CN115223131A - 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 - Google Patents

Abstract

本发明提供一种自适应巡航的跟随目标车辆检测方法、装置及汽车，包括，通过车载摄像头获取本车前方的车道线检测数据，并根据所述车道线检测结果确定本车车道区域；分别通过所述车载摄像头和车载雷达获取本车前方的摄像头车辆检测数据和雷达车辆检测数据，并根据所述摄像头车辆检测数据和所述雷达车辆检测数据确定目标车辆；判断所述目标车辆和所述本车车道区域的相对位置；若所述目标车辆处于所述本车车道区域内，则选择距本车距离最小的目标车辆作为当前跟随目标车辆。本发明能够在不同场景中有效检测出跟随目标车辆，提高自车跟车行驶的稳定性，进而提高行车安全和用户体验。

Description

一种自适应巡航的跟随目标车辆检测方法、装置及汽车

技术领域

本发明涉及智能辅助驾驶ADAS技术领域，特别是涉及一种自适应巡航的跟随目标车辆检测方法、装置及汽车。

背景技术

自适应巡航控制(Adaptive Cruise Control，ACC)是辅助驾驶领域中一种常用的智能化自动控制系统，不仅能够保持驾驶人预先设定的车速，而且能够在检测到前方目标车辆时，根据前方车辆的位置和速度等信息以相对稳定的车速行驶或自动减速，以保持与前方目标车辆的安全距离，避免发生碰撞事故。

现有的处理方法中，有根据采集的车辆前方的视频信息和雷达信息得到前方车辆的位置和速度信息，根据本车的运动信息和车辆动力学模型计算得出本车行驶轨迹，进而基于本车行驶轨迹、车辆宽度和安全宽度计算得到本车安全行驶轨迹。当前方车辆的当前车速小于本车的当前车速，且前方车辆的当前位置处于本车的当前安全行驶轨迹内时，将前方车辆作为自适应巡航模式的跟随目标车辆；只使用了本车的运动信息，由于运动噪声的影响，会存在本车的行驶轨迹预测不准的情况，无法有效识别出跟随目标车辆。还有通过车辆安装有V2V(车际通信交互)模块，车辆之间通过V2V模块直接进行信息交互，跟随车辆查找预设范围内与本车存在相同行驶路线段的待定车辆，通过判断相同行驶路线段的通行里程是否达到预设通行里程，或者待定车辆在所述相同行驶路线段上的通行时长是否达到预设通行时长来寻找合适的车辆作为领航车辆，并根据领航车辆的行驶数据确定跟车时距；目前大部分车辆并没有配备V2V通信单元，因此适用性有限，对于没有配备V2V通信单元的车辆无法进行领航车辆的判断。

在自适应巡航控制系统中，前方目标车辆的检测至关重要，如果无法准确检测出前方目标车辆，会导致自适应巡航控制系统的跟随稳定性较差，更严重的，会导致不能及时制动，进而发生碰撞，降低驾乘安全性。

发明内容

本发明的目的在于，提出一种自适应巡航的跟随目标车辆检测方法、装置及汽车，实现能够在不同场景中有效检测出跟随目标车辆，提高自车跟车行驶的稳定性，进而提高行车安全和用户体验。

一方面，提供一种自适应巡航的跟随目标车辆检测方法，包括：

通过车载摄像头获取本车前方的车道线检测数据，并根据所述车道线检测结果确定本车车道区域；

分别通过所述车载摄像头和车载雷达获取本车前方的摄像头车辆检测数据和雷达车辆检测数据，并根据所述摄像头车辆检测数据和所述雷达车辆检测数据确定目标车辆；

判断所述目标车辆和所述本车车道区域的相对位置；若所述目标车辆处于所述本车车道区域内，则选择距本车距离最小的目标车辆作为当前跟随目标车辆。

优选地，所述通过车载摄像头获取本车前方的车道线检测数据具体包括：

通过车载摄像头获取本车前方的车道图像，以摄像头坐标系为基准坐标系通过像素点的形式显示所述车道图像上的车道线；

根据摄像头坐标系与本车坐标系的对应关系将所述车道图像上的车道线转换到本车坐标系下，得到车道线检测结果。

优选地，所述根据所述车道线检测结果确定本车车道区域具体包括：

判断所述车道线检测结果中每条车道线的像素点数量是否满足预设的像素阈值，若一条车道线的像素点数量满足预设的像素阈值，则判定所述该条车道线有效，若一条车道线的像素点数量不满足预设的像素阈值，则判定所述该条车道线无效；

将所述车道线检测结果中有效的车道线通过最小二乘算法进行拟合；并根据有效车道线的拟合结果和预设的车道宽度对无效的车道线进行拟合；根据拟合结果确定本车左侧车道线、本车右侧车道线、本车左侧车道线的相邻车道线及本车右侧车道线的相邻车道线；

当所述车道线检测结果中不存在有效的车道线时，获取本车的历史运动轨迹信息，根据所述历史运动轨迹信息预测本车的行驶轨迹并通过所述本车的行驶轨迹确定本车左侧车道线、本车右侧车道线、本车左侧车道线的相邻车道线及本车右侧车道线的相邻车道线；

将本车左侧车道线和本车右侧车道线作为本车所在车道，并将所述本车所在车道的中心线两侧预设范围内的区域作为本车车道区域。

优选地，所述通过所述车载摄像头和车载雷达获取本车前方的摄像头车辆检测数据和雷达车辆检测数据具体包括：

根据所述摄像头车辆检测数据获取第一车辆信息，并根据摄像头坐标系与本车坐标系的对应关系将所述第一车辆信息转换到本车坐标系下，得到对应的摄像头跟踪结果；其中，所述第一车辆信息至少包括车辆位置、车辆类型、车辆航向角、车辆跟踪ID；

根据所述雷达车辆检测数据获取第二车辆信息，并根据雷达坐标系与本车坐标系的对应关系将所述第二车辆信息转换到本车坐标系下，得到对应的雷达跟踪车辆信息；根据预设的目标跟踪算法筛选所述雷达跟踪车辆信息，得到雷达跟踪结果；其中，所述第二车辆信息至少包括车辆在雷达坐标系下的坐标、车辆的长度、车辆的宽度及车辆的高度。

优选地，所述根据所述摄像头车辆检测数据和所述雷达车辆检测数据确定目标车辆具体包括：

以第一次收到雷达跟踪结果作为第一帧融合结果，通过预设的目标融合算法根据后续收到所述摄像头跟踪结果和所述雷达跟踪结果对上一帧融合结果进行预测和更新，将最后的更新结果输出为目标车辆。

优选地，还包括：

根据所述本车车道区域确定左车道区域和右车道区域，并确定目标车辆和左车道区域、右车道区域的相对位置关系；

当所述目标车辆处于左车道区域或右车道区域内时，判断所述目标车辆是否满足预设的切入条件；若所述目标车辆满足预设的切入条件，则将当前跟随目标车辆切换为满足预设的切入条件的目标车辆。

优选地，所述根据所述本车车道区域确定左车道区域和右车道区域具体包括：

将所述本车车道区域和所述本车左侧车道线的相邻车道线之间的区域作为左车道区域；

将所述本车车道区域和所述本车右侧车道线的相邻车道线之间的区域作为右车道区域。

优选地，所述判断所述目标车辆是否满足预设的切入条件具体包括：

当所述目标车辆处于左车道区域或右车道区域内，判断所述目标车辆是否满足连续多帧与预设的警戒区域相交且连续多帧向本车所在车道的中心线靠近；其中，所述预设的警戒区域为本车左侧车道线的左侧预设范围或本车右侧车道线的右侧预设范围；

当所述目标车辆满足连续多帧与预设的警戒区域相交且连续多帧向本车所在车道的中心线靠近时，判定所述目标车辆正在向本车所在车道切入，并将所述目标车辆作为相邻切入车辆；

比较所述相邻切入车辆和当前跟随目标车辆的位置，根据比较结果确定是否满足切换条件；若所述相邻切入车辆和本车的距离小于所述当前跟随目标车辆和本车的距离，则判定满足切换条件，将距离本车最近的相邻切入车辆切换为当前跟随目标车辆；所述相邻切入车辆和本车的距离不小于所述当前跟随目标车辆和本车的距离，则判定不满足切换条件，不进行切换。

另一方面，还提供一种自适应巡航的跟随目标车辆检测装置，通过所述的自适应巡航的跟随目标车辆检测方法对自适应巡航的跟随目标车辆进行检测。

另一方面，还提供一种汽车，通过所述的自适应巡航的跟随目标车辆检测装置对自适应巡航的跟随目标车辆进行检测。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的自适应巡航的跟随目标车辆检测方法、装置及汽车，在目标车辆检测和跟踪过程中，融合了摄像头和激光雷达的目标检测信息，可以有效解决基于车载摄像头或其他单一传感器由于受环境影响而产生的目标漏检、准确性低等问题。

在检测跟随目标车辆过程中，综合考虑了车道线能准确检测和无法准确检测的情况，当能准确检测车道线时，直接使用车道线的检测结果对跟随目标车辆进行判断，而当无法获得车道线的准确检测结果时，则基于自车的历史运动轨迹信息推断出虚拟车道线，进而检测跟随目标车辆，提高了算法的适用性和稳定性。以及，在检测跟随目标车辆过程中，对相邻车辆的切入行为进行了检测和判断，提高了自适应巡航系统的跟随稳定性和行车安全性。在自动驾驶的ADAS功能开发中，能够有效且稳定的检测出跟随目标车辆，提高了自适应巡航系统目标跟随的稳定性，从而有助于自动驾驶安全性、可靠性、舒适性的提升。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例中一种自适应巡航的跟随目标车辆检测方法的主流程示意图。

图2为本发明实施例中一种车道线划分的示意图。

图3为本发明实施例中车辆坐标系示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明提供的一种自适应巡航的跟随目标车辆检测方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：

通过车载摄像头获取本车前方的车道线检测数据，并根据所述车道线检测结果确定本车车道区域；也就是，通过本车搭载的智能摄像头获取车道线的检测结果，以摄像头坐标系为基准坐标系，并以像素点的形式给出。为了区分不同位置的车道线，如图2所示，将4条车道线分别标记为左侧、右侧、左左侧、右右侧。

具体实施例中，车道线检测数据具体过程为，通过车载摄像头获取本车前方的车道图像，以摄像头坐标系为基准坐标系通过像素点的形式显示所述车道图像上的车道线；根据摄像头坐标系与本车坐标系的对应关系将所述车道图像上的车道线转换到本车坐标系下，得到车道线检测结果。

进一步的，判断所述车道线检测结果中每条车道线的像素点数量是否满足预设的像素阈值(本实施例中设置为50，可以根据实际情况进行设定)，若一条车道线的像素点数量满足预设的像素阈值，则判定所述该条车道线有效，若一条车道线的像素点数量不满足预设的像素阈值，则判定所述该条车道线无效；

将所述车道线检测结果中有效的车道线通过最小二乘算法进行拟合；也就是，基于最小二乘法分别实现每条车道线的二次多项式(y＝c₂x²+c₁x+c₀)拟合。并根据有效车道线的拟合结果和预设的车道宽度对无效的车道线进行拟合；也就是，根据有效的车道线检测结果推断出缺失的车道线的二次多项式拟合方程；根据国家标准假定每条车道的宽度lane_width为3.5米，根据有效的车道线的拟合方程推断出无效的车道线的拟合方程，比如左侧车道线是有效的，其拟合的多项式方程为y＝c_{2_0}x²+c_{1_0}x+c_{0_0}，右侧车道线是无效的，那么根据左侧车道线推测出的右侧车道线方程可以表示为y＝c_{2_1}x²+c_{1_1}x+c_{0_1}，其中，c_{2_1}＝c_{2_0}，c_{1_1}＝c_{1_0}，c_{0_1}＝c_{0_0}-lane_width。根据拟合结果确定本车左侧车道线、本车右侧车道线、本车左侧车道线的相邻车道线及本车右侧车道线的相邻车道线；

当所述车道线检测结果中不存在有效的车道线时，获取本车的历史运动轨迹信息，根据所述历史运动轨迹信息预测本车的行驶轨迹并通过所述本车的行驶轨迹确定本车左侧车道线、本车右侧车道线、本车左侧车道线的相邻车道线及本车右侧车道线的相邻车道线；也就是，通过本车的历史运动轨迹信息预测自车的行驶轨迹，通过本车的行驶轨迹进一步推断出对应的4条车道线的信息(本车左侧车道线、本车右侧车道线、本车左侧车道线的相邻车道线及本车右侧车道线的相邻车道线)。具体地，首先记录距离当前时刻最近的50帧(本实施例设置为50帧，也可以根据实际情况自行确定)本车的运动状态信息(包括速度，横摆角速度，时间戳)。然后根据自车的历史运动状态信息预测自车的移动轨迹，得到本车的历史轨迹点；接着基于本车的历史轨迹点计算本车历史轨迹的二次多项式方程。最后，基于本车沿着车道中心线行驶的假设，根据本车和车道线的相对位置关系，计算得到4条车道线的二次多项式方程，具体的，假设自车轨迹：y＝c_{2_e}x²+c_{1_e}x+c_{0_e}，左侧车道线：y＝c_{2_0}x²+c_{1_0}x+c_{0_0}，右侧车道线：y＝c_{2_1}x²+c_{1_1}x+c_{0_1}，左左侧车道线：y＝c_{2_2}x²+c_{1_2}x+c_{0_2}，右右侧车道线：y＝c_{2_3}x²+c_{1_3}x+c_{0_3}，其中，c_{2_3}＝c_{2_2}＝c_{2_1}＝c_{2_0}＝c_{2_e}，c_{1_3}＝c_{1_2}＝c_{1_1}＝c_{1_0}＝c_{1_e}，c_{0_3}＝c_{0_e}-3/2*lane_width，c_{0_2}＝c_{0_e}+3/2*lane_width,c_{0_1}＝c_{0_e}-1/2*lane_width，c_{0_0}＝c_{0_e}+1/2*lane_width。

将本车左侧车道线和本车右侧车道线作为本车所在车道，并将所述本车所在车道的中心线两侧预设范围内的区域作为本车车道区域。也就是，计算本车所在车道的中心线的二次曲线方程：y＝c_{2_e}x²+c_{1_e}x+c_{0_e}，其中，曲线方程的参数由左侧车道线和右侧车道线的参数取均值得到，即c_{2_e}＝(c_{2_0}+c_{2_1})/2，c_{1_e}＝(c_{1_0}+c_{1_1})/2，c_{0_e}＝(c_{0_0}+c_{0_1})/2。将本车所在车道中心线左右一定范围内的区域作为本车车道区域。例如，假定本车的宽度为ego_width(这里设置为2米，可根据实际情况确定)，那么本车车道区域即为曲线1：y＝c_{2_e}x²+c_{1_e}x+c_{0_e}-ego_width/2和曲线2：y＝c_{2_e}x²+c_{1_e}x+c_{0_e}+ego_width/2之间的区域。

分别通过车载摄像头和车载雷达(本实施例中采用的雷达至少包含激光雷达)获取本车前方的摄像头车辆检测数据和雷达车辆检测数据，并根据所述摄像头车辆检测数据和所述雷达车辆检测数据确定目标车辆；也就是，由于摄像头在识别出目标的形态和类型方面具有明显优势，而在检测位置和速度方面存在不足；而雷达虽然无法准确识别出目标的类型，但是却可以准确的检测出目标的位置和速度。因此，将摄像头和雷达的检测数据进行融合，可以实现对目标位置、速度、形态和类型的准确判断，提升目标检测的准确性和稳定性。

具体实施例中，如图3所示，在通过摄像头获取摄像头车辆检测数据时，根据所述摄像头车辆检测数据获取第一车辆信息，并根据摄像头坐标系与本车坐标系的对应关系将所述第一车辆信息转换到本车坐标系下，得到对应的摄像头跟踪结果；其中，所述第一车辆信息至少包括车辆位置、车辆类型、车辆航向角、车辆跟踪ID。可以理解的是，摄像头采集的目标车辆信息(目标位置、目标类型、目标航向角、目标跟踪ID等)由于是基于摄像头坐标系，因此需要根据摄像头标定矩阵将检测到的目标从摄像头坐标系转换到本车坐标系。

进一步的，如图3所示，在通过雷达获取雷达车辆检测数据时，根据所述雷达车辆检测数据获取第二车辆信息，并根据雷达坐标系与本车坐标系的对应关系将所述第二车辆信息转换到本车坐标系下，得到对应的雷达跟踪车辆信息；根据预设的目标跟踪算法筛选所述雷达跟踪车辆信息，得到雷达跟踪结果；其中，所述第二车辆信息至少包括车辆在雷达坐标系下的坐标、车辆的长度、车辆的宽度及车辆的高度。可以通过本车搭载的雷达采集点云信息，基于PointPillars深度学习网络得到车辆的检测结果，结果包括但不限于：车辆在雷达坐标系下的坐标，车辆的长度、宽度和高度。具体过程，首先，将车辆检测信息的各个属性由雷达坐标系转换到本车坐标系下；然后，提取感兴趣区域，去除感兴趣区域之外的所有检测目标车辆，其中，感兴趣区域的范围(x_max,x_min,y_max,y_min,z_max,z_min)设置为(100，-50，51，-51，3.8，-0.2)；最后，基于匈牙利匹配算法和卡尔曼滤波算法对检测到的目标车辆进行跟踪，得到车辆的跟踪ID，车辆航向角、位置、速度等信息，需要说明的是也可以使用其他目标检测网络、目标跟踪算法，不仅限于本实施例中指定的算法或深度学习网络。

再进一步的，得到摄像头车辆检测数据和雷达车辆检测数据后，可以通过这两个检测数据的结合得到一个融合的结果，这个融合的结果就是目标车辆。具体地，以第一次收到雷达跟踪结果作为第一帧融合结果，通过预设的目标融合算法根据后续收到所述摄像头跟踪结果和所述雷达跟踪结果对上一帧融合结果进行预测和更新，将最后的更新结果输出为目标车辆。也就是，当第一次收到雷达的跟踪结果时，以雷达的结果建立一个融合序列作为第一帧融合结果，后续收到摄像头和雷达的跟踪结果时，则分别对上一帧融合结果进行预测和更新。具体的融合策略为，分别使用基于跟踪ID的匹配算法和基于匈牙利匹配算法实现传感器跟踪结果和上一帧融合结果的目标匹配，然后基于卡尔曼滤波算法对上一帧融合结果进行预测，并用传入的传感器跟踪结果对预测结果进行更新，需要说明的是也可以使用其他目标融合算法进行融合处理，可以根据具体实际需求进行替换。

判断所述目标车辆和所述本车车道区域的相对位置；若所述目标车辆处于所述本车车道区域内，则选择距本车距离最小的目标车辆作为当前跟随目标车辆。也就是，目标车辆和所述本车车道区域的相对位置存在两种情况，第一种是处于本车车道内；第二种则是处于本车车道两侧相邻的车道内，若第二种情况(两侧相邻的车道内)中，若目标车辆是直行不存在变道，即不切入本车车道，则无需进行跟踪；但是当目标车辆可能变道，即切入本车车道内，则需要作为当前跟随目标车辆对待，还需要说明的是，若切入的目标车辆在第一种情况(原有的当前跟随目标车辆)之前位置进入本车车道，则也不需要将其作为最新的当前跟随目标车辆，但是若切入的目标车辆在第一种情况(原有的当前跟随目标车辆)之后位置进入本车车道，则需要将其作为最新的当前跟随目标车辆(替换掉原有的当前跟随目标车辆)，简单的说就是在本车车道内确定一个最接近于本车的目标车辆(不管是切入的目标车辆还是原就在本车车道行驶的目标车辆)作为当前跟随目标车辆。

具体实施例中，对于上述第二种情况具体过程为，根据所述本车车道区域确定左车道区域和右车道区域，并确定目标车辆和左车道区域、右车道区域的相对位置关系；当所述目标车辆处于左车道区域或右车道区域内时，判断所述目标车辆是否满足预设的切入条件；若所述目标车辆满足预设的切入条件，则将当前跟随目标车辆切换为满足预设的切入条件的目标车辆。

具体地，当所述目标车辆处于左车道区域或右车道区域内，判断所述目标车辆是否满足连续多帧与预设的警戒区域相交且连续多帧向本车所在车道的中心线靠近；其中，所述预设的警戒区域为本车左侧车道线的左侧预设范围或本车右侧车道线的右侧预设范围；

当所述目标车辆满足连续多帧与预设的警戒区域相交且连续多帧向本车所在车道的中心线靠近时，判定所述目标车辆正在向本车所在车道切入，并将所述目标车辆作为相邻切入车辆；也就是，当位于左、右车道区域内的目标车辆同时满足连续多帧与警戒区域(警戒区域为左侧和右侧车道线左右各lane_width/3范围内)相交且连续多帧向自车所在车道中心靠近的条件时，判断该目标车辆正在向自车所在车道切入，将所述目标车辆作为相邻切入车辆。

比较所述相邻切入车辆和当前跟随目标车辆的位置，根据比较结果确定是否满足切换条件；若所述相邻切入车辆和本车的距离小于所述当前跟随目标车辆和本车的距离，则判定满足切换条件，将距离本车最近的相邻切入车辆切换为当前跟随目标车辆；所述相邻切入车辆和本车的距离不小于所述当前跟随目标车辆和本车的距离，则判定不满足切换条件，不进行切换。

本实施例中，将所述本车车道区域和所述本车左侧车道线的相邻车道线之间的区域作为左车道区域；将所述本车车道区域和所述本车右侧车道线的相邻车道线之间的区域作为右车道区域。将上述确定本车车道区域中所述曲线1和左左侧车道线(本车左侧车道线的相邻车道线)：y＝c_{2_2}x²+c_{1_2}x+c_{0_2}之间的区域作为左车道区域，将上述确定本车车道区域中所述曲线2和右右侧车道线(所述本车右侧车道线的相邻车道线)：y＝c_{2_3}x²+c_{1_3}x+c_{0_3}之间的区域作为右车道区域。根据目标车辆和上述两个区域的相对位置关系，判断目标车辆是否位于左或右车道区域内。本发明还提供的一种自适应巡航的跟随目标车辆检测装置，通过所述的自适应巡航的跟随目标车辆检测方法对自适应巡航的跟随目标车辆进行检测。

本发明还提供的一种汽车，通过所述的自适应巡航的跟随目标车辆检测装置对自适应巡航的跟随目标车辆进行检测。

关于所述自适应巡航的跟随目标车辆检测装置以及汽车的实现过程可参考上述的自适应巡航的跟随目标车辆检测方法的具体过程，在此不再赘述。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的自适应巡航的跟随目标车辆检测方法、装置及汽车，在目标车辆检测和跟踪过程中，融合了摄像头和激光雷达的目标检测信息，可以有效解决基于车载摄像头或其他单一传感器由于受环境影响而产生的目标漏检、准确性低等问题。

在检测跟随目标车辆过程中，综合考虑了车道线能准确检测和无法准确检测的情况，当能准确检测车道线时，直接使用车道线的检测结果对跟随目标车辆进行判断，而当无法获得车道线的准确检测结果时，则基于自车的历史运动轨迹信息推断出虚拟车道线，进而检测跟随目标车辆，提高了算法的适用性和稳定性。以及，在检测跟随目标车辆过程中，对相邻车辆的切入行为进行了检测和判断，提高了自适应巡航系统的跟随稳定性和行车安全性。在自动驾驶的ADAS功能开发中，能够有效且稳定的检测出跟随目标车辆，提高了自适应巡航系统目标跟随的稳定性，从而有助于自动驾驶安全性、可靠性、舒适性的提升。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种自适应巡航的跟随目标车辆检测方法，其特征在于，包括：

通过车载摄像头获取本车前方的车道线检测数据，并根据所述车道线检测结果确定本车车道区域；

分别通过车载摄像头和车载雷达获取本车前方的摄像头车辆检测数据和雷达车辆检测数据，并根据所述摄像头车辆检测数据和所述雷达车辆检测数据确定目标车辆；

判断所述目标车辆和所述本车车道区域的相对位置；若所述目标车辆处于所述本车车道区域内，则选择距本车距离最小的目标车辆作为当前跟随目标车辆。

2.如权利要求1所述的方法，其特征在于，所述通过车载摄像头获取本车前方的车道线检测数据具体包括：

通过车载摄像头获取本车前方的车道图像，以摄像头坐标系为基准坐标系通过像素点的形式显示所述车道图像上的车道线；

根据摄像头坐标系与本车坐标系的对应关系将所述车道图像上的车道线转换到本车坐标系下，得到车道线检测结果。

3.如权利要求2所述的方法，其特征在于，所述根据所述车道线检测结果确定本车车道区域具体包括：

判断所述车道线检测结果中每条车道线的像素点数量是否满足预设的像素阈值，若一条车道线的像素点数量满足预设的像素阈值，则判定所述该条车道线有效，若一条车道线的像素点数量不满足预设的像素阈值，则判定所述该条车道线无效；

将所述车道线检测结果中有效的车道线通过最小二乘算法进行拟合；并根据有效车道线的拟合结果和预设的车道宽度对无效的车道线进行拟合；根据拟合结果确定本车左侧车道线、本车右侧车道线、本车左侧车道线的相邻车道线及本车右侧车道线的相邻车道线；

当所述车道线检测结果中不存在有效的车道线时，获取本车的历史运动轨迹信息，根据所述历史运动轨迹信息预测本车的行驶轨迹并通过所述本车的行驶轨迹确定本车左侧车道线、本车右侧车道线、本车左侧车道线的相邻车道线及本车右侧车道线的相邻车道线；

将本车左侧车道线和本车右侧车道线作为本车所在车道，并将所述本车所在车道的中心线两侧预设范围内的区域作为本车车道区域。

4.如权利要求3所述的方法，其特征在于，所述通过所述车载摄像头和车载雷达获取本车前方的摄像头车辆检测数据和雷达车辆检测数据具体包括：

根据所述摄像头车辆检测数据获取第一车辆信息，并根据摄像头坐标系与本车坐标系的对应关系将所述第一车辆信息转换到本车坐标系下，得到对应的摄像头跟踪结果；其中，所述第一车辆信息至少包括车辆位置、车辆类型、车辆航向角、车辆跟踪ID；

根据所述雷达车辆检测数据获取第二车辆信息，并根据雷达坐标系与本车坐标系的对应关系将所述第二车辆信息转换到本车坐标系下，得到对应的雷达跟踪车辆信息；根据预设的目标跟踪算法筛选所述雷达跟踪车辆信息，得到雷达跟踪结果；其中，所述第二车辆信息至少包括车辆在雷达坐标系下的坐标、车辆的长度、车辆的宽度及车辆的高度。

5.如权利要求4所述的方法，其特征在于，所述根据所述摄像头车辆检测数据和所述雷达车辆检测数据确定目标车辆具体包括：

以第一次收到雷达跟踪结果作为第一帧融合结果，通过预设的目标融合算法根据后续收到所述摄像头跟踪结果和所述雷达跟踪结果对上一帧融合结果进行预测和更新，将最后的更新结果输出为目标车辆。

6.如权利要求5所述的方法，其特征在于，还包括：

根据所述本车车道区域确定左车道区域和右车道区域，并确定目标车辆和左车道区域、右车道区域的相对位置关系；

当所述目标车辆处于左车道区域或右车道区域内时，判断所述目标车辆是否满足预设的切入条件；若所述目标车辆满足预设的切入条件，则将当前跟随目标车辆切换为满足预设的切入条件的目标车辆。

7.如权利要求6所述的方法，其特征在于，所述根据所述本车车道区域确定左车道区域和右车道区域具体包括：

将所述本车车道区域和所述本车左侧车道线的相邻车道线之间的区域作为左车道区域；

将所述本车车道区域和所述本车右侧车道线的相邻车道线之间的区域作为右车道区域。

8.如权利要求7所述的方法，其特征在于，所述判断所述目标车辆是否满足预设的切入条件具体包括：

判断所述目标车辆是否满足连续多帧与预设的警戒区域相交且连续多帧向本车所在车道的中心线靠近；其中，所述预设的警戒区域为本车左侧车道线的左侧预设范围或本车右侧车道线的右侧预设范围；

当所述目标车辆满足连续多帧与预设的警戒区域相交且连续多帧向本车所在车道的中心线靠近时，判定所述目标车辆正在向本车所在车道切入，并将所述目标车辆作为相邻切入车辆；

比较所述相邻切入车辆和当前跟随目标车辆的位置，根据比较结果确定是否满足切换条件；若所述相邻切入车辆和本车的距离小于所述当前跟随目标车辆和本车的距离，则判定满足切换条件，将距离本车最近的相邻切入车辆切换为当前跟随目标车辆；所述相邻切入车辆和本车的距离不小于所述当前跟随目标车辆和本车的距离，则判定不满足切换条件，不进行切换。

9.一种自适应巡航的跟随目标车辆检测装置，其特征在于，通过如权利要求1-9任一项所述的自适应巡航的跟随目标车辆检测方法对自适应巡航的跟随目标车辆进行检测。

10.一种汽车，其特征在于，通过如权利要求9所述的自适应巡航的跟随目标车辆检测装置对自适应巡航的跟随目标车辆进行检测。

Images