CN111797741A - 车辆检测方法、装置、车辆和存储介质 - Google Patents

车辆检测方法、装置、车辆和存储介质 Download PDF

Info

Publication number
CN111797741A
CN111797741A CN202010591915.XA CN202010591915A CN111797741A CN 111797741 A CN111797741 A CN 111797741A CN 202010591915 A CN202010591915 A CN 202010591915A CN 111797741 A CN111797741 A CN 111797741A
Authority
CN
China
Prior art keywords
vehicle
radar
target
millimeter wave
detection data
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
Application number
CN202010591915.XA
Other languages
English (en)
Inventor
韩贤贤
蔡世民
谭明伟
徐刚
冷长峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN202010591915.XA priority Critical patent/CN111797741A/zh
Publication of CN111797741A publication Critical patent/CN111797741A/zh
Priority to PCT/CN2021/101971 priority patent/WO2021259344A1/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种车辆检测方法、装置、车辆和存储介质，车辆检测方法包括：在本车车辆上通过毫米波雷达采集雷达数据和通过相机采集图像；建立本车车辆的危险区域；根据雷达数据确定位于危险区域内的目标车辆以及目标车辆的第一检测数据；将图像输入目标检测模型中得到目标车辆的第二检测数据；基于毫米波雷达的雷达坐标系到图像的像素坐标系的投影，融合第一检测数据和第二检测数据得到目标车辆的检测数据。实现了对危险区域内的目标车辆的第一检测数据和第二检测数据进行融合获得目标车辆的最终检测数据，大大减少了融合的车辆的数据量，提高了数据融合的效率，获得目标车辆的检测数据实时性高，有利于自动驾驶辅助系统及时作出决策。

Description

车辆检测方法、装置、车辆和存储介质
技术领域
本发明实施例涉及车辆技术领域，尤其涉及一种车辆检测方法、装置、车 辆和存储介质。
背景技术
随着自动驾驶技术的发展，自动驾驶正在慢慢融入人们的生活，配备驾驶 辅助功能已经成为人们选择购买车辆时的重要参考之一。
在自动驾驶技术中，环境感知技术是智能驾驶车辆发展的基础与前提，目 前常用于环境感知的传感器有毫米波雷达、相机、激光雷达等。然而，单一传 感器难以满足智能驾驶全天候、多信息、高精度、高鲁棒性的环境感知要求。 毫米波雷达不易受雨、雪、雾等天气因素的影响，对环境适应性强，并且在对 目标的景深信息与速度信息提取方面具有很大优势，基于相机的视觉识别在目 标识别分类方面具有较大优势，可感知现实空间信息。因此，在现有技术中多 采用毫米波雷达和相机来感知融合环境信息辅助自动驾驶，然而，目前基于毫 米波雷达和相机来感知环境信息过程中，融合的数据量大，效率低，感知得到 的环境信息实时性差，不利于辅助自动驾驶。
发明内容
本发明实施例提供一种车辆检测方法、装置、车辆和存储介质，以解决基 于毫米波雷达和相机来感知环境信息过程中，融合的数据量大，效率低，感知 得到的环境信息实时性差，不利于辅助自动驾驶的问题。
第一方面，本发明实施例提供了一种车辆检测方法，应用于设置有毫米波 雷达和相机的本车车辆，包括：
在本车车辆上通过毫米波雷达采集雷达数据和通过相机采集图像；
建立所述本车车辆的危险区域；
根据所述雷达数据确定位于所述危险区域内的目标车辆以及所述目标车辆 的第一检测数据；
将所述图像输入预先训练好的目标检测模型中得到所述目标车辆的第二检 测数据；
基于所述毫米波雷达的雷达坐标系到所述图像的像素坐标系的投影，融合 所述第一检测数据和所述第二检测数据得到所述目标车辆的检测数据。
可选地，所述建立所述本车车辆的危险区域，包括：
在所述本车车辆行驶方向、所述本车车辆前方建立一个矩形的危险区域， 所述危险区域的宽度为所述本车车辆的M个车宽，所述危险区域的长度为所述 本车车辆的N个车长，所述危险区域的宽度中心线与所述本车车辆的车宽中心 线重合。
可选地，所述根据所述雷达数据确定位于所述危险区域内的目标车辆以及 所述目标车辆的第一检测数据，包括：
对所述雷达数据进行卡尔曼滤波获得滤波后的雷达数据；
基于所述滤波后的雷达数据确定出所述毫米波雷达所检测到的目标；
从所述毫米波雷达所检测到的目标中去除虚假目标得到所述毫米波雷达检 测到的车辆；
从所述毫米波雷达检测到的车辆中确定出位于所述危险区域内的车辆作为 目标车辆；
获取所述目标车辆的第一检测数据，所述第一检测数据包括所述目标车辆 在所述雷达坐标系中的雷达坐标、速度、加速度、车宽、车长中的至少一项。
可选地，所述从所述毫米波雷达所检测到的目标中去除虚假目标得到所述 毫米波雷达检测到的车辆，包括：
通过以下公式确定出虚假目标：
Figure BDA0002555904140000031
其中，n为毫米波雷达的采样序号，Tr为毫米波雷达的采样周期，x(n+1)、 y(n+1)为在n+1采样点时目标的纵向坐标和横向坐标，x(n)、y(n)为在n采 样点时目标的纵向坐标和横向坐标，vx(n)和vy(n)为在n采样点时目标的纵 向速度和横向速度，ax和ay为纵向和横向加速度的最大值，
Figure BDA0002555904140000032
为纵向速度差，
Figure BDA0002555904140000033
为横向速度差，axTr为纵向速度差阈值，ayTr为横向速度差阈值，上述公式成立时为真实目标，否则为虚假目标；
从所述毫米波雷达检测到的目标中去除所述虚假目标得到所述毫米波雷达 检测到的车辆。
可选地，所述第一检测数据包括所述目标车辆在所述雷达坐标系中的雷达 坐标，所述第二检测数据包括所述目标车辆在所述像素坐标系中的第二像素坐 标，所述基于所述毫米波雷达的雷达坐标系到所述图像的像素坐标系的投影， 融合所述第一检测数据和所述第二检测数据得到所述目标车辆的检测数据，包 括：
将所述雷达坐标从雷达坐标系投影到像素坐标系中，得到所述目标车辆的 几何中心在所述图像中的目标像素点；
以所述目标像素点为中心建立一感兴趣区域；
通过所述感兴趣区域中包含的车辆的第二像素坐标对所述雷达坐标进行修 正得到所述目标车辆的最终坐标。
可选地，所述将所述雷达坐标从雷达坐标系投影到像素坐标系中，得到所 述目标车辆的几何中心在所述图像中的目标像素点，包括：
通过以下雷达坐标系到像素坐标系将所述雷达坐标从雷达坐标系投影到像 素坐标系得到第一像素坐标：
Figure BDA0002555904140000041
Hc为相机安装位置距离地面的高度，α为相机安装的俯仰角，(xr，yr， zr)为目标车辆在雷达坐标系中的雷达坐标，Wr为毫米波雷达安装位置距离本 车车辆纵向对称面的距离，Hr为毫米波雷达安装位置距离地面的高度，ΔL为 毫米波雷达与相机在沿本车车辆行驶方向上安装距离之差的绝对值，(u，v) 为目标车辆在图像中的目标像素点的第一像素坐标，(u0，v0)为图像的中心 点的像素坐标，fx和fy为相机的等效焦距；
确定所述第一像素坐标对应的像素点为目标车辆的几何中心在所述图像中 的目标像素点。
可选地，所述通过所述感兴趣区域中包含的车辆的第二像素坐标对所述雷 达坐标进行修正得到所述目标车辆的最终坐标，包括：
通过以下公式对所述雷达坐标进行修正得到所述目标车辆的最终坐标：
Figure BDA0002555904140000051
(xa，ya，za)为修正后的最终坐标，(ur，vr)为感兴趣区域中包含 的目标车辆的第二像素坐标。
第二方面，本发明实施例提供了一种目标车辆检测装置，应用于设置有毫 米波雷达和相机的本车车辆，包括：
雷达数据和图像采集模块，用于在本车车辆上通过毫米波雷达采集雷达数 据和相机采集图像；
危险区域建立模块，用于建立所述本车车辆的危险区域；
第一检测数据确定模块，用于根据所述雷达数据确定位于所述危险区域内 的目标车辆以及所述目标车辆的第一检测数据；
第二检测数据获取模块，用于将所述图像输入预先训练好的目标检测模型 中得到所述目标车辆的第二检测数据；
融合模块，用于基于所述毫米波雷达的雷达坐标系到所述图像的像素坐标 系的投影，融合所述第一检测数据和所述第二检测数据得到所述目标车辆的检 测数据。
第三方面，本发明实施例提供了一种车辆，包括：
毫米波雷达和相机，所述毫米波雷达用于采集雷达数据，所述相机用于采 集图像；
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多 个处理器实现本发明任一实施例所述的车辆检测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计 算机程序，该程序被处理器执行时实现本发明任一实施例所述的车辆检测方法。
本发明实施例在本车车辆上通过毫米波雷达采集雷达数据和相机采集图像； 建立本车车辆的危险区域，根据雷达数据确定位于危险区域内的目标车辆以及 目标车辆的第一检测数据；将图像输入预先训练好的目标检测模型中得到目标 车辆的第二检测数据；基于毫米波雷达的雷达坐标系到图像的像素坐标系的投 影，融合第一检测数据和第二检测数据得到目标车辆的检测数据。实现了只对 危险区域内的目标车辆的第一检测数据和第二检测数据进行融合获得目标车辆 的最终检测数据，大大减少了需要融合的车辆的数据量，提高了数据融合的效 率，最终获得的目标车辆的检测数据实时性高，有利于自动驾驶辅助系统及时 作出决策。
附图说明
图1是本发明实施例一提供的一种车辆检测方法的步骤流程图；
图2A是本发明实施例二提供的一种车辆检测方法的步骤流程图；
图2B是本发明实施例中本车车辆和目标车辆的示意图；
图2C是本发明实施例中目标检测模型训练和应用的示意图；
图3是本发明实施例三提供的一种车辆检测装置的结构框图；
图4是本发明实施例四提供的一种车辆的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此 处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需 要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结 构。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
实施例一
图1为本发明实施例一提供的一种车辆检测方法的步骤流程图，本发明实 施例可适用于驾驶过程中本车车辆对周围车辆进行检测的情况，该方法可以由 本发明实施例的车辆检测装置来执行，该车辆检测装置可以由硬件或软件来实 现，并集成在本发明实施例所提供的车辆中，具体地，如图1所示，本发明实 施例的车辆检测方法可以包括如下步骤：
S101、在本车车辆上通过毫米波雷达采集雷达数据和通过相机采集图像。
在本发明实施例中，本车车辆可以是需要进行辅助驾驶的车辆，本车车辆 需要通过车身上搭载的传感器感知周围环境，获取周围环境中行驶的车辆的数 据，以通过该数据执行辅助驾驶决策。
具体地，本车车辆上可以搭载有毫米波雷达和相机，通过毫米波雷达向行 驶方向前方发射雷达波，并接收反射的雷达波，发射的雷达波和接收的雷达波 经混频后得到雷达信号作为雷达数据，同时，相机对行驶方向前方拍摄获得图 像。在实际应用中，毫米波雷达和相机可以以相同的采样率采集数据，也可以 以不同的采样率采集数据，当以不同的采样率采集数据时，以采样率较小者的 采样时间作为时间基准获取某一时刻的雷达数据和图像，即在某一采样时刻采 样率较小者采集一帧数据后，获取采样率较大者距离该采样时刻最近的所采集 到的数据作为采样数据。
示例性地，相机每秒钟采集25帧图像，毫米波雷达每秒采集35帧雷达数 据，相机的采样率比较小，当相机在某一时刻采集一帧图像后，确定毫米波雷 达距离该时刻最近的采集的雷达数据，从而获得毫米波雷达采集的雷达数据和 相机采集的图像，通过该雷达数据检测到的目标车辆和图像识别的目标车辆进 行融合获得目标车辆的最终检测数据。
S102、建立所述本车车辆的危险区域。
危险区域相对于本车车辆而言是驾驶过程中潜在的危险区域，例如可以是 本车车辆行驶方向前方靠近本车车辆的某个区域，该区域可以根据本车车辆的 车身长度、车身宽度、制动距离来确定。优选地，该危险区域可以是一个矩形 区域，该矩形区域的宽度可以为两个车身的宽度，长度可以是N个车身长度或 者根据本车车辆的制动距离来确定，该矩形区域在长度方向的中心线与车身在 车身长度方向的中心线重合。
S103、根据所述雷达数据确定位于所述危险区域内的目标车辆以及所述目 标车辆的第一检测数据。
具体地，雷达数据可以是发射雷达波和接收雷达波混频之后的雷达信号， 该雷达信号经检波、验波后可以得到毫米波雷达检测到的本车车辆前方的多个 个目标，以及获得各个目标相对于本车车辆的雷达坐标、距离、目标的行驶速 度、加速度、宽度和长度等第一检测数据。进而可以根据各个目标的雷达坐标 确定目标是否位于危险区域内，若是，则确定该目标位位于危险区域内的目标 车辆并进一步获取该目标车辆的第一检测数据。
S104、将所述图像输入预先训练好的目标检测模型中得到所述目标车辆的 第二检测数据。
在本发明实施例中，可以离线训练目标检测模型，该目标检测模型可以识 别输入图像中的各个目标的类型、目标的几何中心在图像中的像素坐标，其中， 目标检测模型可以是基于Haar-like特征与Adaboost组合的目标检测模型，当然， 还可以是CNN、RNN、DNN等神经网络，本发明实施例对目标检测模型不加 以限制。
在离线训练好目标检测模型后，可以将相机采集到的图像输入到目标检测 模型中获得图像中各个目标车辆的第二检测数据，该第二检测数据可以包括目 标车辆的类型、目标车辆的几何中心在图像中的像素坐标等。
S105、基于所述毫米波雷达的雷达坐标系到所述图像的图像坐标系的投影， 融合所述第一检测数据和所述第二检测数据得到所述目标车辆的检测数据。
在本发明的可选实施例中，可以通过相机与毫米波雷达的相对位置、相机 的等效焦距、相机安装后的俯仰角、相机和毫米波雷达到地面的高度、图像的 中心点的像素坐标等建立毫米波雷达的雷达坐标系到图像的图像坐标系的转换 式，通过该转换式将目标车辆的几何中心在雷达坐标系中的雷达坐标转换到图 像的图像坐标系下，得到目标车辆的几何中心在图像中对应的目标像素点，并 以该目标像素点建立一感兴趣区域，该感兴趣区域内识别出的目标与毫米波雷 达检测出的目标车辆属于同一个目标车辆，从而可以通过该图像识别出的目标 车辆的几何中心的像素坐标对雷达坐标进行修正，得到目标车辆最终的检测数 据，例如，得到目标车辆相对于本车车辆的横向距离、纵向距离、速度、加速度、目标车辆ID、车宽、车长等，将目标车辆的检测数据输出到辅助驾驶系统， 使得辅助驾驶系统根据目标车辆的检测数据做出辅助驾驶决策。
本发明实施例在本车车辆上通过毫米波雷达采集雷达数据和相机采集图像， 建立本车车辆的危险区域，根据雷达数据确定位于危险区域内的目标车辆以及 目标车辆的第一检测数据；将图像输入预先训练好的目标检测模型中得到目标 车辆的第二检测数据；基于毫米波雷达的雷达坐标系到图像的像素坐标系的投 影，融合第一检测数据和第二检测数据得到目标车辆的检测数据。实现了只对 危险区域内的目标车辆的第一检测数据和第二检测数据进行融合获得目标车辆 的目标检测数据，大大减少了需要融合的车辆的数据量，提高了数据融合的效 率，最终获得的目标车辆的检测数据实时性高，有利于自动驾驶辅助系统及时 作出决策。
实施例二
图2A为本发明实施例二提供的一种车辆检测方法的步骤流程图，本发明 实施例在前述实施例一的基础上进行优化，具体地，如图2A所示，本发明实 施例的车辆检测方法可以包括如下步骤：
S201、在本车车辆上通过毫米波雷达采集雷达数据和通过相机采集图像。
如图2B所示，可以在本车车辆前面进气口栅格处安装毫米波雷达，在挡风 玻璃内侧安装相机，毫米波雷达和相机均安装在本车车辆的纵向对称面F上， 当然，毫米波雷达也可以相对于纵向对称面F偏置设置，相机和毫米波雷达均 向本车车辆行驶方向采集数据。
S202、在所述本车车辆行驶方向、所述本车车辆前方建立一个矩形的危险 区域，所述危险区域的宽度为所述本车车辆的M倍车宽，所述危险区域的长度 为所述本车车辆的N个车长，所述危险区域的宽度中心线与所述本车车辆的车 宽中心线重合。
如图2B所示，在本方发明的可选实施例中，危险区域为一矩形区域，该矩 形区域位于本车车辆行驶方向的前方。如图2B所示，危险区域A在本车车辆 行驶方向的前方，危险区域的宽度为2d，长度为L，其中，危险区域A的宽度 中心线与本车车辆的纵向对称面F重合，d为本车车辆的车宽，L等于N个本 车车辆的车身长度，例如，N可以等于3。当然，L还可以等于本车车辆的制动 距离，该制动距离可以根据本车车辆当前的行驶速度确定，在实际应用中，本 领域技术人员还可以根据实际情况设置危险区域，本发明实施例对此不加以限制。
S203、对所述雷达数据进行卡尔曼滤波获得滤波后的雷达数据。
本发明实施例中，雷达数据可以是发射雷达波和接收到的雷达波的混频雷 达信号，该混频雷达信号受环境和内部电路干扰存在噪声，可以通过卡尔曼滤 波对雷达信号进行滤波，以去除雷达信号中的噪声和干扰，获得滤波后的雷达 数据。
S204、基于所述滤波后的雷达数据确定出所述毫米波雷达所检测到的目标。
具体地，可以对滤波后的雷达信号进行检波、验波处理得到毫米波雷达所 检测到的所有目标，毫米波雷达所检测的目标中有可能包括由于路面、行驶车 辆扰动雷达波造成的虚假目标，在实际应用中，本领域技术人员可以通过现有 技术中毫米波雷达检测目标的算法基于雷达数据确定毫米波雷达所检测到的目 标，本发明实施例对基于雷达数据确定毫米波雷达所检测到的目标不再进行详 述。
S205、从所述毫米波雷达所检测到的目标中去除虚假目标得到所述毫米波 雷达检测到的车辆。
在本发明的可选实施例中，可以通过以下公式确定出虚假目标：
Figure BDA0002555904140000121
上述公式中，n为毫米波雷达的采样序号，Tr为毫米波雷达的采样周期， x(n+1)、y(n+1)为在n+1采样点时目标的纵向坐标(OrXr)和横向坐标(OrYr)， x(n)、y(n)为在n采样点时目标的纵向坐标和横向坐标，vx(n)和vy(n)为在n 采样点时目标的纵向速度和横向速度，ax和ay为纵向和横向加速度的最大值，
Figure BDA0002555904140000122
为纵向速度差，
Figure BDA0002555904140000123
为横向速度差，axTr为纵向速度差阈值，ayTr为横向速度差阈值，上述公式成立时为真实目标，否 则为虚假目标，即横向速度差大于横向速度差阈值，纵向速度差大于纵向速度 差阈值时，该目标为虚假目标。
在确定毫米波雷达所检测的到虚假目标后，可以从毫米波雷达检测到的目 标中去除虚假目标得到毫米波雷达检测到的车辆，从而避免了对虚假目标进行 图像数据融合，降低了融合的数据量，可以提高车辆检测的效率。
S206、从所述毫米波雷达检测到的车辆中确定位于所述危险区域内的车辆 作为目标车辆。
具体地，毫米波雷达检测到车辆时，同时可以获取所检测到的车辆的几何 中心的雷达坐标、所检测到的车辆的几何中心相对于本车车辆的横向和纵向距 离，可以根据雷达坐标、横向和纵向距离确定该车辆是否位于危险区域内，示 例性地，可以判断所检测到的车辆的雷达坐标是否位于危险区域内，或者是通 过所检测到的车辆相对于本车车辆的横向和纵向距离确定该车辆是否位于危险 区域内，若是，则确定该车辆为位于危险区域内的车辆，将该车辆作为目标车 辆。如图2B所示，对于毫米波雷达而言，毫米波雷达的探测范围较广，通常检 测距离可以达到100米，在车流密集的道路上，毫米波雷达可以检测到比较多的车辆，可以从检测到的所有车辆中确定出位于危险区域内的目标车辆，如图 2B所示，危险区域内包括目标车辆1和目标车辆2，大大减少了目标车辆的数 量，减少了融合的数据量，提高了车辆检测的效率。
S207、获取所述目标车辆的第一检测数据，所述第一检测数据包括所述目 标车辆在所述雷达坐标系中的雷达坐标、速度、加速度、车宽、车长中的至少 一项。
本发明实施例中，毫米波雷达不仅可以检测到目标车辆，同时可以获取目 标车辆的雷达坐标、相对于本车车辆的横向和纵向距离、目标车辆的速度、加 速度、车宽和车长等作为第一检测数据，上述目标车辆的第一检测数据可通过 现有技术中任意一种毫米波雷达检测目标的算法所获取，在此不再详述。
S208、将所述图像输入预先训练好的目标检测模型中得到所述目标车辆的 第二检测数据，所述第二检测数据包括所述目标车辆的几何中心的第二像素坐 标。
在本发明的可选实施例中，目标检测模型可以是基于Haar-like特征与 Adaboost组合的目标检测模型，如图2C所示，基于Haar-like特征与Adaboost 组合的目标检测模型训练和应用过程如下：
在离线训练阶段，收集车辆样本图像和非车辆样本图像，并对车辆样本图 像和非车辆样本图像进行归一化和灰度化处理，基于积分图的Haar-like对处理 后的图像进行特征提取，并将提取到的特征输入基于Adaboost构成的级联分类 器，以此迭代训练该分类器得到最终的级联分类器。
在在线识别阶段，相机实时探测到待检测样本，例如本发明实施例中相机 采集到图像，基于积分图的Haar-like对相机采集到的图像进行特征提取，将提 取到的特征输入训练好的级联分类器中识别图像中的目标，得到目标的类别、 目标的几何中心的像素坐标，具体到本发明实施例中，识别的目标为汽车、公 交车、货车、摩托车、自行车等。
本发明实施例将相机采集到的图像输入训练好的目标检测模型中后，目标 检测模型可以输出图像中各个车辆的类别、车辆的几何中心的像素坐标。
S209、将所述雷达坐标从雷达坐标系投影到像素坐标系中，得到所述目标 车辆的几何中心在所述图像中的目标像素点。
具体地，可以先通过以下转换式将目标车辆的雷达坐标转换为相机坐标：
Figure BDA0002555904140000141
如图2B所示，相机安装在车辆纵向对称面F上，例如相机固定在本车车 辆挡风玻璃内或前进气格栅上部，并且相机安装的水平角、横摆角为0°，俯 仰角可根据本车车辆前方检测范围进行确定；毫米波雷达安装在本车车辆纵向 对称面F上，或相对纵向对称面F偏置一定距离安装，示例性地，毫米波雷达 安装在下进气格栅处，且毫米波雷达安装的水平角、横摆角、俯仰角均为0°。 根据相机和毫米波雷达的安装位置，可以建立相机及毫米波雷达的坐标系。
如图2B所示，Oc-Xc-Yc-Zc为相机坐标系，Or-Xr-Yr-Zr为毫米波雷达的 雷达坐标系。其中，Oc为相机坐标系原点，即相机的光心，OcXc轴垂直于本 车车辆的纵向对称面，指向本车车辆行驶方向右侧，OcYc轴(图未示)位于本 车车辆的纵向对称面内，且与相机的光轴垂直，OcZc轴与相机的光轴重合。 Or-Xr-Yr-Zr为雷达坐标系，其中Or为毫米波雷达工作面几何中心，OrXr轴垂 直于毫米波雷达工作表面指向本车车辆行驶方向，OrYr轴垂直于本车车辆的纵 向对称面指向本车车辆前进方向左侧，OrZr轴(图未示)垂直于地面指向本车车辆的车顶方向。
上述雷达坐标到相机坐标的转换式中，Hc为相机安装位置距离地面的高度， α为相机安装的俯仰角，(xr、yr、zr)为目标车辆在雷达坐标系中的雷达坐 标，Wr为毫米波雷达安装位置距离本车车辆纵向对称面的距离，Hr为毫米波 雷达安装位置距离地面的高度，ΔL为毫米波雷达与相机在沿本车车辆行驶方向 上安装距离之差的绝对值，(xc、yc、zc)为目标车辆在相机坐标系中的相机 坐标。
进一步地，将目标车辆的相机坐标转换为像素坐标系中的第一像素坐标， 具体如下：
Figure BDA0002555904140000161
上述公式(2)中，(u，v)为目标车辆在图像中的目标像素点的第一像素 坐标，(u0，v0)为图像的中心点的像素坐标，fx和fy为相机的等效焦距。
综合上述公式(1)和(2)，得到雷达坐标系到像素坐标系的转换式如下：
Figure BDA0002555904140000162
当获取到目标车辆的几何中心的雷达坐标后，通过上述公式(3)可以将目 标车辆的中心点的雷达坐标投影到图像的像素坐标，该像素坐标对应的像素点 即为目标车辆的中心点对应的目标像素点。
S210、以所述目标像素点为中心建立一感兴趣区域。
具体地，以目标车辆在图像中的目标像素点为中心、目标车辆的车宽为矩 形宽、目标车辆的车长为矩形长建立一矩形区域作为感兴趣区域。
S211、通过所述感兴趣区域中包含的车辆的第二像素坐标对所述雷达坐标 进行修正得到所述目标车辆的最终坐标。
在实际应用中，毫米波雷达检测到目标车辆的几何中心的雷达坐标，该雷 达坐标投影到像素坐标系下后的到一个第一像素坐标，同时，将图像输入预先 训练好的目标检测模型中也得到目标车辆的几何中心的第二像素坐标，可以第 二像素坐标向雷达坐标系的转换对目标车辆的位置进行修正。
具体地，可以通过以下公式对雷达坐标进行修正得到目标车辆的最终坐标：
Figure BDA0002555904140000171
其中，(xa，ya，za)为修正后的最终坐标，(ur，vr)为通过目标检 测模型得到目标车辆的几何中心的第二像素坐标。
在获得目标车辆的最终坐标后，可以将最终坐标、毫米波雷达检测到的车 宽、车长、相对于本车车辆的距离、速度、加速度等作为最终检测数据输出到 辅助驾驶系统，使得辅助驾驶系统根据目标车辆的检测数据做出辅助驾驶决策。
本发明实施例在本车车辆上通过毫米波雷达采集雷达数据和相机采集图像， 在本车车辆行驶方向、本车车辆前方建立一个矩形的危险区域，对雷达数据滤 波后得到毫米波雷达所检测的目标，并从所检测到的目标中滤除虚假目标后进 一步确定位于危险区域的目标车辆，获取该目标车辆的第一检测数据以及将图 像输入目标检测模型中获得第二检测数据，将第一检测数据中目标车辆的几何 中心的雷达坐标投影到图像中获得目标像素点，基于该目标像素点建立感兴趣 区域，通过感兴趣区域中目标车辆的几何中心的第二像素坐标对雷达坐标进行 修改获得最终的目标车辆的最终坐标，输出包含最终坐标在内的检测数据。通 过过滤虚假目标，以及建立危险区域并确定位于危险区域内目标车辆来进行雷 达数据和相机视觉数据的融合，大大减少了需要融合的车辆的数量，降低了数 据处理量，提高了车辆检测效果。
实施例三
图3是本发明实施例三提供的一种车辆检测装置的结构框图，如图3所示， 本发明实施例的车辆检测装置应用于设置有毫米波雷达和相机的本车车辆，具 体可以包括如下模块：
雷达数据和图像采集模块301，用于在本车车辆上通过毫米波雷达采集雷 达数据和相机采集图像；
危险区域建立模块302，用于建立所述本车车辆的危险区域；
第一检测数据确定模块303，用于根据所述雷达数据确定位于所述危险区 域内的目标车辆以及所述目标车辆的第一检测数据；
第二检测数据获取模块304，用于将所述图像输入预先训练好的目标检测 模型中得到所述目标车辆的第二检测数据；
融合模块305，用于基于所述毫米波雷达的雷达坐标系到所述图像的像素 坐标系的投影，融合所述第一检测数据和所述第二检测数据得到所述目标车辆 的检测数据。
可选地，所述危险区域建立模块302包括：
危险区域建立子模块，用于在所述本车车辆行驶方向、所述本车车辆前方 建立一个矩形的危险区域，所述危险区域的宽度为所述本车车辆的M个车宽， 所述危险区域的长度为所述本车车辆的N个车长，所述危险区域的宽度中心线 与所述本车车辆的车宽中心线重合。
可选地，所述第一检测数据确定模块303包括：
滤波子模块，用于对所述雷达数据进行卡尔曼滤波获得滤波后的雷达数据；
目标确定子模块，用于基于所述滤波后的雷达数据确定出所述毫米波雷达 所检测到的目标；
虚假目标去除子模块，用于从所述毫米波雷达所检测到的目标中去除虚假 目标得到所述毫米波雷达检测到的车辆；
目标车辆确定子模块，用于从所述毫米波雷达检测到的车辆中确定位于所 述危险区域内的车辆作为目标车辆；
第一检测数据获取子模块，用于获取所述目标车辆的第一检测数据，所述 第一检测数据包括所述目标车辆在所述雷达坐标系中的雷达坐标、速度、加速 度、车宽、车长中的至少一项。
可选地，所述虚假目标去除子模块包括：
虚假目标确定单元，用于通过以下公式确定出虚假目标：
Figure BDA0002555904140000191
其中，n为毫米波雷达的采样序号，Tr为毫米波雷达的采样周期，x(n+1)、 y(n+1)为在n+1采样点时目标的纵向坐标和横向坐标，x(n)、y(n)为在n采 样点时目标的纵向坐标和横向坐标，vx(n)和vy(n)为在n采样点时目标的纵 向速度和横向速度，ax和ay为纵向和横向加速度的最大值，
Figure BDA0002555904140000192
为纵向速度差，
Figure BDA0002555904140000193
为横向速度差，axTr为纵向速度差阈值，ayTr为横向速度差阈值，上述公式成立时为真实目标，否则为虚假目标；
虚假目标去除单元，用于从所述毫米波雷达检测到的目标中去除所述虚假 目标得到所述毫米波雷达检测到的车辆。
可选地，所述第一检测数据包括所述目标车辆的雷达坐标，所述第二检测 数据包括所述目标车辆的第二像素坐标，所述融合模块305包括：
坐标投影子模块，用于将所述雷达坐标从雷达坐标系投影到像素坐标系中， 得到所述目标车辆的几何中心在所述图像中的目标像素点；
感兴趣区域建立子模块，用于以所述目标像素点为中心建立一感兴趣区域；
坐标修正子模块，用于通过所述感兴趣区域中包含的车辆的第二像素坐标 对所述雷达坐标进行修正得到所述目标车辆的最终坐标。
可选地，所述坐标投影子模块包括：
坐标投影单元，用于通过以下雷达坐标系到像素坐标系将所述雷达坐标从 雷达坐标系投影到像素坐标系得到第一像素坐标：
Figure BDA0002555904140000201
Hc为相机安装位置距离地面的高度，α为相机安装的俯仰角，(xr，yr， zr)为目标车辆在雷达坐标系中的雷达坐标，Wr为毫米波雷达安装位置距离本 车车辆纵向对称面的距离，Hr为毫米波雷达安装位置距离地面的高度，ΔL为 毫米波雷达与相机在沿本车车辆行驶方向上安装距离之差的绝对值，(u，v) 为目标车辆在图像中的目标像素点的第一像素坐标，(u0，v0)为图像的中心 点的像素坐标，fx和fy为相机的等效焦距；
目标像素点确定单元，用于确定所述第一像素坐标对应的像素点为目标车 辆的几何中心在所述图像中的目标像素点。
可选地，所述坐标修正子模块包括：
坐标修正单元，用于通过以下公式对所述雷达坐标进行修正得到所述目标 车辆的最终坐标：
Figure BDA0002555904140000211
(xa，ya，za)为修正后的最终坐标，(ur，vr)为感兴趣区域中包含 的目标车辆的第二像素坐标。
本发明实施例所提供的车辆检测装置可执行本发明实施例一、实施例二所 提供的车辆检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
参照图4，示出了本发明一个示例中的一种车辆的结构示意图。如图4所 示，该车辆具体可以包括：处理器400、存储器401、具有触摸功能的显示屏 402、输入装置403、输出装置404、通信装置405、相机406和毫米波雷达407。 该车辆中处理器400的数量可以是一个或者多个，图4中以一个处理器400为 例。该车辆中存储器401的数量可以是一个或者多个，图4中以一个存储器401 为例。该车辆的处理器400、存储器401、显示屏402、输入装置403、输出装 置404、通信装置405、相机406和毫米波雷达407可以通过总线或者其他方式 连接，图4中以通过总线连接为例。
存储器401作为一种计算机可读存储介质，可用于存储软件程序、计算机 可执行程序以及模块，如本发明任意实施例所述的车辆检测方法对应的程序指 令/模块(例如，上述车辆检测装置中的雷达数据和图像采集模块301、危险区 域建立模块302、第一检测数据确定模块303、第二检测数据获取模块304和融 合模块305)，存储器401可主要包括存储程序区和存储数据区，其中，存储程 序区可存储操作装置、至少一个功能所需的应用程序；存储数据区可存储根据 设备的使用所创建的数据等。此外，存储器401可以包括高速随机存取存储器， 还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器401可进一步包括相对于处理 器400远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网 络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示屏402为具有触摸功能的显示屏402，其可以是电容屏、电磁屏或者 红外屏。一般而言，显示屏402用于根据处理器400的指示显示数据，还用于 接收作用于显示屏402的触摸操作，并将相应的信号发送至处理器400或其他 装置。可选的，当显示屏402为红外屏时，其还包括红外触摸框，该红外触摸 框设置在显示屏402的四周，其还可以用于接收红外信号，并将该红外信号发 送至处理器400或者其他设备。
通信装置405，用于与其他设备建立通信连接，其可以是有线通信装置和/ 或无线通信装置。
输入装置403可用于接收输入的数字或者字符信息，以及产生与设备的用 户设置以及功能控制有关的键信号输入。输出装置404可以包括扬声器等音频 设备。需要说明的是，输入装置403和输出装置404的具体组成可以根据实际 情况设定。
相机406用于采集车辆周围的图像，毫米波雷达用于向车辆周围发射雷达 信号以采集雷达数据。
处理器400通过运行存储在存储器401中的软件程序、指令以及模块，从 而执行设备的各种功能应用以及数据处理，即实现上述车辆检测方法。
具体地，实施例中，处理器400执行存储器401中存储的一个或多个程序 时，具体实现本发明实施例提供的车辆检测方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述存储介质中的指令由 设备的处理器执行时，使得设备能够执行如上述方法实施例所述的车辆检测方 法。
需要说明的是，对于装置、车辆、存储介质实施例而言，由于其与方法实 施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即 可。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具 体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结 构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中， 对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具 体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适 的方式结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进 行各种明显的变换、重新调整和替代而不会脱离本发明的保护范围。因此，虽 然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以 上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例， 而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种车辆检测方法，其特征在于，应用于设置有毫米波雷达和相机的本车车辆，包括：
在本车车辆上通过毫米波雷达采集雷达数据和通过相机采集图像；
建立所述本车车辆的危险区域；
根据所述雷达数据确定位于所述危险区域内的目标车辆以及所述目标车辆的第一检测数据；
将所述图像输入预先训练好的目标检测模型中得到所述目标车辆的第二检测数据；
基于所述毫米波雷达的雷达坐标系到所述图像的像素坐标系的投影，融合所述第一检测数据和所述第二检测数据得到所述目标车辆的检测数据。
2.根据权利要求1所述的方法，其特征在于，所述建立所述本车车辆的危险区域，包括：
在所述本车车辆行驶方向、所述本车车辆前方建立一个矩形的危险区域，所述危险区域的宽度为所述本车车辆的M个车宽，所述危险区域的长度为所述本车车辆的N个车长，所述危险区域的宽度中心线与所述本车车辆的车宽中心线重合。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述雷达数据确定位于所述危险区域内的目标车辆以及所述目标车辆的第一检测数据，包括：
对所述雷达数据进行卡尔曼滤波获得滤波后的雷达数据；
基于所述滤波后的雷达数据确定出所述毫米波雷达所检测到的目标；
从所述毫米波雷达所检测到的目标中去除虚假目标得到所述毫米波雷达检测到的车辆；
从所述毫米波雷达检测到的车辆中确定出位于所述危险区域内的车辆作为目标车辆；
获取所述目标车辆的第一检测数据，所述第一检测数据包括所述目标车辆在所述雷达坐标系中的雷达坐标、速度、加速度、车宽、车长中的至少一项。
4.根据权利要求3所述的方法，其特征在于，所述从所述毫米波雷达所检测到的目标中去除虚假目标得到所述毫米波雷达检测到的车辆，包括：
通过以下公式确定出虚假目标：
Figure FDA0002555904130000021
其中，n为毫米波雷达的采样序号，Tr为毫米波雷达的采样周期，x(n+1)、y(n+1)为在n+1采样点时目标的纵向坐标和横向坐标，x(n)、y(n)为在n采样点时目标的纵向坐标和横向坐标，vx(n)和vy(n)为在n采样点时目标的纵向速度和横向速度，ax和ay为纵向和横向加速度的最大值，
Figure FDA0002555904130000022
为纵向速度差，
Figure FDA0002555904130000023
为横向速度差，axTr为纵向速度差阈值，ayTr为横向速度差阈值，上述公式成立时为真实目标，否则为虚假目标；
从所述毫米波雷达检测到的目标中去除所述虚假目标得到所述毫米波雷达检测到的车辆。
5.根据权利要求1所述的方法，其特征在于，所述第一检测数据包括所述目标车辆在所述雷达坐标系中的雷达坐标，所述第二检测数据包括所述目标车辆在所述像素坐标系中的第二像素坐标，所述基于所述毫米波雷达的雷达坐标系到所述图像的像素坐标系的投影，融合所述第一检测数据和所述第二检测数据得到所述目标车辆的检测数据，包括：
将所述雷达坐标从雷达坐标系投影到像素坐标系中，得到所述目标车辆的几何中心在所述图像中的目标像素点；
以所述目标像素点为中心建立一感兴趣区域；
通过所述感兴趣区域中包含的车辆的第二像素坐标对所述雷达坐标进行修正得到所述目标车辆的最终坐标。
6.根据权利要求5所述的方法，其特征在于，所述将所述雷达坐标从雷达坐标系投影到像素坐标系中，得到所述目标车辆的几何中心在所述图像中的目标像素点，包括：
通过以下雷达坐标系到像素坐标系将所述雷达坐标从雷达坐标系投影到像素坐标系得到第一像素坐标：
Figure FDA0002555904130000031
Hc为相机安装位置距离地面的高度，α为相机安装的俯仰角，(xr，yr，zr)为目标车辆在雷达坐标系中的雷达坐标，Wr为毫米波雷达安装位置距离本车车辆纵向对称面的距离，Hr为毫米波雷达安装位置距离地面的高度，ΔL为毫米波雷达与相机在沿本车车辆行驶方向上安装距离之差的绝对值，(u，v)为目标车辆在图像中的目标像素点的第一像素坐标，(u0，v0)为图像的中心点的像素坐标，fx和fy为相机的等效焦距；
确定所述第一像素坐标对应的像素点为目标车辆的几何中心在所述图像中的目标像素点。
7.根据权利要求6所述的方法，其特征在于，所述通过所述感兴趣区域中包含的车辆的第二像素坐标对所述雷达坐标进行修正得到所述目标车辆的最终坐标，包括：
通过以下公式对所述雷达坐标进行修正得到所述目标车辆的最终坐标：
Figure FDA0002555904130000041
(xa，ya，za)为修正后的最终坐标，(ur，vr)为感兴趣区域中包含的目标车辆的第二像素坐标。
8.一种车辆检测装置，其特征在于，应用于设置有毫米波雷达和相机的本车车辆，包括：
雷达数据和图像采集模块，用于在本车车辆上通过毫米波雷达采集雷达数据和相机采集图像；
危险区域建立模块，用于建立所述本车车辆的危险区域；
第一检测数据确定模块，用于根据所述雷达数据确定位于所述危险区域内的目标车辆以及所述目标车辆的第一检测数据；
第二检测数据获取模块，用于将所述图像输入预先训练好的目标检测模型中得到所述目标车辆的第二检测数据；
融合模块，用于基于所述毫米波雷达的雷达坐标系到所述图像的像素坐标系的投影，融合所述第一检测数据和所述第二检测数据得到所述目标车辆的检测数据。
9.一种车辆，其特征在于，包括：
毫米波雷达和相机，所述毫米波雷达用于采集雷达数据，所述相机用于采集图像；
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的车辆检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的车辆检测方法。
CN202010591915.XA 2020-06-24 2020-06-24 车辆检测方法、装置、车辆和存储介质 Pending CN111797741A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010591915.XA CN111797741A (zh) 2020-06-24 2020-06-24 车辆检测方法、装置、车辆和存储介质
PCT/CN2021/101971 WO2021259344A1 (zh) 2020-06-24 2021-06-24 车辆检测方法、装置、车辆和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010591915.XA CN111797741A (zh) 2020-06-24 2020-06-24 车辆检测方法、装置、车辆和存储介质

Publications (1)

Publication Number Publication Date
CN111797741A true CN111797741A (zh) 2020-10-20

Family

ID=72804185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010591915.XA Pending CN111797741A (zh) 2020-06-24 2020-06-24 车辆检测方法、装置、车辆和存储介质

Country Status (2)

Country Link
CN (1) CN111797741A (zh)
WO (1) WO2021259344A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379674A (zh) * 2020-11-26 2021-02-19 中国第一汽车股份有限公司 一种自动驾驶设备及系统
CN112465868A (zh) * 2020-11-30 2021-03-09 浙江大华汽车技术有限公司 一种目标检测跟踪方法、装置、存储介质及电子装置
CN112578792A (zh) * 2020-11-12 2021-03-30 东风汽车集团有限公司 一种十字路口辅助控制方法及存储介质
CN112622893A (zh) * 2020-12-25 2021-04-09 北京理工大学前沿技术研究院 一种多传感器融合的靶车自动驾驶避障方法及系统
CN112799055A (zh) * 2020-12-28 2021-05-14 深圳承泰科技有限公司 一种探测被测车辆的方法、装置以及电子设备
CN113682259A (zh) * 2021-09-22 2021-11-23 海南大学 一种车用开门预警防撞系统及控制方法
WO2021259344A1 (zh) * 2020-06-24 2021-12-30 中国第一汽车股份有限公司 车辆检测方法、装置、车辆和存储介质
CN113949996A (zh) * 2021-10-11 2022-01-18 重庆大学 用于车路协同测试场景采集回放的数据处理方法及系统
CN114266859A (zh) * 2021-12-02 2022-04-01 国汽智控(北京)科技有限公司 数据处理方法、装置、设备和存储介质
CN114872735A (zh) * 2022-07-10 2022-08-09 成都工业职业技术学院 基于神经网络算法的自动驾驶物流车辆决策方法和装置
CN115598644A (zh) * 2022-11-28 2023-01-13 北京木牛领航科技有限公司（Cn） 一种碰撞检测方法、装置、介质和设备

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114942437A (zh) * 2022-04-25 2022-08-26 东风汽车集团股份有限公司 一种前方车辆前侧目标探测方法
CN115063772B (zh) * 2022-05-09 2024-04-16 厦门金龙联合汽车工业有限公司 一种车辆编队后车检测方法、终端设备及存储介质
CN115327532A (zh) * 2022-08-04 2022-11-11 澳克诺(上海)汽车科技有限公司 一种用于传感器数据融合的方法和系统
CN115981337B (zh) * 2023-01-18 2023-11-17 中国矿业大学 基于多源信息的井下无人驾驶车辆的决策系统及方法
CN116148801B (zh) * 2023-04-18 2023-07-14 深圳市佰誉达科技有限公司 一种基于毫米波雷达的目标检测方法及系统
CN116757981A (zh) * 2023-06-19 2023-09-15 北京拙河科技有限公司 一种多终端图像融合方法及装置
CN117214966B (zh) * 2023-08-01 2024-04-05 珠海微度芯创科技有限责任公司 毫米波安检成像设备的图像映射方法、装置、设备、介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102975662A (zh) * 2012-11-13 2013-03-20 上海交通大学 基于tdoa的超声波倒车雷达系统
CN104569979A (zh) * 2013-10-17 2015-04-29 株式会社电装 目标检测设备
CN106908783A (zh) * 2017-02-23 2017-06-30 苏州大学 基于多传感器信息融合的障碍物检测方法
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测系统
CN107862287A (zh) * 2017-11-08 2018-03-30 吉林大学 一种前方小区域物体识别及车辆预警方法
CN108169743A (zh) * 2017-03-10 2018-06-15 南京沃杨机械科技有限公司 农机无人驾驶用农田环境感知方法
CN109254289A (zh) * 2018-11-01 2019-01-22 百度在线网络技术（北京）有限公司 道路护栏的检测方法和检测设备
CN110515041A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于Kalman滤波技术的车辆距离测量控制方法及系统
CN110532896A (zh) * 2019-08-06 2019-12-03 北京航空航天大学 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法
CN110940979A (zh) * 2019-10-28 2020-03-31 杭州飞步科技有限公司 障碍物检测方法、装置、设备以及存储介质
CN110949402A (zh) * 2019-11-15 2020-04-03 中国第一汽车股份有限公司 一种告警区域确定方法、装置、存储介质及车辆
CN111284485A (zh) * 2019-10-10 2020-06-16 中国第一汽车股份有限公司 一种障碍车辆驾驶行为预测方法、装置、车辆及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9406145B2 (en) * 2014-01-31 2016-08-02 Applied Concepts, Inc. Mobile radar and visual tracking coordinate transformation
CN107991671A (zh) * 2017-11-23 2018-05-04 浙江东车智能科技有限公司 一种基于雷达数据和视频信号融合识别危险目标的方法
CN111797741A (zh) * 2020-06-24 2020-10-20 中国第一汽车股份有限公司 车辆检测方法、装置、车辆和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102975662A (zh) * 2012-11-13 2013-03-20 上海交通大学 基于tdoa的超声波倒车雷达系统
CN104569979A (zh) * 2013-10-17 2015-04-29 株式会社电装 目标检测设备
CN106908783A (zh) * 2017-02-23 2017-06-30 苏州大学 基于多传感器信息融合的障碍物检测方法
CN108169743A (zh) * 2017-03-10 2018-06-15 南京沃杨机械科技有限公司 农机无人驾驶用农田环境感知方法
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测系统
CN107862287A (zh) * 2017-11-08 2018-03-30 吉林大学 一种前方小区域物体识别及车辆预警方法
CN109254289A (zh) * 2018-11-01 2019-01-22 百度在线网络技术（北京）有限公司 道路护栏的检测方法和检测设备
CN110532896A (zh) * 2019-08-06 2019-12-03 北京航空航天大学 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法
CN110515041A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于Kalman滤波技术的车辆距离测量控制方法及系统
CN111284485A (zh) * 2019-10-10 2020-06-16 中国第一汽车股份有限公司 一种障碍车辆驾驶行为预测方法、装置、车辆及存储介质
CN110940979A (zh) * 2019-10-28 2020-03-31 杭州飞步科技有限公司 障碍物检测方法、装置、设备以及存储介质
CN110949402A (zh) * 2019-11-15 2020-04-03 中国第一汽车股份有限公司 一种告警区域确定方法、装置、存储介质及车辆

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张庆: "基于多传感器数据融合的乘用车AEB控制策略研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
王战古等: "基于多传感器融合的前方车辆识别方法研究", 《广西大学学报(自然科学版)》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021259344A1 (zh) * 2020-06-24 2021-12-30 中国第一汽车股份有限公司 车辆检测方法、装置、车辆和存储介质
CN112578792B (zh) * 2020-11-12 2022-05-31 东风汽车集团有限公司 一种十字路口辅助控制方法及存储介质
CN112578792A (zh) * 2020-11-12 2021-03-30 东风汽车集团有限公司 一种十字路口辅助控制方法及存储介质
CN112379674A (zh) * 2020-11-26 2021-02-19 中国第一汽车股份有限公司 一种自动驾驶设备及系统
CN112465868A (zh) * 2020-11-30 2021-03-09 浙江大华汽车技术有限公司 一种目标检测跟踪方法、装置、存储介质及电子装置
CN112465868B (zh) * 2020-11-30 2024-01-12 浙江华锐捷技术有限公司 一种目标检测跟踪方法、装置、存储介质及电子装置
CN112622893A (zh) * 2020-12-25 2021-04-09 北京理工大学前沿技术研究院 一种多传感器融合的靶车自动驾驶避障方法及系统
CN112799055A (zh) * 2020-12-28 2021-05-14 深圳承泰科技有限公司 一种探测被测车辆的方法、装置以及电子设备
CN113682259A (zh) * 2021-09-22 2021-11-23 海南大学 一种车用开门预警防撞系统及控制方法
CN113949996B (zh) * 2021-10-11 2022-10-28 重庆大学 用于车路协同测试场景采集回放的数据处理方法及系统
CN113949996A (zh) * 2021-10-11 2022-01-18 重庆大学 用于车路协同测试场景采集回放的数据处理方法及系统
CN114266859A (zh) * 2021-12-02 2022-04-01 国汽智控(北京)科技有限公司 数据处理方法、装置、设备和存储介质
CN114266859B (zh) * 2021-12-02 2022-09-06 国汽智控(北京)科技有限公司 数据处理方法、装置、设备和存储介质
CN114872735A (zh) * 2022-07-10 2022-08-09 成都工业职业技术学院 基于神经网络算法的自动驾驶物流车辆决策方法和装置
CN115598644A (zh) * 2022-11-28 2023-01-13 北京木牛领航科技有限公司（Cn） 一种碰撞检测方法、装置、介质和设备

Also Published As

Publication number Publication date
WO2021259344A1 (zh) 2021-12-30

Similar Documents

Publication Publication Date Title
CN111797741A (zh) 车辆检测方法、装置、车辆和存储介质
CN109435942B (zh) 一种基于信息融合的车位线车位识别方法及装置
CN111337941B (zh) 一种基于稀疏激光雷达数据的动态障碍物追踪方法
CN108638999B (zh) 一种基于360度环视输入的防碰撞预警系统及方法
JP6773540B2 (ja) 車載用画像処理装置
CN111369541B (zh) 一种智能汽车恶劣天气条件下车辆检测方法
CN108509972A (zh) 一种基于毫米波和激光雷达的障碍物特征提取方法
US10867403B2 (en) Vehicle external recognition apparatus
CN108944668B (zh) 一种基于车载360度环视输入的辅助驾驶预警方法
CN112215306A (zh) 一种基于单目视觉与毫米波雷达融合的目标检测方法
JP2007255979A (ja) 物体検出方法および物体検出装置
CN113850102B (zh) 基于毫米波雷达辅助的车载视觉检测方法及系统
CN112379674B (zh) 一种自动驾驶设备及系统
CN112084810A (zh) 一种障碍物检测方法、装置、电子设备及存储介质
CN111332288A (zh) 一种基于视觉系统的车辆行人碰撞避免方法
CN114419098A (zh) 基于视觉变换的运动目标轨迹预测方法及装置
CN114415171A (zh) 一种基于4d毫米波雷达的汽车可行驶区域检测方法
CN107796373A (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN105512641A (zh) 一种采用激光雷达扫描法标定雨雪状态下视频中的动态行人及车辆的方法
JP4296287B2 (ja) 車両認識装置
JP4956099B2 (ja) 壁検出装置
CN115327572A (zh) 一种车辆前方障碍物检测方法
CN113962301B (zh) 一种多源输入信号融合的路面质量检测方法及系统
Qing et al. A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation
CN113432615B (zh) 基于多传感器融合可驾驶区域的检测方法、系统和车辆

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: 20201020

RJ01 Rejection of invention patent application after publication