CN111942375A - 基于毫米波雷达和5g的自动泊车系统 - Google Patents

基于毫米波雷达和5g的自动泊车系统 Download PDF

Info

Publication number
CN111942375A
CN111942375A CN202010856729.4A CN202010856729A CN111942375A CN 111942375 A CN111942375 A CN 111942375A CN 202010856729 A CN202010856729 A CN 202010856729A CN 111942375 A CN111942375 A CN 111942375A
Authority
CN
China
Prior art keywords
local region
pixel
value
denotes
information
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.)
Granted
Application number
CN202010856729.4A
Other languages
English (en)
Other versions
CN111942375B (zh
Inventor
钱建良
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.)
Michuan Technology Shanghai Co ltd
Original Assignee
Michuan Technology Shanghai Co ltd
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 Michuan Technology Shanghai Co ltd filed Critical Michuan Technology Shanghai Co ltd
Priority to CN202010856729.4A priority Critical patent/CN111942375B/zh
Publication of CN111942375A publication Critical patent/CN111942375A/zh
Application granted granted Critical
Publication of CN111942375B publication Critical patent/CN111942375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/06—Automatic manoeuvring for parking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

基于毫米波雷达和5G的自动泊车系统，包括人机交互模块和自动泊车系统，所述人机交互模块包括信息输入单元、自动泊车启动单元和信息显示单元，实现了人机交互功能，所述自动泊车系统包括车位信息采集单元、雷达信息采集单元、泊车路线规划单元、泊车控制单元、图像采集单元和图像处理单元，实现了信息采集、泊车路线规划和控制车辆自动泊车。本发明的有益效果：利用智能化技术实现自动泊车功能，使驾驶员拜托繁琐的驾驶操作，同时提升驾驶安全性，具有广泛的市场前景和现实意义。

Description

基于毫米波雷达和5G的自动泊车系统
技术领域
本发明创造涉及自动泊车领域，具体涉及一种基于毫米波雷达和5G的自动泊车系统。
背景技术
随着经济社会的不断发展，人民生活水平的不断提升，汽车已然成为人类出行必不可少的伙伴。汽车保有量的增多使得原来的马路、小区、街道等区域变得异常拥挤，用于泊车的空间也变得更狭小，寻找合适的泊位变得很困难；另一方面，泊车作为汽车驾驶环境中最为复杂的操作之一，也是长期困扰广大驾驶员，特别是新手驾驶员的难题，因此，利用智能化技术实现自动泊车功能，使驾驶员拜托繁琐的驾驶操作，同时提升驾驶安全性，具有广泛的市场前景和现实意义。
对于汽车来说，常用的雷达传感器包括激光雷达、超声波雷达和毫米波雷达，其中，毫米波雷达的应用正在逐渐变得越来越广泛。主要原因在于其相比于激光雷达成本更低，穿透力强，受天气影响更小；相比于超声波雷达其检测范围更大，检测精度更高，因此毫米波雷达的抗干扰能力强、探测范围广、环境适应性强的特点在自动泊车的开发中变得愈发重要。
发明内容
针对上述问题，本发明旨在提供一种基于毫米波雷达和5G的自动泊车系统。
本发明创造的目的通过以下技术方案实现：
基于毫米波雷达和5G的自动泊车系统，包括人机交互模块和自动泊车系统，所述人机交互模块包括信息输入单元、自动泊车启动单元和信息显示单元，用户通过信息输入单元输入待泊车的目标车位，并通过自动泊车启动单元启动自动泊车系统，所述自动泊车系统包括车位信息采集单元、雷达信息采集单元、泊车路线规划单元、泊车控制单元、图像采集单元和图像处理单元，所述车位信息采集单元用于采集车辆当前的位置信息、车辆的轮廓参数、目标车位的位置信息以及目标车位的空间参数，所述雷达信息采集单元用于根据车辆当前的位置信息和目标车位的位置信息获取车辆和目标车位之间的连接路径，并采集所述连接路径周围的障碍物信息，所述泊车路线规划单元用于根据车位信息采集单元采集的车辆的轮廓参数、目标车位的空间参数、当前车辆与目标车位的相对位置信息以及雷达信息采集单元采集的障碍物信息规划车辆的泊车路线，并将规划好的泊车路线发送到信息显示单元进行显示，所述泊车控制单元控制车辆沿着所述泊车路线进行自动泊车，所述图像采集单元用于采集自动泊车过程中的环境图像，所述图像处理单元用于对采集的环境图像进行处理，并将处理后的环境图像在信息显示单元进行显示。
本发明创造的有益效果：利用智能化技术实现自动泊车功能，使驾驶员拜托繁琐的驾驶操作，同时提升驾驶安全性，具有广泛的市场前景和现实意义。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的基于毫米波雷达和5G的自动泊车系统，包括人机交互模块和自动泊车系统，所述人机交互模块包括信息输入单元、自动泊车启动单元和信息显示单元，用户通过信息输入单元输入待泊车的目标车位，并通过自动泊车启动单元启动自动泊车系统，所述自动泊车系统包括车位信息采集单元、雷达信息采集单元、泊车路线规划单元、泊车控制单元、图像采集单元和图像处理单元，所述车位信息采集单元用于采集车辆当前的位置信息、车辆的轮廓参数、目标车位的位置信息以及目标车位的空间参数，所述雷达信息采集单元用于根据车辆当前的位置信息和目标车位的位置信息获取车辆和目标车位之间的连接路径，并采集所述连接路径周围的障碍物信息，所述泊车路线规划单元用于根据车位信息采集单元采集的车辆的轮廓参数、目标车位的空间参数、当前车辆与目标车位的相对位置信息以及雷达信息采集单元采集的障碍物信息规划车辆的泊车路线，并将规划好的泊车路线发送到信息显示单元进行显示，所述泊车控制单元控制车辆沿着所述泊车路线进行自动泊车，所述图像采集单元用于采集自动泊车过程中的环境图像，所述图像处理单元用于对采集的环境图像进行处理，并将处理后的环境图像在信息显示单元进行显示，方便驾驶员能够实时观察泊车情况。
优选地，所述雷达信息采集单元采用毫米波雷达采集车辆周围的障碍物位置信息，所述毫米波雷达安装在车辆的四周。
优选地，所述图像采集单元采用摄像头采集自动泊车过程中的环境图像，所述摄像头安装在车尾。
本优选实施例利用智能化技术实现自动泊车功能，使驾驶员拜托繁琐的驾驶操作，同时提升驾驶安全性，具有广泛的市场前景和现实意义。
优选地，图像处理单元用于对采集的环境图像进行去噪处理，设I表示待去噪的环境图像，I(x,y)表示环境图像I中坐标(x,y)处的像素，Ω(x,y)表示以像素I(x,y)为中心的(2n+1)×(2n+1)的局部区域，且Ω(x,y)＝{I(xk,yk),k＝1,2,…,M(x,y)}，其中，n表示正整数，n的值可以取5，I(xk,yk)表示局部区域Ω(x,y)中坐标(xk,yk)处的像素，M(x,y)表示局部区域Ω(x,y)中的像素数，设NΩ(x,y)表示局部区域Ω(x,y)中像素的局部区域组成的集合，且NΩ(c,y)＝{Ω(xkyk),k＝1,2,…,M(x,y)}，其中，Ω(xk,yk)表示以像素I(xk,yk)为中心的(2n+1)×(2n+1)的局部区域，且Ω(xk,yk)＝{I(xk,n,yk,n),n＝1,2,…,M(xk,yk)}，其中，I(xk,n,yk,n)表示局部区域Ω(xk,yk)中坐标(xk,n,yk,n)处的像素，M(xk,yk)表示局部区域Ω(xk,yk)中的像素数；
对局部区域Ω(x,y)中的像素进行筛选，具体包括：
(1)对集合NΩ(x,y)中的局部区域Ω(xk,yk)的像素进行初步去噪处理，设f′(xk,n,yk,n)表示对像素I(xk,n,yk,n)进行初步去噪处理后的灰度值，且f′(xk,n,yk,n)的表达式为：
Figure BDA0002646621440000031
式中，Ω(xk,n,yk,n)表示以像素I(xk,n,yk,n)为中心的(2n+1)×(2n+1)的局部区域，I(xk,n,m,yk,n,m)表示局部区域Ω(xk,n,yk,n)中坐标(xk,n,m,yk,n,m)处的像素，f(xk,n,m,yk,n,m)表示像素I(xk,n,m,yk,n,m)的灰度值，f(xk,n,yk,n)表示像素I(xk,n,yk,n)的灰度值，σr是用来控制灰度范围相似度因子的标准差，且σr＝1.95σ(xk,yk)，其中，σ(xk,yk)表示局部区域Ω(xk,yk)中像素灰度值的标准差，σd是用来调整空间距离较大像素的权重值，且σd＝4；
(2)对局部区域Ω(x,y)中的像素I(xk,yk)的进行筛选，设Ω(x,y,xk,yk)表示局部区域Ω(x,y)和局部区域Ω(xk,yk)之间的参考区域，且Ω(x,y,xk,yk)＝Ω(x,y)∩Ω(xk,yk)，定义S(xk,yk)表示像素I(xk,yk)对应的筛选系数，且S(xk,yk)的表达式为：
Figure BDA0002646621440000041
Figure BDA0002646621440000042
Figure BDA0002646621440000043
式中，S1(xk,yk)表示局部区域Ω(x,y)和局部区域Ω(xk,yk)之间的比较系数，S2(xk,yk)表示局部区域Ω(x,y)和参考区域Ω(x,y,xk,yk)之间的比较系数，
Figure BDA0002646621440000044
表示局部区域Ω(xk,yk)的灰度信息值，
Figure BDA0002646621440000045
表示局部区域Ω(x,y)的灰度信息值，
Figure BDA0002646621440000046
表示参考区域Ω(x,y,xk,yk)的灰度信息值，
Figure BDA0002646621440000047
表示局部区域Ω(xk,yk)的第一结构信息值，
Figure BDA0002646621440000048
表示局部区域Ω(x,y)的第一结构信息值，
Figure BDA0002646621440000049
表示参考区域Ω(x,y,xk,yk)的第一结构信息值，
Figure BDA00026466214400000410
表示局部区域Ω(xk,yk)的第二结构信息值，
Figure BDA00026466214400000411
表示局部区域Ω(x,y)的第二结构信息值，
Figure BDA00026466214400000412
表示参考区域Ω(x,y,xk,yk)的第二结构信息值，
Figure BDA00026466214400000413
和
Figure BDA00026466214400000414
的值采用下列方式获得：
Figure BDA00026466214400000415
Figure BDA00026466214400000416
Figure BDA00026466214400000417
式中，I(xk,a,yk,a)和I(xk,b,yk,b)分别表示局部区域Ω(xk,yk)中坐标(xk,a,yk,a)和(xk,b,yk,b)处的像素，f′(xk,a,yk,a)和f′(xk,b,yk,b)分别表示像素I(xk,a,yk,a)和I(xk,b,yk,b)经初步去噪处理后的灰度值，I(xk,a+1,yk,a)和I(xk,a,yk,a+1)分别表示局部区域Ω(xk,yk)中坐标(xk,a+1,yk,a)和(xk,a,yk,a+1)处的像素，f′(xk,a+1,yk,a)和f′(xk,a,yk,a+1)分别表示像素I(xk,a+1,yk,a)和I(xk,a,yk,a+1)经初步去噪处理后的灰度值，f′max(xk,yk)和f′min(xk,yk)分别表示局部区域Ω(xk,yk)中像素经初步去噪处理后的灰度值的最大值和最小值；
Figure BDA00026466214400000418
Figure BDA00026466214400000419
和
Figure BDA00026466214400000420
的值同样采用上述方式获得；
给定筛选阈值Y(x,y)，且
Figure BDA0002646621440000051
当筛选系数S(xk,yk)≤Y(x,y)时，则将像素I(xk,yk)在局部区域Ω(x,y)中保留，当S(xk,yk)＞Y(x,y)时，则将像素I(xk,yk)在局部区域Ω(x,y)中删除。
本优选实施例用于对待去噪像素的局部区域中的邻域像素进行筛选，考虑到不同的像素所处的环境复杂度不同，本优选实施例对待去噪像素的局部区域中的邻域像素进行筛选，在对局部区域中的邻域像素进行筛选时，通过将待去噪像素的局部区域和待筛选邻域像素的局部区域进行比较，确定所述待去噪像素和所述待筛选邻域像素所处局部区域结构的相似性，在比较之前，首先采用双边滤波算法对局部区域中的像素进行初步去噪处理，所述双边滤波算法能够在保持边缘信息的同时去除局部区域中的大部分噪声，再利用局部区域中像素经初步去噪处理后的灰度值计算筛选系数，从而在一定程度上减少了噪声像素对筛选结果的影响，定义的筛选系数通过灰度信息值、第一结构信息值和第二结构信息值比较待去噪像素所处的局部区域和所述待筛选邻域像素所处的局部区域之间结构的相似性，所述灰度信息值通过统计局部区域中像素经初步去噪处理后的灰度值之间的差值来衡量两个局部区域在整体结构上的相似性，所述第一结构信息值和第二结构信息值分别从水平方向和竖直方向来衡量两个局部区域之间的相似性，即通过定义的筛选系数和给定的筛选阈值保留下来的邻域像素所处的局部区域和待去噪像素所处的局部区域在区域结构上具有较高的相似性，从而保证了根据筛选剩余的邻域像素的局部区域确定的所述待去噪像素的灰度值能够更加的符合实际情况。
优选地，设UΩ(x,y)表示对局部区域Ω(x,y)中的像素进行筛选后剩余的像素的局部区域组成的集合，且UΩ(x,y)＝{Ω(xl,yl),l＝1,2,…,MU(x,y)}，其中，I(xl,yl)表示局部区域Ω(x,y)中坐标(xl,yl)处的像素，Ω(xl,yl)表示以像素I(xl,yl)为中心的(2n+1)×(2n+1)的局部区域，MU(x,y)表示集合UΩ(x,y)中的局部区域数，设h′(x,y)表示对像素I(x,y)进行去噪处理后的最终灰度值，则h′(x,y)的表达式为：
Figure BDA0002646621440000052
式中，
Figure BDA0002646621440000053
表示局部区域Ω(xl,yl)中像素的灰度值均值，ρ1(xl,yl)表示局部区域Ω(xl,yl)对应的第一调节因子，且ρ1(xl,yl)的表达式为：
Figure BDA0002646621440000061
Figure BDA0002646621440000062
式中，Δf(xl,yl)表示局部区域Ω(xl,yl)的噪声初步检测系数，
Figure BDA0002646621440000063
表示噪声初步检测阈值，且
Figure BDA0002646621440000064
I(xl,e,yl,e)表示局部区域Ω(xl,yl)中坐标(xl,e,yl,e)处的像素，f(xl,e,yl,e)表示像素I(xl,e,yl,e)的灰度值，f′(xl,e,yl,e)表示像素I(xl,e,yl,e)经初步去噪处理后的灰度值，M(xl,yl)表示局部区域Ω(xl,yl)中的像素数；
ρ2(xl,yl)表示局部区域Ω(xl,yl)对应的第二调节因子，设P(xl,yl)表示局部区域Ω(xl,yl)对应的结构信息值，且
Figure BDA0002646621440000065
其中，
Figure BDA0002646621440000066
表示局部区域Ω(xl,yl)的灰度信息值，
Figure BDA0002646621440000067
表示局部区域Ω(xl,yl)的第一结构信息值，
Figure BDA0002646621440000068
表示局部区域Ω(xl,yl)的第二结构信息值，且
Figure BDA0002646621440000069
和
Figure BDA00026466214400000610
的表达式分别为：
Figure BDA00026466214400000611
Figure BDA00026466214400000612
Figure BDA00026466214400000613
式中，I(xl,v,yl,v)表示局部区域Ω(xl,yl)中坐标(xl,v,yl,v)处的像素，f′(xl,v,yl,v)表示像素I(xl,v,yl,v)经初步去噪处理后的灰度值，I(xl,e+1,yl,e)和I(xl,e,yl,e+1)分别表示局部区域Ω(xl,yl)中坐标(xl,e+1,yl,e)和(xl,eyl,e+1)处的像素，f′(xl,e+1,yl,e)和f′(xl,e,yl,e+1)分别表示像素I(xl,e+1,yl,e)和I(xl,e,yl,e+1)经初步去噪处理后的灰度值，f′max(xl,yl)和f′min(xl,yl)分别表示局部区域Ω(xl,yl)中像素经初步去噪处理后灰度值的最大值和最小值；
给定第一结构信息阈值P0(I)和第二结构信息阈值P1(I)，且
Figure BDA00026466214400000614
其中，δ1(P(x,y),
Figure BDA00026466214400000615
表示第一取值函数，且δ1(P(x,y),
Figure BDA0002646621440000071
δ2(P(x,y),
Figure BDA0002646621440000072
表示第二取值函数，且δ2(P(x,y),
Figure BDA0002646621440000073
其中，P(x,y)表示局部区域Ω(x,y)对应的结构信息值，
Figure BDA0002646621440000074
表示环境图像I中像素的局部区域的结构信息值的均值；
设G(xl,yl)表示局部区域Ω(xl,yl)的信息熵，给定信息熵阈值G(I)，且
Figure BDA0002646621440000075
其中，δ3(G(x,y),
Figure BDA0002646621440000076
表示第三取值函数，且δ3(G(x,y),
Figure BDA0002646621440000077
其中，G(x,y)表示局部区域Ω(x,y)的信息熵，
Figure BDA0002646621440000078
表示环境图像I中像素的局部区域的信息熵均值；
当P(xl,yl)＜P0(I)时，则
Figure BDA0002646621440000079
当P0(I)≤P(xl,yl)≤P1(I)时，则
Figure BDA00026466214400000710
当P(xl,yl)＞P1(I)且G(xl,yl)＜G(I)时，则
Figure BDA00026466214400000711
当P(xl,yl)＞P1(I)且G(xl,yl)＞G(I)时，则
Figure BDA00026466214400000712
本优选实施例将筛选剩余的局部区域中像素的灰度值均值的加权平均结果作为待去噪像素的最终灰度值，筛选剩余的邻域像素的局部区域和待去噪像素所处的局部区域有着较高的相似性，选取该邻域像素的局部区域的灰度值均值进行加权，能够在一定程度上减轻噪声像素对去噪结果准确性的影响；传统的双边滤波算法对局部区域进行初步去噪时，双边滤波算法在进行边缘保持的同时容易保留条状噪声，并且双边滤波算法对于高噪声密度的局部区域并不能起到较好的滤波效果，针对上述情况，本优选实施例构建新的去噪算法，新的去噪算法引入了局部区域对应的第一调节因子和第二调节因子对该局部区域在去噪过程中的比重进行调节，所述第一调节因子通过计算所述局部区域中像素经初步去噪处理前后的灰度值差值大小来判断所述局部区域的噪声水平，当所述差值较大时，表明所述局部区域中的噪声值较大，此时，通过第一调节因子减小所述局部区域的灰度值均值，使得该灰度值均值更加接近真实的灰度值，当所述差值较小时，一种情况为该局部区域的噪声值较小，一种情况为该局部区域为高噪声密度区域，此时，引入第二调节因子进行调节，所述第二调节因子通过计算局部区域的结构信息值和信息熵对所述局部区域的噪声水平进行判断，所述局部区域的结构信息值通过灰度信息值、第一结构信息值和第二结构信息值在整体上、水平方向上和竖直方向上对该局部区域的结构进行衡量，能够有效的描述该局部区域中像素的结构分布特征，当所述局部区域的结构信息值较小时，其为低噪声密度的平坦区域或者细节区域，此时，通过第二调节因子增加该局部区域在去噪过程中的比重，当所述局部区域的结构信息值在给定的第一结构信息阈值和第二结构信息阈值中间时，表明该局部区域可能存在条状噪声，此时，使得第二调节因子随着结构信息值的增加减小该局部区域在去噪过程中的比重，当所述局部区域的结构信息值较大时，其为高噪声密度的局部区域或者为边缘区域，所述第二调节因子通过计算所述局部区域的信息熵对该局部区域的噪声特性进行进一步的判断，边缘区域的信息熵低于高噪声密度区域的信息熵，因此，当所述信息熵低于给定的信息熵阈值时，表明该局部区域为边缘区域，当该边缘区域和所述待去噪像素的局部区域的结构信息值相差较多时，通过第二调节因子减小该边缘区域在去噪过程中的比重，当该边缘区域和待去噪像素的局部区域的结构信息值相差较小时，通过第二调节因子增加该边缘区域在去噪过程中的比重，从而在去噪的过程中保持了边缘结构，当所述信息熵高于给定的信息熵阈值时，表明该局部区域为高噪声密度区域，此时，通过第二调节因子减小该局部区域在去噪过程中的比重，从而减小噪声邻域像素对去噪结果准确性的影响；综上所述，本优选实施例提出的去噪算法能够在保持边缘的同时能够有效的去除噪声像素，并且该去噪算法对于高噪声密度的区域和存在条状噪声的区域都能够起到较好的去噪效果。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (6)

1.基于毫米波雷达和5G的自动泊车系统，其特征是，包括人机交互模块和自动泊车系统，所述人机交互模块包括信息输入单元、自动泊车启动单元和信息显示单元，用户通过信息输入单元输入待泊车的目标车位，并通过自动泊车启动单元启动自动泊车系统，所述自动泊车系统包括车位信息采集单元、雷达信息采集单元、泊车路线规划单元、泊车控制单元、图像采集单元和图像处理单元，所述车位信息采集单元用于采集车辆当前的位置信息、车辆的轮廓参数、目标车位的位置信息以及目标车位的空间参数，所述雷达信息采集单元用于根据车辆当前的位置信息和目标车位的位置信息获取车辆和目标车位之间的连接路径，并采集所述连接路径周围的障碍物信息，所述泊车路线规划单元用于根据车位信息采集单元采集的车辆的轮廓参数、目标车位的空间参数、当前车辆与目标车位的相对位置信息以及雷达信息采集单元采集的障碍物信息规划车辆的泊车路线，并将规划好的泊车路线发送到信息显示单元进行显示，所述泊车控制单元控制车辆沿着所述泊车路线进行自动泊车，所述图像采集单元用于采集自动泊车过程中的环境图像，所述图像处理单元用于对采集的环境图像进行处理，并将处理后的环境图像在信息显示单元进行显示。
2.根据权利要求1所述的基于毫米波雷达和5G的自动泊车系统，其特征是，所述目标车位的空间参数包括目标车位的右侧车位线、左侧车位线、上边界和下边界。
3.根据权利要求2所述的基于毫米波雷达和5G的自动泊车系统，其特征是，雷达信息采集单元采用毫米波雷达采集连接路径周围的障碍物信息，所述毫米波雷达安装在车辆的四周。
4.根据权利要求3所述的基于毫米波雷达和5G的自动泊车系统，其特征是，图像采集单元采用摄像头采集自动泊车过程中的环境图像，所述摄像头安装在车尾。
5.根据权利要求4所述的基于毫米波雷达和5G的自动泊车系统，其特征是，图像处理单元用于对采集的环境图像进行去噪处理，设I表示待去噪的环境图像，I(x，y)表示环境图像I中坐标(x，y)处的像素，Ω(x，y)表示以像素I(x，y)为中心的(2n+1)×(2n+1)的局部区域，且Ω(x，y)＝{I(xk，yk)，k＝1，2，...，M(x，y)}，其中，n表示正整数，I(xk，yk)表示局部区域Ω(x，y)中坐标(xk，yk)处的像素，M(x，y)表示局部区域Ω(x，y)中的像素数，设NΩ(x，y)表示局部区域Ω(x，y)中像素的局部区域组成的集合，且NΩ(x，y)＝{Ω(xk，yk)，k＝1，2，...，M(x，y)}，其中，Ω(xk，yk)表示以像素I(xk，yk)为中心的(2n+1)×(2n+1)的局部区域，且Ω(xk，yk)＝{I(xk，n，yk，n)，n＝1，2，...，M(xk，yk)}，其中，I(xk，n，yk，n)表示局部区域Ω(xk，yk)中坐标(xk，n，yk，n)处的像素，M(xk，yk)表示局部区域Ω(xk，yk)中的像素数；
对局部区域Ω(x，y)中的像素进行筛选，具体包括：
(1)对集合NΩ(x，y)中的局部区域Ω(xk，yk)的像素进行初步去噪处理，设f′(xk，n，yk，n)表示对像素I(xk，n，yk，n)进行初步去噪处理后的灰度值，且f′(xk，n，yk，n)的表达式为：
Figure FDA0002646621430000021
式中，Ω(xk，n，yk，n)表示以像素I(xk，n，yk，n)为中心的(2n+1)×(2n+1)的局部区域，I(xk，n，m，yk，n，m)表示局部区域Ω(xk，n，yk，n)中坐标(xk，n，m，yk，n，m)处的像素，f(xk，n，m，yk，n，m)表示像素I(xk，n，m，yk，n，m)的灰度值，f(xk，n，yk，n)表示像素I(xk，n，yk，n)的灰度值，σr是用来控制灰度范围相似度因子的标准差，且σr＝1.95σ(xk，yk)，其中，σ(xk，yk)表示局部区域Ω(xk，yk)中像素灰度值的标准差，σd是用来调整空间距离较大像素的权重值，且σd＝4；
(2)对局部区域Ω(x，y)中的像素I(xk，yk)进行筛选，设Ω(x，y，xk，yk)表示局部区域Ω(x，y)和局部区域Ω(xk，yk)之间的参考区域，且Ω(x，y，xk，yk)＝Ω(x，y)∩Ω(xk，yk)，定义S(xk，yk)表示像素I(xk，yk)对应的筛选系数，且S(xk，yk)的表达式为：
Figure FDA0002646621430000022
Figure FDA0002646621430000023
Figure FDA0002646621430000024
式中，S1(xk，yk)表示局部区域Ω(x，y)和局部区域Ω(xk，yk)之间的比较系数，S2(xk，yk)表示局部区域Ω(x，y)和参考区域Ω(x，y，xk，yk)之间的比较系数，
Figure FDA0002646621430000025
表示局部区域Ω(xk，yk)的灰度信息值，
Figure FDA0002646621430000026
表示局部区域Ω(x，y)的灰度信息值，
Figure FDA0002646621430000027
表示参考区域Ω(x，y，xk，yk)的灰度信息值，
Figure FDA0002646621430000028
表示局部区域Ω(xk，yk)的第一结构信息值，
Figure FDA0002646621430000029
表示局部区域Ω(x，y)的第一结构信息值，
Figure FDA00026466214300000210
表示参考区域Ω(x，y，xk，yk)的第一结构信息值，
Figure FDA00026466214300000211
表示局部区域Ω(xk，yk)的第二结构信息值，
Figure FDA00026466214300000212
表示局部区域Ω(x，y)的第二结构信息值，
Figure FDA00026466214300000213
表示参考区域Ω(x，y，xk，yk)的第二结构信息值，
Figure FDA0002646621430000031
和
Figure FDA0002646621430000032
的值采用下列方式获得：
Figure FDA0002646621430000033
Figure FDA0002646621430000034
Figure FDA0002646621430000035
式中，I(xk，a，yk，a)和I(xk，b，yk，b)分别表示局部区域Ω(xk，yk)中坐标(xk，a，yk，a)和(xk，b，yk，b)处的像素，f′(xk，a，yk，a)和f′(xk，b，yk，b)分别表示像素I(xk，a，yk，a)和I(xk，b，yk，b)经初步去噪处理后的灰度值，I(xk，a+1，yk，a)和I(xk，a，yk，a+1)分别表示局部区域Ω(xk，yk)中坐标(xk，a+1，yk，a)和(xk，a，yk，a+1)处的像素，f′(xk，a+1，yk，a)和f′(xk，a，yk，a+1)分别表示像素I(xk，a+1，yk，a)和I(xk，a，yk，a+1)经初步去噪处理后的灰度值，f′max(xk，yk)和f′min(xk，yk)分别表示局部区域Ω(xk，yk)中像素经初步去噪处理后的灰度值的最大值和最小值；
Figure FDA0002646621430000036
Figure FDA0002646621430000037
和
Figure FDA0002646621430000038
的值同样采用上述方式获得；
给定筛选阈值Y(x，y)，且
Figure FDA0002646621430000039
当筛选系数S(xk，yk)≤Y(x，y)时，则将像素I(xk，yk)在局部区域Ω(x，y)中保留，当S(xk，yk)＞Y(x，y)时，则将像素I(xk，yk)在局部区域Ω(x，y)中删除。
6.根据权利要求5所述的基于毫米波雷达和5G的自动泊车系统，其特征是，设UΩ(x，y)表示对局部区域Ω(x，y)中的像素进行筛选后剩余的像素的局部区域组成的集合，且UΩ(x，y)＝{Ω(xl，yl)，l＝1，2，...，Mu(x，y)}，其中，I(xl，yl)表示局部区域Ω(x，y)中坐标(xl，yl)处的像素，Ω(xl，yl)表示以像素I(xl，yl)为中心的(2n+1)×(2n+1)的局部区域，MU(x，y)表示集合UΩ(x，y)中的局部区域数，设h′(x，y)表示对像素I(x，y)进行去噪处理后的最终灰度值，则h′(x，y)的表达式为：
Figure FDA00026466214300000310
式中，
Figure FDA00026466214300000311
表示局部区域Ω(xl，yl)中像素的灰度值均值，ρ1(xl，yl)表示局部区域Ω(xl，yl)对应的第一调节因子，且ρ1(xl，yl)的表达式为：
Figure FDA0002646621430000041
Figure FDA0002646621430000042
式中，Δf(xl，yl)表示局部区域Ω(xl，yl)的噪声初步检测系数，
Figure FDA0002646621430000043
表示噪声初步检测阈值，且
Figure FDA0002646621430000044
I(xl，e，yl，e)表示局部区域Ω(xl，yl)中坐标(xl，e，yl，e)处的像素，f(xl，e，yl，e)表示像素I(xl，e，yl，e)的灰度值，f′(xl，e，yl，e)表示像素I(xl，e，yl，e)经初步去噪处理后的灰度值，M(xl，yl)表示局部区域Ω(xl，yl)中的像素数；
ρ2(xl，yl)表示局部区域Ω(xl，yl)对应的第二调节因子，设P(xl，yl)表示局部区域Ω(xl，yl)对应的结构信息值，且
Figure FDA0002646621430000045
其中，
Figure FDA0002646621430000046
表示局部区域Ω(xl，yl)的灰度信息值，
Figure FDA0002646621430000047
表示局部区域Ω(xl，yl)的第一结构信息值，
Figure FDA0002646621430000048
表示局部区域Ω(xl，yl)的第二结构信息值，且
Figure FDA0002646621430000049
和
Figure FDA00026466214300000410
的表达式分别为：
Figure FDA00026466214300000411
Figure FDA00026466214300000412
Figure FDA00026466214300000413
式中，I(xl，v，yl，v)表示局部区域Ω(xl，yl)中坐标(xl，v，yl，v)处的像素，f′(xl，v，yl，v)表示像素I(xl，v，yl，v)经初步去噪处理后的灰度值，I(xl，e+1，yl，e)和I(xl，e，yl，e+1)分别表示局部区域Ω(xl，yl)中坐标(xl，e+1，yl，e)和(xl，e，yl，e+1)处的像素，f′(xl，e+1，yl，e)和f′(xl，e，yl，e+1)分别表示像素I(xl，e+1，yl，e)和I(xl，e，yl，e+1)经初步去噪处理后的灰度值，f′max(xl，yl)和f′min(xl，yl)分别表示局部区域Ω(xl，yl)中像素经初步去噪处理后灰度值的最大值和最小值；
给定第一结构信息阈值P0(I)和第二结构信息阈值P1(I)，且
Figure FDA0002646621430000051
其中，
Figure FDA0002646621430000052
表示第一取值函数，且
Figure FDA0002646621430000053
Figure FDA0002646621430000054
表示第二取值函数，且
Figure FDA0002646621430000055
其中，P(x，y)表示局部区域Ω(x，y)对应的结构信息值，
Figure FDA0002646621430000056
表示环境图像I中像素的局部区域的结构信息值的均值；
设G(xl，yl)表示局部区域Ω(xl，yl)的信息熵，给定信息熵阈值G(I)，且
Figure FDA0002646621430000057
其中，
Figure FDA0002646621430000058
表示第三取值函数，且
Figure FDA0002646621430000059
其中，G(x，y)表示局部区域Ω(x，y)的信息熵，
Figure FDA00026466214300000510
表示环境图像I中像素的局部区域的信息熵均值；
当P(xl，yl)＜P0(I)时，则
Figure FDA00026466214300000511
当P0(I)≤P(xl，yl)≤P1(I)时，则
Figure FDA00026466214300000512
当P(xl，yl)＞P1(I)且G(xl，yl)＜G(I)时，则
Figure FDA00026466214300000513
当P(xl，yl)＞P1(I)且G(xl，yl)＞G(I)时，则
Figure FDA00026466214300000514
CN202010856729.4A 2020-08-24 2020-08-24 基于毫米波雷达和5g的自动泊车系统 Active CN111942375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010856729.4A CN111942375B (zh) 2020-08-24 2020-08-24 基于毫米波雷达和5g的自动泊车系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010856729.4A CN111942375B (zh) 2020-08-24 2020-08-24 基于毫米波雷达和5g的自动泊车系统

Publications (2)

Publication Number Publication Date
CN111942375A true CN111942375A (zh) 2020-11-17
CN111942375B CN111942375B (zh) 2021-02-19

Family

ID=73360007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010856729.4A Active CN111942375B (zh) 2020-08-24 2020-08-24 基于毫米波雷达和5g的自动泊车系统

Country Status (1)

Country Link
CN (1) CN111942375B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111942376A (zh) * 2020-08-24 2020-11-17 罗忠明 基于5g和毫米波雷达的自动泊车系统
CN113190613A (zh) * 2021-07-02 2021-07-30 禾多科技（北京）有限公司 车辆路线信息显示方法、装置、电子设备和可读介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010048771A1 (en) * 2000-05-25 2001-12-06 Nec Corporation Image processing method and system for interpolation of resolution
JP2005014738A (ja) * 2003-06-25 2005-01-20 Toyota Motor Corp 車両用走行支援装置
CN104118430A (zh) * 2014-07-22 2014-10-29 南京航空航天大学 一种基于滑模自抗扰控制的平行泊车系统及泊车方法
CN110696818A (zh) * 2019-10-12 2020-01-17 深圳市布谷鸟科技有限公司 一种基于最优路径的自动泊车方法及系统
CN111462259A (zh) * 2020-04-02 2020-07-28 吉安诺惠诚莘科技有限公司 一种基于人工智能的汽车充电桩监控系统
CN111942376A (zh) * 2020-08-24 2020-11-17 罗忠明 基于5g和毫米波雷达的自动泊车系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010048771A1 (en) * 2000-05-25 2001-12-06 Nec Corporation Image processing method and system for interpolation of resolution
JP2005014738A (ja) * 2003-06-25 2005-01-20 Toyota Motor Corp 車両用走行支援装置
CN104118430A (zh) * 2014-07-22 2014-10-29 南京航空航天大学 一种基于滑模自抗扰控制的平行泊车系统及泊车方法
CN110696818A (zh) * 2019-10-12 2020-01-17 深圳市布谷鸟科技有限公司 一种基于最优路径的自动泊车方法及系统
CN111462259A (zh) * 2020-04-02 2020-07-28 吉安诺惠诚莘科技有限公司 一种基于人工智能的汽车充电桩监控系统
CN111942376A (zh) * 2020-08-24 2020-11-17 罗忠明 基于5g和毫米波雷达的自动泊车系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111942376A (zh) * 2020-08-24 2020-11-17 罗忠明 基于5g和毫米波雷达的自动泊车系统
CN111942376B (zh) * 2020-08-24 2021-07-06 罗忠明 基于5g和毫米波雷达的自动泊车系统
CN113190613A (zh) * 2021-07-02 2021-07-30 禾多科技（北京）有限公司 车辆路线信息显示方法、装置、电子设备和可读介质

Also Published As

Publication number Publication date
CN111942375B (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN108983219B (zh) 一种交通场景的图像信息和雷达信息的融合方法及系统
CN110487562B (zh) 一种用于无人驾驶的车道保持能力检测系统及方法
CN110689761B (zh) 一种自动泊车方法
JP7301138B2 (ja) ポットホール検出システム
CN112215306B (zh) 一种基于单目视觉与毫米波雷达融合的目标检测方法
CN112987759A (zh) 基于自动驾驶的图像处理方法、装置、设备及存储介质
US9384401B2 (en) Method for fog detection
US11325520B2 (en) Information processing apparatus and information processing method, and control apparatus and image processing apparatus
CN111942375B (zh) 基于毫米波雷达和5g的自动泊车系统
CN111461048B (zh) 基于视觉的停车场可行驶区域检测与局部地图构建方法
Liu et al. Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions
CN113119960B (zh) 路滑状况下提供车辆安全距离和速度警示的系统和方法
CN114228491A (zh) 具有夜视增强虚拟现实抬头显示系统及方法
CN108189757B (zh) 一种行车安全提示系统
CN113343738A (zh) 检测方法、装置及存储介质
CN109278759B (zh) 一种车辆安全驾驶辅助系统
CN112896159A (zh) 行车安全预警方法及系统
Zhang et al. Rvdet: Feature-level fusion of radar and camera for object detection
CN115092131A (zh) 一种车辆巡航系统及方法
CN111942376B (zh) 基于5g和毫米波雷达的自动泊车系统
CN115240170A (zh) 一种基于事件相机的道路行人检测跟踪方法及系统
CN110888441A (zh) 一种基于陀螺仪的轮椅车控制系统
DE112020001581T5 (de) Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm
Wu et al. A vision-based collision warning system by surrounding vehicles detection
JPH08320998A (ja) レーンマーカ検出装置

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