CN105460009A - 汽车控制方法及装置 - Google Patents
汽车控制方法及装置 Download PDFInfo
- Publication number
- CN105460009A CN105460009A CN201510873962.2A CN201510873962A CN105460009A CN 105460009 A CN105460009 A CN 105460009A CN 201510873962 A CN201510873962 A CN 201510873962A CN 105460009 A CN105460009 A CN 105460009A
- Authority
- CN
- China
- Prior art keywords
- video image
- image
- car
- subelement
- distance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 20
- 210000003746 feather Anatomy 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000003708 edge detection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004886 process control Methods 0.000 description 5
- 238000004064 recycling Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 206010057855 Hypotelorism of orbit Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/114—Yaw movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
Abstract
本发明公开了一种汽车控制方法及装置,属于汽车领域。所述方法包括:获取视频图像,并检测视频图像上的车道线;根据车道线计算本车的偏航角,偏航角为本车的中轴线与所述本车所在道路之间的夹角;根据采集的视频图像和雷达测距信息计算本车与前方车辆的距离;根据偏航角以及本车与前方车辆的距离确定转向角度,并采用转向角度进行超车。本发明实施例提供对采集到的视频图像的车道线进行检测,然后根据车道线计算偏航角,再利用偏航角和本车与前车的距离确定实际转向角,采用实际转向角进行变道,整个过程无需用户控制,提高了用户驾驶舒适度,在变道时考虑了车辆自身的偏航以及与前车的距离,保证了变道的安全性。
Description
技术领域
本发明涉及汽车领域,特别涉及一种汽车控制方法及装置。
背景技术
智能化汽车技术主要包括汽车行驶过程中的环境感知、规划决策、辅助驾驶等方面,它集中运用了计算机、现代传感、信息融合、通信、人工智能及自动控制等技术。
其中,前方车辆检测技术为现有智能化汽车技术中较为成熟的一项,通过前方车辆检测技术可以及时对驾驶员进行预警,以免与前方车辆发生碰撞。
但对于正常驾驶而言,如果与前车的距离过近时,随着汽车智能化技术的发展,除了注意防碰撞之外,在前方场景条件满足下,还可以向左变道进行避让,以保证车辆正常行驶。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种汽车控制方法及装置。所述技术方案如下:
一方面,本发明实施例提供了一种汽车控制方法,所述方法包括:
获取视频图像,并检测所述视频图像上的车道线;
根据所述车道线计算本车的偏航角,所述偏航角为本车的中轴线与所述本车所在道路之间的夹角;
根据所述视频图像计算所述本车与前方车辆的距离;
根据所述本车与前方车辆的距离确定预设转向角,根据所述偏航角和所述预设转向角确定实际转向角,并采用所述实际转向角进行变道。
在本发明实施例的一种实现方式中,所述检测所述视频图像上的车道线,包括:
对所述视频图像进行边缘增强处理;
对边缘增强处理过的所述视频图像进行二值化,得到二值化图像;
对所述二值化图像进行车道线内外边缘点提取;
对提取后的图像数据采用分区Hough变换拟合车道线。
在本发明实施例的另一种实现方式中,所述对边缘增强处理过的所述视频图像进行二值化,包括:
将所述视频图像转化为灰度图像;
采用所述灰度图像的图像直方图确定阈值;
将处理过的所述视频图像中灰度值高于所述阈值的像素置为最高灰度级,将处理过的所述视频图像中灰度值低于所述阈值的像素置为最低灰度级。
在本发明实施例的另一种实现方式中,所述对所述二值化图像进行车道线内外边缘点提取,包括:
确定所述灰度图像的分割阈值;
比较所述灰度图像中每个像素的灰度值与分割阈值的大小;
将所述二值化图像中对应所述灰度图像中灰度值小于分割阈值的像素点删除,得到处理后的二值化图像;
逐行扫描所述处理后的二值化图像,当依次出现连续多个255、连续多个0和连续多个255的排列时,确定两次出现的连续多个255的像素点分别为车道线内外边缘点。
在本发明实施例的另一种实现方式中,所述根据所述视频图像计算所述本车与前方车辆的距离,包括:
提取所述视频图像中的Haar-like特征;
采用预设的分类器对提取到的Haar-like特征进行分类,确定前车底边缘位置在所述视频图像中的位置;
根据所述前车底边缘位置在所述视频图像中的位置,确定所述本车与前车的距离A;
采用雷达测距信息确定在所述本车前方距离A的位置是否存在车辆,如果存在车辆,则确定所述本车与前车的距离为A。
第二方面,本发明实施例提供了一种汽车控制装置,所述装置包括:
车道线检测单元,用于获取视频图像,并检测所述视频图像上的车道线;
偏航角计算单元,用于根据所述车道线检测单元检测到的所述车道线计算本车的偏航角,所述偏航角为本车的中轴线与所述本车所在道路之间的夹角;
车距计算单元,用于根据所述视频图像计算所述本车与前方车辆的距离;
控制单元,用于根据所述车距计算单元计算出的所述本车与前方车辆的距离确定预设转向角,根据所述偏航角和所述预设转向角确定实际转向角,并采用所述实际转向角进行变道。
在本发明实施例的一种实现方式中,所述车道线检测单元,包括:
边缘增强处理子单元,用于对所述视频图像进行边缘增强处理;
二值化子单元,用于对所述边缘增强处理子单元处理过的所述视频图像进行二值化,得到二值化图像;
边缘点提取子单元,用于对所述二值化子单元得到的所述二值化图像进行车道线内外边缘点提取;
拟合子单元,用于对所述边缘点提取子单元提取后的图像数据采用分区Hough变换拟合车道线。
在本发明实施例的另一种实现方式中,所述二值化子单元,用于:
将所述视频图像转化为灰度图像;
采用所述灰度图像的图像直方图确定阈值;
将处理过的所述视频图像中灰度值高于所述阈值的像素置为最高灰度级,将处理过的所述视频图像中灰度值低于所述阈值的像素置为最低灰度级。
在本发明实施例的另一种实现方式中,所述边缘点提取子单元,用于:
确定所述灰度图像的分割阈值;
比较所述灰度图像中每个像素的灰度值与分割阈值的大小;
将所述二值化图像中对应所述灰度图像中灰度值小于分割阈值的像素点删除,得到处理后的二值化图像;
逐行扫描所述处理后的二值化图像,当依次出现连续多个255、连续多个0和连续多个255的排列时,确定两次出现的连续多个255的像素点分别为车道线内外边缘点。
在本发明实施例的另一种实现方式中,所述车距计算单元,包括:
特征提取子单元,用于提取所述视频图像中的Haar-like特征;
分类子单元,用于采用预设的分类器对所述特征提取子单元提取到的Haar-like特征进行分类,确定前车底边缘位置在所述视频图像中的位置;
第一确定子单元,用于根据所述分类子单元确定出的前车底边缘位置在所述视频图像中的位置,确定所述本车与前车的距离A;
第二确定子单元,用于采用雷达测距信息确定在所述本车前方距离A的位置是否存在车辆,如果存在车辆,则确定所述本车与前车的距离为A。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供对采集到的视频图像的车道线进行检测,然后根据车道线计算偏航角,再利用偏航角和本车与前车的距离确定实际转向角,采用实际转向角进行变道,整个过程无需用户控制,提高了用户驾驶舒适度,在变道时考虑了车辆自身的偏航以及与前车的距离,保证了变道的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种汽车控制方法的流程图;
图2是本发明实施例提供的一种汽车控制方法的流程图;
图2a是本发明实施例提供的一种视频图像坐标系的车道线示意图;
图2b是本发明实施例提供的一种车体世界坐标系的车道线示意图;
图2c和图2d是本发明实施例提供的变道完成后的场景示意图;
图3是本发明实施例提供的一种汽车控制装置的结构示意图;
图4是本发明实施例提供的一种汽车控制装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例提供的一种汽车控制方法的流程图,参见图1,该方法包括:
步骤101:获取视频图像,并检测视频图像上的车道线。
步骤102:根据车道线计算本车的偏航角,偏航角为本车的中轴线与所述本车所在道路之间的夹角。
步骤103:根据视频图像计算本车与前方车辆的距离。
步骤104:根据本车与前方车辆的距离确定预设转向角,根据偏航角和预设转向角确定实际转向角,并采用实际转向角进行变道。
本发明实施例提供对采集到的视频图像的车道线进行检测,然后根据车道线计算偏航角,再利用偏航角和本车与前车的距离确定实际转向角,采用实际转向角进行变道,整个过程无需用户控制,提高了用户驾驶舒适度,在变道时考虑了车辆自身的偏航以及与前车的距离,保证了变道的安全性。
图2是本发明实施例提供的一种汽车控制方法的流程图,参见图2,该方法包括:
步骤200:通过摄像头采集视频图像。
可选地,本发明通过摄像头采集大小为1280*960的彩色图像。当然,本发明实施例不限于采用彩色图像以及上述尺寸的图像作为后续步骤的输入,图像还可以是灰度图像或者其他尺寸的图像。
步骤201:获取视频图像,并检测视频图像上的车道线。
可选地,检测视频图像上的车道线,包括:
第一步,对采集的视频图像进行边缘增强处理。
可选地,本发明可以采用基于一阶微分的边缘检测方法进行视频图像的边缘增强处理,具体可以是一阶微分的边缘检测方法中的sobel算法。采用基于一阶微分的边缘检测方法进行视频图像的边缘增强处理,运算量小,可以满足实时处理要求。当然,本发明实施例还可以采用基于二阶微分的边缘检测方法、基于小波变换和小波包的边缘检测法、基于数学形态学、模糊理论和神经网络的边缘检测法或其他方法进行视频图像的边缘增强处理,本发明实施例对此不做限定。
通过边缘增强可以将视频图像中的边缘部分凸显出来。
第二步,对边缘增强处理过的视频图像进行二值化,得到二值化图像。
具体地,对边缘增强处理过的视频图像进行二值化,包括:
将视频图像转化为灰度图像;采用灰度图像的图像直方图确定阈值;将处理过的视频图像中灰度值高于阈值的像素置为最高灰度级(255),将处理过的视频图像中灰度值低于阈值的像素置为最低灰度级(0)。
本发明实施例中,采用上述基于图像直方图的方法确定用于二值化的阈值,从而提高二值化的精度。除了采用上述基于图像直方图的方法确定阈值外,还可以采用自适应二值化方法(如图像灰度均值法、最大熵法)或其他方法确定二值化的阈值。
第三步,对二值化图像进行车道线内外边缘点提取。
具体地,对二值化图像进行车道线内外边缘点提取,包括:
确定灰度图像的分割阈值;比较灰度图像中每个像素的灰度值与分割阈值的大小;将二值化图像中对应灰度图像中灰度值小于分割阈值的像素点删除,得到处理后的二值化图像;逐行扫描处理后的二值化图像,当依次出现连续多个255、连续多个0和连续多个255的排列时,确定两次出现的连续多个255的像素点分别为车道线内外边缘点。
其中,二值化图像中对应灰度图像中灰度值大于分割阈值的像素点为车道线候选点;二值化图像中对应灰度图像中灰度值小于分割阈值的像素点为非车道线候选点。
在第三步中,确定灰度图像的分割阈值可以包括:将视频图像转化为灰度图像;计算视频图像下半部分图像每行的图像灰度均值,然后计算视频图像每行的灰度最大值;将视频图像下半部分图像的图像灰度均值和行灰度最大值存储(如采用数组存储);根据每行的图像灰度均值、行灰度最大值计算出每行图像对应的灰度分割阈值。其中,考虑到真实场景中,左右车道线面对场景的灰度均值有所差异,可以根据每行的图像灰度均值、行灰度最大值分别计算左右两个区域的分割阈值,分割阈值的计算如下所示:
Th=Gray_mean+ω*(Gray_max-Gray_mean)其中,Th表示计算的分割阈值,Gray_mean为图像灰度均值,Gray_max为左区域或右区域行最大灰度值,ω为系数。
在进行车道线候选点选取时,也要分区域进行。
进一步地,在判断车道线的内外边缘时,除了满足上述条件外,还可以规定同时要满足条件:在第二次出现255后,出现连续的0的个数大于设定阈值。如果满足,则前面判断的为车道线,否则前面判断的不是车道线,向后继续检测。这样做可以保证在检测到两条线时,由于两条线的距离大于设定阈值,而避免了检测到的是双黄线等干扰线条,提高检测精度。
第四步,对提取后的图像数据采用分区Hough变换拟合车道线。
采用hough变换技术得到车道线极坐标半径和极坐标角度。根据车道线呈现极坐标半径和极坐标角度,采用车道线确认算法剔除干扰的非车道线,从而提升整体精度。
步骤202:根据车道线计算本车的偏航角,偏航角为本车的中轴线与所述本车所在道路之间的夹角。
首先,对摄像头的内外参数进行标定,计算摄像头的内部参数(如焦距、径向畸变、中心点位置等)和摄像头的外部参数(摄像头安装高度、俯仰角度、侧倾角度、偏航角)。根据摄像头的内外参数,采用三线标定法计算出视频图像坐标系和车体世界坐标系对应关系。
图2a是本发明实施例提供的一种视频图像坐标系的车道线示意图;将其转换成车体世界坐标系的车道线示意图可以如图2b所示,对于图像大小为1280*960大小的视频图像,设图像中第M(例如560)行与车道线的交点为A和C,与车辆中轴线的交点为E。图像中第N(例如800)行与车道线的交点为B和D,与中轴线的交点为F。设本车的偏航角为T,偏航角T=arctan((BF-AE)/EG)。在真实场景中,图像中车道线不一定同时存在。如果两条车道线都存在,则采用左侧车道线进行测量。如果仅存在一条车道线,则采用仅存在的车道线进行偏航角计算,这里不做赘述。
步骤203:根据采集的视频图像和雷达测距信息计算本车与前方车辆的距离。
其中,雷达测距信息采用毫米波雷达采集获得。雷达测距信息包括前方(可包括正前方、左前方及右前方)障碍物的个数、距离、方位信息。
具体地,根据采集的视频图像和雷达测距信息计算本车与前方车辆的距离,包括:
提取视频图像中的Haar-like特征;采用预设的分类器对提取到的Haar-like特征进行分类,确定前车底边缘位置在视频图像中的位置;根据前车底边缘位置在视频图像中的位置,确定本车与前车的距离A;采用雷达测距信息确定在本车前方距离A的位置是否存在车辆,如果存在,则确定本车与前车的距离为A。
本发明实施例中,通过Haar-like法进行图像特征提取,以从视频图像中进行前车的检测,由于Haar-like特征具有计算速度快、对边缘特征明显的刚体目标有较好的检测率等特点,可以提高该方法的效率和准确性。除了可以采用Haar-like法进行特征提取外,还可以采用主成分分析法、Gabor特征法或其他方法进行特征提取,这里不做限定。
另外,本发明中预设的分类器可以采用机器学习方法进行训练学习得到。其中,基于机器学习方法可以是:人工神经网络(ArtificialNeuralNetworks,ANN)、支持向量机(SupportVectorMachine,SVM)、自适应自推算法(AdaBoost)等。由于,使用AdaBoost算法构建的分类器的检测速度具有较高实时性,本发明实施例可以使用该算法进行分类器的构建。
其中,根据前车底边缘位置在视频图像中的位置,确定本车与前车的距离A,可以包括:首先,对摄像头内外参数进行标定,得到视频图像坐标系与世界坐标系一一映射关系;然后,根据上述映射关系和前述处理得到的前车底边缘位置所对应的行数计算出本车与前车的距离。
其中,采用雷达测距信息确定在本车前方距离A的位置是否存在车辆,可以包括:
将雷达测距信中障碍物距离与摄像头检测得到的车辆距离进行一一匹配;如果雷达探测到的障碍物的距离和摄像头检测到的车辆距离偏差小于一定阈值,则判定雷达探测到的障碍物为摄像头检测到的车辆,判定此处有车。如果障碍物的距离和摄像头检测到的车辆距离偏差大于或等于一定阈值,判定此处障碍物为干扰物,并非车辆。如果雷达没有探测到障碍物,则以摄像头检测的车辆方位为准。
步骤204:根据本车与前方车辆的距离确定预设转向角,根据偏航角和预设转向角确定实际转向角,并采用实际转向角进行变道。
具体地,本车与前方车辆的距离和预设转向角的对应关系可以事先测定并存储在本车上。通常,距离越小,预设转向角度越大。
其中,根据偏航角和预设转向角确定实际转向角,可以包括:
向左变道时:当偏航角为向左时,则实际转向角为预设转向角减去偏航角;当偏航角为向右时,则实际转向角为预设转向角加上偏航角。向右变道时:当偏航角为向左时,则实际转向角为预设转向角加上偏航角;当偏航角为向右时,则实际转向角为预设转向角减去偏航角。
进一步地,在变道前可以先确定左右车道的车况,根据左右车道车况确定向左还是向右变道。
在变道时,本车根据实际转向角控制方向盘转向,转向的时间可以预设在本车中,在转向的时间完成后,控制方向盘回正。
进一步地,步骤204还可以包括:
判断本车与前方车辆的距离的大小,当本车与前方车辆的距离在预设范围内时,控制本车进行变道;否则,不进行变道。其中,预设范围可以是5-10米或者其他范围。这样做一方面可以只在与前方距离较近时,才进行变道,减少变道次数,保证行车安全;另一方面,避免在距离过近时变道,进一步增加行车安全。
步骤205:在变道完成后,重新计算偏航角,并根据偏航角调整车身与车身所在的道路平行。
其中,偏航角的计算方法与前述步骤202相同。
图2c和图2d是本发明实施例提供的本车在从目标车辆(也即前方车辆)后变道到目标车辆旁边时两种场景示意图,如果本车位置如图2c所示,则需要将方向盘向左调整,如果本车位置如图2d所示,则需要将本车方向盘向右调整。
本发明实施例提供对采集到的视频图像的车道线进行检测,然后根据车道线计算偏航角,再利用偏航角和本车与前车的距离确定实际转向角,采用实际转向角进行变道,整个过程无需用户控制,提高了用户驾驶舒适度,在变道时考虑了车辆自身的偏航以及与前车的距离,保证了变道的安全性。
图3是本发明实施例提供的一种汽车控制装置的结构示意图,参见图3,装置包括:
车道线检测单元301,用于获取视频图像,并检测视频图像上的车道线;
偏航角计算单元302,用于根据车道线检测单元301检测到的车道线计算本车的偏航角,偏航角为本车的中轴线与所述本车所在道路之间的夹角;
车距计算单元303,用于根据采集的视频图像和雷达测距信息计算本车与前方车辆的距离;
控制单元304,用于根据车距计算单元303计算出的偏航角以及本车与前方车辆的距离确定转向角度,并采用转向角度进行超车。
本发明实施例提供对采集到的视频图像的车道线进行检测,然后根据车道线计算偏航角,再利用偏航角和本车与前车的距离确定实际转向角,采用实际转向角进行变道,整个过程无需用户控制,提高了用户驾驶舒适度,在变道时考虑了车辆自身的偏航以及与前车的距离,保证了变道的安全性。
图4是本发明实施例提供的一种汽车控制装置的结构示意图,参见图4,装置包括:
车道线检测单元401,用于获取视频图像,并检测视频图像上的车道线;
偏航角计算单元402,用于根据车道线检测单元401检测到的车道线计算本车的偏航角,偏航角为本车的中轴线与所述本车所在道路之间的夹角;
车距计算单元403,用于根据采集的视频图像和雷达测距信息计算本车与前方车辆的距离;
控制单元404,用于根据车距计算单元403计算出的偏航角以及本车与前方车辆的距离确定转向角度,并采用转向角度进行超车。
可选地,车道线检测单元401,包括:
边缘增强处理子单元411,用于对采集的视频图像进行边缘增强处理;
二值化子单元412,用于对边缘增强处理子单元411处理过的视频图像进行二值化,得到二值化图像;
边缘点提取子单元413,用于对二值化子单元412得到的二值化图像进行车道线内外边缘点提取;
拟合子单元414,用于对边缘点提取子413单元提取后的图像数据采用分区Hough变换拟合车道线。
可选地,二值化子单元412,用于:
将视频图像转化为灰度图像;采用灰度图像的图像直方图确定阈值;将处理过的视频图像中灰度值高于阈值的像素置为最高灰度级,将处理过的视频图像中灰度值低于阈值的像素置为最低灰度级。
可选地,边缘点提取子单元413,用于:
确定灰度图像的分割阈值;比较灰度图像中每个像素的灰度值与分割阈值的大小;将二值化图像中对应灰度图像中灰度值小于分割阈值的像素点删除,得到处理后的二值化图像;逐行扫描处理后的二值化图像,当出现从起始像素点到终止像素点的灰度值排列满足以下条件时,则判断为车道线的内外边缘:连续多个255和连续多个0交替排列。
可选地,车距计算单元403,包括:
特征提取子单元431,用于提取视频图像中的Haar-like特征;
分类子单元432,用于采用预设的分类器对特征提取子单元431提取到的Haar-like特征进行分类,确定前车底边缘位置在视频图像中的位置;
第一确定子单元433,用于根据分类子单元432确定出的前车底边缘位置在视频图像中的位置,确定本车与前车的距离A;
第二确定子单元434,用于采用雷达测距信息确定在本车前方距离A的位置是否存在车辆,如果存在,则确定本车与前车的距离为A。
本发明实施例提供对采集到的视频图像的车道线进行检测,然后根据车道线计算偏航角,再利用偏航角和本车与前车的距离确定实际转向角,采用实际转向角进行变道,整个过程无需用户控制,提高了用户驾驶舒适度,在变道时考虑了车辆自身的偏航以及与前车的距离,保证了变道的安全性。
需要说明的是:上述实施例提供的汽车控制装置在进行汽车控制时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的汽车控制装置与汽车控制方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种汽车控制方法,其特征在于,所述方法包括:
获取视频图像,并检测所述视频图像上的车道线;
根据所述车道线计算本车的偏航角,所述偏航角为本车的中轴线与所述本车所在道路之间的夹角;
根据所述视频图像计算所述本车与前方车辆的距离;
根据所述本车与前方车辆的距离确定预设转向角,根据所述偏航角和所述预设转向角确定实际转向角,并采用所述实际转向角进行变道。
2.根据权利要求1所述的方法,其特征在于,所述检测所述视频图像上的车道线,包括:
对所述视频图像进行边缘增强处理;
对边缘增强处理过的所述视频图像进行二值化,得到二值化图像;
对所述二值化图像进行车道线内外边缘点提取;
对提取后的图像数据采用分区Hough变换拟合车道线。
3.根据权利要求2所述的方法,其特征在于,所述对边缘增强处理过的所述视频图像进行二值化,包括:
将所述视频图像转化为灰度图像;
采用所述灰度图像的图像直方图确定阈值;
将处理过的所述视频图像中灰度值高于所述阈值的像素置为最高灰度级,将处理过的所述视频图像中灰度值低于所述阈值的像素置为最低灰度级。
4.根据权利要求3所述的方法,其特征在于,所述对所述二值化图像进行车道线内外边缘点提取,包括:
确定所述灰度图像的分割阈值;
比较所述灰度图像中每个像素的灰度值与分割阈值的大小;
将所述二值化图像中对应所述灰度图像中灰度值小于分割阈值的像素点删除,得到处理后的二值化图像;
逐行扫描所述处理后的二值化图像,当依次出现连续多个255、连续多个0和连续多个255的排列时,确定两次出现的连续多个255的像素点分别为车道线内外边缘点。
5.根据权利要求1所述的方法,其特征在于,所述根据所述视频图像计算所述本车与前方车辆的距离,包括:
提取所述视频图像中的Haar-like特征;
采用预设的分类器对提取到的Haar-like特征进行分类,确定前车底边缘位置在所述视频图像中的位置;
根据所述前车底边缘位置在所述视频图像中的位置,确定所述本车与前车的距离A;
采用雷达测距信息确定在所述本车前方距离A的位置是否存在车辆,如果存在车辆,则确定所述本车与前车的距离为A。
6.一种汽车控制装置,其特征在于,所述装置包括:
车道线检测单元,用于获取视频图像,并检测所述视频图像上的车道线;
偏航角计算单元,用于根据所述车道线检测单元检测到的所述车道线计算本车的偏航角,所述偏航角为本车的中轴线与所述本车所在道路之间的夹角;
车距计算单元,用于根据所述视频图像计算所述本车与前方车辆的距离;
控制单元,用于根据所述车距计算单元计算出的所述本车与前方车辆的距离确定预设转向角,根据所述偏航角和所述预设转向角确定实际转向角,并采用所述实际转向角进行变道。
7.根据权利要求6所述的装置,其特征在于,所述车道线检测单元,包括:
边缘增强处理子单元,用于对所述视频图像进行边缘增强处理;
二值化子单元,用于对所述边缘增强处理子单元处理过的所述视频图像进行二值化,得到二值化图像;
边缘点提取子单元,用于对所述二值化子单元得到的所述二值化图像进行车道线内外边缘点提取;
拟合子单元,用于对所述边缘点提取子单元提取后的图像数据采用分区Hough变换拟合车道线。
8.根据权利要求7所述的装置,其特征在于,所述二值化子单元,用于:
将所述视频图像转化为灰度图像;
采用所述灰度图像的图像直方图确定阈值;
将处理过的所述视频图像中灰度值高于所述阈值的像素置为最高灰度级,将处理过的所述视频图像中灰度值低于所述阈值的像素置为最低灰度级。
9.根据权利要求8所述的装置,其特征在于,所述边缘点提取子单元,用于:
确定所述灰度图像的分割阈值;
比较所述灰度图像中每个像素的灰度值与分割阈值的大小;
将所述二值化图像中对应所述灰度图像中灰度值小于分割阈值的像素点删除,得到处理后的二值化图像;
逐行扫描所述处理后的二值化图像,当依次出现连续多个255、连续多个0和连续多个255的排列时,确定两次出现的连续多个255的像素点分别为车道线内外边缘点。
10.根据权利要求6所述的装置,其特征在于,所述车距计算单元,包括:
特征提取子单元,用于提取所述视频图像中的Haar-like特征;
分类子单元,用于采用预设的分类器对所述特征提取子单元提取到的Haar-like特征进行分类,确定前车底边缘位置在所述视频图像中的位置;
第一确定子单元,用于根据所述分类子单元确定出的前车底边缘位置在所述视频图像中的位置,确定所述本车与前车的距离A;
第二确定子单元,用于采用雷达测距信息确定在所述本车前方距离A的位置是否存在车辆,如果存在车辆,则确定所述本车与前车的距离为A。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510873962.2A CN105460009B (zh) | 2015-11-30 | 2015-11-30 | 汽车控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510873962.2A CN105460009B (zh) | 2015-11-30 | 2015-11-30 | 汽车控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105460009A true CN105460009A (zh) | 2016-04-06 |
CN105460009B CN105460009B (zh) | 2018-08-14 |
Family
ID=55598291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510873962.2A Active CN105460009B (zh) | 2015-11-30 | 2015-11-30 | 汽车控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105460009B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106098720A (zh) * | 2016-06-20 | 2016-11-09 | 深圳市华星光电技术有限公司 | 微发光二极管显示器 |
CN107066952A (zh) * | 2017-03-15 | 2017-08-18 | 中山大学 | 一种车道线检测方法 |
CN107330356A (zh) * | 2017-05-15 | 2017-11-07 | 开易(北京)科技有限公司 | 一种基于学习的在线车道变线预测方法及系统 |
CN107370984A (zh) * | 2016-05-13 | 2017-11-21 | 和硕联合科技股份有限公司 | 接收影像的方法、提供影像的方法及电子装置 |
WO2018059585A1 (zh) * | 2016-09-30 | 2018-04-05 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN107953827A (zh) * | 2016-10-18 | 2018-04-24 | 杭州海康威视数字技术股份有限公司 | 一种车辆盲区预警方法及装置 |
CN107958225A (zh) * | 2017-12-14 | 2018-04-24 | 阜阳裕晟电子科技有限公司 | 一种基于视频图像处理的车道线提取方法 |
CN109389650A (zh) * | 2018-09-30 | 2019-02-26 | 京东方科技集团股份有限公司 | 一种车载相机的标定方法、装置、车辆和存储介质 |
CN110196062A (zh) * | 2019-06-27 | 2019-09-03 | 成都圭目机器人有限公司 | 一种单相机跟踪车道线的导航方法 |
CN111241894A (zh) * | 2018-11-28 | 2020-06-05 | 海信集团有限公司 | 一种检测车道线的方法及车载设备 |
CN112406884A (zh) * | 2019-08-20 | 2021-02-26 | 北京地平线机器人技术研发有限公司 | 车辆行驶状态的识别方法和装置、存储介质、电子设备 |
CN112428989A (zh) * | 2020-10-30 | 2021-03-02 | 惠州华阳通用电子有限公司 | 一种车辆控制方法 |
CN114212101A (zh) * | 2021-11-29 | 2022-03-22 | 江铃汽车股份有限公司 | 一种自动驾驶定位方法、系统及汽车 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971081A (zh) * | 2013-01-25 | 2014-08-06 | 株式会社理光 | 多车道检测方法和系统 |
CN104077756A (zh) * | 2014-07-16 | 2014-10-01 | 中电海康集团有限公司 | 一种基于车道线置信度的方向滤波方法 |
CN104477167A (zh) * | 2014-11-26 | 2015-04-01 | 浙江大学 | 一种智能驾驶系统及其控制方法 |
CN104680815A (zh) * | 2013-12-03 | 2015-06-03 | 现代自动车株式会社 | 车道变换确定设备、交叉口进入确定设备及其方法 |
CN105073542A (zh) * | 2013-04-01 | 2015-11-18 | 朴秀旼 | 汽车自动驾驶系统 |
-
2015
- 2015-11-30 CN CN201510873962.2A patent/CN105460009B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971081A (zh) * | 2013-01-25 | 2014-08-06 | 株式会社理光 | 多车道检测方法和系统 |
CN105073542A (zh) * | 2013-04-01 | 2015-11-18 | 朴秀旼 | 汽车自动驾驶系统 |
CN104680815A (zh) * | 2013-12-03 | 2015-06-03 | 现代自动车株式会社 | 车道变换确定设备、交叉口进入确定设备及其方法 |
CN104077756A (zh) * | 2014-07-16 | 2014-10-01 | 中电海康集团有限公司 | 一种基于车道线置信度的方向滤波方法 |
CN104477167A (zh) * | 2014-11-26 | 2015-04-01 | 浙江大学 | 一种智能驾驶系统及其控制方法 |
Non-Patent Citations (1)
Title |
---|
韦庭: "《基于单目视觉的辅助驾驶系统中的图像处理研究》", 1 April 2012 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370984A (zh) * | 2016-05-13 | 2017-11-21 | 和硕联合科技股份有限公司 | 接收影像的方法、提供影像的方法及电子装置 |
CN106098720A (zh) * | 2016-06-20 | 2016-11-09 | 深圳市华星光电技术有限公司 | 微发光二极管显示器 |
CN107886770B (zh) * | 2016-09-30 | 2020-05-22 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
WO2018059585A1 (zh) * | 2016-09-30 | 2018-04-05 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN107886770A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN107953827A (zh) * | 2016-10-18 | 2018-04-24 | 杭州海康威视数字技术股份有限公司 | 一种车辆盲区预警方法及装置 |
CN107066952A (zh) * | 2017-03-15 | 2017-08-18 | 中山大学 | 一种车道线检测方法 |
CN107330356A (zh) * | 2017-05-15 | 2017-11-07 | 开易(北京)科技有限公司 | 一种基于学习的在线车道变线预测方法及系统 |
CN107958225A (zh) * | 2017-12-14 | 2018-04-24 | 阜阳裕晟电子科技有限公司 | 一种基于视频图像处理的车道线提取方法 |
CN109389650A (zh) * | 2018-09-30 | 2019-02-26 | 京东方科技集团股份有限公司 | 一种车载相机的标定方法、装置、车辆和存储介质 |
US10922843B2 (en) | 2018-09-30 | 2021-02-16 | Boe Technology Group Co., Ltd. | Calibration method and calibration device of vehicle-mounted camera, vehicle and storage medium |
CN111241894A (zh) * | 2018-11-28 | 2020-06-05 | 海信集团有限公司 | 一种检测车道线的方法及车载设备 |
CN110196062A (zh) * | 2019-06-27 | 2019-09-03 | 成都圭目机器人有限公司 | 一种单相机跟踪车道线的导航方法 |
CN110196062B (zh) * | 2019-06-27 | 2022-03-25 | 成都圭目机器人有限公司 | 一种单相机跟踪车道线的导航方法 |
CN112406884A (zh) * | 2019-08-20 | 2021-02-26 | 北京地平线机器人技术研发有限公司 | 车辆行驶状态的识别方法和装置、存储介质、电子设备 |
CN112428989A (zh) * | 2020-10-30 | 2021-03-02 | 惠州华阳通用电子有限公司 | 一种车辆控制方法 |
CN112428989B (zh) * | 2020-10-30 | 2022-03-11 | 惠州华阳通用电子有限公司 | 一种车辆控制方法 |
CN114212101A (zh) * | 2021-11-29 | 2022-03-22 | 江铃汽车股份有限公司 | 一种自动驾驶定位方法、系统及汽车 |
CN114212101B (zh) * | 2021-11-29 | 2024-01-26 | 江铃汽车股份有限公司 | 一种自动驾驶定位方法、系统及汽车 |
Also Published As
Publication number | Publication date |
---|---|
CN105460009B (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105460009A (zh) | 汽车控制方法及装置 | |
US11694430B2 (en) | Brake light detection | |
CN106585623B (zh) | 一种用于探测车辆周围目标的探测系统以及其应用 | |
CN110386065B (zh) | 车辆盲区的监控方法、装置、计算机设备及存储介质 | |
US8605947B2 (en) | Method for detecting a clear path of travel for a vehicle enhanced by object detection | |
US9165468B2 (en) | Video based intelligent vehicle control system | |
CN107972662A (zh) | 一种基于深度学习的车辆前向碰撞预警方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
US20160335508A1 (en) | Vehicle detection system and method | |
US20180060676A1 (en) | Method and device for detecting and evaluating environmental influences and road condition information in the vehicle surroundings | |
CN107316486A (zh) | 基于双摄像头的无人驾驶汽车视觉识别系统 | |
CN105216797A (zh) | 超车方法及系统 | |
Swaminathan et al. | Autonomous driving system with road sign recognition using convolutional neural networks | |
CN103020948A (zh) | 智能车载防撞预警系统中的夜间图像特征提取方法 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN110796102B (zh) | 一种车辆目标感知系统及方法 | |
CN108830131B (zh) | 基于深度学习的交通目标检测与测距方法 | |
Liu et al. | Vision-based long-distance lane perception and front vehicle location for full autonomous vehicles on highway roads | |
CN104268859A (zh) | 一种用于夜间车道线检测的图像预处理方法 | |
Chen | Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence | |
CN105760876A (zh) | 一种基于散热器栅格背景消融的车标定位方法 | |
WO2021148510A1 (en) | Method and apparatus for evaluating maps for autonomous driving and vehicle | |
US20210094612A1 (en) | Vehicle trajectory prediction using road topology and traffic participant object states | |
EP4113377A1 (en) | Use of dbscan for lane detection | |
CN113611008B (zh) | 一种车辆行驶场景采集方法、装置、设备及介质 |
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 |