CN110232300A - 一种旁车道车辆换道意图识别方法及系统 - Google Patents
一种旁车道车辆换道意图识别方法及系统 Download PDFInfo
- Publication number
- CN110232300A CN110232300A CN201810179486.8A CN201810179486A CN110232300A CN 110232300 A CN110232300 A CN 110232300A CN 201810179486 A CN201810179486 A CN 201810179486A CN 110232300 A CN110232300 A CN 110232300A
- Authority
- CN
- China
- Prior art keywords
- lane
- region
- vehicle
- pixel
- determination unit
- 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 40
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011067 equilibration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种旁车道车辆换道意图识别方法及系统，在旁车道的实时采集图像中先确定出旁车道的侧向图像区域，可以先将分析目标锁定在一个较小的范围内，而后，在该侧向图像区域中确定前后车轮的区域时，可以降低分析的复杂度，从而高效地通过获得车辆相对于旁车道的偏转角，通过偏转角能够在复杂的交通路况中提前识别旁车道车辆的换道意识，使驾驶员提前做出相应，避免旁车道车辆不打转向灯换道而带来的安全隐患，提高车辆驾驶的安全性。
Description
技术领域
本发明涉及汽车主动安全领域，尤其涉及一种旁车道车辆换道意图识别方法及系统。
背景技术
随着汽车保有量的持续增加，安全驾驶的意识也得到不断提高，汽车主动性安全是安全驾驶的一个重要方面，是指汽车本身防止或减少道路交通事故发生的性能。
目前，汽车主动性安全多侧重于本车道的人车路环境，较少关注旁车道车辆的状态，而在当前复杂的交通路况中，经常会有旁车道换道并线和横跨两车道的情况出现，带来安全隐患，若能提前识别旁车道车辆的换道意识，可以驾驶者可以提前做出响应，实现安全驾驶。
传统的车辆意图识别系统主要通过识别转向灯是否打开，来判断旁车道车辆的换道意图，而对于换道不打转向灯的情况则无法识别，在此情况下，无法获知旁车道车辆的换道信息，给安全驾驶带来安全隐患。
发明内容
本发明提供了一种旁车道车辆换道意图识别方法及系统，通过车辆相对于旁车道的偏转角识别旁车道车辆的换道意识，提高车辆驾驶的安全性。
一方面，本发明提供了一种旁车道车辆换道意图识别方法，包括：
获得车辆前方旁车道的实时采集图像；
在所述实时采集图像中确定旁车道车辆的侧向图像区域；
在所述侧向图像区域中确定前后车轮的区域，以及在所述实时采集图像中确定出旁车道的车道线；
根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角；
根据所述偏转角，判断旁车道车辆是否要换道。
可选地，在所述侧向图像区域中确定前后车轮的区域之前，还包括：
在所述实时采集图像中确定出旁车道车辆的后方图像区域；
在所述后方图像区域中确定转向灯区域；
根据转向灯区域的像素特征，判断转向灯的状态；
若转向灯的状态为开启，则判断旁车道车辆有换道意图；
否则，转至在所述侧向图像区域中确定前后车轮的区域的步骤。
可选地，在所述实时采集图像中确定旁车道车辆的侧向图像区域以及在所述实时采集图像中确定旁车道车辆的后方图像区域，包括：
从所述实时采集图像中提取harr-like矩形图形特征；
根据所述harr-like矩形图形特征，利用分类器模型，在所述实时采集图像中确定出旁车道车辆的侧向图像区域以及旁车道车辆的后方图像区域。
可选地，所述分类器模型的确定方法包括：
从车辆侧向图像的正样本中提取harr-like矩形图形特征，以获得具有harr-like矩形图形特征的特征正样本；
利用Adaboost算法通过所述特征正样本中harr-like矩形图形特征位置与负样本中相同位置处的像素值进行比较；
对所述分类器，根据分类器准确率进行加权处理，以获得强分类器模型。
可选地，所述根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角，包括：
确定所述前后车轮的中心点；
确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角为车辆相对于旁车道的偏转角。
可选地，所述确定所述中心点所在的直线与所述车道线之间的夹角，包括：
获得所述前后车轮的中心点的第一像素坐标；
获得所述车道线上两个点的第二像素坐标；
将所述第一像素坐标和第二像素坐标分别转化为同一坐标系内的坐标；
确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角为转化后的所述第一像素坐标确定的直线和转化后的所述第二像素坐标确定的直线之间的夹角。
可选地，所述确定所述前后车轮的中心点，包括：
在所述侧向图像区域中以像素模板遍历所有像素点，所述像素模板为3*3的像素点阵，所述像素模板的中心点为遍历的基准点，周围各点中一点的像素值为轮毂的预设像素值，其他各点的像素值为区别于轮毂的预设像素值的其他像素值；
遍历时保留所述侧向图像区域中像素值为轮毂的预设像素值的特定像素点；
以所述特定像素点围成的图形的中心点作为车轮的中心点。
另一方面，本发明还提供了一种旁车道车辆换道意图识别系统，包括：
图像获取单元，用于获得车辆前方旁车道的实时采集图像；
侧向图像确定单元，用于在所述实时采集图像中确定旁车道车辆的侧向图像区域；
车轮及车道线确定单元，用于在所述侧向图像区域中确定前后车轮的区域，以及在所述实时采集图像中确定出旁车道的车道线；
偏转角确定单元，用于根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角；
第一判断单元，用于根据所述偏转角，判断旁车道车辆是否要换道。
可选地，该系统还包括：
后方图像区域确定单元，用于在所述实时采集图像中确定出旁车道车辆的后方图像区域；
转向灯区域确定单元，用于在所述后方图像区域中确定转向灯区域；
转向灯状态单元，用于根据转向灯区域的像素特征，判断转向灯的状态；
第二判断单元，用于当转向灯的状态为开启时，判断旁车道车辆有换道意图，否则，触发所述车轮及车道线确定单元。
可选地，所述侧向图像确定单元和后方图像区域确定单元包括：
特征提取单元，用于从所述实时采集图像中提取harr-like矩形图形特征；
图像确定单元，用于根据所述harr-like矩形图形特征，利用分类器模型，在所述实时采集图像中确定出旁车道车辆的侧向图像区域以及旁车道车辆的后方图像区域。
可选地，所述侧向图像确定单元和后方图像区域确定单元还包括：
分类器模型确定单元，用于从车辆侧向图像的正样本中提取harr-like矩形图形特征，以获得具有harr-like矩形图形特征的特征正样本；利用Adaboost算法通过所述特征正样本中harr-like矩形图形特征位置与负样本中相同位置处的像素值进行比较，以获得不同特征的分类器；对所述分类器进行强分类，以获得分类器模型。
可选地，所述偏转角确定单元包括：
车轮中心点确定单元，用于确定所述前后车轮的中心点；
夹角确定单元，用于确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角为车辆相对于旁车道的偏转角。
可选地，所述夹角确定单元包括：
第一像素坐标获取单元，用于获得所述前后车轮的中心点的第一像素坐标；
第二像素坐标获取单元，用于获得所述车道线上两个点的第二像素坐标；
坐标转化单元，用于将所述第一像素坐标和第二像素坐标分别转化为同一坐标系内的坐标；
夹角计算单元，用于确定车辆相对于旁车道的偏转角，所述偏转角为转化后的所述第一像素坐标确定的直线和转化后的所述第二像素坐标确定的直线之间的夹角。
可选地，所述车轮中心点确定单元中，确定所述前后车轮的中心点包括：在所述侧向图像区域中以像素模板遍历所有像素点，所述像素模板为3*3的像素点阵，所述像素模板的中心点为遍历的基准点，周围各点中一点的像素值为轮毂的预设像素值，其他各点的像素值为区别于轮毂的预设像素值的其他像素值；遍历时保留所述侧向图像区域中像素值为轮毂的预设像素值的特定像素点；以所述特定像素点围成的图形的中心点作为车轮的中心点。
本发明实施例提供的一种旁车道车辆换道意图识别方法及系统，获得车辆前方旁车道的图像后，通过所述图像确定出旁车道车辆的侧向图像区域，在所述侧向图像区域中确定前后车轮的区域，以及在所述图像中确定出旁车道的车道线，根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角，根据所述偏转角，判断旁车道车辆是否要换道。该方法中，在旁车道的实时采集图像中先确定出旁车道的侧向图像区域，可以先将分析目标锁定在一个较小的范围内，而后，在该侧向图像区域中确定前后车轮的区域时，可以降低分析的复杂度，从而高效地获得车辆相对于旁车道的偏转角，通过偏转角能够在复杂的交通路况中提前识别旁车道车辆的换道意识，使驾驶员提前做出避让，避免旁车道车辆不打转向灯换道而带来的安全隐患，提高车辆驾驶的安全性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的旁车道车辆换道意图识别方法的流程示意图；
图2(A)为根据本发明实施例的旁车道车辆换道意图识别方法中图像识别的示意图；
图2(B)为根据本发明实施例的旁车道车辆换道意图识别方法中harr-like矩形特征窗口的示意图；
图2(C)为根据本发明实施例的旁车道车辆换道意图识别方法中像素模板的示意图；
图3为根据本发明实施例的旁车道车辆换道意图识别系统的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提出了一种旁车道车辆换道意图识别方法，能够识别旁车道车辆换道意图，从而及时作出判断，提高行车安全性。
如图1所示，是本申请实施例一种旁车道车辆换道意图识别的方法流程图，包括以下步骤：
步骤101，获得车辆前方旁车道的实时采集图像。
所述车辆前方旁车道，可以是车辆前方的左侧旁车道，也可以是车辆前方的右侧旁车道，还可以是车辆前方左右两侧的旁车道，在此不做限定，旁车道与车辆所行驶的车道以车道线隔开。
所述车辆前方旁车道的实时采集图像是包含车道线和旁车道车辆及其位置关系的图像，本申请实施例中，以车辆前方左侧旁车道为例，获得的实时采集图像如图2(A)所示，包括车道线110和旁车道车辆120。车辆前方旁车道的实时采集图像可以通过前视摄像头进行实时拍摄获得，前视摄像头可以设置在车辆前挡风玻璃上，例如可以设置在前挡风玻璃的中心位置处，用于同时拍摄车辆前方的左侧旁车道和右侧旁车道，也可以根据实际情况设置在前挡风玻璃的左侧或右侧，还可以设置在车头或车身的其他部位，以获得车辆前方的旁车道图像。
在本申请实施例中，可以通过车辆前方设置的单目摄像头进行实时拍摄，即只使用一个摄像头，通过实时拍摄获得车辆前方旁车道在不同时间的图像，需要说明的是，在本申请实施例中，对于信息的获取可以只通过摄像头拍摄图像而不需要传统技术中的雷达辅助，可以有效降低成本。
步骤102，在所述实时采集图像中确定旁车道车辆的侧向图像区域。
所述车辆的侧向图像区域是指，车辆的侧向部位在实时采集图像中的位置范围。如图2(A)所示，以上述得到的车辆前方左侧旁车道的实时采集图像为例，在图像中确定旁车道车辆的侧向图像区域130。进一步地，该步骤中，可以同时在所述实时采集图像中确定旁车道车辆的后方图像区域。
在所述实时采集图像中确定旁车道车辆的侧向图像区域以及后方图像区域，可以通过从所述实时采集图像中获取harr-like矩形图形特征，根据获得的harr-like矩形图形特征，利用分类器模型，在实时采集图像中确定出旁车道车辆的侧向图像区域以及后方图像区域。侧向图像区域以及后方图像区域的确定方法可以相同，可以通过一个分类器模型同时确定出这两个区域，也可以由两个分类器模型分别确定出这两个区域。
Haar-like矩形特征可以直接采用像素值进行提取，由于同类样本相同特征在不同图片中可能存在像素值的差异，因此Haar-like特征的计算方法为深色矩形区域内的所有像素值的和与相邻浅色矩形区域所有像素值和的差，避免了由于像素值差异造成的分类困难的问题。可以理解的是，在特征提取时，实时采集图像已经经过图像处理，图像处理可以包括灰度化和归一化处理，以适用于Haar-like矩形特征的提取。具体的，在进行矩形特征提取时，首先定义出矩形特征窗口，矩形特征窗口代表了图形的边界特征，在矩形特征窗口中，包括垂直和/或水平相邻的深、浅矩形区域，深、浅矩形区域大小、形状相同且水平相邻或垂直相邻，参考图2(B)所示，在具体的实施例中，定义了五种基础的矩形特征窗口，包括左右相邻、上下相邻、左中右相邻、上中下相邻和上下左右相邻的矩形区域。而后，基于这些矩形特征窗口，在图像处理后的实时采集图像中提取出harr-like矩形图形特征，这些矩形图形特征为在图像中像素值相近的基本为矩形形状的图形块。
在本申请实施例中，从所述实时采集图像中获取harr-like矩形图形特征后，利用分类器模型对所述特征进行归类，进而得到旁车道车辆的侧向图像区域或后向图像区域。分类器模型为用于通过harr-like矩形图形特征来获得旁车道车辆的侧向图像区域，或者进一步确定出后向图像区域，分类器模型可以通过模型训练来确定。
具体的，分类器模型的确定方法可以是：从车辆侧向图像的正样本中提取harr-like矩形图形特征，以获得具有harr-like矩形图形特征的特征正样本；利用Adaboost算法通过所述特征正样本中harr-like矩形图形特征位置与负样本中相同位置处的像素值进行比较；对所述分类器进行强分类，以获得分类器模型。
其中，正样本为包含需要进行识别部分的图像，例如在本申请实施例中，正样本可以是包含旁车道车辆侧向区域的图像；负样本为不包括需要识别部分的图像，例如在本申请实施例中可以是不包含车辆侧向区域的图像。可以理解的是，正样本和负样本也都是为适用于harr-like矩形图形特征提取的图像，可以是经过灰度化和归一化处理的图像。harr-like矩形图形特征提取的过程同上述基于矩形特征窗口进行提取的过程，在此不再赘述。在进行特征提取之后，在正样本上确定出了harr-like矩形图形特征，为了便于描述，将此时的正样本记做特征正样本。
所述Adaboost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。
在本申请实施例中，在训练模型时，利用Adaboost算法进行迭代，将特征正样本中的harr-like矩形图形特征位置与负样本中相同位置处的像素值进行阈值提取，并通过反复的比较和迭代，将这些特征进行分类，获得分类器，这些分类器为弱分类器，而后，对弱分类器进行强分类，具体的，可以对这些分类器根据分类器准确性进行加权处理，例如加权组合，从而，获得强分类器模型，该强分类器即为用于侧向图像区域识别的分类器模型。
步骤103，转向灯识别。
转向灯识别的过程可具体为：在所述实时采集图像中确定旁车道车辆的后方图像区域；在所述后方图像区域中确定转向灯区域；根据转向灯区域的像素特征，判断转向灯的状态；若转向灯的状态为开启，则判断旁车道车辆有换道意图；否则，转至在所述侧向图像区域中确定前后车轮的步骤。
确定旁车道车辆的后方图像区域的方法可以与上述确定旁车道的侧向图像区域的方法类似，在此不再赘述。例如在本申请实施例中，可以得到如图2(A)中的左侧旁车道车辆的后方图像区域轮廓140。
在本发明实施例中，在后方图像区域中确定转向灯区域时，可以通过在后方图像区域中利用后车灯的分类器模型进行确定，也可以对后方图像区域中的图像进行图像均衡化处理、二值化处理以及边缘检测算法等，根据转向灯区域独特的像素特点得到其像素空间，进而确定出转向灯区域。例如转向灯区域内部是红色，外部是车身颜色，转向灯区域有一定的形状特点，结合形状以及像素特点来确定转向灯区域，当然，也可以通过别的区域确定方式，在此不做限定。在本申请实施例中，如图2(A)中的左侧旁车道车辆的图像中，可以得到的在其后方图像区域中的转向灯区域150。
根据转向灯区域的像素特征，判断转向灯的状态，例如转向灯的亮度相对较高，可判断转向灯开启。若转向灯开启，则判断旁车道车辆有换道意图，可以提醒驾驶员做出相应的应对措施。
在上述通过所述图像确定出旁车道车辆的后方图像区域之后，还可以根据侧向图像区域和后方图像区域构建出旁车道车辆的三维空间位置，并在车辆的虚拟仪表上显示，以便驾驶员获得旁车道车辆的信息。
上述步骤103是为了在旁车道开启转向灯时提前获得其转向信息，不必进行后续的处理，从而节省资源。由于本申请提供的旁车道识别方法是可以在转向灯未开启时进行识别，因此步骤103也可以不进行，并不影响本申请实施例的实现。
步骤104，在所述侧向图像区域中确定前后车轮的区域，以及在所述图像中确定出旁车道的车道线。
所述在所述侧向图像区域中确定前后车轮的区域，可以是通过车轮的分类器模型得到前后车轮区域，也可以对侧向图像区域中的图像进行图像均衡化处理、二值化处理以及边缘检测算法等，根据轮胎区域独特的形状和像素特点，得到其像素空间，进而确定前后车轮区域。例如，车轮为圆形，轮毂颜色为白色，轮胎颜色是黑色，得到如图2(A)所示的前后车轮区域160。还可以通过别的区域确定方式，在此不做限定。
所述旁车道的车道线是旁车道和本车道之间的车道线，在图像中旁车道的车道线可以利用分类器模型得到，确定出如图2中的车道线110。
步骤105，根据所述前后车轮的区域以及所述车道线，获得旁车道车辆相对于旁车道的偏转角。
实际行驶中，对于旁车道车辆是否有换道的意图，可通过分析旁车道车辆与车道线的相对位置得到，在本申请实施例中，旁车道车辆相对于旁车道的位置可以由旁车道车辆与旁车道的偏转角表征。
在本申请实施例中，可以先确定所述前后车轮的中心点，将所述中心点所在的直线与所述车道线之间的夹角作为车辆相对于旁车道的偏转角，确定所述中心点所在的直线与所述车道线之间的夹角。
确定所述前后车轮的中心点，更优地，可以通过在所述侧向图像区域中以像素模板遍历所有像素点，所述像素模板为3*3的像素点阵，所述像素模板的中心点为遍历的基准点，周围各点中一点的像素值为轮毂的预设像素值，其他各点的像素值为区别于轮毂的预设像素值的其他像素值；遍历时保留所述侧向图像区域中像素值为轮毂的预设像素值的特定像素点；以所述特定像素点围成的图形的中心点作为车轮的中心点。
参考图2(C)所示，在一个具体的示例中，像素模板的3*3像素点阵的中心点为基准点Pi，基准点Pi为遍历时的变动点，在Pi周围定义了8个具有不同像素值的像素点，其中“255”代表轮毂的预设像素值，在遍历时，保留像素值为“255”的像素点，该点代表了轮毂的像素值，这样，在遍历之后，就保留了轮毂像素点，根据这些像素点围成的图形可以精确的确定出轮胎的中心点。可以理解的时，根据需要，这些像素值可以为其他不同的值，此处仅为示例。
所述确定所述中心点所在的直线与所述车道线之间的夹角可以通过：获得所述前后车轮的中心点的第一像素坐标；获得所述车道线上两个点的第二像素坐标；将所述第一像素坐标和第二像素坐标分别转化为同一坐标系内的坐标；确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角为转化后的所述第一像素坐标确定的直线和转化后的所述第二像素坐标确定的直线之间的夹角。
其中，获得第一像素坐标的方式可以是将前后车轮中心点的位置作为第一像素点的位置，获得该位置在图像中的像素坐标，即为第一像素坐标。在车道线上取两个点，可以是任意取两个点，也可以是通过像素提取的像素较高和较低的两个点，在此不做限定，获得的车道线上两个点的像素坐标即为第二像素坐标。可以将第一像素坐标和第二像素坐标分别转化为世界坐标系内的坐标，也可以转化到任意能够体现第一像素坐标和第二像素坐标的坐标系内，在此不做限定。确定所述第一像素坐标确定的直线和所述第二像素坐标确定的直线之间的夹角，即可作为中心点所在的直线与车道线之间的夹角，也即车辆相对于旁车道的偏转角，所述夹角可以由第一像素坐标和第二像素坐标确定，也可以通过两条直线的斜率确定。
以世界坐标系为例，假设第一像素坐标为A(x1，y1)，B(x2，y2)，第二像素坐标为C(x3，y3)，D(x4，y4)，所述第一像素坐标确定的直线和所述第二像素坐标确定的直线之间的夹角为θ，则可以由第一像素坐标得到其对应的直线的斜率由第二像素坐标得到其对应的直线斜率根据直线间夹角的计算方法，即可得到夹角。夹角可用坐标值表示为
步骤106，根据所述偏转角，判断旁车道车辆是否要换道。
在本申请实施例中，可以由旁车道车辆与旁车道的偏转角判断旁车道车辆是否要换道，具体的，用前后车轮的中心点确定的直线与车道线形成的夹角作为所述偏转角，若所述偏转角大于零，则说明旁车道车辆前轮相对于后轮更接近于车道线，可据此得出旁车道车辆有向本车道换道的倾向。
在本申请其他实施例中，还可以通过预设一个偏转角的阈值，若偏转角大于所述阈值，则判断旁车道车辆有换道意图，例如所述阈值可以为θ1，当得到的偏转角θ大于θ1，则说明旁车道车辆前后轮与车道线的距离差距较大，则据此得出旁车道车辆有向本车道并线的倾向。
步骤107，结束流程。
在本申请其他实施例中，步骤107可以不进行。
本发明实施例提供的一种旁车道车辆换道意图识别方法及系统，该方法中，在旁车道的图像中先确定出旁车道的侧向图像区域，可以先将分析目标锁定在一个较小的范围内，而后，在该侧向图像区域中确定前后车轮的区域时，可以降低分析的复杂度，从而高效地通过获得车辆相对于旁车道的偏转角，通过偏转角能够在复杂的交通路况中提前识别旁车道车辆的换道意识，使驾驶员提前做出相应，避免旁车道车辆不打转向灯换道而带来的安全隐患，提高车辆驾驶的安全性。
以上对本发明实施例的旁车道车辆换道意图识别方法进行了详细的描述。此外本发明还提供了实现以上方法的系统。
如图3所示为本申请实施例的旁车道车辆换道意图识别系统，该系统包括：
图像获取单元，用于获得车辆前方旁车道的实时采集图像；
侧向图像确定单元，用于在所述实时采集图像中确定旁车道车辆的侧向图像区域；
车轮及车道线确定单元，用于在所述侧向图像区域中确定前后车轮的区域，以及在所述实时采集图像中确定出旁车道的车道线；
偏转角确定单元，用于根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角；
第一判断单元，用于根据所述偏转角，判断旁车道车辆是否要换道。
在此基础上，该系统还包括：
后方图像区域确定单元，用于在所述实时采集图像中确定出旁车道车辆的后方图像区域；
转向灯区域确定单元，用于在所述后方图像区域中确定转向灯区域；
转向灯状态单元，用于根据转向灯区域的像素特征，判断转向灯的状态；
第二判断单元，用于当转向灯的状态为开启时，判断旁车道车辆有换道意图，否则，触发所述车轮及车道线确定单元。
所述侧向图像确定单元包括：
第一特征提取单元，用于从所述实时采集图像中提取harr-like矩形图形特征；
第一图像确定单元，用于根据所述harr-like矩形图形特征，利用分类器模型，在所述实时采集图像中确定出旁车道车辆的侧向图像区域。
所述后方图像区域确定单元包括：
第二特征提取单元，用于从所述实时采集图像中提取harr-like矩形图形特征；
第二图像确定单元，用于根据所述harr-like矩形图形特征，利用分类器模型，在所述实时采集图像中确定出旁车道车辆的后方图像区域。
所述侧向图像确定单元和后方图像区域确定单元还包括：
分类器模型确定单元，用于从车辆侧向图像的正样本中提取harr-like矩形图形特征，以获得具有harr-like矩形图形特征的特征正样本；利用Adaboost算法通过所述特征正样本中harr-like矩形图形特征位置与负样本中相同位置处的像素值进行比较；对所述分类器进行强分类，以获得分类器模型。
所述偏转角确定单元包括：
车轮中心点确定单元，用于确定所述前后车轮的中心点；
夹角确定单元，用于确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角车辆相对于旁车道的偏转角。
所述夹角确定单元包括：
第一像素坐标获取单元，用于获得所述前后车轮的中心点的第一像素坐标；
第二像素坐标获取单元，用于获得所述车道线上两个点的第二像素坐标；
坐标转化单元，用于将所述第一像素坐标和第二像素坐标分别转化为同一坐标系内的坐标；
夹角计算单元，用于确定车辆相对于旁车道的偏转角，所述偏转角为转化后的所述第一像素坐标确定的直线和转化后的所述第二像素坐标确定的直线之间的夹角。
所述车轮中心点确定单元中，确定所述前后车轮的中心点包括：在所述侧向图像区域中以像素模板遍历所有像素点，所述像素模板为3*3的像素点阵，所述像素模板的中心点为遍历的基准点，周围各点中一点的像素值为轮毂的预设像素值，其他各点的像素值为区别于轮毂的预设像素值的其他像素值；遍历时保留所述侧向图像区域中像素值为轮毂的预设像素值的特定像素点；以所述特定像素点围成的图形的中心点作为车轮的中心点。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块或单元可以是或者也可以不是物理上分开的，作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
Claims (14)
1.一种旁车道车辆换道意图识别方法，其特征在于，包括：
获得车辆前方旁车道的实时采集图像；
在所述实时采集图像中确定旁车道车辆的侧向图像区域；
在所述侧向图像区域中确定前后车轮的区域，以及在所述实时采集图像中确定出旁车道的车道线；
根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角；
根据所述偏转角，判断旁车道车辆是否要换道。
2.根据权利要求1所述的方法，其特征在于，在所述侧向图像区域中确定前后车轮的区域之前，还包括：
在所述实时采集图像中确定旁车道车辆的后方图像区域；
在所述后方图像区域中确定转向灯区域；
根据转向灯区域的像素特征，判断转向灯的状态；
若转向灯的状态为开启，则判断旁车道车辆有换道意图；
否则，转至在所述侧向图像区域中确定前后车轮的区域的步骤。
3.根据权利要求2所述的方法，其特征在于，在所述实时采集图像中确定旁车道车辆的侧向图像区域以及在所述实时采集图像中确定旁车道车辆的后方图像区域，包括：
从所述实时采集图像中提取harr-like矩形图形特征；
根据所述harr-like矩形图形特征，利用分类器模型，在所述实时采集图像中确定出旁车道车辆的侧向图像区域以及旁车道车辆的后方图像区域。
4.根据权利要求3所述的方法，其特征在于，所述分类器模型的确定方法包括：
从车辆侧向图像的正样本中提取harr-like矩形图形特征，以获得具有harr-like矩形图形特征的特征正样本；
利用Adaboost算法通过所述特征正样本中harr-like矩形图形特征位置与负样本中相同位置处的像素值进行比较；
对所述分类器，根据分类器准确率进行加权处理，以获得强分类器模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角，包括：
确定所述前后车轮的中心点；
确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角为车辆相对于旁车道的偏转角。
6.根据权利要求5所述的方法，其特征在于，所述确定所述中心点所在的直线与所述车道线之间的夹角，包括：
获得所述前后车轮的中心点的第一像素坐标；
获得所述车道线上两个点的第二像素坐标；
将所述第一像素坐标和第二像素坐标分别转化为同一坐标系内的坐标；
确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角为转化后的所述第一像素坐标确定的直线和转化后的所述第二像素坐标确定的直线之间的夹角。
7.根据权利要求5或6所述的方法，其特征在于，所述确定所述前后车轮的中心点，包括：
在所述侧向图像区域中以像素模板遍历所有像素点，所述像素模板为3*3的像素点阵，所述像素模板的中心点为遍历的基准点，周围各点中一点的像素值为轮毂的预设像素值，其他各点的像素值为区别于轮毂的预设像素值的其他像素值；
遍历时保留所述侧向图像区域中像素值为轮毂的预设像素值的特定像素点；
以所述特定像素点围成的图形的中心点作为车轮的中心点。
8.一种旁车道车辆换道意图识别系统，其特征在于，包括：
图像获取单元，用于获得车辆前方旁车道的实时采集图像；
侧向图像确定单元，用于在所述实时采集图像中确定旁车道车辆的侧向图像区域；
车轮及车道线确定单元，用于在所述侧向图像区域中确定前后车轮的区域，以及在所述实时采集图像中确定出旁车道的车道线；
偏转角确定单元，用于根据所述前后车轮的区域以及所述车道线，获得车辆相对于旁车道的偏转角；
第一判断单元，用于根据所述偏转角，判断旁车道车辆是否要换道。
9.根据权利要求8所述的系统，其特征在于，还包括：
后方图像区域确定单元，用于在所述实时采集图像中确定出旁车道车辆的后方图像区域；
转向灯区域确定单元，用于在所述后方图像区域中确定转向灯区域；
转向灯状态单元，用于根据转向灯区域的像素特征，判断转向灯的状态；
第二判断单元，用于当转向灯的状态为开启时，判断旁车道车辆有换道意图，否则，触发所述车轮及车道线确定单元。
10.根据权利要求9所述的系统，其特征在于，所述侧向图像确定单元和后方图像区域确定单元包括：
特征提取单元，用于从所述实时采集图像中提取harr-like矩形图形特征；
图像确定单元，用于根据所述harr-like矩形图形特征，利用分类器模型，在所述实时采集图像中确定出旁车道车辆的侧向图像区域以及旁车道车辆的后方图像区域。
11.根据权利要求10所述的系统，其特征在于，所述侧向图像确定单元和后方图像区域确定单元还包括：
分类器模型确定单元，用于从车辆侧向图像的正样本中提取harr-like矩形图形特征，以获得具有harr-like矩形图形特征的特征正样本；利用Adaboost算法通过所述特征正样本中harr-like矩形图形特征位置与负样本中相同位置处的像素值进行比较，以获得不同特征的分类器；对所述分类器，根据分类器准确率进行加权处理，以获得强分类器模型。
12.根据权利要求8所述的系统，其特征在于，所述偏转角确定单元包括：
车轮中心点确定单元，用于确定所述前后车轮的中心点；
夹角确定单元，用于确定所述中心点所在的直线与所述车道线之间的夹角，所述夹角为车辆相对于旁车道的偏转角。
13.根据权利要求12所述的系统，其特征在于，所述夹角确定单元包括：
第一像素坐标获取单元，用于获得所述前后车轮的中心点的第一像素坐标；
第二像素坐标获取单元，用于获得所述车道线上两个点的第二像素坐标；
坐标转化单元，用于将所述第一像素坐标和第二像素坐标分别转化为同一坐标系内的坐标；
夹角计算单元，用于确定车辆相对于旁车道的偏转角，所述偏转角为转化后的所述第一像素坐标确定的直线和转化后的所述第二像素坐标确定的直线之间的夹角。
14.根据权利要求12或13所述的系统，其特征在于，所述车轮中心点确定单元中，确定所述前后车轮的中心点包括：在所述侧向图像区域中以像素模板遍历所有像素点，所述像素模板为3*3的像素点阵，所述像素模板的中心点为遍历的基准点，周围各点中一点的像素值为轮毂的预设像素值，其他各点的像素值为区别于轮毂的预设像素值的其他像素值；遍历时保留所述侧向图像区域中像素值为轮毂的预设像素值的特定像素点；以所述特定像素点围成的图形的中心点作为车轮的中心点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810179486.8A CN110232300A (zh) | 2018-03-05 | 2018-03-05 | 一种旁车道车辆换道意图识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810179486.8A CN110232300A (zh) | 2018-03-05 | 2018-03-05 | 一种旁车道车辆换道意图识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110232300A true CN110232300A (zh) | 2019-09-13 |
Family
ID=67862045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810179486.8A Pending CN110232300A (zh) | 2018-03-05 | 2018-03-05 | 一种旁车道车辆换道意图识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232300A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738181A (zh) * | 2019-10-21 | 2020-01-31 | 东软睿驰汽车技术（沈阳）有限公司 | 一种确定车辆朝向信息的方法及装置 |
| CN111008551A (zh) * | 2019-10-08 | 2020-04-14 | 安徽富煌钢构股份有限公司 | 一种列车轮组数字图像采集方法 |
| CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637257A (zh) * | 2012-03-22 | 2012-08-15 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别系统和方法 |
| US20150248837A1 (en) * | 2014-02-28 | 2015-09-03 | Core Logic, Inc. | System and Method for Warning Lane Departure |
| CN106080602A (zh) * | 2016-06-13 | 2016-11-09 | 江苏大学 | 一种应对疲劳驾驶时旁道车辆突然变道的紧急控制方法 |
| CN106650730A (zh) * | 2016-12-14 | 2017-05-10 | 广东威创视讯科技股份有限公司 | 汽车变道过程中的转向灯检测方法和系统 |
| CN106781520A (zh) * | 2016-12-26 | 2017-05-31 | 无锡高新兴智能交通技术有限公司 | 一种基于车辆跟踪的交通违法检测方法及系统 |
| CN106904121A (zh) * | 2017-02-27 | 2017-06-30 | 北京汽车研究总院有限公司 | 一种对车辆换道行为进行预警的方法及装置 |
-
2018
- 2018-03-05 CN CN201810179486.8A patent/CN110232300A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637257A (zh) * | 2012-03-22 | 2012-08-15 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别系统和方法 |
| US20150248837A1 (en) * | 2014-02-28 | 2015-09-03 | Core Logic, Inc. | System and Method for Warning Lane Departure |
| CN106080602A (zh) * | 2016-06-13 | 2016-11-09 | 江苏大学 | 一种应对疲劳驾驶时旁道车辆突然变道的紧急控制方法 |
| CN106650730A (zh) * | 2016-12-14 | 2017-05-10 | 广东威创视讯科技股份有限公司 | 汽车变道过程中的转向灯检测方法和系统 |
| CN106781520A (zh) * | 2016-12-26 | 2017-05-31 | 无锡高新兴智能交通技术有限公司 | 一种基于车辆跟踪的交通违法检测方法及系统 |
| CN106904121A (zh) * | 2017-02-27 | 2017-06-30 | 北京汽车研究总院有限公司 | 一种对车辆换道行为进行预警的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 郝春光 等, 北京理工大学出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008551A (zh) * | 2019-10-08 | 2020-04-14 | 安徽富煌钢构股份有限公司 | 一种列车轮组数字图像采集方法 |
| CN111008551B (zh) * | 2019-10-08 | 2023-05-23 | 安徽富煌钢构股份有限公司 | 一种列车轮组数字图像采集方法 |
| CN110738181A (zh) * | 2019-10-21 | 2020-01-31 | 东软睿驰汽车技术（沈阳）有限公司 | 一种确定车辆朝向信息的方法及装置 |
| CN110738181B (zh) * | 2019-10-21 | 2022-08-05 | 东软睿驰汽车技术（沈阳）有限公司 | 一种确定车辆朝向信息的方法及装置 |
| CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
| CN111209838B (zh) * | 2019-12-31 | 2022-11-18 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7280865B2 (ja) | 自律運転している車両とコミュニケーションするための単純な２ｄカメラを採用したジェスチャー制御 | |
| CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
| CN107991671A (zh) | 一种基于雷达数据和视频信号融合识别危险目标的方法 | |
| Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
| CN105206109B (zh) | 一种基于红外ccd的车辆雾天识别预警系统及方法 | |
| CN103714660B (zh) | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 | |
| Abdi et al. | In-vehicle augmented reality traffic information system: a new type of communication between driver and vehicle | |
| CN111829549B (zh) | 一种基于高精度地图的积雪路面虚拟车道线投影方法 | |
| Kühnl et al. | Monocular road segmentation using slow feature analysis | |
| CN111062292B (zh) | 一种疲劳驾驶检测装置与方法 | |
| CN111860274B (zh) | 基于头部朝向与上半身骨架特征的交警指挥手势识别方法 | |
| Kuang et al. | Feature selection based on tensor decomposition and object proposal for night-time multiclass vehicle detection | |
| CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
| CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
| CN107389084A (zh) | 行车路径规划方法及存储介质 | |
| CN104915642B (zh) | 前方车辆测距方法及装置 | |
| CN110232300A (zh) | 一种旁车道车辆换道意图识别方法及系统 | |
| CN106845444A (zh) | 一种基于弧‑点结合的车载井盖检测方法 | |
| Yuen et al. | On looking at faces in an automobile: Issues, algorithms and evaluation on naturalistic driving dataset | |
| CN107886034A (zh) | 行车提醒方法、装置及车辆 | |
| CN108108680A (zh) | 一种基于双目视觉的后方车辆识别与测距方法 | |
| CN110348273A (zh) | 神经网络模型训练方法、系统及车道线识别方法、系统 | |
| Chen et al. | Nighttime turn signal detection by scatter modeling and reflectance-based direction recognition | |
| CN107766802A (zh) | 一种机动车前排驾乘人员未扣安全带的自适应检测方法 | |
| CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |
|
| RJ01 | Rejection of invention patent application after publication |