CN115082889A - 一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法 - Google Patents
一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法 Download PDFInfo
- Publication number
- CN115082889A CN115082889A CN202110242618.9A CN202110242618A CN115082889A CN 115082889 A CN115082889 A CN 115082889A CN 202110242618 A CN202110242618 A CN 202110242618A CN 115082889 A CN115082889 A CN 115082889A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- real
- detection
- classifying
- time
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法。本发明融合立体摄像机和毫米波雷达辅助驾驶车辆及时发现潜在危险;立体摄像机检测近侧或侧向动态物体,毫米波雷达检测远距离或纵向相对动态物体;摄像机利用误差矢量通过聚类算法预测碰撞预警状态的类别;毫米波雷达检测动态障碍物,其绝对速度根据车辆的状态进行计算;两个检测器的检测对象融合到障碍物ROI图像;最终将车辆模型的危险区域比较进行分类。
Description
技术领域
本发明属于城市智能交通领域,特别是涉及一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法。
背景技术
为了有效地减少交通事故,车辆主动安全系统变得越来越重要。梅赛德斯·奔驰和沃尔沃公司,都在其部分汽车中增加了智能防撞功能。Mobileye和Bosch等许多新型汽车技术公司正在根据结构化的道路环境开发具有前向预警(FCW)功能的汽车产品。此外,谷歌和特斯拉正试图开发自动驾驶汽车来代替驾驶员,这是一项长期并且需要不断投入成本的工作。因此,对于车辆主动安全系统中避免汽车碰撞的问题,开发一种高效并且价格低廉的障碍物检测及其状态分类方法具有重要意义。
综上,本发明提出了一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法。在用于障碍物检测的各种车载传感器中,摄像头和毫米波雷达在成本上不仅比激光雷达便宜很多,而且可以提供较多的信息量。本发明融合立体摄像机和毫米波雷达辅助驾驶车辆及时发现潜在危险;立体摄像机检测近侧或侧向动态物体,毫米波雷达检测远距离或纵向相对动态物体;摄像机利用误差矢量通过聚类算法预测碰撞预警状态的类别;毫米波雷达检测动态障碍物,其绝对速度根据车辆的状态进行计算;两个检测器的检测对象融合到障碍物ROI图像;最终将车辆模型的危险区域比较进行分类。
本发明实施性强,能够直接应用于大面积的实际场景中,具备较高的应用价值。
发明内容
本发明的目的是针对现有技术的不足,提供一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法。
实现本发明目的的技术解决方案为:
一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,包括以下步骤:
步骤1、障碍物ROI区域检测,使用rSGM算法从原始图像中获得密集视差图,使用UV视差图算法获得障碍物ROI图像。
步骤2、计算视觉里程,图像预处理后生成候选特征,进行特征点匹配,筛选匹配点后利用卡尔曼滤波器计算相机的运动。
步骤3、摄像头动态物体检测算法,使用估计点和观察点之间的误差向量和聚类算法,检测动态物体,并融合到障碍物ROI图像中。
步骤4、毫米波雷达检测方法,弥补摄像机无法检测沿纵向移动的动态物体,重点检测大量连续扫描中出现的物体。
步骤5、实时危险区域估计,使用方向盘角度和速度估计动态危险区域。
步骤6、障碍物状态分类,根据危险区域将动态物体分类为不同状态。
本发明与现有技术相比,其显著优点有:
1)本发明在用于障碍物检测的各种车载传感器中,摄像头和毫米波雷达在成本上不仅比激光雷达便宜很多,而且可以提供较多的信息量。
2)本发明使用UV视差图对障碍物区域进行图像分割,具有出色的实时性能,相比于深度学习不需要大量样本和高性能计算处理器。
3)本发明使用的摄像头和毫米波雷达可以在雨水等恶劣天气中也有较好的使用效果,所使用的硬件设备受外部环境的影响较小。
下面结合附图对本发明作进一步阐述。
附图说明
图1为车辆动力学模型示意图。
图2为本发明方法的流程图。
具体实施方式
本发明的一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,包括以下步骤:
步骤1、障碍物ROI区域检测,使用rSGM算法从原始图像中获得密集视差图,使用UV视差图算法获得障碍物ROI图像。具体包括以下步骤:
步骤1.1、采用rSGM算法获得密集视差图像。
步骤1.2、采用UV视差算法获得障碍物ROI图像。
步骤1.3、V视差道路末端检测,使用Canny边缘检测算法,获得V视差边缘图像,使用霍夫变换直线检测算法检测其中的线,选择最佳线,计算其在V坐标轴上的截距作为最终的道路末端。
步骤1.4、U视差障碍检测,使用上述道路ROI区域的视差信息来生成U视差图像。通过Canny边缘检测获得U视差边缘图像。最后,将检测到的边缘投影回原始视差图像,获得障碍物ROI图像。
步骤2、计算视觉里程,图像预处理后生成候选特征,进行特征点匹配,筛选匹配点后利用卡尔曼滤波器计算相机的运动。具体包括以下步骤。
步骤2.1、对原始图像进行预处理增强特征并减弱光照影响。
步骤2.2、利用圆匹配算法进行四次特征匹配。每对匹配点包括:当前左匹配点、当前右匹配点、先前左匹配点、先前又匹配点。
步骤3、摄像头动态物体检测算法,使用估计点和观察点之间的误差向量和聚类算法,检测动态物体,并融合到障碍物ROI图像中。具体包括以下步骤:
步骤3.1、当前左图像的三维稀疏点云通过下列公式1计算,考虑视觉里程估计的相机运动信息,当前左图像的三维稀疏点云通过下列公式2计算。
步骤3.2、将先前左图像的3D点云估计投影到当前左图像中利用公式3获得估计点坐标,当前左图像中的点当作观察点。
步骤3.3、估计点和观察点通过公式4计算获得误差向量。
步骤4、毫米波雷达检测方法,弥补摄像机无法检测沿纵向移动的动态物体,重点检测大量连续扫描中出现的物体。
步骤5、实时危险区域估计,使用方向盘角度和速度估计动态危险区域。具体包括以下步骤:
步骤5.1、根据汽车动力学模型公式5,如图1所示。固定车辆坐标系相对于地面相对静止的位置。(X0,Y0)是车辆后轴中点的坐标,δ是车辆的前进方向角,L是轴距的长度。然后,可以通过状态变量(X0,Yo,δ]T来确定车辆的状态。
步骤5.2、通过使用车辆动态模型,可以在当前车辆坐标系中预测安全驾驶区域。为确保车辆行驶的安全,将预测区域周边外扩确定为危险区域。通过实验在不同情况下获得危险的区域。
步骤6、障碍物状态分类,根据危险区域将动态物体分类为不同状态。具体包括以下步骤:
步骤6.1、通过摄像机和毫米波雷达获得固定车辆坐标系中第p个动态物体的速度矢量。
步骤6.2、通过摄像机和毫米波雷达标定固定车辆坐标系中的动态危险区域。
步骤6.3、判断第p个动态物体是否对驾驶车辆造成危险。
Claims (7)
1.一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法。其特征在于,所述的实时障碍物检测与碰撞预警的状态分类方法包括以下步骤:
步骤1、障碍物ROI区域检测,使用rSGM算法从原始图像中获得密集视差图,使用UV视差图算法获得障碍物ROI图像。
步骤2、计算视觉里程,图像预处理后生成候选特征,进行特征点匹配,筛选匹配点后利用卡尔曼滤波器计算相机的运动。
步骤3、摄像头动态物体检测算法,使用估计点和观察点之间的误差向量和聚类算法,检测动态物体,并融合到障碍物ROI图像中。
步骤4、毫米波雷达检测方法,弥补摄像机无法检测沿纵向移动的动态物体,重点检测大量连续扫描中出现的物体。
步骤5、实时危险区域估计,使用方向盘角度和速度估计动态危险区域。
步骤6、障碍物状态分类,根据危险区域将动态物体分类为不同状态。
2.根据权利要求1所述的一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,其特征在于,所述步骤1障碍物ROI区域检测,具体包括:
使用rSGM算法获得密集视差图像,采用V视差方法检测道路末端,采用U视差方法检测障碍物,将UV视差检测结果融合到原始视差图像。
3.根据权利要求1所述的一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,其特征在于,所述步骤2计算视觉里程,具体包括:
采用图像预处理技术增强特征,对时序图像特征进行匹配,针对图像特征种的颜色信息匹配点进行筛选,使用稀疏视差法估计视觉里程。
4.根据权利要求1所述的一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,其特征在于,所述步骤3摄像头动态物体检测算法,具体包括:
利用稀疏视差法和光流法检测动态物体,并将检测结果融合到障碍物ROI图像中。
5.根据权利要求1所述的一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,其特征在于,所述步骤4毫米波雷达检测方法,具体包括:
使用卡尔曼滤波过滤摄像机的错误识别,修正毫米波雷达检测方法,雷达在大量连续的扫描中识别到物体时,对物体进行跟踪。
6.根据权利要求1所述的一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,其特征在于,所述步骤5实时危险区域估计,具体包括:
使用前向车辆的方向盘角度和速度实时计算出障碍物状态分类的动态危险区域。
7.根据权利要求1所述的一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法,其特征在于,所述步骤6障碍物状态分类,具体包括:
通过摄像机和毫米波雷达获得动态物体的速度矢量以及动态危险区域,基于聚类算法对该动态物体进行识别,判断是否对驾驶车辆造成危险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110242618.9A CN115082889A (zh) | 2021-02-23 | 2021-02-23 | 一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110242618.9A CN115082889A (zh) | 2021-02-23 | 2021-02-23 | 一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082889A true CN115082889A (zh) | 2022-09-20 |
Family
ID=83241399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110242618.9A Pending CN115082889A (zh) | 2021-02-23 | 2021-02-23 | 一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082889A (zh) |
-
2021
- 2021-02-23 CN CN202110242618.9A patent/CN115082889A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110077399B (zh) | 一种基于道路标线、车轮检测融合的车辆防碰撞方法 | |
JP7124114B2 (ja) | トレーラ牽引カプラの中心を求める装置および方法 | |
CN110065494B (zh) | 一种基于车轮检测的车辆防碰撞方法 | |
CN108638999B (zh) | 一种基于360度环视输入的防碰撞预警系统及方法 | |
JP3463858B2 (ja) | 周辺監視装置及び方法 | |
Labayrade et al. | In-vehicle obstacles detection and characterization by stereovision | |
Cualain et al. | Automotive standards-grade lane departure warning system | |
EP1361543A2 (en) | Determining object motion from optical flow analysis | |
CN105678787A (zh) | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 | |
JP6313081B2 (ja) | 車載用画像処理装置およびそれを用いた車両システム | |
JP2002197470A (ja) | 車線検出装置 | |
Prakash et al. | Robust obstacle detection for advanced driver assistance systems using distortions of inverse perspective mapping of a monocular camera | |
Gern et al. | Robust vehicle tracking fusing radar and vision | |
CN111332288A (zh) | 一种基于视觉系统的车辆行人碰撞避免方法 | |
CN114415171A (zh) | 一种基于4d毫米波雷达的汽车可行驶区域检测方法 | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
CN113432615A (zh) | 基于多传感器融合可驾驶区域的检测方法、系统和车辆 | |
Michalke et al. | Towards a closer fusion of active and passive safety: Optical flow-based detection of vehicle side collisions | |
Jung et al. | Intelligent Hybrid Fusion Algorithm with Vision Patterns for Generation of Precise Digital Road Maps in Self-driving Vehicles. | |
Jung et al. | Isrss: Integrated side/rear safety system | |
Chen et al. | Vehicle tracking and distance estimation based on multiple image features | |
Lai et al. | Sensor fusion of camera and MMW radar based on machine learning for vehicles | |
Cardarelli et al. | 44 Vision-Based Blind Spot Monitoring | |
CN115082889A (zh) | 一种车辆主动安全系统中的实时障碍物检测与碰撞预警的状态分类方法 | |
CN115144849A (zh) | 用于对象避开检测的传感器融合 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |