CN107341478A - 一种辅助驾驶系统的车辆检测方法及其装置 - Google Patents
一种辅助驾驶系统的车辆检测方法及其装置 Download PDFInfo
- Publication number
- CN107341478A CN107341478A CN201710560448.2A CN201710560448A CN107341478A CN 107341478 A CN107341478 A CN 107341478A CN 201710560448 A CN201710560448 A CN 201710560448A CN 107341478 A CN107341478 A CN 107341478A
- Authority
- CN
- China
- Prior art keywords
- detected
- weak classifier
- vehicle
- determined
- subregion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
-
- 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
-
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种辅助驾驶系统的车辆检测方法,用以减少当前车辆在检测前方车辆时处理器的计算压力,从而减少处理器的运行时间。所述辅助驾驶系统的车辆检测方法,该方法包括:获取待检测图像,并确定所述待检测图像中的车道线的位置;根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域;根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,T为正整数。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种辅助驾驶系统的车辆检测方法及其装置。
背景技术
车辆检测和车道线检测是智能辅助驾驶系统最基本的2个功能,使用的传感器一般为单目摄像机,将摄像机采集到的图像利用计算机视觉算法进行处理得到图像中的车道线和车辆,从而采取一定的辅助操作。
辅助驾驶系统组成如图1所示,包括处理器1、摄像头2、显示装置3和车辆本身4。处理器1负责接收摄像头2信息并进行处理,同时接收来自车辆本身4的速度信息,用于后续的判断。处理器1将处理的结果显示在显示装置3上,显示装置3放置在车辆本身4上,用于提示驾驶员当前道路状况。
现有技术中,针对辅助驾驶系统在车辆检测方式中,通过训练得到多个弱分类器后,将获取的待检测画面分为多个子区域,分别检测每一子区域中是否存在被检测车辆。然而获取的待检测画面中,位于最上面的部分一般为天空或者楼房等区域,位于最下面的区域一般为地面道路,因此在对整个待检测画面进行检测时,由于最上面部分和最下面部分中不存在被检测车辆,而照样对该部分进行检测,从而增加了当前车辆的处理器的计算负荷,增加了处理器的运行时间。
发明内容
本发明提供了一种辅助驾驶系统的车辆检测方法,用以减少当前车辆在检测前方车辆时处理器的计算压力,从而减少处理器的运行时间。
本发明实施例提供了一种辅助驾驶系统的车辆检测方法,该方法包括:
获取待检测图像,并确定所述待检测图像中的车道线的位置;
根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域;
根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,T为正整数。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测方法中,根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域,包括:
根据所述车道线的消失点,确定所述待检测图像中的有效区域的上边界;
根据当前车辆的速度,确定所述待检测图像中的有效区域的下边界。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测方法中,通过下述方式确定所述待检测图像中的有效区域的下边界:
d=k*v;
其中,d为待检测图像的下边界距有效区域的下边界的距离,k为权重系数,v为当前车辆的速度。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测方法中,根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,包括:
通过滑框方式逐渐检测所述有效区域内的每一子区域,以及确定每一子区域所对应的特征值;
将每一子区域所对应的特征值,与预设的T个弱分类器中的第一个弱分类器进行比较,若该子区域所对应的特征值大于或等于所述第一个弱分类器中所有节点的阈值,则确定该子区域为待选区域;
根据下述公式确定该待选区域的H1的值是否大于或等于第一阈值,若是,则依次与下一个弱分类器进行比较,并确定该待选区域的Ht的值大于或等于所述第一阈值,直到与最后一个弱分类器比较,并确定HT大于或等于所述第一阈值时,则确定该子区域中存在被检测的车辆;其中,
Ht为第t个强分类器所对应的值,αt为第t个弱分类器所对应的权重系数,ht为第t个弱分类器所对应的阈值。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测方法中,
若该子区域所对应的特征值小于所述T个的弱分类器中任一弱分类器中节点的阈值,则确定该子区域不存在被检测的车辆。
相应地,本发明实施例还提供了一种辅助驾驶系统的车辆检测装置,该装置包括:
获取单元,用于获取待检测图像,并确定所述待检测图像中的车道线的位置;
处理单元,根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域;根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,T为正整数。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测装置中,所述处理单元根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域,具体用于:
根据所述车道线的消失点,确定所述待检测图像中的有效区域的上边界;
根据当前车辆的速度,确定所述待检测图像中的有效区域的下边界。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测装置中,通过下述方式确定所述待检测图像中的有效区域的下边界:
d=k*v;
其中,d为待检测图像的下边界距有效区域的下边界的距离,k为权重系数,v为当前车辆的速度。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测装置中,所述处理单元根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,具体用于:
通过滑框方式逐渐检测所述有效区域内的每一子区域,以及确定每一子区域所对应的特征值;
将每一子区域所对应的特征值,与预设的T个弱分类器中的第一个弱分类器进行比较,若该子区域所对应的特征值大于或等于所述第一个弱分类器中所有节点的阈值,则确定该子区域为待选区域;
根据下述公式确定该待选区域的H1的值是否大于或等于第一阈值,若是,则依次与下一个弱分类器进行比较,并确定该待选区域的Ht的值大于或等于所述第一阈值,直到与最后一个弱分类器比较,并确定HT大于或等于所述第一阈值时,则确定该子区域中存在被检测的车辆;其中,
Ht为第t个强分类器所对应的值,αt为第t个弱分类器所对应的权重系数,ht为第t个弱分类器所对应的阈值。
在一种可能的实施方式中,本发明实施例提供的上述车辆检测装置中,所述处理单元还用于:
若该子区域所对应的特征值小于所述T个的弱分类器中任一弱分类器中节点的阈值,则确定该子区域不存在被检测的车辆。
本发明有益效果如下:
本发明实施例提供的辅助驾驶系统的车辆检测方法中,首先获取待检测图像,并确定所述待检测图像中的车道线的位置;然后根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域;最后根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆。因此,本发明实施例中在对车辆进行检测时,仅是在待检测图像中有效区域内进行检测,从而确定被检测车辆。相比现有技术中,通过对待检测图像进行车辆检测,本发明实施例中车辆检测方法中,需要检测的有效区域明显小于待检测图像,从而减小了当前车辆在检测前方车辆时处理器的计算压力,从而减少处理器的运行时间。
附图说明
图1为现有技术提供的一种辅助驾驶系统的结构示意图;
图2为本发明实施例提供的一种辅助驾驶系统的车辆检测方法的流程示意图;
图3为本发明实施例提供的一种弱分类器的结构示意图;
图4为本发明实施例提供的一种待检测图像的区域分布图;
图5为本发明实施例提供的一种辅助驾驶系统的车辆检测装置的结构示意图。
具体实施方式
需要说明的是,在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
本发明实施例提供了一种辅助驾驶系统的车辆检测方法,用以减少当前车辆在检测前方车辆时处理器的计算压力,从而减少处理器的运行时间。
参见图2,本发明实施例提供了一种辅助驾驶系统的车辆检测方法,该方法包括:
S201、获取待检测图像,并确定待检测图像中的车道线的位置;
步骤S201中,获取待检测图像的方式可以采用车辆中安装的摄像头拍摄前方的画面而得到待检测的图像。或者采用其他方式,在此不做具体限定。其中,确定待检测图像中的车道线的位置,可以采用现有技术中的车道线检测方式中的任一种方法进行确定。例如,通过获取的待检测图像,对图像进行逆透视映射(Inverse Perspective Mapping,IPM),使得待检测图像变成俯视图;然后对该俯视图进行Hough变换后进行直线检测,再利用PANSAC样条曲线进行拟合,从而得到当前车辆所在的车道线。一般地,确定待检测图像中的车道线为当前车辆所在的车道线,且该车道线包括左右两侧的车道线。
S202、根据车道线的位置,以及当前车辆的速度,确定待检测图像中的有效区域;
需要说明的是,本发明实施例中的有效区域为待检测图像的部分区域,例如,待检测图像中,位于待检测图像最上面的区域一般为天空或者楼房等画面,位于待检测图像最下面的区域一般为地面,或者当前车辆的车身,则待检测图像的存在被检测车辆的区域仅为除去最上面部分和最下面部分的中间部分,因此将中间部分作为有效区域。因此,本发明实施例中的有效区域仅为待检测图像的一部分,显然小于待检测图像,且有效区域中包括被检测的车辆。
S203、根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定有效区域内的被检测的车辆,T为正整数。
一般地,对车辆检测时主要包括训练和检测两个流程,训练主要是为了获取T个弱分类器,以及每一弱分类器所对应的阈值,检测主要是通过训练得到的弱分类器对有效区域内的画面进行检测,从而确定被检测车辆的位置。具体地,本发明实施例中预设的T个弱分类器可以采用现有技术中任一种训练方法得到,在此不做具体限定。
例如,训练的流程包括:
(1)收集包含车辆的图像并进行标注,将图像中的车辆区域取出,并缩放到固定大小的图片中,作为训练的正样本;并从图像中取出预设数量的不包含车辆区域的区域,缩放到与正样本的大小相同的尺寸,作为训练的负样本;
(2)分别计算正样本和负样本的特征值,其中,该特征值包括LUV图像通道、6个方向的方向梯度直方图通道、图像的梯度幅值通道共10个通道特征值,将计算得到的10个通道特征值进行归一化作为训练的特征值;
(3)将正样本和负样本计算的特征值利用adaboost算法进行训练,得到多个强分类器,且多个强分类器分别由T(T为正整数)个弱分类器组成,本发明实施例中的弱分类器是通过训练多个具有车辆的正样本以及多个不具有车辆的负样而本得到的。且弱分类器可以采用二分决策树、逻辑回归、神经网络等算法得到。在此,仅以弱分类器采用二分决策树的算法进行确定的方式进行举例,但不限于该方式。
每一弱分类器为二分决策树,如图3所示,每一弱分类器的深度可以为5层或者更少或者更多,在此不做具体限定。且每一弱分类器的决策树的节点的数值是通过训练中得到的阈值,通过将待检测的区域所对应的特征值与弱分类器决策树节点的阈值进行比较,从而可以区分出该区域是正样本还是负样本。每一弱分类器的最后一行均可以确定为正样本还是负样本。参见图3所示,正样本用1表示,负样本用0表示。如图3所示,椭圆表示需要判断的弱分类器的节点所对应的阈值,当子区域的特征值大于节点所对应的阈值,则走向下一个节点,并进行判断,直到判断到该子区域所对应的特征值为0或是1。其中,圆表示判断后的终结点,即判断后可以确定该子区域的特征值所对应的值为0还是1,若是为0,则确定该子区域为负样本,若为1,则确定该子区域为正样本。
其中,T个弱分类器用于对有效区域进行车辆检测,从而确定有效区域中是否存在被检测车辆。下面再详细描述通过弱分类器确定是否存在被检测车辆的方法。
本发明实施例提供的辅助驾驶系统的车辆检测方法中,首先获取待检测图像,并确定待检测图像中的车道线的位置;然后根据车道线的位置,以及当前车辆的速度,确定待检测图像中的有效区域;最后根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定有效区域内的被检测的车辆。因此,本发明实施例中在对车辆进行检测时,仅是在待检测图像中有效区域内进行检测,从而确定被检测车辆。相比现有技术中,通过对待检测图像进行车辆检测,本发明实施例中车辆检测方法中,需要检测的有效区域明显小于待检测图像,从而减小了当前车辆在检测前方车辆时处理器的计算压力,从而减少处理器的运行时间。
在具体实施例中,本发明实施例提供的上述车辆检测方法中,步骤S202根据车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域,包括:根据车道线的消失点,确定待检测图像中的有效区域的上边界;根据当前车辆的速度,确定待检测图像中的有效区域的下边界。
具体地,本发明实施例通过将待检测图像中的天空区域或者楼房区域,地面区域或当前车辆的车身区域去掉,从而将剩下的部分作为有效区域;确定有效区域后,仅对有效区域进行车辆检测,从而减少了车辆检测的次数,减少了处理器的计算压力。其中,待检测图像中的车道线一般为两个车道线,在当前车辆正前方的两个车道线会随着距离逐渐增大而逐渐靠近而消失。因此,在确定有效区域时,将当前两个车道线交叉点的纵坐标(交叉点所在的水平方向上的延长线)作为有效区域的上边界。由于当前车辆的车速不一样,获取的待检测图像的画面不一样,且拍摄到的前方车辆的距离也不一样。因此,在确定有效区域的下边界时,可以根据当前车辆的车速进行确定。
在具体实施例中,经过多次反复试验,并通过多次试验获得的数据,可以通过下述方式确定待检测图像中的有效区域的下边界:
d=k*v;(1)
其中,d为待检测图像的下边界距有效区域的下边界的距离,k为权重系数,v为当前车辆的速度。
本发明实施例通过多次试验和数学建模的方式得到公式(1)的关系:例如,初始时设置大地区域为待检测图像区域的10%,然后统计不同情况下的车辆检测的下边界距离待检测图像下边界的距离,进行数据统计,统计当前车辆的速度v及该速度对应的下边界d的值,然后通过线性回归思想对统计的多个值进行线性建模,从而得到上述公式(1),并可以直接应用在动态选取下边界d的位置,从而减少了车辆检测过程中检测的区域,加快了车辆检测的速度。
需要说明的是,本发明实施例中仅以考虑了当前车辆的速度的因素,确定有效区域的下边界的位置。在实际应用中,为了更加精确地确定有效区域的下边界的位置,可以再加上其他因素,如道路的弯曲程度,对有关当前车辆的速度、当前道路的弯曲角度,等因素进行数据统计,从而通过线性回归思想建立数学模型,从而确定有效区域的下边界的位置。因此,只要是采用数据统计,计算有效区域的下边界的位置,进而确定有效区域的思想,均属于本发明的保护范围。
在具体实施例中,本发明实施例提供的上述车辆检测方法中,步骤S203根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定有效区域内的被检测的车辆,包括:
通过滑框方式逐渐检测有效区域内的每一子区域,以及确定每一子区域所对应的特征值;
将每一子区域所对应的特征值,与预设的T个弱分类器中的第一个弱分类器进行比较,若该子区域所对应的特征值大于或等于所述第一个弱分类器中所有节点的阈值,则确定该子区域为待选区域;
根据下述公式确定该待选区域的H1的值是否大于或等于第一阈值,若是,则依次与下一个弱分类器进行比较,并确定该待选区域的Ht的值大于或等于所述第一阈值,直到与最后一个弱分类器比较,并确定HT大于或等于所述第一阈值时,则确定该子区域中存在被检测的车辆;其中,
Ht为第t个强分类器所对应的值,αt为第t个弱分类器所对应的权重系数,ht为第t个弱分类器所对应的阈值。
具体地,如图4所示的待检测图像,其中通过车道线01和车道线02的交叉点O确定了有效区域的上边界,通过上述公式(1)确定了有效区域的下边界,图4中两个虚线和待检测图像的边界所围成的区域为有效区域03。
对有效区域进行车辆检测的方法,包括步骤:
步骤一、通过滑框04检测有效区域03,每移动一次滑框04确定一个子区域,对该子区域内的图像进行检测,比较该子区域内的特征值与T个弱分类器的阈值的大小。
例如,有T个弱分类器,每一弱分类器可以如图3所示的结构,将滑框确定的子区域中的特征值与第一个弱分类器决策树的节点中的阈值进行比较,参见图3所示的一个弱分类器:具体地,将子区域所对应的特征值与弱分类器决策树中的第一个节点进行比较,若子区域所对应的特征值小于第一个节点中的阈值,则确定该子区域为负样本,直接丢弃该子区域;若该子区域所对应的特征值与弱分类器决策树中的第一个节点进行比较,子区域所对应的特征值大于或等于第一个节点中的阈值,则继续与第二个节点进行比较,依次比较每一个节点中的阈值,直到该子区域经过多次判断后得到的值为1,则确定该子区域为可能包含目标的待选区域。
按照步骤一的方式依次确定每一子区域是为可能包含目标的区域或者不包含目标的区域,将每一个可能包含目标的子区域作为待选区域。
步骤二、当子区域通过一个弱分类器(例如第1个弱分类器)判断该子区域为待选区域之后,将第1个弱分类器所对应的阈值h1与该第1个弱分类器所对应的权重系数α1相乘,并将相乘之后的值α1h1与第一阈值进行比较,其中,第一阈值一般为-1,也可以为其它值,在此不做具体限定。若α1h1大于第一阈值,则将该待选区域与下一个弱分类器(例如第2个弱分类器)进行比较,并采用步骤一的方式,确定该待选区域判定后的值为0还是1,若为0,则放弃该待选区域;若确定待选区域判定之后的值为1,则该第2个弱分类器所对应的阈值h2与该第2个弱分类器所对应的权重系数α2相乘,且将h1α1+h2α2的值与第一阈值进行比较,若小于第一阈值,则放弃该待选区域;若大于第一阈值,则继续与第3个弱分类器进行比较;直到比较到第T个弱分类器,且满足的值大于或等于第一阈值,则确定该待选区域为目标区域,存在待检测车辆。
需要说明的是,无论任何一个弱分类器(假设第i个弱分类器)在做步骤一的判断时如果被判断为0,那么该子区域就直接被丢弃,不再进行后续判断;如果第i个弱分类器在步骤一中被判断为1,被作为待选区域,那么计算αihi+...+α2h2+α1h1是否大于或等于第一阈值,如果大于或等于第一阈值,那么再进行后续第i+1个分类器的判断,如果αihi+...+α2h2+α1h1<第一阈值,则此子区域直接被丢弃,不再进行后续判断。
步骤三、按照步骤一和步骤二的方式依次移动滑框,并依次检测每一子区域,并确定该子区域是否存在被检测车辆。
由此可见,每滑动一次滑框确定该滑框所对应的子区域,判断该子区域中是否存在被检测车辆,需要满足两个条件:条件一、该子区域所对应的特征值均大于T个弱分类器中节点所对应的特征值;条件二、该T个弱分类器所对应的阈值通过上述公式(2)得到的HT大于或等于第一阈值;其中,第一阈值可以为-1或其他值。
需要说明的是,有效区域中可能有多个车辆,根据拍摄位置,距离当前车辆较远的车辆较小,且出现相撞的可能较小。为了进一步减少检测有效区域的次数,以及避免检测到的车辆的距当前车辆的距离较远,且出现相撞可能小较小的情况,本发明实施例中的滑块可以适应性地变大,使得每一滑框所对应的像素数大于第二阈值。且第二阈值的大小可以根据实际情况进行确定。其中,确定第二阈值的方式可以采用下述方式,如,通过统计多个当前车辆获取的图像中被检测车辆的尺寸,确定被检测车辆所占用的像素数,然后根据多张图像获取的被检测车辆的像素数,确定第二阈值的范围。
本发明实施例中,通过将滑块所对应的像素数大于第二阈值,从而进一步减少了检测有效区域的次数,而且由于该第二阈值是根据被检测车辆的尺寸确定的,使得通过该尺寸的滑块对有效区域进行检测,进一步忽略了检测到的距离当前车辆较远的车辆,从而有效地确定了距离当前车辆较近的被检测车辆。
在具体实施例中,本发明实施例提供的上述车辆检测方法中,若该子区域所对应的特征值小于T个的弱分类器中任一弱分类器中节点的阈值,则确定该子区域不存在被检测的车辆。
具体地,当子区域所对应的特征值不符合上述条件一或条件二,则确定该子区域不存在被检测车辆。
基于同一发明思想,参见图5,本发明实施例还提供了一种辅助驾驶系统的车辆检测装置,该装置包括:
获取单元51,用于获取待检测图像,并确定所述待检测图像中的车道线的位置;
处理单元52,根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域;根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,T为正整数。
在具体实施例中,本发明实施例提供的上述车辆检测装置中,处理单元52根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域,具体用于:
根据所述车道线的消失点,确定所述待检测图像中的有效区域的上边界;
根据当前车辆的速度,确定所述待检测图像中的有效区域的下边界。
在具体实施例中,本发明实施例提供的上述车辆检测装置中,通过下述方式确定所述待检测图像中的有效区域的下边界:
d=k*v;
其中,d为待检测图像的下边界距有效区域的下边界的距离,k为权重系数,v为当前车辆的速度。
在具体实施例中,本发明实施例提供的上述车辆检测装置中,处理单元52根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,具体用于:
通过滑框方式逐渐检测所述有效区域内的每一子区域,以及确定每一子区域所对应的特征值;
将每一子区域所对应的特征值,与预设的T个弱分类器中的第一个弱分类器进行比较,若该子区域所对应的特征值大于或等于所述第一个弱分类器中所有节点的阈值,则确定该子区域为待选区域;
根据下述公式确定该待选区域的H1的值是否大于或等于第一阈值,若是,则依次与下一个弱分类器进行比较,并确定该待选区域的Ht的值大于或等于所述第一阈值,直到与最后一个弱分类器比较,并确定HT大于或等于所述第一阈值时,则确定该子区域中存在被检测的车辆;其中,
Ht为第t个强分类器所对应的值,αt为第t个弱分类器所对应的权重系数,ht为第t个弱分类器所对应的阈值。
在具体实施例中,本发明实施例提供的上述车辆检测装置中,处理单元52还用于:
若该子区域所对应的特征值小于所述T个的弱分类器中任一弱分类器中节点的阈值,则确定该子区域不存在被检测的车辆。
综上所述,本发明实施例提供的辅助驾驶系统的车辆检测方法中,首先获取待检测图像,并确定待检测图像中的车道线的位置;然后根据车道线的位置,以及当前车辆的速度,确定待检测图像中的有效区域;最后根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定有效区域内的被检测的车辆。因此,本发明实施例中在对车辆进行检测时,仅是在待检测图像中有效区域内进行检测,从而确定被检测车辆。相比现有技术中,通过对待检测图像进行车辆检测,本发明实施例中车辆检测方法中,需要检测的有效区域明显小于待检测图像,从而减小了当前车辆在检测前方车辆时处理器的计算压力,从而减少处理器的运行时间。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种辅助驾驶系统的车辆检测方法,其特征在于,该方法包括:
获取待检测图像,并确定所述待检测图像中的车道线的位置;
根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域;
根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,T为正整数。
2.根据权利要求1所述的方法,其特征在于,根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域,包括:
根据所述车道线的消失点,确定所述待检测图像中的有效区域的上边界;
根据当前车辆的速度,确定所述待检测图像中的有效区域的下边界。
3.根据权利要求2所述的方法,其特征在于,通过下述方式确定所述待检测图像中的有效区域的下边界:
d=k*v;
其中,d为待检测图像的下边界距有效区域的下边界的距离,k为权重系数,v为当前车辆的速度。
4.根据权利要求3所述的方法,其特征在于,根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,包括:
通过滑框方式逐渐检测所述有效区域内的每一子区域,以及确定每一子区域所对应的特征值;
将每一子区域所对应的特征值,与预设的T个弱分类器中的第一个弱分类器进行比较,若该子区域所对应的特征值大于或等于所述第一个弱分类器中所有节点的阈值,则确定该子区域为待选区域;
根据下述公式确定该待选区域的H1的值是否大于或等于第一阈值,若是,则依次与下一个弱分类器进行比较,并确定该待选区域的Ht的值大于或等于所述第一阈值,直到与最后一个弱分类器比较,并确定HT大于或等于所述第一阈值时,则确定该子区域中存在被检测的车辆;其中,
<mrow>
<msub>
<mi>H</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<msub>
<mi>h</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>t</mi>
<mo>&le;</mo>
<mi>T</mi>
<mo>;</mo>
</mrow>
Ht为第t个强分类器所对应的值,αt为第t个弱分类器所对应的权重系数,ht为第t个弱分类器所对应的阈值。
5.根据权利要求4所述的方法,其特征在于,
若该子区域所对应的特征值小于所述T个弱分类器中任一弱分类器中节点的阈值,则确定该子区域不存在被检测的车辆。
6.一种辅助驾驶系统的车辆检测装置,其特征在于,该装置包括:
获取单元,用于获取待检测图像,并确定所述待检测图像中的车道线的位置;
处理单元,根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域;根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,T为正整数。
7.根据权利要求6所述的装置,其特征在于,所述处理单元根据所述车道线的位置,以及当前车辆的速度,确定所述待检测图像中的有效区域,具体用于:
根据所述车道线的消失点,确定所述待检测图像中的有效区域的上边界;
根据当前车辆的速度,确定所述待检测图像中的有效区域的下边界。
8.根据权利要求7所述的装置,其特征在于,通过下述方式确定所述待检测图像中的有效区域的下边界:
d=k*v;
其中,d为待检测图像的下边界距有效区域的下边界的距离,k为权重系数,v为当前车辆的速度。
9.根据权利要求8所述的装置,其特征在于,所述处理单元根据预设的T个弱分类器以及每一弱分类器所对应的阈值,确定所述有效区域内的被检测的车辆,具体用于:
通过滑框方式逐渐检测所述有效区域内的每一子区域,以及确定每一子区域所对应的特征值;
将每一子区域所对应的特征值,与预设的T个弱分类器中的第一个弱分类器进行比较,若该子区域所对应的特征值大于或等于所述第一个弱分类器中所有节点的阈值,则确定该子区域为待选区域;
根据下述公式确定该待选区域的H1的值是否大于或等于第一阈值,若是,则依次与下一个弱分类器进行比较,并确定该待选区域的Ht的值大于或等于所述第一阈值,直到与最后一个弱分类器比较,并确定HT大于或等于所述第一阈值时,则确定该子区域中存在被检测的车辆;其中,
<mrow>
<msub>
<mi>H</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<msub>
<mi>h</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>t</mi>
<mo>&le;</mo>
<mi>T</mi>
<mo>;</mo>
</mrow>
Ht为第t个强分类器所对应的值,αt为第t个弱分类器所对应的权重系数,ht为第t个弱分类器所对应的阈值。
10.根据权利要求9所述的装置,其特征在于,所述处理单元还用于:
若该子区域所对应的特征值小于所述T个的弱分类器中任一弱分类器中节点的阈值,则确定该子区域不存在被检测的车辆。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710560448.2A CN107341478A (zh) | 2017-07-11 | 2017-07-11 | 一种辅助驾驶系统的车辆检测方法及其装置 |
US15/922,242 US10579883B2 (en) | 2017-07-11 | 2018-03-15 | Method and apparatus for detecting a vehicle in a driving assisting system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710560448.2A CN107341478A (zh) | 2017-07-11 | 2017-07-11 | 一种辅助驾驶系统的车辆检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107341478A true CN107341478A (zh) | 2017-11-10 |
Family
ID=60219624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710560448.2A Pending CN107341478A (zh) | 2017-07-11 | 2017-07-11 | 一种辅助驾驶系统的车辆检测方法及其装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10579883B2 (zh) |
CN (1) | CN107341478A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241717A (zh) * | 2020-10-23 | 2021-01-19 | 北京嘀嘀无限科技发展有限公司 | 前车检测方法、前车检测模型的训练获取方法及装置 |
CN112567259A (zh) * | 2018-08-16 | 2021-03-26 | 标致雪铁龙汽车股份有限公司 | 确定与传感器在机动车辆的环境中检测到的物体关联的置信指数的方法 |
CN113096145A (zh) * | 2021-03-29 | 2021-07-09 | 毫末智行科技有限公司 | 基于霍夫变换及线性回归的目标边界检测方法及装置 |
CN113096145B (zh) * | 2021-03-29 | 2024-05-14 | 毫末智行科技有限公司 | 基于霍夫变换及线性回归的目标边界检测方法及装置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034047B (zh) * | 2018-07-20 | 2021-01-22 | 京东方科技集团股份有限公司 | 一种车道线检测方法及装置 |
CN111191619B (zh) * | 2020-01-02 | 2023-09-05 | 北京百度网讯科技有限公司 | 车道线虚线段的检测方法、装置、设备和可读存储介质 |
CN111931745B (zh) * | 2020-10-09 | 2021-01-12 | 蘑菇车联信息科技有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
WO2023009943A2 (en) * | 2021-07-28 | 2023-02-02 | The Trustees Of The University Of Pennsylvania | Stabilized pyrophoric materials for onboard hydrogen generation by hydrolysis and related methods |
CN114659527A (zh) * | 2022-03-30 | 2022-06-24 | 北京理工大学 | 一种基于惯性测量单元补偿的车道线光学测距方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
CN104603841A (zh) * | 2012-08-30 | 2015-05-06 | 本田技研工业株式会社 | 行车线标识识别装置 |
CN104899554A (zh) * | 2015-05-07 | 2015-09-09 | 东北大学 | 一种基于单目视觉的车辆测距方法 |
CN105975982A (zh) * | 2016-04-28 | 2016-09-28 | 湖南大学 | 一种前方车辆检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104129389B (zh) | 2014-08-06 | 2017-02-01 | 中电海康集团有限公司 | 一种有效判别车辆行驶状态的方法及其装置 |
-
2017
- 2017-07-11 CN CN201710560448.2A patent/CN107341478A/zh active Pending
-
2018
- 2018-03-15 US US15/922,242 patent/US10579883B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104603841A (zh) * | 2012-08-30 | 2015-05-06 | 本田技研工业株式会社 | 行车线标识识别装置 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
CN104899554A (zh) * | 2015-05-07 | 2015-09-09 | 东北大学 | 一种基于单目视觉的车辆测距方法 |
CN105975982A (zh) * | 2016-04-28 | 2016-09-28 | 湖南大学 | 一种前方车辆检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112567259A (zh) * | 2018-08-16 | 2021-03-26 | 标致雪铁龙汽车股份有限公司 | 确定与传感器在机动车辆的环境中检测到的物体关联的置信指数的方法 |
CN112567259B (zh) * | 2018-08-16 | 2024-02-02 | 标致雪铁龙汽车股份有限公司 | 确定与传感器在机动车辆的环境中检测到的物体关联的置信指数的方法 |
CN112241717A (zh) * | 2020-10-23 | 2021-01-19 | 北京嘀嘀无限科技发展有限公司 | 前车检测方法、前车检测模型的训练获取方法及装置 |
CN113096145A (zh) * | 2021-03-29 | 2021-07-09 | 毫末智行科技有限公司 | 基于霍夫变换及线性回归的目标边界检测方法及装置 |
CN113096145B (zh) * | 2021-03-29 | 2024-05-14 | 毫末智行科技有限公司 | 基于霍夫变换及线性回归的目标边界检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US10579883B2 (en) | 2020-03-03 |
US20190019041A1 (en) | 2019-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341478A (zh) | 一种辅助驾驶系统的车辆检测方法及其装置 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in-car camera | |
CN105894701B (zh) | 输电线路防外破大型施工车辆的识别报警方法 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
US8391612B2 (en) | Edge detection with adaptive threshold | |
CN104376741B (zh) | 一种车位状态检测方法与系统 | |
CN109635694B (zh) | 一种行人检测方法、装置、设备及计算机可读存储介质 | |
CN103413308B (zh) | 一种障碍物检测方法和装置 | |
US8773535B2 (en) | Adaptation for clear path detection using reliable local model updating | |
CN105460009B (zh) | 汽车控制方法及装置 | |
CN108648211B (zh) | 一种基于深度学习的小目标检测方法、装置、设备和介质 | |
CN110889318A (zh) | 利用cnn的车道检测方法和装置 | |
EP3620958B1 (en) | Learning method, learning device for detecting lane through lane model and testing method, testing device using the same | |
EP2288138A1 (en) | On-vehicle object detection device | |
CN108009544A (zh) | 目标检测方法及装置 | |
CN108682004A (zh) | 一种基于局部信息的复杂背景下红外弱小目标检测方法 | |
KR101908481B1 (ko) | 보행자 검출 장치 및 방법 | |
Sharma et al. | The automated vehicle detection of highway traffic images by differential morphological profile | |
CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
CN104463104B (zh) | 一种静态车辆目标快速检测方法及装置 | |
CN107004137A (zh) | 用于目标检测的系统和方法 | |
CN108573238A (zh) | 一种基于双网络结构的车辆检测方法 | |
KR102195940B1 (ko) | 적응적 비최대억제 방법을 이용하는 딥러닝기반 영상객체 탐지를 위한 장치 및 방법 | |
CN112561967A (zh) | 一种车辆门锁的控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |