CN110001662B - 一种面向自然驾驶数据的跟车驾驶过程提取方法 - Google Patents

Abstract

本发明涉及道路车辆安全辅助驾驶技术领域，具体涉及一种面向自然驾驶数据的跟车驾驶过程提取方法，包括原始数据的获取步骤、原始数据的处理步骤、目标物的校正步骤、有效数据的筛选步骤，其中，目标物的校正步骤：依次倒序获取跟车驾驶过程的处理数据，判断该跟车驾驶过程结束后，指定时间内是否产生新的跟车驾驶过程，若产生，则获取新的跟车驾驶过程的处理数据，根据原跟车驾驶过程计算时间范围，判断时间范围内，两跟车驾驶过程的目标物和目标物是否同时出现，若未同时出现，则原跟车驾驶过程与新的跟车驾驶过程为同一目标物的跟车驾驶过程。采用本方案能够提高目标物跟踪识别的准确性。

Description

一种面向自然驾驶数据的跟车驾驶过程提取方法

技术领域

本发明涉及道路车辆安全辅助驾驶技术领域，具体涉及一种面向自然驾驶数据的跟车驾驶过程提取方法。

背景技术

近年来，为了减少交通事故的发生，增加道路的通行能力，同时得益于科技的发展，辅助驾驶系统、自动驾驶系统和智能交通系统获得了长足的发展。驾驶员作为人-车-路闭环系统中极其重要的一环，其行为在与汽车相关的各类智能系统中都有着重要影响。驾驶员的驾驶行为不仅是研究车辆控制系统的依据，也是制定测试标准的重要参考。

跟车行驶是道路交通的典型基本工况，驾驶员跟车驾驶行为的研究有助于自适应巡航控制系统等智能辅助驾驶系统和无人驾驶系统的研发与测试规程的制定。为了研究驾驶员的跟车驾驶行为，一般的做法是使用车载摄像头、毫米波雷达、激光雷达等多传感器融合的数据采集系统进行自然驾驶数据的提取，基于自然驾驶数据筛选获得跟车驾驶过程。

目前大部分研究驾驶员纵向跟车驾驶行为的文献中，对原始跟车驾驶过程的提取方法涉及较少，或者只提出某些针对于理想数据的简单标准，较少考虑数据采集过程中产生的距离识别失真、目标物跟踪识别不理想等导致的准确性低的问题。

发明内容

本发明意在提供一种面向自然驾驶数据的跟车驾驶过程提取方法，能够提高目标物跟踪识别的准确性。

本发明提供基础方案是：一种面向自然驾驶数据的跟车驾驶过程提取方法，包括以下步骤：

原始数据的获取步骤：获取跟车驾驶过程的原始数据，原始数据包括帧编码、与每一帧对应的帧时间、自车速度、目标物、目标物ID、目标物类型和目标物相对于自车的横向偏移；

原始数据的处理步骤：根据横向偏移和目标物类型筛选原始数据，将筛选后的原始数据根据目标物ID进行分类后，根据起始帧编码进行排列，排列后的原始数据根据相邻的原始数据的帧时间对原始数据进行合并，并在合并后，根据原始数据的起始帧编码升序排列以获得处理数据；

目标物的校正步骤：判断处理数据中某一跟车驾驶过程结束后，指定时间内是否产生新的跟车驾驶过程，若产生，则判断两个跟车驾驶过程中的目标物是否同时出现，若未同时出现，则默认两个跟车驾驶过程为同一目标物的跟车驾驶过程，将后一跟车驾驶过程中的目标物ID纠正为前一跟车驾驶过程的目标物ID以获得校正数据；

有效数据的筛选步骤：根据跟车驾驶过程中的帧时间、横向偏移和自车车速从校正数据中筛选出有效数据。

基础方案的有益效果：通过原始数据的处理步骤对原始数据进行处理后，获取处理数据，由于车载摄像头和毫米波雷达进行目标物的跟踪识别时，可能会出现识别效果不佳，导致目标物发生跳变的情况，因此通过目标物的校正步骤，将目标物ID发生跳变的多个跟车驾驶过程纠正为同一跟车驾驶过程。目标物ID跳变的情况通常发生在短时间内，因此在获取某个跟车驾驶过程后，判断指定时间内是否有新的跟车驾驶过程产生，指定时间通常设置的较短，例如1秒，若有，则说明可能存在目标物ID跳变的情况，再对两个跟车驾驶过程的目标物进行判断，若两个目标物同时出现，则说明这两个目标物是不同的目标物，并非目标物ID跳转的情况，若两个目标物未同时出现，则说明存在目标物ID跳转的情况，两个跟车驾驶过程的目标物为同一目标物，两个跟车驾驶过程应当合并为一个跟车驾驶过程。通过目标物的校正步骤对目标物ID跳变的情况进行纠正，从而提高目标物跟踪识别的准确性，进而对跟车驾驶过程进行更准确的筛选和提取。

优选方案一：作为基础方案的优选，目标物的校正步骤具体包括以下步骤：

S1：依次倒序获取跟车驾驶过程的处理数据，包括目标物A、起始帧编码id₁、起始帧对应的起始帧时间t₁、结束帧编码id₂、结束帧对应的结束帧时间t₂；

S2：判断该跟车驾驶过程结束后，指定时间内是否产生新的跟车驾驶过程，若产生则执行S3，若未产生则执行S1；

S3：获取新的跟车驾驶过程的处理数据，包括目标物B、起始帧编码ID₁、起始帧对应的起始帧时间T₁、结束帧编码ID₂、结束帧对应的结束帧时间T₂；

S4：根据原跟车驾驶过程计算时间范围T，获取t₀，当t₂-t₁>t₀时，时间范围T为[t₁,t₂+t₀]，当t₂-t₁<t₀时，时间范围T为[t₁-t₀,t₂+t₀]；

S5：判断时间范围T内，目标物A和目标物B是否同时出现，若出现则执行S1，若未出现则执行S6；

S6：原跟车驾驶过程与新的跟车驾驶过程为同一目标物的跟车驾驶过程，将新的跟车驾驶过程中的目标物B的目标物ID纠正为目标物A的目标物ID以获得校正数据。

有益效果：进行目标物的校正时，根据排列依次倒序获取某个跟车驾驶过程的处理数据，在获取该跟车驾驶过程的结束帧时间后，判断结束帧时间后短时间内是否产生新的跟车驾驶过程，例如结束帧时间为10秒200毫秒，在10秒200毫秒至11秒200毫秒内是否产生新的跟车驾驶过程，若产生，则进而判断目标物A和目标物B是否同时出现，若未产生，则获取下一个跟车驾驶过程进行目标物的校正步骤。对排序后的处理数据依次倒序获取，能够减少误合并的情况发生，确保跟车驾驶过程筛选和提取的准确性，同时便于实现数据筛选。

优选方案二：作为基础方案的优选，原始数据的处理步骤具体包括以下步骤：

原始数据筛选步骤：获取横向偏移阀值d₀和原始数据每一帧的横向偏移d_x，筛选d_x<d₀的原始数据，获取原始数据的目标物类型，根据目标物类型对原始数据进行筛选；

原始数据分类步骤：获取筛选后的原始数据的目标物ID，根据目标物ID对原始数据进行分类；

原始数据合并步骤：获取同一目标物ID的原始数据的起始帧编码，根据起始帧编码对原始数据进行升序排列，获取排列后相邻两原始数据的起始帧对应的起始帧时间和结束帧对应的结束帧时间，根据前一原始数据的结束帧时间和后一原始数据的起始帧时间对原始数据进行合并，将合并后的原始数据根据起始帧编码进行升序排列以获得处理数据。

有益效果：由于在数据采集时，目标物ID为0至255，在采集过程中目标物的数量大于255时，会出现同一目标物ID下有多个目标物的跟车驾驶过程的情况，因此在对原始数据进行目标物校正前，需对原始数据进行处理，将同一目标物ID下的多个目标物的跟车驾驶过程进行合并。由于跟车驾驶过程需保持目标车和自车之间的横向偏移，当横向偏移过大时，自车与目标车之间并不能认为是跟车驾驶过程，因此剔除横向偏移大于横向偏移阀值的原始数据。在跟随不同类型的目标车时，由于目标车的车身、体积等不同，自车的自车速度和横向偏移也会存在差异，为保证跟车驾驶过程提取的准确性，针对不同类型的目标车进行不同的处理。由于横向偏移阈值的设定和数据采集的误差，在跟车驾驶过程中可能会出现横向偏移暂时超过横向偏移阈值的现象，因此通过原始数据合并步骤对横向偏移暂时超过横向偏移阈值的原始数据进行合并，从而提高跟车驾驶过程的数据完整性。

优选方案三：作为优选方案二的优选，原始数据合并步骤具体包括以下步骤：

S1：获取分类后的同一目标物ID的原始数据的起始帧编码，根据起始帧编码对原始数据进行升序排列；

S2：获取相邻两原始数据的起始帧对应的起始帧时间和结束帧对应的结束帧时间，前一原始数据的起始帧时间为t_s、结束帧时间为t_f，后一原始数据的起始帧时间为T_s、结束帧时间为T_f；

S3：计算前一原始数据和后一原始数据之间的时间间隔T_x，；

S4：获取指定的T_min和T_max，当T_x满足T_x<T_min时，则执行S6，当T_x满足T_max>T_x>T_min时，则执行S5，当T_x满足T_x>T_max时，则执行S2；

S5：判断时间间隔T_x内是否存在其它目标物满足横向偏移要求，若存在，则执行S2，若不存在，则执行S6；

S6：对前一原始数据和后一原始数据进行合并，合并后原始数据的起始帧时间为t_s、结束帧时间为T_f；

S7：根据起始帧编码对原始数据进行升序排列以获得处理数据。

有益效果：由于在跟车驾驶过程中可能会出现横向偏移暂时超过横向偏移阈值的现象，因此根据相邻两跟车驾驶过程的时间间隔，对跟车驾驶过程进行判断。当T_x<T_min时，横向偏移超过横向偏移阈值的时间较短，默认是横向偏移暂时超过横向偏移阈值的现象，两个不同的跟车驾驶过程为同一跟车驾驶过程，当T_x>T_max时，横向偏移超过横向偏移阈值的时间较长，默认是两个不同的跟车驾驶过程。当T_max>T_x>T_min时，不能直接进行判断，需引入新的判断条件，若在时间间隔内存在其它目标物，则说明并非横向偏移暂时超过横向偏移阈值的现象，两个是不同的跟车驾驶过程，若在时间间隔内不存在其它目标物，则说明是横向偏移暂时超过横向偏移阈值的现象，默认两个不同的跟车驾驶过程为同一跟车驾驶过程。

优选方案四：作为基础方案的优选，有效数据的筛选步骤包括以下步骤：

帧时间筛选步骤：获取跟车时长有效值，保留起始帧时间至结束帧时间大于跟车时长的校正数据作为有效数据；

横向偏移筛选步骤：获取横向偏移有效值，保留平均横向偏移小于横向偏移阈值的校正数据作为有效数据；

自身车速筛选步骤：获取车速有效值，保留平均自身车速大于车速阀值的校正数据作为有效数据。

有益效果：对原始数据进行处理和目标物校正后，还需进一步对有效数据进行筛选，从而保证获得稳定、可靠的跟车驾驶过程数据。

优选方案五：作为优选方案四的优选，帧时间筛选步骤包括以下步骤：

S1：获取指定的跟车时长有效值T_t，获取校正数据起始帧对应的起始帧时间t_s和结束帧对应的结束帧时间t_f；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：判断跟车时长是否大于跟车时长有效值，若大于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

有益效果：为保证跟车驾驶过程的连续性和稳定性，根据帧时间对有效数据进行筛选，保留跟车时长大于跟车时长有效值的校正数据作为有效数据。例如跟车时长有效值为10秒，则只保留跟车时长大于10秒的校正数据作为跟车驾驶过程有效数据。

优选方案六：作为优选方案四的优选，横向偏移筛选步骤包括以下步骤：

S1：获取指定的横向偏移有效值D_t，获取校正数据起始帧对应的起始帧时间t_s、结束帧对应的结束帧时间t_f和起始帧至结束帧每一帧的横向偏移d_x；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：根据起始帧至结束帧每一帧的横向偏移d_x和跟车时长t_x计算出校正数据的平均横向偏移d_a；

S4：判断平均横向偏移是否小于横向偏移有效值，若小于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

有益效果：为了保证跟车驾驶过程的有效性和可靠性，根据横向偏移对有效数据进行筛选，获取跟车驾驶过程中每一帧的横向偏移和跟车时长，计算出跟车驾驶过程中的平均横向偏移，保留平均横向偏移小于横向偏移有效值的校正数据作为有效数据。

优选方案七：作为优选方案四的优选，自身车速筛选步骤包括以下：

S1：获取指定的车速有效值Vt，获取校正数据起始帧对应的起始帧时间t_s、结束帧对应的结束帧时间t_f和起始帧至结束帧每一帧的自车车速v_x；

S2：计算校正数据的跟车时长t_x；

S3：根据起始帧至结束帧每一帧的自车车速v_x和跟车时长t_x计算出校正数据的平均自车车速v_x；

S4：判断平均自车车速是否大于车速有效值，若大于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

有益效果：在自然驾驶过程中会发生道路拥堵的情况，由于道路拥堵时其它车辆与自车之间均满足跟车驾驶过程的条件，为避免误将道路拥堵时的驾驶过程作为跟车驾驶过程进行提取，对自车速度进行限制，只保留平均自车车速大于车速有效值的校正数据作为有效数据。

优选方案八：作为基础方案的优选，原始数据通过车载摄像头或车载摄像头与毫米波雷达融合的数据采集设备获取。

有益效果：通过车载摄像头或车载摄像头与毫米波雷达融合的数据采集设备获取原始数据，操作方便，易于获得。

优选方案九：作为基础方案或优选方案二任一项的优选，目标物类型包括轿车、货车和公交车。

有益效果：不同类型的目标物存在体积和速度的差异，在提取跟车驾驶过程上也有所区别。例如，车辆的宽度为1.6至2米之间，其中常规轿车宽度最小，货车宽度最大，不同的车辆宽度在设定横向偏移阀值和横向偏移有效值上存在差异。将不同类型的目标物进行分类后分别提取，去除其他类型目标物的影响，从而获得更稳定、可靠的跟车驾驶过程。

附图说明

图1为本发明一种面向自然驾驶数据的跟车驾驶过程提取方法实施例的流程图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例

基本如附图1所示，一种面向自然驾驶数据的跟车驾驶过程提取方法，包括以下步骤：

原始数据的获取步骤：通过车载摄像头或车载摄像头与毫米波雷达融合的数据采集设备获取自然驾驶数据，即获取跟车驾驶过程的原始数据，在本实施例中，车载摄像头或数据采集设备每秒获取20帧画面。原始数据包括帧编码、与每一帧对应的帧时间、自车速度、目标物、目标物ID、目标物类型和目标物相对于自车的横向偏移，其中，目标物类型包括轿车、货车、公交车、行人、二轮车、标志牌等多种，在本实施例中，目标物类型优选为轿车、货车和公交车。

原始数据的处理步骤：获取横向偏移阈值，根据横向偏移筛选出横向偏移小等于横向偏移阈值的原始数据，获取目标物类型，根据目标物类型对原始数据进行筛选，将筛选后的原始数据再根据目标物ID进行分类。再根据起始帧编码对原始数据进行升序排列，排列后的原始数据根据相邻的原始数据的帧时间对原始数据进行合并，最后根据原始数据的起始帧编码升序排列作为处理数据。

由于在数据采集时，目标物ID为0至255，在采集过程中目标物的数量大于255时，会出现同一目标物ID下有多个目标物的跟车驾驶过程的情况，因此在对原始数据进行目标物校正前，需对原始数据进行处理，将同一目标物ID下的多个目标物的跟车驾驶过程进行合并。

目标物的校正步骤：判断处理数据中某一跟车驾驶过程结束后，指定时间内是否产生新的跟车驾驶过程，若产生，则判断两个跟车驾驶过程中的目标物是否同时出现，若未同时出现，则默认两个跟车驾驶过程为同一目标物的跟车驾驶过程，将后一跟车驾驶过程中的目标物纠正为前一跟车驾驶过程的目标物以获得校正数据。在本实施例中，指定时间为1秒。

有效数据的筛选步骤：获取跟车驾驶过程中的跟车时长和跟车时长有效值，筛选跟车时长大于跟车时长有效值的校正数据作为有效数据。获取跟车驾驶过程中的平均横向偏移和横向偏移有效值，筛选平均横向偏移小于横向偏移有效值的校正数据作为有效数据。获取跟车驾驶过程中的平均自车车速和车速有效值，筛选平均自车车速大于车速有效值的校正数据作为有效数据。

具体的，原始数据的处理步骤包括以下步骤：

原始数据筛选步骤：获取横向偏移阀值d₀和原始数据每一帧的横向偏移d_x，筛选d_x<d₀的原始数据，获取原始数据的目标物类型，根据目标物类型筛选出“car”、“truck”、“bus”三种类型的原始数据。

原始数据分类步骤：获取筛选后的原始数据的目标物ID，根据目标物ID对原始数据进行分类。

原始数据合并步骤：获取同一目标物ID的原始数据的起始帧编码，根据起始帧编码对原始数据进行升序排列，获取排列后相邻两原始数据的起始帧对应的起始帧时间和结束帧对应的结束帧时间，根据前一原始数据的结束帧时间和后一原始数据的起始帧时间对原始数据进行合并，获取合并后的原始数据的起始帧编码，根据起始帧编码对原始数据进行升序排列作为处理数据。

一般乘用车行驶的车道宽度为3.5米，乘用车的宽度一般在1.8米左右。当目标车与自车的边缘刚好重合时，两车横向偏移为1.8米，而当目标车与自车均位于同一车道时，横向偏移则小于1.8米，如果目标车是公交车或者商用车时，横向偏移则会更小。因此在本实施例中，综合考虑采集数据的误差，以1.8米为横向偏移阈值，筛选小于该横向偏移阈值的数据。例如，d₀＝1.8米，筛选出d_x<1.8的原始数据。

具体的，原始数据合并步骤包括以下步骤：

S1：获取分类后的同一目标物ID的原始数据的起始帧编码，根据起始帧编码对原始数据进行升序排列。

S2：获取相邻两原始数据的起始帧对应的起始帧时间和结束帧对应的结束帧时间，前一原始数据的起始帧时间为t_s、结束帧时间为t_f，后一原始数据的起始帧时间为T_s、结束帧时间为T_f。

S3：计算前一原始数据和后一原始数据之间的时间间隔T_x，T_x＝T_s-t_f。

S4：获取指定的T_min和T_max，当T_x满足T_x<T_min时，则执行S6，当T_x满足T_max>T_x>T_min时，则执行S5，当T_x满足T_x>T_max时，则执行S2。

S5：判断时间间隔T_x内是否存在其它目标物满足横向偏移要求，若存在，则执行S2，若不存在，则执行S6。

S6：对前一原始数据和后一原始数据进行合并，合并后原始数据的起始帧时间为t_s、结束帧时间为T_f。

S7：根据起始帧编码对原始数据进行升序排列以获得处理数据。

例如，T_min＝2秒，T_max＝5秒，当时间间隔为1.5秒时，相邻两原始数据的时间间隔很短，默认为是横向偏移暂时超过横向偏移阈值的现象，将两原始数据进行合并，以前一原始数据的起始帧作为合并后原始数据的起始帧，以后一原始数据的结束帧作为合并后原始数据的结束帧。当时间间隔为3秒时，若这3秒内不存在其它横向偏移小于1.8米的目标物，则默认为是横向偏移暂时超过横向偏移阈值的现象，将两原始数据进行合并，反之，则认为两原始数据是不同的跟车驾驶过程。

经过原始数据的处理步骤获得的跟车驾驶过程处理数据统计信息如表一所示。

表一跟车驾驶过程处理数据统计信息

具体的，目标物的校正步骤包括以下步骤：

S1：依次倒序获取跟车驾驶过程的处理数据，包括目标物A、起始帧编码id₁、起始帧对应的起始帧时间t₁、结束帧编码id₂、结束帧对应的结束帧时间t₂；

S2：判断该跟车驾驶过程结束后，1秒内是否产生新的跟车驾驶过程，若产生则执行S3，若未产生则执行S1；

S3：获取新的跟车驾驶过程的处理数据，包括目标物B、起始帧编码ID₁、起始帧对应的起始帧时间T₁、结束帧编码ID₂、结束帧对应的结束帧时间T₂；

S4：根据原跟车驾驶过程计算时间范围T，获取t₀，当t₂-t₁>t₀时，时间范围T为[t₁,t₂+t₀]，当t₂-t₁<t₀时，时间范围T为[t₁-t₀,t₂+t₀]；

S5：判断时间范围T内，原始数据中目标物A和目标物B是否同时出现，若出现则执行S1，若未出现则执行S6；

S6：原跟车驾驶过程与新的跟车驾驶过程为同一目标物的跟车驾驶过程，将新的跟车驾驶过程中的目标物B的目标物ID纠正为目标物A的目标物ID以获得校正数据。

经过目标物的校正步骤获得的跟车驾驶过程校正数据统计信息如表二所示。

表二跟车驾驶过程校正数据统计信息

表二中，由于目标物ID为49和75的目标物在时间范围T内，在原始数据中同时出现，因此认为两者为不同的目标物。同理，目标物ID为75和89为不同的目标物，目标物ID为190和67为不同的目标物。

具体的，有效数据的筛选步骤包括以下步骤：

帧时间筛选步骤：获取跟车时长有效值，保留起始帧时间至结束帧时间大于跟车时长的校正数据作为有效数据。

横向偏移筛选步骤：获取横向偏移有效值，保留平均横向偏移小于横向偏移阈值的校正数据作为有效数据。

自身车速筛选步骤：获取车速有效值，保留平均自身车速大于车速阀值的校正数据作为有效数据。

具体的，帧时间筛选步骤包括以下步骤：

S1：获取指定的跟车时长有效值T_t，获取校正数据起始帧对应的起始帧时间ts和结束帧对应的结束帧时间t_f；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：判断跟车时长是否大于跟车时长有效值，若大于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

在本实施例中，跟车时长有效值为10秒，以目标物ID为2的目标车为例，其跟车时长为

秒，小于跟车时长有效值，则剔除该校正数据。在本实施例中，经过帧时间筛选步骤的筛选出的跟车驾驶过程有效数据统计信息如表三所示。

表三跟车驾驶过程有效数据统计信息

具体的，横向偏移筛选步骤包括以下步骤：

S1：获取指定的横向偏移有效值D_t，获取校正数据起始帧对应的起始帧时间t_s、结束帧对应的结束帧时间t_f和起始帧至结束帧每一帧的横向偏移d_x；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：根据起始帧至结束帧每一帧的横向偏移d_x和跟车时长t_x计算出校正数据的平均横向偏移d_a；

S4：判断平均横向偏移是否小于横向偏移有效值，若小于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

具体的，自身车速筛选步骤包括以下：

S1：获取指定的车速有效值V_t，获取校正数据起始帧对应的起始帧时间t_s、结束帧对应的结束帧时间t_f和起始帧至结束帧每一帧的自车车速v_x；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：根据起始帧至结束帧每一帧的自车车速v_x和跟车时长t_x计算出校正数据的平均自车车速v_x；

S4：判断平均自车车速是否大于车速有效值，若大于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：包括以下步骤：

原始数据的获取步骤：获取跟车驾驶过程的原始数据，原始数据包括帧编码、与每一帧对应的帧时间、自车速度、目标物、目标物ID、目标物类型和目标物相对于自车的横向偏移；

原始数据的处理步骤：根据横向偏移和目标物类型筛选原始数据，将筛选后的原始数据根据目标物ID进行分类后，根据起始帧编码进行排列，排列后的原始数据根据相邻的原始数据的帧时间对原始数据进行合并，并在合并后，根据原始数据的起始帧编码升序排列以获得处理数据；

目标物的校正步骤：判断处理数据中某一跟车驾驶过程结束后，指定时间内是否产生新的跟车驾驶过程，若产生，则判断两个跟车驾驶过程中的目标物是否同时出现，若未同时出现，则默认两个跟车驾驶过程为同一目标物的跟车驾驶过程，将后一跟车驾驶过程中的目标物ID纠正为前一跟车驾驶过程的目标物ID以获得校正数据；

有效数据的筛选步骤：根据跟车驾驶过程中的帧时间、横向偏移和自车车速从校正数据中筛选出有效数据。

2.根据权利要求1所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：目标物的校正步骤具体包括以下步骤：

S1：依次倒序获取跟车驾驶过程的处理数据，包括目标物A、起始帧编码id₁、起始帧对应的起始帧时间t₁、结束帧编码id₂、结束帧对应的结束帧时间t₂；

S2：判断该跟车驾驶过程结束后，指定时间内是否产生新的跟车驾驶过程，若产生则执行S3，若未产生则执行S1；

S3：获取新的跟车驾驶过程的处理数据，包括目标物B、起始帧编码ID₁、起始帧对应的起始帧时间T₁、结束帧编码ID₂、结束帧对应的结束帧时间T₂；

S4：根据原跟车驾驶过程计算时间范围T，获取t₀，当t₂-t₁>t₀时，时间范围T为[t₁,t₂+t₀]，当t₂-t₁<t₀时，时间范围T为[t₁-t₀,t₂+t₀]；

S5：判断时间范围T内，目标物A和目标物B是否同时出现，若出现则执行S1，若未出现则执行S6；

S6：原跟车驾驶过程与新的跟车驾驶过程为同一目标物的跟车驾驶过程，将新的跟车驾驶过程中的目标物B的目标物ID纠正为目标物A的目标物ID以获得校正数据。

3.根据权利要求1所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：原始数据的处理步骤具体包括以下步骤：

原始数据筛选步骤：获取横向偏移阀值d₀和原始数据每一帧的横向偏移d_x，筛选d_x<d₀的原始数据，获取原始数据的目标物类型，根据目标物类型对原始数据进行筛选；

原始数据分类步骤：获取筛选后的原始数据的目标物ID，根据目标物ID对原始数据进行分类；

原始数据合并步骤：获取同一目标物ID的原始数据的起始帧编码，根据起始帧编码对原始数据进行升序排列，获取排列后相邻两原始数据的起始帧对应的起始帧时间和结束帧对应的结束帧时间，根据前一原始数据的结束帧时间和后一原始数据的起始帧时间对原始数据进行合并，将合并后的原始数据根据起始帧编码进行升序排列以获得处理数据。

4.根据权利要求3所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：原始数据合并步骤具体包括以下步骤：

S1：获取分类后的同一目标物ID的原始数据的起始帧编码，根据起始帧编码对原始数据进行升序排列；

S2：获取相邻两原始数据的起始帧对应的起始帧时间和结束帧对应的结束帧时间，前一原始数据的起始帧时间为t_s、结束帧时间为t_f，后一原始数据的起始帧时间为T_s、结束帧时间为T_f；

S3：计算前一原始数据和后一原始数据之间的时间间隔T_x，T_x＝T_s-t_f；

S4：获取指定的T_min和T_max，当T_x满足T_x<T_min时，则执行S6，当T_x满足T_max>T_x>T_min时，则执行S5，当T_x满足T_x>T_max时，则执行S2；

S5：判断时间间隔T_x内是否存在其它目标物满足横向偏移要求，若存在，则执行S2，若不存在，则执行S6；

S6：对前一原始数据和后一原始数据进行合并，合并后原始数据的起始帧时间为t_s、结束帧时间为T_f；

S7：根据起始帧编码对原始数据进行升序排列以获得处理数据。

5.根据权利要求1所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：有效数据的筛选步骤包括以下步骤：

帧时间筛选步骤：获取跟车时长有效值，保留起始帧时间至结束帧时间大于跟车时长的校正数据作为有效数据；

横向偏移筛选步骤：获取横向偏移有效值，保留平均横向偏移小于横向偏移阈值的校正数据作为有效数据；

自身车速筛选步骤：获取车速有效值，保留平均自身车速大于车速阀值的校正数据作为有效数据。

6.根据权利要求5所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：帧时间筛选步骤包括以下步骤：

S1：获取指定的跟车时长有效值T_t，获取校正数据起始帧对应的起始帧时间t_s和结束帧对应的结束帧时间t_f；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：判断跟车时长是否大于跟车时长有效值，若大于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

7.根据权利要求5所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：横向偏移筛选步骤包括以下步骤：

S1：获取指定的横向偏移有效值D_t，获取校正数据起始帧对应的起始帧时间t_s、结束帧对应的结束帧时间t_f和起始帧至结束帧每一帧的横向偏移d_x；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：根据起始帧至结束帧每一帧的横向偏移d_x和跟车时长t_x计算出校正数据的平均横向偏移d_a；

S4：判断平均横向偏移是否小于横向偏移有效值，若小于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

8.根据权利要求5所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：自身车速筛选步骤包括以下：

S1：获取指定的车速有效值V_t，获取校正数据起始帧对应的起始帧时间t_s、结束帧对应的结束帧时间t_f和起始帧至结束帧每一帧的自车车速v_x；

S2：计算校正数据的跟车时长t_x，t_x＝t_f-t_s；

S3：根据起始帧至结束帧每一帧的自车车速v_x和跟车时长t_x计算出校正数据的平均自车车速v_x；

S4：判断平均自车车速是否大于车速有效值，若大于，则保留该校正数据作为有效数据，反之，则剔除该校正数据。

9.根据权利要求1所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：原始数据通过车载摄像头或车载摄像头与毫米波雷达融合的数据采集设备获取。

10.根据权利要求1或3任一项所述的面向自然驾驶数据的跟车驾驶过程提取方法，其特征在于：目标物类型包括轿车、货车和公交车。

Images