CN109871787B - 一种障碍物检测方法及装置 - Google Patents

Abstract

本发明提供了一种障碍物检测方法及装置。所述方法包括以目标车辆所在车道边线为参照线划分目标区域，识别目标区域内的待测障碍物；获取碰撞距离的低限阈值和高限阈值；获取待测障碍物与目标车辆所在车道中心线之间的距离；判断所述待测障碍物与目标车辆所在车道中心线之间的距离是否大于所述低限阈值并且小于所述高限阈值；若是，则将所述待测障碍物判定为有效障碍物。本发明避免使用激光雷达并且同样获得了较为准确的障碍物识别结果，降低了整车成本。提出了基于图像变换的测距方法，从而降低了获取待测障碍物与目标车辆所在车道中心线之间的距离的难度。

Description

一种障碍物检测方法及装置

技术领域

本发明涉及车辆控制领域，尤其涉及一种障碍物检测方法及装置。

背景技术

由于共享出行的普及以及出行形式的多样化，网约车已开始普及开来而成为当今人们出行的主要方式，与传统出租车类似，网约车的盛行必会造成随意路边停车下客现象的高发。路边停车现象在中国尤其普遍，除了网约车和传统出租车下客，还有部分私家车随意停靠在路边，这些停在路边的车经常会占用部分主车道。

随着自动驾驶辅助技术的普及，很多车型都搭载了ACC(自适应巡航)，ICC(智能领航)、TJA(交通拥堵辅助)等智能驾驶辅助相关模块。现有技术中ACC(自适应巡航)通常不带有横向控制，而ICC(智能领航)虽然在ACC的基础上加入横向控制，但是在前车速度较快(速度大于150km/h)或者出现大幅度横向移动时也容易丢失目标而出现难以及时进行横向移动的情况，TJA(交通拥堵辅助)也可以被称之为低速适用的ICC(智能领航)，同样存在因为丢失目标导致的难以及时进行横向移动的情况。

通过上述分析可知，ACC(自适应巡航)，ICC(智能领航)、TJA(交通拥堵辅助)等智能驾驶辅助相关模块均存在无法主动进行横向控制的技术问题。在这种场景中，若停靠在路边的车占据了小部分的车道，则车辆很可能会因为无法主动进行横向控制而刮擦到停靠的车辆造成安全隐患。因此对停靠在路边的车辆进行可靠的检测识别并规划合理的路径进行避障是一个亟需解决的问题。

为了进行可靠避障，障碍物识别是首先需要被解决的技术问题。现有技术中通过长距离的激光雷达和毫米波雷达的传感融合来检测目标物体。基于数据点之间的欧几里得距离对与来自雷达的点云进行分簇和分割，对每个聚点建立凸包(convex hull)并将其当作潜在的障碍物，然后融合毫米波雷达的物件检测结果确认障碍物，但是这一技术存在下述问题：

(1)硬件激光雷达的成本较高，而且现阶段的配备自动驾驶辅助相关模块的量产车很少，成本过高难以在量产车中普及；

(2)激光雷达在进行远距离目标检测时，由于点云较为稀疏，对于远距离目标车辆检测的可靠性会大大降低，而且激光雷达稀疏的点云会增加在与毫米波雷达探测目标结果进行时间上校准的难度，而这也限制了激光雷达在进行远距离目标检测时的可检测距离。

发明内容

为了解决上述现有技术中障碍物检测成本过高并且远距离检测可靠性不高的技术问题，本发明提供一种障碍物检测方法及装置。

本发明是以如下技术方案实现的：

一种障碍物检测方法，所述方法包括：

以目标车辆所在车道边线为参照线划分目标区域，识别目标区域内的待测障碍物；

获取碰撞距离的低限阈值和高限阈值；

获取待测障碍物与目标车辆所在车道中心线之间的距离；

判断所述待测障碍物与目标车辆所在车道中心线之间的距离是否大于所述低限阈值并且小于所述高限阈值；

若是，则将所述待测障碍物判定为有效障碍物。

进一步地，所述通过目标车辆的前置摄像头和前毫米波雷达识别待测障碍物包括：

通过前毫米波雷达检测在目标车辆预设范围内的第一目标物体集；

通过前置摄像头采集目标车辆前方的视频图像，并将所述视频图像输入预设神经网络模型以识别出第二目标物体集；

获取目标区域；

取第一目标物体集和第二目标物体集的交集，并使用目标区域对其进行过滤以得到待测障碍物。

进一步地，目标区域的划分方式包括：

以目标车辆所在车道的边线为中轴线，在所述中轴线两侧与所述中轴线平行绘制两条边界线，所述两条边界线构成一个目标区域。

进一步地，所述获取待测障碍物与目标车辆所在车道中心线之间的距离包括：

获取视频图像流中的图像；

按照预设规则从所述图像中选取四个参考点；

以所述四个参考点为变换依据得到鸟瞰图；

从所述鸟瞰图中获取待测障碍物边缘距离目标车辆所在车道中心线的距离。

进一步地，还包括：四个参考点的选取方法包括：

获取所述图像的像素规格；

获取车道边缘与所述图像最后一行像素的两个交点；

在所述图像中的车道的其中一条边线上选取一个位置点；

通过所述位置点做所述边线的垂线，得到所述垂线与另一条边线的交点；

将得到的三个交点和一个位置点均作为参考点。

进一步地，所述位置点为边线所在线段的N等分点。

进一步地，根据公式

计算实际的待测障碍物边缘距离目标车辆所在车道中心线的距离，其中Λ、L_real和L分别为车道线标定值、实际的待测障碍物边缘距离目标车辆所在车道中心线的距离和鸟瞰图中的待测障碍物边缘距离目标车辆所在车道中心线的距离。

一种障碍物检测装置，所述装置包括：

待测障碍物识别模块，用于以目标车辆所在车道边线为参照线划分目标区域，识别目标区域内的待测障碍物；

阈值获取模块，用于获取碰撞距离的低限阈值和高限阈值；

距离获取模块，用于获取待测障碍物与目标车辆所在车道中心线之间的距离；

判断模块，用于判断所述待测障碍物与目标车辆所在车道中心线之间的距离是否大于所述低限阈值并且小于所述高限阈值；若是，则将所述待测障碍物判定为有效障碍物。

进一步地，所述待测障碍物识别模块包括：

第一目标物体集获取单元，用于通过前毫米波雷达检测在目标车辆预设范围内的第一目标物体集；

第二目标物体集获取单元，用于通过前置摄像头采集目标车辆前方的视频图像，并将所述视频图像输入预设神经网络模型以识别出第二目标物体集；

目标区域获取单元，用于获取目标区域；

过滤单元，用于取第一目标物体集和第二目标物体集的交集，并使用目标区域对其进行过滤以得到待测障碍物。

进一步地，所述距离获取模块包括：

图像获取单元，用于获取视频图像流中的图像；

参考点选取单元，用于按照预设规则从所述图像中选取四个参考点；

图像变换单元，用于以所述四个参考点为变换依据得到鸟瞰图；

距离计算单元，用于从所述鸟瞰图中获取待测障碍物边缘距离目标车辆所在车道中心线的距离。

本发明的有益效果是：

本发明提供了一种障碍物检测方法及装置，通过基于多传感融合来检测识别和追踪周围的车辆及障碍物，并基于图像变换来获取障碍物与目标车辆所在车道中心线的距离从而估计障碍物的碰撞风险，进而得到有可能存在碰撞风险的有效障碍物，本发明实施例相较于现有技术具备下述显著优势：

(1)避免使用激光雷达并且同样获得了较为准确的障碍物识别结果，降低了整车成本。

(2)提出了基于图像变换的测距方法，从而降低了获取待测障碍物与目标车辆所在车道中心线之间的距离的难度。

附图说明

图1是本发明实施例提供的一种障碍物检测方法的流程图；

图2是本发明实施例提供的通过目标车辆的前置摄像头和前毫米波雷达识别待测障碍物流程图；

图3是本发明实施例提供的待测障碍物的识别结果示意图；

图4是本发明实施例提供的车道线识别结果示意图；

图5是本发明实施例提供的获取待测障碍物与目标车辆所在车道中心线之间的距离方法流程图；

图6是本发明实施例提供的图像示意图；

图7是本发明实施例提供的鸟瞰图示意图；

图8是本发明实施例提供的一种障碍物检测装置框图；

图9是本发明实施例提供的待测障碍物识别模块框图；

图10是本发明实施例提供的距离获取模块框图。

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作进一步地详细描述。

本发明提供一种障碍物检测方法，如图1所示，所述方法包括：

S101.以目标车辆所在车道边线为参照线划分目标区域，识别目标区域内的待测障碍物。

具体地，本发明实施例可以使用摄像头、雷达、摄像头和雷达的组合来识别目标区域内的目标障碍物，本发明实施例并不限定摄像头、雷达的类型和安置位置。本发明实施例中所述待测障碍物可以是轿车、卡车、公交车等停靠在车道的边线附近，或在边线附近行驶的车辆。

在一个优选的实施方式中，为了降低整车成本，选择前置摄像头和前毫米波雷达作为障碍物检测的传感器，旨在通过多传感融合来检测识别和追踪周围的车辆及障碍物。所述识别目标区域内的待测障碍物如图2所示，包括：

S1011.通过前毫米波雷达检测在目标车辆预设范围内的第一目标物体集。

具体地，77GHz毫米波雷达在长距模式下，纵向的探测范围为0-250m，横向范围为±10m。本发明实施例中通过前毫米波雷达检测在目标车辆的前方0-150m范围内的物体。

S1012.通过前置摄像头采集目标车辆前方的视频图像，并将所述视频图像输入预设神经网络模型以识别出第二目标物体集。

具体地，所述神经网络模型可以使用已有的基于深度学习训练而得的yolo-3神经网络模型。如图3所示，其示出了视频图像流中的图像，并根据所述图像得到了第二目标物体集。

S1013.获取目标区域。

本发明实施例中目标区域作为过滤器，主要用于滤除明显不具备碰撞风险的无关物体。本发明实施例中目标区域的设定可以根据实际情况进行调整。

在一个优选的实施方式中，目标区域的划分方式可以为：

以目标车辆所在车道的边线为中轴线，在所述中轴线两侧与所述中轴线平行绘制两条边界线，所述两条边界线构成一个目标区域。目标车辆所在车道的边线有两条，相应的，目标区域有两个。如图4所示，图4示出了通过随机霍夫变换对视频图像流中的车道线进行识别后得到的车道线识别结果。图4中实线为识别出的车道线，以车道线为基准画出虚线区域，所述虚线区域即为目标区域。

在其它可行的实施方式中，目标区域还可以为包括车道边线的区域，所述车道边线可以为目标区域内的面积等分线或其它特征线，所述车道边线有两个，相应的，所述目标区域也有两个。

S1014.取第一目标物体集和第二目标物体集的交集，并使用目标区域对其进行过滤以得到待测障碍物。

如图4所示，其示出了通过步骤S1011和步骤S1012的结果进行数据融合得到的待测障碍物的识别结果，所述识别结果即为第一目标物体集和第二目标物体集的交集。

具体地，所述过滤方式可以根据实际需要进行调整。

在一个优选的实施方式中，可以获取交集中各个物体的边界，判断所述边界是否与目标区域存在交集，若是，则判定其为待测障碍物。

在另一个优选的实施方式中，可以获取交集中物体的最小外包矩形，判断所述最小外包矩形是否与目标区域存在交集，若是，则判定所述交集中物体即为待测障碍物。

有别于现有技术，本发明实施例在对路边停靠车辆的检测过程中，通过多传感融合提升了检测的可靠性和准确性。通过深度学习yolo-3框架对前摄像头采集的图像信号进行车辆的识别和分类，检测出图像视野中的所有车辆(包括轿车、SUV、卡车、跑车等)。通过随机霍夫变换对同一图像上的车道线进行识别，标注出两条车道线附近区域用于检测物体的滤波。保留出现在区域内的车辆目标，其他图像区域内的目标则滤掉。同时通过前毫米波雷达对该车辆目标进行二次确认来保证检测结果的可靠性和有效性，降低误识别率。

S102.获取碰撞距离的低限阈值和高限阈值。

S103.获取待测障碍物与目标车辆所在车道中心线之间的距离。

S104.判断所述待测障碍物与目标车辆所在车道中心线之间的距离是否大于所述低限阈值并且小于所述高限阈值。

进一步地，若所述待测障碍物与目标车辆所在车道中心线之间的距离小于所述低限阈值，则所述待测障碍物与所述目标车辆位于同一个车道内，目标车辆只需要做减速操作即可，不需要进行避障。

若所述待测障碍物与目标车辆所在车道中心线之间的距离大于所述高限阈值，则所述待测障碍物与目标车辆相距甚远，不影响目标车辆的驾驶，可将其视为无效障碍物，不需要对车辆的驾驶过程进行干预。

所述低限阈值和高限阈值可以根据实际情况进行设定，本发明并不限定其具体的设定方式。

在一个优选的实施方式中，步骤S102中所述碰撞距离为待测障碍物靠近目标车辆所在车道中心线一侧的边线与目标车辆所在车道中心线之间的距离，步骤S103中所述待测障碍物与目标车辆所在车道中心线之间的距离具体为待测障碍物靠近目标车辆所在车道中心线一侧的边线与目标车辆所在车道中心线之间的距离。

S105.若是，则将所述待测障碍物判定为有效障碍物。

获取待测障碍物与目标车辆所在车道中心线之间的距离是判断所述待测障碍物是否存在与目标车辆发生碰撞风险的重要步骤，有别于现有技术，本发明实施例中提供了一种通过图像处理的方式估算停靠路边的待测障碍物距离车道中心线的距离的方法，达到了通过简单运算即可得到较为精准的距离计算结果的目的。具体地，所述方法可以被概括为通过图像透视变化，生成鸟瞰图，从而在鸟瞰图中通过像素点距离计算实际车道的宽度和待测障碍物距离车道中心线的距离。具体地，所述获取待测障碍物与目标车辆所在车道中心线之间的距离如图5所示，包括：

S1031.获取视频图像流中的图像。

S1032.按照预设规则从所述图像中选取四个参考点。

具体地，所述参考点的选择规则为：

S1.获取所述图像的像素规格。

S2.获取车道边缘与所述图像最后一行像素的两个交点。

S3.在所述图像中的车道的其中一条边线上选取一个位置点。

具体地，位置点的选取可以根据实际情况进行调整，比如选取边线所在线段的中点，或N等分点。

S4.通过所述位置点做所述边线的垂线，得到所述垂线与另一条边线的交点。

S5.将得到的三个交点和一个位置点均作为参考点。

S1033.以所述四个参考点为变换依据得到鸟瞰图。

具体地，所述图像如图6所示，被方框框起的车辆即为待测障碍物，根据所述图像生成的鸟瞰图如图7所示，由图6和图7所见，四个参考点在图6和图7中的坐标是相同的。

S1034.从所述鸟瞰图中获取待测障碍物边缘距离目标车辆所在车道中心线的距离。

进一步地，为了进行后续的避障路径规划，还可以从所述鸟瞰图中获取实际的车道线宽度。

在本发明实施例中，为了获取车道线宽度，可以通过标定的方式，根据公式

计算实际的车道线宽度，其中Λ、W_real和W分别为车道线标定值、车道线宽度和鸟瞰图中的车道线宽度。具体地，可以以标准车道线3.75m进行标定，即根据公式

计算实际的车道线宽度。

基于相同思想，根据公式

计算实际的待测障碍物边缘距离目标车辆所在车道中心线的距离，其中Λ、L_real和L分别为车道线标定值、实际的待测障碍物边缘距离目标车辆所在车道中心线的距离和鸟瞰图中的待测障碍物边缘距离目标车辆所在车道中心线的距离。

本发明实施例公开了一种障碍物检测方法，通过基于多传感融合来检测识别和追踪周围的车辆及障碍物，并基于图像变换来获取障碍物与目标车辆所在车道中心线的距离从而估计障碍物的碰撞风险，进而得到有可能存在碰撞风险的有效障碍物，本发明实施例相较于现有技术具备下述显著优势：

(2)避免使用激光雷达并且同样获得了较为准确的障碍物识别结果，降低了整车成本。

(3)提出了基于图像变换的测距方法，从而降低了获取待测障碍物与目标车辆所在车道中心线之间的距离的难度。

本发明实施例还公开一种障碍物检测装置，所述装置如图8所示，包括：

待测障碍物识别模块201，用于以目标车辆所在车道边线为参照线划分目标区域，识别目标区域内的待测障碍物；

阈值获取模块202，用于获取碰撞距离的低限阈值和高限阈值；

距离获取模块203，用于获取待测障碍物与目标车辆所在车道中心线之间的距离；

判断模块204，用于判断所述待测障碍物与目标车辆所在车道中心线之间的距离是否大于所述低限阈值并且小于所述高限阈值；若是，则将所述待测障碍物判定为有效障碍物。

进一步地，如图9所示，所述待测障碍物识别模块201包括：

第一目标物体集获取单元2011，用于通过前毫米波雷达检测在目标车辆预设范围内的第一目标物体集；

第二目标物体集获取单元2012，用于通过前置摄像头采集目标车辆前方的视频图像，并将所述视频图像输入预设神经网络模型以识别出第二目标物体集；

目标区域获取单元2013，用于获取目标区域；

过滤单元2014，用于取第一目标物体集和第二目标物体集的交集，并使用目标区域对其进行过滤以得到待测障碍物。

进一步地，如图10所示，所述距离获取模块203包括：

图像获取单元2031，用于获取视频图像流中的图像；

参考点选取单元2032，用于按照预设规则从所述图像中选取四个参考点；

图像变换单元2033，用于以所述四个参考点为变换依据得到鸟瞰图；

距离计算单元2034，用于从所述鸟瞰图中获取待测障碍物边缘距离目标车辆所在车道中心线的距离。

本发明装置实施例与方法实施例基于同样的发明构思。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如本发明的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(如计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，也可以在载体信号上提供，或者以任何其他形式提供。

应该注意的是，上述实施例是对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤等。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序，可将这些单词解释为名称。

Claims (10)

1.一种障碍物检测方法，其特征在于，所述方法包括：

以目标车辆所在车道边线为参照线划分目标区域，识别目标区域内的待测障碍物；

获取碰撞横向距离的低限阈值和高限阈值；

获取待测障碍物与目标车辆所在车道中心线之间的横向距离；

若所述待测障碍物与目标车辆所在车道中心线之间的横向距离小于所述低限阈值，则判定所述待测障碍物与所述目标车辆位于同一个车道内，对目标车辆进行减速处理；

若所述待测障碍物与目标车辆所在车道中心线之间的横向距离大于所述高限阈值，则判定所述待测障碍物为无效障碍物；

若所述待测障碍物与目标车辆所在车道中心线之间的横向距离大于所述低限阈值并且小于所述高限阈值，则将所述待测障碍物判定为有效障碍物。

2.根据权利要求1所述的方法，其特征在于：

所述识别目标区域内的待测障碍物包括：

通过前毫米波雷达检测在目标车辆预设范围内的第一目标物体集；

通过前置摄像头采集目标车辆前方的视频图像，并将所述视频图像输入预设神经网络模型以识别出第二目标物体集；

获取目标区域；

取第一目标物体集和第二目标物体集的交集，并使用目标区域对其进行过滤以得到待测障碍物。

3.根据权利要求2所述的方法，其特征在于，目标区域的划分方式包括：

以目标车辆所在车道的边线为中轴线，在所述中轴线两侧与所述中轴线平行绘制两条边界线，所述两条边界线构成一个目标区域。

4.根据权利要求1所述的方法，其特征在于：

所述获取待测障碍物与目标车辆所在车道中心线之间的横向距离包括：

获取视频图像流中的图像；

按照预设规则从所述图像中选取四个参考点；

以所述四个参考点为变换依据得到鸟瞰图；

从所述鸟瞰图中获取待测障碍物边缘横向距离目标车辆所在车道中心线的横向距离。

5.根据权利要求4所述的方法，其特征在于，还包括：四个参考点的选取方法包括：

获取所述图像的像素规格；

获取车道边缘与所述图像最后一行像素的两个交点；

在所述图像中的车道的其中一条边线上选取一个位置点；

通过所述位置点做所述边线的垂线，得到所述垂线与另一条边线的交点；

将得到的三个交点和一个位置点均作为参考点。

6.根据权利要求5所述的方法，其特征在于：

所述位置点为边线所在线段的N等分点。

7.根据权利要求5所述的方法，其特征在于：

根据公式

计算实际的待测障碍物边缘横向距离目标车辆所在车道中心线的横向距离，其中Λ、L_real、L和w_p分别为车道线标定值、实际的待测障碍物边缘横向距离目标车辆所在车道中心线的横向距离、鸟瞰图中的待测障碍物边缘横向距离目标车辆所在车道中心线的横向距离，以及鸟瞰图中的车道线标定值对应的长度。

8.一种障碍物检测装置，其特征在于，所述装置包括：

待测障碍物识别模块，用于以目标车辆所在车道边线为参照线划分目标区域，识别目标区域内的待测障碍物；

阈值获取模块，用于获取碰撞横向距离的低限阈值和高限阈值；

横向距离获取模块，用于获取待测障碍物与目标车辆所在车道中心线之间的横向距离；

判断模块，用于若所述待测障碍物与目标车辆所在车道中心线之间的横向距离小于所述低限阈值，则判定所述待测障碍物与所述目标车辆位于同一个车道内，对目标车辆进行减速处理；若所述待测障碍物与目标车辆所在车道中心线之间的横向距离大于所述高限阈值，则判定所述待测障碍物为无效障碍物；若所述待测障碍物与目标车辆所在车道中心线之间的横向距离大于所述低限阈值并且小于所述高限阈值，则将所述待测障碍物判定为有效障碍物。

9.根据权利要求8所述的装置，其特征在于：

所述待测障碍物识别模块包括：

第一目标物体集获取单元，用于通过前毫米波雷达检测在目标车辆预设范围内的第一目标物体集；

第二目标物体集获取单元，用于通过前置摄像头采集目标车辆前方的视频图像，并将所述视频图像输入预设神经网络模型以识别出第二目标物体集；

目标区域获取单元，用于获取目标区域；

过滤单元，用于取第一目标物体集和第二目标物体集的交集，并使用目标区域对其进行过滤以得到待测障碍物。

10.根据权利要求8所述的装置，其特征在于：

所述横向距离获取模块包括：

图像获取单元，用于获取视频图像流中的图像；

参考点选取单元，用于按照预设规则从所述图像中选取四个参考点；

图像变换单元，用于以所述四个参考点为变换依据得到鸟瞰图；

横向距离计算单元，用于从所述鸟瞰图中获取待测障碍物边缘横向距离目标车辆所在车道中心线的横向距离。

Images