CN104637059A - 基于毫米波雷达和机器视觉的夜间前方车辆检测方法 - Google Patents

Abstract

本发明涉及一种基于毫米波雷达和机器视觉的夜间前方车辆检测方法，属于车辆控制领域。包括下述步骤：步骤1、进行摄像机标定，得到世界坐标到图像像素坐标的投影矩阵，建立雷达坐标系和世界坐标系之间的转换关系，将雷达坐标转换成图像像素坐标；步骤2、解算接收到的毫米波雷达数据，并通过数据处理排除虚假目标确定有效目标，同步进行摄像机图像的采集；步骤3、把世界坐标系下的雷达扫描点投影到图像像素坐标系，根据投影点在图像上建立感兴趣区域ROI；步骤4、基于图像处理方法检验感兴趣区域内是否存在车辆。相比现有技术，本发明具有融合毫米波雷达和机器视觉、实时性高、准确性高的特点。

Description

基于毫米波雷达和机器视觉的夜间前方车辆检测方法

技术领域

本发明属于车辆控制领域，特别涉及一种夜间前方车辆检测方法。

背景技术

车辆智能防撞预警已成为当前国际智能交通系统研究的热点，其中前方车辆的检测又是最主要的内容，实时地进行前方车辆检测与识别，可以有效地防止追尾碰撞等恶性交通事故的发生。

目前，国内外已经有了多种前方车辆检测方法：基于视觉(单目视觉、立体视觉)、基于多传感器融合(声纳传感器、激光传感器)等；如天津工业大学申请的专利“一种基于单目视觉的前方车辆检测方法”(申请号：201210143389.6)；东南大学申请的专利“基于双目视觉的车距测量方法”(申请号：200710025166.9)；丰田自动车株式会社申请的专利“车载设备、前方车辆位置确定设备以及前方车辆位置确定方法”(申请号：201180018795.3)。

其中基于单目视觉的车辆检测方法对目标的深度信息测量精度不高，难以确定目标物体的位置；基于立体视觉的车辆检测方法对摄像机的标定容易出现漂移，且存在算法复杂、精度差、适应范围小等缺点；基于视觉和激光传感器的车辆检测方法不适合高速行驶的车辆检测，此外，激光传感器受障碍物及其表面光滑度影响较大，对灯光等干扰非常敏感，不适合应用到复杂道路环境；基于视觉与声纳传感器的车辆检测方法作用距离短，且声纳传感器角度分辨率差、测量精度不高。

由于夜间的光照条件复杂，对车辆检测算法的精准度、实时性、鲁棒性要求更高，然而目前现有的夜间前方车辆检测方法主要是基于单目视觉，因此，本领域亟需一种新的技术将有效的多传感器进行数据融合，实现前方车辆的检测和准确定位。

发明内容

本发明所要解决的技术问题：针对现有技术的不足和缺陷，本发明提供一种融合毫米波雷达和机器视觉、实时性高、准确性高的夜间前方车辆检测方法。

本发明是这样设计的：

基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：包括下述步骤，

步骤1、进行摄像机标定，得到世界坐标到图像像素坐标的投影矩阵，建立雷达坐标系和世界坐标系之间的转换关系，将雷达坐标转换成图像像素坐标；

步骤2、解算接收到的毫米波雷达数据，并通过数据处理排除虚假目标确定有效目标，同步进行摄像机图像的采集；

步骤3、把世界坐标系下的雷达扫描点投影到图像像素坐标系，根据投影点在图像上建立感兴趣区域ROI；

步骤4、基于图像处理方法检验感兴趣区域内是否存在车辆。

所述的步骤1中的将雷达坐标转换成图像像素坐标包括下述具体步骤，

步骤1.1、使摄像机的光轴与地面平行；

步骤1.2、使用于标定的棋盘与雷达反射面在同一平面，且位于雷达正上方与地平面垂直，棋盘的左上角点与雷达反射面中心点连线垂直于地平面，确定棋盘左上角点距离安装位置的高度Y₀，高度单位为mm；

步骤1.3、将世界坐标系中点的坐标(X_W,Y_W,Z_W)变换到摄像机坐标(X_C,Y_C,Z_C),变换公式如下：

$\left[\begin{array}{c}{X}_C\\ Y_C\\ Z_C\\ 1\end{array}\right]=\left[\begin{array}{cc}R& t\\ 0^T& 1\end{array}\right]\left[\begin{array}{c}{X}_W\\ Y_W\\ Z_W\\ 1\end{array}\right]$

式中，W为world的缩写；C为camera的缩写；R为世界坐标系到摄像机坐标系的3×3旋转矩阵；t为世界坐标系到摄像机坐标系的1×3平移矩阵；

步骤1.4、将摄像机坐标(X_C,Y_C,Z_C)变换到图像物理坐标(x,y)，转换公式如下：

$Z_C\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{cccc}f& 0& 0& 0\\ 0& f& 0& 0\\ 0& 0& 1& 0\end{array}\right]\left[\begin{array}{c}{X}_C\\ Y_C\\ Z_C\\ 1\end{array}\right]$

式中，f为摄像机焦距，焦距单位为mm；

步骤1.5、将图像物理坐标(x,y)转换到图像像素坐标(u,v)，转换公式如下：

$\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=\left[\begin{array}{ccc}1/\mathrm{dx}& 0& u_0\\ 0& 1/\mathrm{dy}& v_0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$

式中，dx、dy分别为图像物理坐标系下每个象素在横纵方向轴上的物理尺寸；u₀、v₀分别为图像像素坐标系下摄像机光轴和图像平面交点的横纵坐标，坐标单位为pixel；

步骤1.6、雷达坐标系的X₀O₀Z₀平面与世界坐标系的XOZ平面平行，设两平面之间的距离为Y₀，Y₀为棋盘左上角点距离雷达安装位置的高度；

步骤1.7、通过雷达可以得到前方车辆中心点投影到雷达扫射平面内的点P相对雷达的距离R和角度α，PO₀＝R，距离单位为m；∠PO₀Z＝α，角度单位为度；

步骤1.8、获得点P在世界坐标系下的坐标，转换关系如下：

$\left\{\begin{array}{c}{X}_W=R\×\sin \mathrm{\α}\×100\\ Y_W=-Y_0\\ Z_W=-R\×\cos \mathrm{\α}\×1000\end{array}\right..$

所述的步骤2中的处理雷达数据排除虚假目标确定有效目标包括下述具体步骤，

步骤2.1、对雷达接收到的数据按照毫米波雷达协议进行解算，得到前方物体相对雷达的角度Angle、距离Range、相对速度RangeRate、宽度Width以及代表前方物体的编号ID；

步骤2.2、根据距离信息对前方物体按照由近及远的准则进行排序，选取一定距离R₀＜Range＜R₁内的物体作为初选目标；

步骤2.3、根据国家车辆宽度标准设置宽度阈值范围(1.5，3)，当初选目标的宽度Width在宽度阈值范围内时，将前方物体初步确定为有效目标。

所述的步骤3中的建立感兴趣区域ROI包括下述具体步骤，

步骤3.1、将前方车辆中心点投影到毫米波雷达扫描平面的点转换到图像平面上；

步骤3.2、根据投影点的图像像素坐标、距离Range、宽度阈值范围，建立可根据距离调节的感兴趣区域ROI。

所述的步骤4中的基于图像处理方法检验感兴趣区域内是否存在车辆包括下述具体步骤，

步骤4.1、采用改进的OTSU算法分割图像，凸显出表征车辆特征的尾灯部分；

步骤4.2、为消除过小的噪声点，对分割后的图像进行图像形态学开运算处理；

步骤4.3、对处理后的感兴趣区域部分的图像进行连通区域标记，计算每个连通区域的面积；

步骤4.4、提取图像上用于表征车辆的特征；

步骤4.5、运用D-S证据理论，融合以上所述的车辆的特征信息得到总的信任度值，最终设立信任度阈值验证车辆。

所述的步骤4.4中的提取图像上用于表征车辆的特征包括下述具体步骤，

4.4.1、判断连通区域的面积，将面积小于50的连通区域去除；

4.4.2、用Ci、Cj分别表示不同的两个连通区域，b(Ci)表示连通区域的顶边，t(Ci)表示连通区域的底边，H(Ci)表示连通区域的高度，计算两连通区域垂直方向的重叠率,标记重叠率大于0.7的连通区域，公式如下：

4.4.3、用H(Cs)、H(Cb)分别表示连通区域较小者和较大者，计算两连通区域中较小者与较大者的高度比，标记比值大于0.7的连通区域，公式如下：

$\mathrm{\ΔH}=\frac{H_s}{H_b};$

4.4.4、用VL(Ci,Cj)、VW(Ci,Cj)表示围住两个连通区域的最小外围矩形的长和宽，标记长宽比大于2.5小于8的连通区域，公式如下：

$\mathrm{\ΔR}=\frac{\mathrm{VL}(C_i,C_j)}{\mathrm{VW}(C_i,C_j)};$

4.4.5、根据雷达扫描到的车辆中心点转换到图像上的横向像素坐标u，符合以上步骤4.4.1、步骤4.4.2、步骤4.4.3、步骤4.4.4的两个连通区域的中心位置的横向像素坐标u_i、u_j，判断两个连通区域在u轴方向上是否关于中心点对称。

通过上述设计方案，本发明可以带来如下有益效果：

本发明基于毫米波雷达和机器视觉的夜间前方车辆检测方法的毫米波雷达测量的距离精度高，可以准确获得前方车辆的深度信息，机器视觉可以获得含有丰富信息的二维图像，体现出前方车辆的明显特征，因此毫米波雷达和机器视觉的融合可以有效地提高夜间前方车辆检测和定位的准确性。

本发明基于毫米波雷达和机器视觉的夜间前方车辆检测方法不仅可以获得前方车辆的宽度、距离等深度信息，而且可以根据雷达数据信息在二维图像上初步建立感兴趣区域，缩小检测区域范围，排除过多干扰点，加快检测速度，提高夜间前方车辆检测方法的实时性，同时还能利用机器视觉获得的二维图像中车辆的特征信息，运用D-S证据理论判断目标，降低经验不足导致阈值确定不当的风险，提高检测方法的准确性。

附图说明

下面结合附图说明和具体实施方式对本发明作进一步说明：

图1为本发明基于毫米波雷达和机器视觉的夜间前方车辆检测方法的流程图。

图2为本发明基于毫米波雷达和机器视觉的夜间前方车辆检测方法的毫米波雷达坐标系和世界坐标系的关系示意图。

图3为本发明基于毫米波雷达和机器视觉的夜间前方车辆检测方法的摄像机坐标系和世界坐标系的关系示意图。

图4为本发明基于毫米波雷达和机器视觉的夜间前方车辆检测方法的摄像机坐标系、图像物理坐标系和图像像素坐标系的关系示意图。

具体实施方式

本发明提出了一种基于毫米波雷达和机器视觉的夜间前方车辆检测方法，本发明首先获得世界坐标和图像像素坐标的投影矩阵，建立雷达坐标系和图像像素坐标系之间的转换关，然后通过毫米波雷达获得前方障碍物的距离、宽度、反射率、相对速度等信息，再根据宽度信息排除虚假目标确定有效目标初步判别出前方车辆，继而将雷达坐标系下的雷达扫描点投影到图像像素坐标系，根据投影点图像像素坐标和前方车辆的宽度、距离信息在图像上建立感兴趣区域ROI，最后基于单目视觉采用图像处理的方法得到表征车辆的特征，从而确定感兴趣区域内的车辆。

如图所示的基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：包括下述步骤，

步骤1、进行摄像机标定，得到世界坐标到图像像素坐标的投影矩阵，建立雷达坐标系和世界坐标系之间的转换关系，将雷达坐标转换成图像像素坐标；

步骤2、解算接收到的毫米波雷达数据，并通过数据处理排除虚假目标确定有效目标，同步进行摄像机图像的采集；

步骤3、把世界坐标系下的雷达扫描点投影到图像像素坐标系，根据投影点在图像上建立感兴趣区域ROI；

步骤4、基于图像处理方法检验感兴趣区域内是否存在车辆。

所述的步骤1中的将雷达坐标转换成图像像素坐标包括下述具体步骤，

步骤1.1、使摄像机的光轴与地面平行；

步骤1.2、使用于标定的棋盘与雷达反射面在同一平面，且位于雷达正上方与地平面垂直，棋盘的左上角点与雷达反射面中心点连线垂直于地平面，确定棋盘左上角点距离安装位置的高度Y₀，高度单位为mm；

步骤1.3、将世界坐标系中点的坐标(X_W,Y_W,Z_W)变换到摄像机坐标(X_C,Y_C,Z_C),变换公式如下：

$\left[\begin{array}{c}{X}_C\\ Y_C\\ Z_C\\ 1\end{array}\right]=\left[\begin{array}{cc}R& t\\ 0^T& 1\end{array}\right]\left[\begin{array}{c}{X}_W\\ Y_W\\ Z_W\\ 1\end{array}\right]$

式中，W为world的缩写；C为camera的缩写；R为世界坐标系到摄像机坐标系的3×3旋转矩阵；t为世界坐标系到摄像机坐标系的1×3平移矩阵；

步骤1.4、将摄像机坐标(X_C,Y_C,Z_C)变换到图像物理坐标(x,y)，转换公式如下：

$Z_C\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{cccc}f& 0& 0& 0\\ 0& f& 0& 0\\ 0& 0& 1& 0\end{array}\right]\left[\begin{array}{c}{X}_C\\ Y_C\\ Z_C\\ 1\end{array}\right]$

式中，f为摄像机焦距，焦距单位为mm；

步骤1.5、将图像物理坐标(x,y)转换到图像像素坐标(u,v)，转换公式如下：

$\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=\left[\begin{array}{ccc}1/\mathrm{dx}& 0& u_0\\ 0& 1/\mathrm{dy}& v_0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$

式中，dx、dy分别为图像物理坐标系下每个象素在横纵方向轴上的物理尺寸；u₀、v₀分别为图像像素坐标系下摄像机光轴和图像平面交点的横纵坐标，坐标单位为pixel；

步骤1.6、雷达坐标系的X₀O₀Z₀平面与世界坐标系的XOZ平面平行，设两平面之间的距离为Y₀，Y₀为棋盘左上角点距离雷达安装位置的高度；

步骤1.7、通过雷达可以得到前方车辆中心点投影到雷达扫射平面内的点P相对雷达的距离R和角度α，PO₀＝R，距离单位为m；∠PO₀Z＝α，角度单位为度；

步骤1.8、获得点P在世界坐标系下的坐标，转换关系如下：

$\left\{\begin{array}{c}{X}_W=R\×\sin \mathrm{\α}\×100\\ Y_W=-Y_0\\ Z_W=-R\×\cos \mathrm{\α}\×1000\end{array}\right..$

所述的步骤2中的处理雷达数据排除虚假目标确定有效目标包括下述具体步骤，

步骤2.1、对雷达接收到的数据按照毫米波雷达协议进行解算，得到前方物体相对雷达的角度Angle、距离Range、相对速度RangeRate、宽度Width以及代表前方物体的编号ID；

步骤2.2、根据距离信息对前方物体按照由近及远的准则进行排序，选取一定距离R₀＜Range＜R₁内的物体作为初选目标；

步骤2.3、根据国家车辆宽度标准设置宽度阈值范围(1.5，3)，当初选目标的宽度Width在宽度阈值范围内时，将前方物体初步确定为有效目标。

所述的步骤3中的建立感兴趣区域ROI包括下述具体步骤，

步骤3.1、将前方车辆中心点投影到毫米波雷达扫描平面的点转换到图像平面上；

步骤3.2、根据投影点的图像像素坐标、距离Range、宽度阈值范围，建立可根据距离调节的感兴趣区域ROI。

所述的步骤4中的基于图像处理方法检验感兴趣区域内是否存在车辆包括下述具体步骤，

步骤4.1、采用改进的OTSU算法分割图像，凸显出表征车辆特征的尾灯部分；

步骤4.2、为消除过小的噪声点，对分割后的图像进行图像形态学开运算处理；

步骤4.3、对处理后的感兴趣区域部分的图像进行连通区域标记，计算每个连通区域的面积；

步骤4.4、提取图像上用于表征车辆的特征；

步骤4.5、运用D-S证据理论，融合以上所述的车辆的特征信息得到总的信任度值，最终设立信任度阈值验证车辆。

所述的步骤4.4中的提取图像上用于表征车辆的特征包括下述具体步骤，

4.4.1、判断连通区域的面积，将面积小于50的连通区域去除；

4.4.2、用Ci、Cj分别表示不同的两个连通区域，b(Ci)表示连通区域的顶边，t(Ci)表示连通区域的底边，H(Ci)表示连通区域的高度，计算两连通区域垂直方向的重叠率,标记重叠率大于0.7的连通区域，公式如下：

4.4.3、用H(Cs)、H(Cb)分别表示连通区域较小者和较大者，计算两连通区域中较小者与较大者的高度比，标记比值大于0.7的连通区域，公式如下：

$\mathrm{\ΔH}=\frac{H_s}{H_b};$

4.4.4、用VL(Ci,Cj)、VW(Ci,Cj)表示围住两个连通区域的最小外围矩形的长和宽，标记长宽比大于2.5小于8的连通区域，公式如下：

$\mathrm{\ΔR}=\frac{\mathrm{VL}(C_i,C_j)}{\mathrm{VW}(C_i,C_j)};$

4.4.5、根据雷达扫描到的车辆中心点转换到图像上的横向像素坐标u，符合以上步骤4.4.1、步骤4.4.2、步骤4.4.3、步骤4.4.4的两个连通区域的中心位置的横向像素坐标u_i、u_j，判断两个连通区域在u轴方向上是否关于中心点对称。

Claims (6)

1.基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：包括下述步骤，

步骤1、进行摄像机标定，得到世界坐标到图像像素坐标的投影矩阵，建立雷达坐标系和世界坐标系之间的转换关系，将雷达坐标转换成图像像素坐标；

步骤2、解算接收到的毫米波雷达数据，并通过数据处理排除虚假目标确定有效目标，同步进行摄像机图像的采集；

步骤3、把世界坐标系下的雷达扫描点投影到图像像素坐标系，根据投影点在图像上建立感兴趣区域ROI；

步骤4、基于图像处理方法检验感兴趣区域内是否存在车辆。

2.根据权利要求1所述的基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：所述的步骤1中的将雷达坐标转换成图像像素坐标包括下述具体步骤，

步骤1.1、使摄像机的光轴与地面平行；

步骤1.2、使用于标定的棋盘与雷达反射面在同一平面，且位于雷达正上方与地平面垂直，棋盘的左上角点与雷达反射面中心点连线垂直于地平面，确定棋盘左上角点距离安装位置的高度Y₀，高度单位为mm；

步骤1.3、将世界坐标系中点的坐标(X_W,Y_W,Z_W)变换到摄像机坐标(X_C,Y_C,Z_C),变换公式如下：

$\left[\begin{array}{c}{X}_C\\ Y_C\\ Z_C\\ 1\end{array}\right]=\left[\begin{array}{cc}R& t\\ 0^T& 1\end{array}\right]\left[\begin{array}{c}{X}_W\\ Y_W\\ Z_W\\ 1\end{array}\right]$

式中，W为world的缩写；C为camera的缩写；R为世界坐标系到摄像机坐标系的3×3旋转矩阵；t为世界坐标系到摄像机坐标系的1×3平移矩阵；

步骤1.4、将摄像机坐标(X_C,Y_C,Z_C)变换到图像物理坐标(x,y)，转换公式如下：

$Z_C\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]=\left[\begin{array}{cccc}f& 0& 0& 0\\ 0& f& 0& 0\\ 0& 0& 1& 0\end{array}\right]\left[\begin{array}{c}{X}_C\\ Y_C\\ Z_C\\ 1\end{array}\right]$

式中，f为摄像机焦距，焦距单位为mm；

步骤1.5、将图像物理坐标(x,y)转换到图像像素坐标(u,v)，转换公式如下：

$\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=\left[\begin{array}{ccc}1/\mathrm{dx}& 0& u_0\\ 0& 1/\mathrm{dy}& v_0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]$

式中，dx、dy分别为图像物理坐标系下每个象素在横纵方向轴上的物理尺寸；u₀、v₀分别为图像像素坐标系下摄像机光轴和图像平面交点的横纵坐标，坐标单位为pixel；

步骤1.6、雷达坐标系的X₀O₀Z₀平面与世界坐标系的XOZ平面平行，设两平面之间的距离为Y₀，Y₀为棋盘左上角点距离雷达安装位置的高度；

步骤1.7、通过雷达可以得到前方车辆中心点投影到雷达扫射平面内的点P相对雷达的距离R和角度α，PO₀＝R，距离单位为m；∠PO₀Z＝α，角度单位为度；

步骤1.8、获得点P在世界坐标系下的坐标，转换关系如下：

$\left\{\begin{array}{c}{X}_W=R\×\sin \mathrm{\α}\×100\\ Y_W=-Y_0\\ Z_W=-R\×\cos \mathrm{\α}\×1000\end{array}\right..$

3.根据权利要求1所述的基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：所述的步骤2中的处理雷达数据排除虚假目标确定有效目标包括下述具体步骤，

步骤2.1、对雷达接收到的数据按照毫米波雷达协议进行解算，得到前方物体相对雷达的角度Angle、距离Range、相对速度RangeRate、宽度Width以及代表前方物体的编号ID；

步骤2.2、根据距离信息对前方物体按照由近及远的准则进行排序，选取一定距离R₀＜Range＜R₁内的物体作为初选目标；

步骤2.3、根据国家车辆宽度标准设置宽度阈值范围(1.5，3)，当初选目标的宽度Width在宽度阈值范围内时，将前方物体初步确定为有效目标。

4.根据权利要求1所述的基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：所述的步骤3中的建立感兴趣区域ROI包括下述具体步骤，

步骤3.1、将前方车辆中心点投影到毫米波雷达扫描平面的点转换到图像平面上；

步骤3.2、根据投影点的图像像素坐标、距离Range、宽度阈值范围，建立可根据距离调节的感兴趣区域ROI。

5.根据权利要求1所述的基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：所述的步骤4中的基于图像处理方法检验感兴趣区域内是否存在车辆包括下述具体步骤，

步骤4.1、采用改进的OTSU算法分割图像，凸显出表征车辆特征的尾灯部分；

步骤4.2、为消除过小的噪声点，对分割后的图像进行图像形态学开运算处理；

步骤4.3、对处理后的感兴趣区域部分的图像进行连通区域标记，计算每个连通区域的面积；

步骤4.4、提取图像上用于表征车辆的特征；

步骤4.5、运用D-S证据理论，融合以上所述的车辆的特征信息得到总的信任度值，最终设立信任度阈值验证车辆。

6.根据权利要求5所述的基于毫米波雷达和机器视觉的夜间前方车辆检测方法，其特征在于：所述的步骤4.4中的提取图像上用于表征车辆的特征包括下述具体步骤，

4.4.1、判断连通区域的面积，将面积小于50的连通区域去除；

4.4.2、用Ci、Cj分别表示不同的两个连通区域，b(Ci)表示连通区域的顶边，t(Ci)表示连通区域的底边，H(Ci)表示连通区域的高度，计算两连通区域垂直方向的重叠率,标记重叠率大于0.7的连通区域，公式如下：

4.4.3、用H(Cs)、H(Cb)分别表示连通区域较小者和较大者，计算两连通区域中较小者与较大者的高度比，标记比值大于0.7的连通区域，公式如下：

$\mathrm{\ΔH}=\frac{H_s}{H_b};$

4.4.4、用VL(Ci,Cj)、VW(Ci,Cj)表示围住两个连通区域的最小外围矩形的长和宽，标记长宽比大于2.5小于8的连通区域，公式如下：

$\mathrm{\ΔR}=\frac{\mathrm{VL}(C_i,C_j)}{\mathrm{VW}(C_i,C_j)};$

4.4.5、根据雷达扫描到的车辆中心点转换到图像上的横向像素坐标u，符合以上步骤4.4.1、步骤4.4.2、步骤4.4.3、步骤4.4.4的两个连通区域的中心位置的横向像素坐标u_i、u_j，判断两个连通区域在u轴方向上是否关于中心点对称。