2017-10-18 | 2018-05-08 | 南京安捷智造科技有限公司 | 一种多曲度融合行车防撞系统 |
WO2019079211A1 (en) * | 2017-10-19 | 2019-04-25 | DeepMap Inc. | LIDAR-CAMERA CALIBRATION TO GENERATE HIGH DEFINITION MAPS |
CN108229345A (zh) * | 2017-12-15 | 2018-06-29 | 吉利汽车研究院(宁波)有限公司 | 一种驾驶员检测系统 |
CN108256577B (zh) * | 2018-01-18 | 2021-09-28 | 东南大学 | 一种基于多线激光雷达的障碍物聚类方法 |
CN108828606B (zh) * | 2018-03-22 | 2019-04-30 | 中国科学院西安光学精密机械研究所 | 一种基于激光雷达和双目可见光相机联合测量方法 |
CN108648219B (zh) * | 2018-04-08 | 2022-02-22 | 浙江大承机器人科技有限公司 | 一种基于双目的障碍物与可行区域检测方法 |
CN108594244B (zh) * | 2018-04-28 | 2021-05-11 | 吉林大学 | 基于立体视觉和激光雷达的障碍物识别迁移学习方法 |
CN108638957B (zh) * | 2018-05-11 | 2021-10-26 | 长安大学 | 一种夜间低能见度下自动开启车辆雾灯的装置及方法 |
CN108749708B (zh) * | 2018-05-11 | 2021-10-22 | 长安大学 | 一种低能见度下自动开启车辆雾灯的装置及方法 |
CN108536154A (zh) * | 2018-05-14 | 2018-09-14 | 重庆师范大学 | 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 |
CN108765496A (zh) * | 2018-05-24 | 2018-11-06 | 河海大学常州校区 | 一种多视点汽车环视辅助驾驶系统及方法 |
KR102146451B1 (ko) * | 2018-08-17 | 2020-08-20 | 에스케이텔레콤 주식회사 | 좌표계 변환 정보 획득 장치 및 방법 |
CN109359409A (zh) * | 2018-10-31 | 2019-02-19 | 张维玲 | 一种基于视觉与激光雷达传感器的车辆可通过性检测系统 |
CN109709564B (zh) * | 2018-12-05 | 2020-08-28 | 交控科技股份有限公司 | 一种基于激光雷达单线检测的屏蔽门防夹系统和方法 |
CN109606258B (zh) * | 2018-12-18 | 2020-07-17 | 湘电重型装备有限公司 | 一种露天矿用自卸车防撞系统 |
CN109934877B (zh) * | 2019-03-15 | 2023-06-09 | 苏州天准科技股份有限公司 | 一种用于2d激光-双目相机联合标定的标定方法 |
CN109938974A (zh) * | 2019-04-01 | 2019-06-28 | 杨天歌 | 一种视障人士用便携式智能导盲设备及导盲方法 |
CN110675436A (zh) * | 2019-09-09 | 2020-01-10 | 中国科学院微小卫星创新研究院 | 基于3d特征点的激光雷达与立体视觉配准方法 |
CN112154455B (zh) * | 2019-09-29 | 2024-04-26 | 深圳市大疆创新科技有限公司 | 数据处理方法、设备和可移动平台 |
CN111009002B (zh) * | 2019-10-16 | 2020-11-06 | 贝壳找房(北京)科技有限公司 | 点云配准检测方法、装置以及电子设备、存储介质 |
CN112989883B (zh) * | 2019-12-16 | 2024-02-02 | 中国科学院沈阳计算技术研究所有限公司 | 一种列车前方障碍物识别的方法 |
CN112699267B (zh) * | 2021-01-13 | 2022-09-02 | 招商局重庆交通科研设计院有限公司 | 车辆车型的识别方法 |
CN112801928B (zh) * | 2021-03-16 | 2022-11-29 | 昆明理工大学 | 一种基于注意力机制的毫米波雷达与视觉传感器融合方法 |
CN113291193B (zh) * | 2021-04-06 | 2022-09-27 | 浙江吉利控股集团有限公司 | 一种车辆定位换电方法、装置、系统及存储介质 |
CN114077252B (zh) * | 2021-11-16 | 2023-09-12 | 中国人民解放军陆军工程大学 | 机器人碰撞障碍区分装置及方法 |
CN114089364A (zh) * | 2021-11-18 | 2022-02-25 | 智能移动机器人(中山)研究院 | 一种集成化的感知系统装置及实现方法 |
CN114475650B (zh) * | 2021-12-01 | 2022-11-01 | 中铁十九局集团矿业投资有限公司 | 一种车辆行驶行为确定方法、装置、设备及介质 |
CN116883478B (zh) * | 2023-07-28 | 2024-01-23 | 广州瀚臣电子科技有限公司 | 一种基于汽车摄像头的障碍物距离确认系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
CN102542843A (zh) * | 2010-12-07 | 2012-07-04 | 比亚迪股份有限公司 | 防止车辆碰撞的预警方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09237346A (ja) * | 1995-12-26 | 1997-09-09 | Ainesu:Kk | 部分立体モデルの合成方法及び完全立体モデルの作成方法 |
-
2014
- 2014-12-24 CN CN201410817347.5A patent/CN104574376B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
CN102542843A (zh) * | 2010-12-07 | 2012-07-04 | 比亚迪股份有限公司 | 防止车辆碰撞的预警方法及装置 |
Non-Patent Citations (1)
Title |
---|
"基于彩色立体视觉的障碍物快速检测方法";李庆忠等;《计算机科学》;20031231;第30卷(第9期);论文第72-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104574376A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104574376B (zh) | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 | |
US10255509B2 (en) | Adaptive lane marker detection for a vehicular vision system | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
CN104778444B (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN107463890B (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
US20200082560A1 (en) | Estimating two-dimensional object bounding box information based on bird's-eye view point cloud | |
US20040252863A1 (en) | Stereo-vision based imminent collision detection | |
CN107031623A (zh) | 一种基于车载盲区相机的道路预警方法 | |
CN107273788A (zh) | 在车辆中执行车道检测的成像系统与车辆成像系统 | |
EP3594902B1 (en) | Method for estimating a relative position of an object in the surroundings of a vehicle and electronic control unit for a vehicle and vehicle | |
US10984264B2 (en) | Detection and validation of objects from sequential images of a camera | |
Huang et al. | Tightly-coupled LIDAR and computer vision integration for vehicle detection | |
CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
CN108256445A (zh) | 车道线检测方法及系统 | |
KR101699014B1 (ko) | 스테레오 카메라를 이용한 객체 검출 방법 및 장치 | |
Teutsch | Moving object detection and segmentation for remote aerial video surveillance | |
JP4967758B2 (ja) | 物体移動の検出方法及び検出装置 | |
Baris et al. | Classification and tracking of traffic scene objects with hybrid camera systems | |
JP2023521791A (ja) | 信頼性の高いスティッチング画像を作成するためのシステムおよび方法 | |
Álvarez et al. | Perception advances in outdoor vehicle detection for automatic cruise control | |
Munajat et al. | Vehicle detection and tracking based on corner and lines adjacent detection features | |
Krips et al. | AdTM tracking for blind spot collision avoidance | |
Cardarelli et al. | 44 Vision-Based Blind Spot Monitoring | |
Al-Refai et al. | A framework for background modeling using vehicle-to-infrastructure communication for improved candidate generation in pedestrian detection | |
Li et al. | On-road multiple obstacles detection in dynamical background |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170808 Termination date: 20191224 |