CN109923442B - 物体检测装置及物体检测方法 - Google Patents
物体检测装置及物体检测方法 Download PDFInfo
- Publication number
- CN109923442B CN109923442B CN201680090585.8A CN201680090585A CN109923442B CN 109923442 B CN109923442 B CN 109923442B CN 201680090585 A CN201680090585 A CN 201680090585A CN 109923442 B CN109923442 B CN 109923442B
- Authority
- CN
- China
- Prior art keywords
- detection
- reliability
- detections
- information
- ecu3
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7796—Active pattern-learning, e.g. online learning of image or video features based on specific statistical tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
- G01V8/12—Detecting, e.g. by using light barriers using one transmitter and one receiver
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- 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
Abstract
本发明包括:检测部,该检测部输出包含按每个检测周期而检测到的每个物体的可靠度在内的检测信息;判定部,该判定部按每个物体使检测次数递增,且对于可靠度按每个物体计算出检测周期的最近N次的加法值,将加法值在根据检测次数而预先设定的第1阈值以上的物体判定为是正常识别出的物体;以及控制部,该控制部将与正常识别出的物体有关的检测信息作为正常检测物体信息来输出。
Description
技术领域
本发明涉及例如用于由自动驾驶的车辆对物体进行检测的物体检测装置及物体检测方法。
背景技术
开发了如下装置:通过将各种传感器搭载于车辆,来检测存在于车辆周边的障碍物,从而对碰撞避免进行辅助(例如,参照专利文献1)。本专利文献1所涉及的物体检测装置例如通过设置于车辆的摄像头来拍摄车辆周围的情况,并基于所拍摄到的图像来检测行人、周围的车辆等障碍物。然后,该物体检测装置在基于所检测到的障碍物判断为处于危险的状态的情况下,通过对驾驶员通知警告来对危险避免进行辅助。
现有技术文献
专利文献
专利文献1:日本专利特开2013-104689号公报
发明内容
发明所要解决的技术问题
然而,在现有技术中存在如下问题。
专利文献1的物体检测装置具有误检测车辆周边的障碍物的问题。发生这样的误检测将导致物体检测装置的可靠性大幅下降。
本发明是为了解决上述问题而完成的,其目的在于得到一种物体检测装置及物体检测方法,该物体检测装置及物体检测方法尤其能改善车辆周边的障碍物的误检测,并能使车辆周边的障碍物的检测性能的可靠性提高。
解决技术问题所采用的技术方案
本发明所涉及的物体检测装置包括:检测部,该检测部按每个检测周期检测1个以上的物体,并输出包含每个检测到的物体的可靠度在内的检测信息;判定部,该判定部按每个物体使检测次数递增,并对于包含在检测信息中的可靠度按每个物体计算出检测周期的最近N次的加法值,将加法值在根据检测次数而预先设定的第1阈值以上的物体判定为是正常识别出的物体;以及控制部,该控制部将与在包含于检测信息的物体中由判定部判定为是正常识别出的物体有关的检测信息作为正常检测物体信息来输出。
此外,本发明所涉及的物体检测方法包括:第1步骤,该第1步骤中,经由输出包含每个作为检测对象的物体的可靠度在内的检测信息的检测器,按每个检测周期获取检测信息;第2步骤,该第2步骤中,按每个物体使检测次数递增,并对于包含在检测信息中的可靠度按每个物体计算出检测周期的最近N次的加法值,将加法值在根据检测次数而预先设定的第1阈值以上的物体判定为是正常识别出的物体;以及第3步骤,该第3步骤中,将与在包含于检测信息的物体中由第2步骤判定为是正常识别出的物体有关的检测信息作为正常检测物体信息来输出。
发明效果
根据本发明,具备如下结构:在判别由检测部得到的物体的检测信息是正常识别还是误识别时,通过预先恰当地设定与物体的检测次数相对应的判定值,并利用检测次数与判定值的组合,从而能以较高精度、且不依赖于检测次数的同等精度来执行物体识别处理。其结果是,能得到一种物体检测装置及物体检测方法,该物体检测装置及物体检测方法尤其能改善车辆周边的障碍物的误检测,并能使车辆周边的障碍物的检测性能的可靠性提高。
附图说明
图1是本发明实施方式1至3所涉及的物体检测装置的结构框图。
图2是示出由本发明实施方式1所涉及的物体检测装置所执行的一系列处理的流程图。
图3是示出由本发明实施方式2所涉及的物体检测装置所执行的一系列处理的流程图。
图4是示出由本发明实施方式3所涉及的物体检测装置所执行的一系列处理的流程图。
具体实施方式
以下,使用附图对本发明的物体检测装置及物体检测方法的优选实施方式进行说明。
实施方式1.
本实施方式1所涉及的物体检测装置及物体检测方法具有如下这个技术特征:具备用于在障碍物的检测次数在预先决定的次数N次以上的情况下进行误识别判定的结构及处理。
图1是本发明实施方式1所涉及的物体检测装置的结构框图。此外,图2是示出由本发明实施方式1所涉及的物体检测装置所执行的一系列处理的流程图。以下,使用上述图1、图2,对实施方式1中的处理进行详细说明。
<框图的说明>
图1所示的物体检测装置1例如由车辆所具备,构成为包括对车辆周边进行拍摄的摄像头2以及ECU3。
摄像头2是拍摄车辆周边、并根据其图像来检测车辆周边的障碍物的传感器。作为具体的硬件结构,该摄像头2包括将通过镜头得到的被摄体的光学图像转换成电子信号的拍摄元件,进行各种运算处理、信息处理的CPU,作为CPU的作业区域的易失性的存储部的RAM,以及作为非易失性的存储部的存储器。
具有这种硬件结构的摄像头2如图1所示,包括拍摄部21和检测部22的各个模块。拍摄部21拍摄车辆周边的情况来获取周围的状况的图像。另一方面,检测部22对由拍摄部21获取到的图像实施图像识别处理,由此来提取出所需的障碍物。具体而言,检测部22能将障碍物的位置、所检测出的结果的种类、障碍物的ID、所检测出的结果的可靠度等作为表示所提取出的障碍物的特性的检测信息来输出。
作为可靠度,例如,可以采用图像处理的识别率,或者也可以将识别率的范围分为多个并赋予等级,并采用与识别率相对应的等级。
ECU3具有与通常的计算机相同的结构,包括进行各种运算处理、信息处理的CPU,作为CPU的作业区域的易失性的存储部的RAM,以及作为非易失性的存储部的存储器。使该存储器预先存储用于执行本发明的一系列处理的程序。
具有这种硬件结构的ECU3如图1所示,包括判定部31和控制部32的各模块。对于由摄像头2的检测部22得到的障碍物的检测信息,判定部31判定该障碍物是否为误识别。另一方面,控制部32使用由判定部31得到的结果来控制正常检测物体信息的输出。
具有这种结构的物体检测装置1执行引入了本发明所涉及的新的处理的车辆周边的障碍物检测处理的一系列步骤。图2是示出由本发明实施方式1所涉及的物体检测装置1来执行的车辆周边的障碍物检测处理的一系列步骤的流程图。图2的处理步骤被预先程序化并存储在例如ECU3的存储器中。
<流程图的说明>
接着,对于图2的流程图进行详细说明。另外,图2及以下说明中所使用的各标号表示以下内容。
Obji:第i个检测物体
Ki:从Obji的初次检测起的更新次数
Qi:Obji的可靠度
Qi、k:Obji的更新次数第Ki次时的可靠度
Thresh1i:判断是否输出Obji的判定值
Thresh2i:是判断维持登录Obji还是删除Obji的判定值,是比Thresh1i要低的值
首先,在步骤S101中,ECU3进行预先决定的初始化处理。之后,在步骤S102中,ECU3从摄像头2接收根据图像而得到的检测信息,并判断是否存在新检测出的物体。
即,ECU3判断包含在从摄像头2获取到的检测信息中的物体是否登录在RAM中。在判断为存在新检测出的物体的情况下(步骤S102:是),前进至步骤S103,在判断为不存在新检测出的物体的情况下(步骤S102:否),前进至步骤S104。
在前进至步骤S103的情况下,ECU3将新检测物体Objnew的信息登录在RAM上,并设更新次数knew为knew=0、可靠度Qnew为Qnew=0来进行初始化。之后,前进至步骤S104。
在步骤S104至步骤S116中,ECU3从登录于在RAM上的检测物体中选择1个物体,并进行误识别的判定处理。
在步骤S104中,ECU3从登录在RAM上的检测物体中选择一个未进行更新处理的检测物体。将该物体设为Obji。之后,前进至步骤S105。
接着,在步骤S105中,关于所选择的物体Obji,ECU3使表示从新检测起的检测更新次数的ki的值递增(ki=ki+1),并前进至步骤S106。
接着,在步骤S106中,ECU3判断与Obji相对应的检测物体是否包含在从摄像头2的检测部22接收到的检测信息中。在判断为相当于Obji的检测物体包含在检测信息中的情况下(步骤S106:是),前进至步骤S108,在判断为相当于Obji的检测物体未包含在检测信息中的情况下(步骤S106:否),前进至步骤S107。
在前进至步骤S107的情况下,ECU3将Obji的更新次数第ki次时的可靠度Qi,k设为0,并前进至步骤S108。
在步骤S108中,为了计算最近N次的可靠度之和,ECU3从表示Obji的可靠度的Qi中减去Obji的第(ki-N)次的可靠度、即作为N次中最旧的可靠度的Qi,k-N。
接着,在步骤S109中,ECU3对更新前的可靠度Qi的值加上Obji的第ki次的可靠度,来计算从第(ki-N+1)次起到当前的第ki次为止的N个可靠度的合计值,并前进至步骤S110。利用上述步骤S108和步骤S109的处理,能将最近N次的加法值作为Obji的可靠度Qi来计算。
接着,在步骤S110中,ECU3根据从Obji的初次检测起的更新次数ki来更新判定值Thresh1与判定值Thresh2,并前进至步骤S111。
作为一个示例,ECU3能预先设定更新次数越少则越高的值来作为判定值,并设定更新次数越多则越低的值来作为判定值。这里,相当于更新次数的检测次数越多,则越能确定不是误识别。因此,在这种情况下,即使将判定值设定得更低,也能高精度地对是正常识别还是误识别进行识别。
另一方面,在检测次数较少的情况下,通过使用设定得更高的判定值,从而能可靠地防止将误识别的结果错误地判断为是正常识别的情况。即,本发明通过预先恰当地设定与检测次数相对应的判定值,并利用检测次数与判定值的组合来对正常识别与误识别进行识别,从而能以较高精度、且不依赖于检测次数的同等精度来执行物体识别处理。
接着,在步骤S111中,ECU3对Obji的可靠度Qi与判定值Thresh1进行比较,来判断第ki次的检测是否为正常检测。在判断为Qi≥Thresh1的情况下(步骤S111:是),前进至步骤S113。另一方面,在判断为Qi<Thresh1的情况下(步骤S111:否),前进至步骤S112。
在前进至步骤S112的情况下,ECU3对Obji的可靠度Qi与判定值Thresh2进行比较,来判断是维持还是删除登录在RAM上的Obji的登录。在判断为Qi≥Thresh2的情况下(步骤S112:是),前进至步骤S114。另一方面,在判断为Qi<Thresh2的情况下(步骤S112:否),前进至步骤S115。
在前进至步骤S113的情况下,相当于判断为可靠度足够高,ECU3将Obji判定为正常检测,作为正常检测物体信息来输出,并前进至步骤S116。
在前进至步骤S114的情况下,相当于判断为可靠度不够高,ECU3不输出正常检测物体信息。然而,ECU3并不将Obji从检测的登录信息中删除,而是维持在RAM上。之后,前进至步骤S116。
在前进至步骤S115的情况下,相当于判断为可靠度非常低,ECU3不输出正常检测物体信息。此外,ECU3也将Obji从RAM上删除来执行登录删除。之后,前进至步骤S116。
然后,在步骤S116中,ECU3设定表示Obji的更新处理已结束的标记,并前进至步骤S117。
接着,在步骤S117中,ECU3判断登录在RAM上的检测物体的更新处理是否已全部结束。在判断为所有的检测物体的更新处理已结束的情况下(步骤S117:是),前进至步骤S118。
另一方面,在判断为存在更新处理没有结束的检测物体的情况下(步骤S117:否),返回步骤S104,ECU3对更新处理没有结束的检测物体进行与步骤S104之后的处理相同的处理。
最终,通过前进至步骤S118,从而针对摄像头2的检测部22的1检测周期的误识别判定处理变为结束,并返回步骤S102。然后,ECU3在步骤S102中待机,直到从摄像头2接收到下一个检测信息为止。以上是图2的一系列处理的步骤。
接着,对进行图2所示的上述一系列处理的本实施方式1所涉及的发明的技术意义进行说明。通过图2所示的处理步骤,ECU3能减少将原本不应该被检测出的对象判定为是障碍物的误识别。通常情况下,进行了误识别后的检测结果作为可靠度Qi,k较低的值被输出。
对于该可靠度较低的误识别的检测结果,通过对1次检测结果的可靠度的值Qi,k与判定值(Thresh1)进行比较,从而能判别为误识别。然而,在从检测部22输出的结果中,即使是不应该被检测出的对象,尽管频度较低,也会发生检测结果偶尔作为可靠度较高的值被输出的情况。
对于导致成为这种可靠度较高的值的误识别,仅通过对上述1次检测结果的可靠度Qi,k与判定值进行比较,不容易判别为该检测结果是误识别。虽然能通过使判定值变大来判别为是误识别,但有可能对于原本作为正常的检测结果的障碍物也错误地判别为不存在障碍物,从而可能发生障碍物未被检测到的情况。
为了避免这种问题,在本实施方式1中,将多次检测结果考虑在内,来进行正常识别与误识别的识别。具体而言,本实施方式1所涉及的方法中,使用最近的多次可靠度Qi,k之和即可靠度Qi,来进行检测结果的误识别/正常识别的判别。因此,即使多次中可靠度仅有1次偶然变高,由于其他可靠度较低,因此,多次可靠度之和Qi也成为较小的值。因此,通过采用本实施方式1所涉及的方法,即使在可靠度偶尔变高的情况下,也能正确地判定为是误识别。
另外,与针对误识别的检测结果的情况同样地,对于正常识别的检测结果,也能应用本实施方式1所涉及的方法。即,对于尽管是正常识别但可靠度Qi,k偶尔较低的检测结果,最近的多次可靠度Qi,k之和即可靠度Qi的值变大。因此,通过采用本实施方式1所涉及的方法,即使在可靠度偶尔变低的情况下,也能正确地判定为是正常识别。
实施方式2
之前的实施方式1中,说明用于在障碍物的检测次数在预先决定的次数N次以上的情况下进行误识别判定的结构和处理。与此相对地,本实施方式2中,说明用于在障碍物的检测从初次检测起小于N次的情况下进行误识别判定的结构和处理。
结构框图与之前的图1相同。此外,图3是示出由本发明实施方式2所涉及的物体检测装置所执行的一系列处理的流程图。因此,以下,省略图1的框图的说明,并使用图3来详细说明本实施方式2中的处理。
<流程图的说明>
对于图3的流程图进行详细说明。另外,图3及以下说明中所使用的各标号表示与之前的实施方式1中的各标号相同的内容。
首先,在步骤S201中,ECU3进行预先决定的初始化处理。之后,在步骤S202中,ECU3从摄像头2接收根据图像而得到的检测信息,并判断是否存在新检测出的物体。
即,ECU3判断包含在从摄像头2获取到的检测信息中的物体是否登录在RAM中。在判断为存在新检测出的物体的情况下(步骤S202:是),前进至步骤S203,在判断为不存在新检测出的物体的情况下(步骤S202:否),前进至步骤S204。
在前进至步骤S203的情况下,ECU3将新检测物体Objnew的信息登录在RAM上,并设更新次数knew为knew=0、可靠度Qnew为Qnew=0来进行初始化。之后,前进至步骤S204。
在步骤S204至步骤S215中,ECU3从登录到RAM上的检测物体中选择1个物体,并进行误识别的判定处理。
在步骤S204中,ECU3从登录到RAM上的检测物体中选择一个未进行更新处理的检测物体。将该物体设为Obji。之后,前进至步骤S205。
接着,在步骤S205中,关于所选择的物体Obji,ECU3使表示从新检测起的检测更新次数的ki的值递增(ki=ki+1),并前进至步骤S206。
接着,在步骤S206中,ECU3判断与Obji相对应的检测物体是否包含在从摄像头2的检测部22接收到的检测信息中。在判断为相当于Obji的检测物体包含在检测信息中的情况下(步骤S206:是),前进至步骤S208,在判断为相当于Obji的检测物体未包含在检测信息中的情况下(步骤S206:否),前进至步骤S207。
在前进至步骤S207的情况下,ECU3将Obji的更新次数第ki次时的可靠度Qi,k设为0,并前进至步骤S208。
在步骤S208中,ECU3对更新前的可靠度Qi的值加上Obji的第ki次的可靠度,并前进至步骤S209。通过上述加法处理,检测次数小于N次的情况下的到第ki次为止的累计值能作为Obji的可靠度Qi来计算。
接着,在步骤S209中,ECU3根据从Obji的初次检测起的更新次数ki来更新判定值Thresh1与判定值Thresh2,并前进至步骤S210。
接着,在步骤S210中,ECU3对Obji的可靠度Qi与判定值Thresh1进行比较,来判断第ki次的检测是否为正常检测。在判断为Qi≥Thresh1的情况下(步骤S210:是),前进至步骤S212。另一方面,在判断为Qi<Thresh1的情况下(步骤S210:否),前进至步骤S211。
在前进至步骤S211的情况下,ECU3对Obji的可靠度Qi与判定值Thresh2进行比较,来判断是维持还是删除登录在RAM上的Obji的登录。在判断为Qi≥Thresh2的情况下(步骤S211:是),前进至步骤S213。另一方面,在判断为Qi<Thresh2的情况下(步骤S212:否),前进至步骤S214。
在前进至步骤S212的情况下,相当于判定为可靠度足够高,ECU3将Obji判定为正常检测,作为正常检测物体信息来输出,并前进至步骤S215。
在前进至步骤S213的情况下,相当于判断为可靠度不够高,ECU3不输出正常检测物体信息。然而,ECU3并不将Obji从检测的登录信息中删除,而是维持在RAM上。之后,前进至步骤S215。
在前进至步骤S214的情况下,相当于判断为可靠度非常低,ECU3不输出正常检测物体信息。甚至,ECU3也将Obji从RAM上删除来执行登录删除。之后,前进至步骤S215。
然后,在步骤S215中,ECU3设定表示Obji的更新处理已结束的标记,并前进至步骤S216。
接着,在步骤S216中,ECU3判断登录在RAM上的检测物体的更新处理是否已全部结束。在判断为所有的检测物体的更新处理已结束的情况下(步骤S216:是),前进至步骤S217。
另一方面,在判断为存在更新处理没有结束的检测物体的情况下(步骤S216:否),返回步骤S204,ECU3对更新处理没有结束的检测物体进行与步骤S104之后的处理相同的处理。
最终,通过前进至步骤S217,从而针对摄像头2的检测部22的1检测周期的误识别判定处理变为结束,并返回步骤S202。然后,ECU3在步骤S202中待机,直到从摄像头2接收到下一个检测信息为止。以上是图3的一系列处理的步骤。
接着,对进行图3所示的上述一系列处理的本实施方式2所涉及的发明的技术意义进行说明。在实施方式2中,也与之前的实施方式1的情况同样地,即使在将原本不应该被检测出的对象作为障碍物从摄像头2的检测部22被输出的情况下,也能可靠地判别为是误识别。
此时,根据从初次起的更新次数k的值,使判定值Thresh1和判定值Thresh2的值例如与k的值成比例地增加等,从而能使其恰当地变化。然后,与实施方式1同样地,本实施方式2中的判定部31能使用变化为恰当的值的判定值Thresh1和判定值Thresh2,来判断检测结果的妥当性。
其结果是,在从初次检测起小于N次的检测结果中,可以基于多次的加法结果,将偶尔作为可靠度较高的值而从检测部22被输出的、原本可靠度Qi,k较低的误识别的检测结果恰当地判定为是误识别。
作为判定误识别的其他方法,存在根据连续检测的次数来判定误检测的方法。然而,该方法的情况下,通过多次连续检测才最终判定为正常识别。因此,即使可靠度Qi,k较大,也将产生时间延迟,直到判定为正常识别为止。
另一方面,在采用本实施方式2的方法的情况下,还具有如下优点:在可靠度Qi,k足够大的情况下、或可靠度Qi,k非常小的情况下,ECU3能在时间延迟较小的状态下对是正常识别还是误识别进行识别判定。
实施方式3.
之前的实施方式1中,说明用于在障碍物的检测次数在预先决定的次数N次以上的情况下进行误识别判定的结构和处理。此外,在之前的实施方式2中,说明用于在障碍物的检测从初次检测起小于N次的情况下进行误识别判定的结构和处理。
与此相对地,本实施方式3中,说明用于在障碍物的检测从初次检测起不依赖于检测次数的情况下进行误识别判定的结构和处理。换言之,本实施方式3中,对兼具实施方式1与实施方式2的处理功能的情况进行说明。
结构框图与之前的图1相同。此外,图4是示出由本发明实施方式3所涉及的物体检测装置所执行的一系列处理的流程图。因此,以下,省略图1的框图的说明,并使用图4来详细说明本实施方式3中的处理。
<流程图的说明>
对于图4的流程图进行详细说明。另外,图4及以下说明中所使用的各标号表示与之前的实施方式1、2中的各标号相同的内容。
首先,在步骤S301中,ECU3进行预先决定的初始化处理。之后,在步骤S302中,ECU3从摄像头2接收根据图像而得到的检测信息,并判断是否存在新检测出的物体。
即,ECU3判断与从摄像头2获取到的检测信息相一致的物体是否是保存在RAM中的检测物体。在判断为存在新检测出的物体的情况下(步骤S302:是),前进至步骤S303,在判断为不存在新检测出的物体的情况下(步骤S302:否),前进至步骤S304。
在前进至步骤S303的情况下,ECU3将新检测物体Objnew的信息登录在RAM上,并设更新次数knew为knew=0、可靠度Qnew为Qnew=0来进行初始化。之后,前进至步骤S304。
在步骤S304至步骤S317中,ECU3从登录到RAM上的检测物体中选择1个物体,并进行误识别的判定处理。
在步骤S304中,ECU3从登录到RAM上的检测物体中选择一个未进行更新处理的检测物体。将该物体设为Obji。之后,前进至步骤S305。
接着,在步骤S305中,关于所选择的物体Obji,ECU3使表示从新检测起的检测更新次数的ki的值递增(ki=ki+1),并前进至步骤S306。
接着,在步骤S306中,ECU3判断与Obji相对应的检测物体是否包含在从摄像头2的检测部22接收到的检测信息中。在判断为相当于Obji的检测物体包含在检测信息中的情况下(步骤S306:是),前进至步骤S308,在判断为相当于Obji的检测物体未包含在检测信息中的情况下(步骤S306:否),前进至步骤S307。
在前进至步骤S307的情况下,ECU3将Obji的更新次数第ki次时的可靠度Qi,k设为0,并前进至步骤S308。
在步骤S308中,ECU3判断从Obji被初次检测起的更新次数是否在预先决定的次数N次以上。在ki≥N的情况下(步骤S308:是),判定为更新次数在N次以上,因此前进至步骤S309。在除此以外的情况下,更新次数小于N次(步骤S309:否),因此前进至步骤S310。
在前进至步骤S309的情况下,为了计算最近N次的可靠度之和,ECU3从表示Obji的可靠度的Qi中减去Obji的第(ki-N)次的可靠度、即作为N次中最旧的可靠度的Qi,k-N。
接着,在步骤S310中,ECU3对更新前的可靠度Qi的值加上Obji的第ki次的可靠度,来计算从(ki-N+1)次起到当前的第ki次为止的N个可靠度的合计值,并前进至步骤S311。
通过上述步骤S308、步骤S309、步骤S310的处理,当从初次检测起在N次以上的情况下,表示Obji的可靠度的Qi可以作为Obji的最近N次的可靠度之和来计算。另一方面,在更新次数小于N次的情况下,到第ki次为止的累计值能作为Obji的可靠度Qi来计算。
接着,在步骤S311中,ECU3根据从Obji被初次检测起的更新次数ki来更新判定值Thresh1与判定值Thresh2,并前进至步骤S312。
接着,在步骤S312中,ECU3对Obji的可靠度Qi与判定值Thresh1进行比较,来判断第ki次的检测是否为正常检测。在判断为Qi≥Thresh1的情况下(步骤S312:是),前进至步骤S314。另一方面,在判断为Qi<Thresh1的情况下(步骤S312:否),前进至步骤S313。
在前进至步骤S313的情况下,ECU3对Obji的可靠度Qi与判定值Thresh2进行比较,来判断是维持还是删除登录在RAM上的Obji的登录。在判断为Qi≥Thresh2的情况下(步骤S313:是),前进至步骤S315。另一方面,在判断为Qi<Thresh2的情况下(步骤S313:否),前进至步骤S316。
在前进至步骤S314的情况下,相当于判定为可靠度足够高,ECU3将Obji判定为正常检测,作为正常检测物体信息来输出,并前进至步骤S317。
在前进至步骤S315的情况下,相当于判断为可靠度不够高,ECU3不输出正常检测物体信息。然而,ECU3并不将Obji从检测的登录信息中删除,而是维持在RAM上。之后,前进至步骤S317。
在前进至步骤S316的情况下,相当于判断为可靠度非常低,ECU3不输出正常检测物体信息。此外,ECU3也将Obji从RAM上删除来执行登录删除。之后,前进至步骤S317。
然后,在步骤S317中,ECU3设定表示Obji的更新处理已结束的标记,并前进至步骤S318。
接着,在步骤S318中,ECU3判断登录在RAM上的检测物体的更新处理是否已全部结束。在判断为所有的检测物体的更新处理已结束的情况下(步骤S318:是),前进至步骤S319。
另一方面,在判断为存在更新处理没有结束的检测物体的情况下(步骤S318:否),返回步骤S304,ECU3对更新处理没有结束的检测物体进行与步骤S304之后的处理相同的处理。
最终,通过前进至步骤S319,从而针对摄像头2的检测部22的1检测周期的误识别判定处理变为结束,并返回步骤S302。然后,ECU3在步骤S302中待机,直到从摄像头2接收到下个检测信息为止。以上是图4的处理的步骤。
接着,对进行图4所示的上述一系列处理的本实施方式3所涉及的发明的技术意义进行说明。图4的一系列处理兼具之前的实施方式1的图2、以及之前的实施方式2的图3的各自的处理功能。因此,障碍物的检测中,能准确地进行误识别判定,而与从初次检测起的检测次数无关。
另外,上述实施方式1~3在本公开所记载的内容的范围内可进行适当变更,例如,在实施方式1~3中,作为检测车辆周边的障碍物的结构而使用了摄像头,但并不局限于该摄像头。除了摄像头以外,只要是具有能检测车辆周边的障碍物的传感器功能的设备,则都可以采用。
此外,在实施方式1~3中,由ECU3执行使用了检测结果的障碍物的存在的判定处理。然而,也可以采用如下结构:在对摄像头2所获取的图像执行图像识别处理的CPU上执行该判定处理。
此外,上述实施方式1~3中,将作为检测对象的物体称为“障碍物”,但并不限于障碍物。例如,也可以将作为目标的物体、即使接触也没有问题的物体等设为检测对象来进行误识别判定。
并且,上述实施方式1~3中,以用于由自动驾驶的车辆来检测物体的物体检测装置及物体检测方法作为具体示例进行了说明,但本发明的适用对象并不局限于车辆。也可以作为防止误检测的用途而应用在检测物体的装置中。
标号说明
1物体检测装置、2摄像头、3ECU、21拍摄部、22检测部、31判定部、32控制部。
Claims (6)
1.一种物体检测装置,其特征在于,包括:
检测部,该检测部按每个检测周期检测1个以上的物体,并输出包含检测到的每个物体的可靠度在内的检测信息;
判定部,该判定部按每个物体使检测次数递增,并对于包含在所述检测信息中的所述可靠度按每个物体计算所述检测周期的最近N次的加法值,将所述加法值在根据所述检测次数而预先设定的第1阈值以上的物体判定为是正常识别出的物体;以及
控制部,该控制部将与在包含于所述检测信息的物体中由所述判定部判定为是所述正常识别出的物体有关的检测信息作为正常检测物体信息来输出。
2.如权利要求1所述的物体检测装置,其特征在于,
所述判定部在从初次检测起的检测次数为小于N次的M次的情况下,按每个物体使检测次数递增,并对于包含在所述检测信息中的所述可靠度,按每个物体计算从所述初次检测起到第M次为止的加法值,将所述加法值在根据所述检测次数而预先设定的第1阈值以上的物体判定为是正常识别出的物体。
3.如权利要求1或2所述的物体检测装置,其特征在于,
所述判定部将所述加法值小于第2阈值的物体判定为是误识别出的物体,并将与该物体相关的信息从所述检测信息中删除,所述第2阈值设为比所述第1阈值要小的值、并根据所述检测次数而预先设定。
4.一种物体检测方法,其特征在于,包括:
第1步骤,该第1步骤中,经由输出包含作为检测对象的每个物体的可靠度在内的检测信息的检测器,按每个检测周期获取所述检测信息;
第2步骤,该第2步骤中,按每个物体使检测次数递增,并对于包含在所述检测信息中的所述可靠度按每个物体计算出所述检测周期的最近N次的加法值,将所述加法值在根据所述检测次数而预先设定的第1阈值以上的物体判定为是正常识别出的物体;以及
第3步骤,该第3步骤中,将与在包含于所述检测信息的物体中由所述第2步骤判定为是所述正常识别出的物体有关的检测信息作为正常检测物体信息来输出。
5.如权利要求4所述的物体检测方法,其特征在于,
所述第2步骤中,在从初次检测起的检测次数为小于N次的M次的情况下,按每个物体使检测次数递增,并对于包含在所述检测信息中的所述可靠度,按每个物体计算出从所述初次检测起到第M次为止的加法值,将所述加法值在根据所述检测次数而预先设定的第1阈值以上的物体判定为是正常识别出的物体。
6.如权利要求4或5所述的物体检测方法,其特征在于,
所述第2步骤中,将所述加法值小于第2阈值的物体判定为是误识别出的物体,并将与该物体相关的信息从所述检测信息中删除,所述第2阈值设为比所述第1阈值要小的值、并根据所述检测次数而预先设定。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2016/083120 WO2018087817A1 (ja) | 2016-11-08 | 2016-11-08 | 物体検知装置および物体検知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109923442A CN109923442A (zh) | 2019-06-21 |
CN109923442B true CN109923442B (zh) | 2021-03-12 |
Family
ID=62109673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680090585.8A Active CN109923442B (zh) | 2016-11-08 | 2016-11-08 | 物体检测装置及物体检测方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10885355B2 (zh) |
JP (1) | JP6698864B2 (zh) |
CN (1) | CN109923442B (zh) |
DE (1) | DE112016007418T5 (zh) |
WO (1) | WO2018087817A1 (zh) |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002099906A (ja) * | 2000-09-22 | 2002-04-05 | Mazda Motor Corp | 物体認識装置 |
JP4483589B2 (ja) * | 2005-01-12 | 2010-06-16 | 日産自動車株式会社 | 車両用情報提供装置 |
JP4392389B2 (ja) * | 2005-06-27 | 2009-12-24 | 本田技研工業株式会社 | 車両及び車線認識装置 |
JP2007310741A (ja) * | 2006-05-19 | 2007-11-29 | Fuji Heavy Ind Ltd | 立体物認識装置 |
JP4978863B2 (ja) * | 2008-02-29 | 2012-07-18 | 本田技研工業株式会社 | 車線認識装置、車両及び車線認識用プログラム |
WO2011108258A1 (ja) | 2010-03-03 | 2011-09-09 | パナソニック株式会社 | 車両周辺監視装置および車両周辺監視方法 |
JP5316572B2 (ja) * | 2011-03-28 | 2013-10-16 | トヨタ自動車株式会社 | 物体認識装置 |
JP5945777B2 (ja) | 2011-11-10 | 2016-07-05 | パナソニックIpマネジメント株式会社 | 超音波センサ |
JP5806647B2 (ja) * | 2012-07-12 | 2015-11-10 | 本田技研工業株式会社 | 物体認識装置 |
JP6369035B2 (ja) * | 2013-02-05 | 2018-08-08 | 株式会社デンソー | 物標検出装置 |
JP6127676B2 (ja) * | 2013-04-12 | 2017-05-17 | オムロン株式会社 | 画像認識装置、画像認識プログラム、記録媒体、および画像認識方法 |
US9582886B2 (en) * | 2013-07-08 | 2017-02-28 | Honda Motor Co., Ltd. | Object recognition device |
JP6245880B2 (ja) * | 2013-07-31 | 2017-12-13 | キヤノン株式会社 | 情報処理装置および情報処理手法、プログラム |
JP6202981B2 (ja) * | 2013-10-18 | 2017-09-27 | 任天堂株式会社 | 情報処理プログラム、情報処理装置、情報処理システム、および、情報処理方法 |
JP6320880B2 (ja) | 2014-09-01 | 2018-05-09 | 株式会社デンソー | 検知システム |
JP6484000B2 (ja) * | 2014-10-22 | 2019-03-13 | 株式会社デンソー | 物体検知装置 |
JP6601362B2 (ja) * | 2016-10-13 | 2019-11-06 | 株式会社デンソー | 移動検出装置 |
-
2016
- 2016-11-08 JP JP2018549662A patent/JP6698864B2/ja active Active
- 2016-11-08 US US16/342,057 patent/US10885355B2/en active Active
- 2016-11-08 DE DE112016007418.2T patent/DE112016007418T5/de active Pending
- 2016-11-08 CN CN201680090585.8A patent/CN109923442B/zh active Active
- 2016-11-08 WO PCT/JP2016/083120 patent/WO2018087817A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2018087817A1 (ja) | 2018-05-17 |
US10885355B2 (en) | 2021-01-05 |
US20190258877A1 (en) | 2019-08-22 |
JPWO2018087817A1 (ja) | 2019-03-07 |
JP6698864B2 (ja) | 2020-05-27 |
CN109923442A (zh) | 2019-06-21 |
DE112016007418T5 (de) | 2019-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4884096B2 (ja) | 物体識別システム | |
KR101374878B1 (ko) | 차량의 주차제어시스템 및 그를 이용한 주차 제어 방법 | |
JP5964108B2 (ja) | 物体検出装置 | |
EP2457499B1 (en) | Line-of-sight estimation device | |
JP6806188B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
CA2993421C (en) | Object detecting method and object detecting device | |
EP3065087B1 (en) | Information processing apparatus, image capturing apparatus, control system applicable to moveable apparatus, information processing method, and carrier medium of program of method | |
KR101961571B1 (ko) | 복수의 물체 검출 수단을 사용한 물체 인식 장치 | |
US20130271607A1 (en) | Positioning apparatus and positioning method | |
KR101018033B1 (ko) | 차선 이탈 경보 방법 및 시스템 | |
JP2018029237A5 (zh) | ||
CN109684944B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN108710828B (zh) | 识别目标物的方法、装置和存储介质以及车辆 | |
US8503737B2 (en) | Visual line estimating apparatus | |
CN111444763A (zh) | 一种安防控制方法、装置、存储介质及空调 | |
CN109923442B (zh) | 物体检测装置及物体检测方法 | |
CN113615166A (zh) | 事故检测装置及事故检测方法 | |
JP2009064274A (ja) | 歩行者認識装置 | |
JP4151631B2 (ja) | 物体検出装置 | |
KR101770586B1 (ko) | 보행자 인식 시스템 및 그 제어 방법 | |
JP5045449B2 (ja) | 画像処理による環境適応型侵入者検知装置 | |
KR101626540B1 (ko) | 스마트 센서 기반의 침입 감지 시스템 및 그 침입 감지 방법 | |
US10846840B2 (en) | Image recognition device | |
JP7483060B2 (ja) | 手検出装置、ジェスチャー認識装置および手検出方法 | |
CN109815879B (zh) | 目标检测方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |