JP2006302133A - 情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法 - Google Patents
情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法 Download PDFInfo
- Publication number
- JP2006302133A JP2006302133A JP2005125466A JP2005125466A JP2006302133A JP 2006302133 A JP2006302133 A JP 2006302133A JP 2005125466 A JP2005125466 A JP 2005125466A JP 2005125466 A JP2005125466 A JP 2005125466A JP 2006302133 A JP2006302133 A JP 2006302133A
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- information processing
- distribution
- road surface
- lane
- 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
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
【課題】 複数の検出対象のパラメータを推定することができる情報処理装置を提供する。
【解決手段】 情報処理装置1は、カメラ20と、カメラ20の撮像画像を処理してレーンのパラメータを求めるECU30とを備えている。ECU30は、カメラ20で撮像された画像からレーンの特徴を抽出する特徴抽出部31、抽出されたレーンの特徴とレーンモデルとの一致度に応じてレーンパラメータ候補の評価値の分布(レーンパラメータ候補分布)を取得するパラメータ候補分布取得部33、レーンパラメータ候補分布を近似する混合評価分布を生成するパラメータ分布モデル生成部34、およびパラメータ候補分布取得部33から入力されたレーンパラメータ候補分布と、パラメータ分布モデル生成部34から入力された混合評価分布との適合度を評価し、その評価結果に応じてレーンパラメータを推定するパラメータ推定部35を有する。
【選択図】 図1
【解決手段】 情報処理装置1は、カメラ20と、カメラ20の撮像画像を処理してレーンのパラメータを求めるECU30とを備えている。ECU30は、カメラ20で撮像された画像からレーンの特徴を抽出する特徴抽出部31、抽出されたレーンの特徴とレーンモデルとの一致度に応じてレーンパラメータ候補の評価値の分布(レーンパラメータ候補分布)を取得するパラメータ候補分布取得部33、レーンパラメータ候補分布を近似する混合評価分布を生成するパラメータ分布モデル生成部34、およびパラメータ候補分布取得部33から入力されたレーンパラメータ候補分布と、パラメータ分布モデル生成部34から入力された混合評価分布との適合度を評価し、その評価結果に応じてレーンパラメータを推定するパラメータ推定部35を有する。
【選択図】 図1
Description
本発明は、情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法に関する。
車線維持支援装置や車線逸脱警報装置などの走行支援装置では、自車両が走行しているレーンを認識するために走行路認識装置が用いられている(例えば、特許文献1参照)。特許文献1に記載の走行路認識装置では、カルマンフィルタを用いて、走行レーンの幅、車両の白線に対する横変位や道路曲率等の道路パラメータが推定される。
特開2002−109695号公報
カルマンフィルタは、道路パラメータの存在確率分布が単一のガウシアン分布を取ると仮定し、分布の平均と共分散の値を過去の履歴と現在の観測値から推定する方法である。カルマンフィルタのように単峰性の確率分布しか扱えない手法では、複数の対象のパラメータを取り扱うことができないため、検出対象であるレーンが複数存在する状況において、例えば、複数レーンの構成や合流・分岐などのレーン状態の変化を認識することができない。
本発明は、上記問題点を解消する為になされたものであり、複数の検出対象のパラメータを推定するとともに、この検出対象の状態変化を認識することができる情報処理装置、情報処理方法、およびこれを用いた画像情報処理装置及び画像情報処理方法を提供することを目的とする。
本発明に係る情報処理装置は、センサにより検出された被検出物情報を処理する情報処理装置において、被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を生成するパラメータ候補分布生成手段と、パラメータ候補分布と所定の混合評価分布との適合度に基づいて、被検出物のパラメータを推定するパラメータ推定手段と、パラメータ推定手段により推定された被検出物パラメータの変化を求める変化検出手段とを備えることを特徴とする。
また、本発明に係る情報処理方法は、センサにより検出された被検出物情報を処理する情報処理方法において、被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を生成するパラメータ候補分布生成ステップと、パラメータ候補分布と所定の混合評価分布との適合度に基づいて、被検出物のパラメータを推定するパラメータ推定ステップと、パラメータ推定ステップにより推定された被検出物パラメータの変化を求める変化検出ステップとを備えることを特徴とする。
本発明に係る情報処理装置又は情報処理方法によれば、被検出物の特徴量を含む被検出物情報と被検出物のパラメータ候補との一致度に応じてそのパラメータ候補の評価を行い、パラメータ候補ごとの評価結果の分布(パラメータ候補分布)が生成される。そして、このパラメータ候補分布と所定の混合評価分布との適合度に基づいて被検出物のパラメータが推定される。ここで、適合度の評価に、1以上の要素分布から構成される混合分布である混合評価分布が用いられるので、複数の被検出物のパラメータを取り扱うことが可能となる。また、被検出物パラメータの変化が求められるので、このパラメータ変化から複数の被検出物の状態変化を認識することが可能となる。
本発明に係る情報処理装置は、適合度が最大となる混合評価分布の極大値の数を探索する探索手段と、探索手段により探索された極大値数に応じて混合評価分布を設定する設定手段とをさらに備えることが好ましい。
また、本発明に係る情報処理方法は、適合度が最大となる混合評価分布の極大値の数を探索する探索ステップと、探索ステップにより探索された極大値数に応じて混合評価分布を設定する設定ステップとをさらに備えることが好ましい。
このようにすれば、混合評価分布の極大値の数、すなわち混合評価分布を構成する要素分布の数が自動的に設定される。そのため、自動的に被検出物の数に応じた数のパラメータを得ることが可能となる。
本発明に係る情報処理装置では、探索手段が、極大値数の探索を情報処理開始時にのみ実行することが好ましい。また、本発明に係る情報処理方法では、探索ステップが、情報処理開始時にのみ実行されることが好ましい。このようにすれば、探索に要する負荷を低減することができる。
本発明に係る情報処理装置は、適合度が最大となる混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除手段をさらに備えることが好ましい。
また、本発明に係る情報処理方法では、適合度が最大となる混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除ステップをさらに備えることが好ましい。
この場合、例えば、混合評価分布を構成する要素分布の山の高さの逆数を削除評価値とすることにより、山の高さが低い要素分布が削除される。その結果、ノイズである可能性が高いパラメータを削除することや、検出対象物の減少に対応することができるので、パラメータの推定精度を向上することが可能となる。
本発明に係る情報処理装置は、適合度が最大となる混合評価分布を構成する要素分布ごとに、該要素分布と、対応するパラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割手段をさらに備えることが好ましい。
また、本発明に係る情報処理方法は、適合度が最大となる混合評価分布を構成する要素分布ごとに、該要素分布と、対応するパラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割ステップをさらに備えることが好ましい。
この場合、混合評価分布を構成する要素分布と、この要素分布に対応するパラメータ候補分布との当てはまりの悪さである要素適合度が所定の分割しきい値より大きい場合に、該要素分布が分割される。その結果、検出対象物の増加に対応することができ、パラメータの推定精度を向上することが可能となる。
本発明に係る情報処理装置は、パラメータ候補分布取得手段が、適合度が最大となる混合評価分布を構成する要素分布の大きさに応じて、パラメータ候補のサンプリング数を増大することが好ましい。
また、本発明に係る情報処理方法は、パラメータ候補分布取得ステップが、適合度が最大となる混合評価分布を構成する要素分布の大きさに応じて、パラメータ候補のサンプリング数を増大することが好ましい。
この場合、パラメータ候補のサンプリング数を増大させることにより、パラメータの推定精度を向上させることが可能となる。
本発明に係る情報処理装置は、一致度が第1所定値未満、適合度が第2所定値未満、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていないと判断するロスト判定手段をさらに備えることが好ましい。
また、本発明に係る情報処理方法は、一致度が第1所定値未満、適合度が第2所定値未満、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていないと判断するロスト判定ステップをさらに備えることが好ましい。
このようにすれば、被検出物情報とパラメータ候補との一致度が低い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が低い場合に、検出対象物をロストしたと判断することが可能となる。
本発明に係る情報処理装置は、一致度が第3所定値以上、適合度が第4所定値以上、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていると判断する復帰判定手段をさらに備えることが好ましい。
また、本発明に係る情報処理方法は、一致度が第3所定値以上、適合度が第4所定値以上、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていると判断する復帰判定ステップをさらに備えることが好ましい。
このようにすれば、被検出物情報とパラメータ候補との一致度が高い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が高い場合に、ロスト状態から復帰することが可能となる。
本発明に係る画像情報処理装置は、上記情報処理装置を備える画像情報処理装置において、上記センサが周囲の画像を撮像する撮像手段であり、被検出物が道路のレーンであり、上記パラメータがレーンを規定するレーンパラメータであることを特徴とする。
また、本発明に係る画像情報処理方法は、上記情報処理方法を備える画像情報処理方法において、上記センサが周囲の画像を撮像する撮像手段であり、上記被検出物が道路のレーンであり、パラメータがレーンを規定するレーンパラメータであることを特徴とする。
本発明に係る画像情報処理装置又は画像情報処理方法によれば、レーンの特徴量を含むレーン情報とレーンパラメータ候補との一致度に応じてそのレーンパラメータ候補の評価を行い、レーンパラメータ候補ごとの評価結果の分布(レーンパラメータ候補分布)が生成される。そして、このレーンパラメータ候補分布と所定の混合評価分布との適合度に基づいてレーンのパラメータが推定される。ここで、適合度の評価に、1以上の要素分布から構成される混合分布である混合評価分布が用いられるので、複数のレーンパラメータを取り扱うことが可能となる。また、レーンパラメータの変化が求められるので、このパラメータ変化から複数のレーンの状態変化を認識することが可能となる。
本発明に係る画像情報処理装置は、レーンパラメータの変化に基づいて、レーンの合流、分岐を認識する認識手段をさらに備えることが好ましい。
また、本発明に係る画像情報処理方法は、レーンパラメータの変化に基づいて、レーンの合流、分岐を認識する認識ステップをさらに備えることが好ましい。
このようにすれば、例えば、レーン数やレーン幅などのレーンパラメータの変化に基づいてレーンの合流、分岐を認識することが可能となる。
本発明に係る画像情報処理装置は、上記情報処理装置を備える画像情報処理装置において、上記センサが周囲を撮像する撮像手段であり、上記被検出物が道路面であり、上記パラメータが道路面を規定する道路面パラメータであることを特徴とする。
また、本発明に係る画像情報処理方法は、上記情報処理方法を備える画像情報処理方法において、上記センサが周囲を撮像する撮像手段であり、上記被検出物が道路面であり、上記パラメータが道路面を規定する道路面パラメータであることを特徴とする。
本発明に係る画像情報処理装置又は画像情報処理方法によれば、道路面の特徴量を含む道路面情報と道路面パラメータ候補との一致度に応じてその道路面パラメータ候補の評価を行い、道路面パラメータ候補ごとの評価結果の分布(道路面パラメータ候補分布)が生成される。そして、この道路面パラメータ候補分布と所定の混合評価分布との適合度に基づいて道路面パラメータが推定される。ここで、適合度の評価に、1以上の要素分布から構成される混合分布である混合評価分布が用いられるので、勾配などが異なる複数の道路面パラメータを取り扱うことが可能となる。また、道路面パラメータの変化が求められるので、このパラメータ変化から複数の道路面の状態変化を認識することが可能となる。
本発明に係る画像情報処理装置は、道路面パラメータの変化から道路面の姿勢変化を求め、この姿勢変化に基づいて道路面パラメータを選択する選択手段をさらに備えることが好ましい。
また、本発明に係る画像情報処理方法は、道路面パラメータの変化から道路面の姿勢変化を求め、この姿勢変化に基づいて道路面パラメータを選択する選択ステップをさらに備えることが好ましい。
このようにすれば、道路面の姿勢変化に基づいて道路面パラメータが選択されるので、道路面の誤検出を抑制することが可能となる。
本発明に係る画像情報処理装置では、被検出物情報が、撮像手段により撮像された画像中の道路面に位置する点の3次元位置であり、隣り合う点との間の距離が所定値より大きい点を除去する除去手段をさらに備えることが好ましい。
また、本発明に係る画像情報処理方法では、被検出物情報が、撮像手段により撮像された画像中の道路面に位置する点の3次元位置であり、隣り合う点との間の距離が所定値より大きい点を除去する除去ステップをさらに備えることが好ましい。
この場合、道路面に位置する点のうち連続的に存在していない点を除去することにより、道路面の推定精度を向上することが可能となる。
本発明に係る画像情報処理装置では、パラメータ候補分布取得手段が、パラメータ候補により規定される道路面と上記点との距離に応じて道路面とこの点との一致度を求め、その際に、撮像手段から点までの距離が近くなるほど一致度を大きくすることが好ましい。
また、本発明に係る画像情報処理方法では、パラメータ候補分布取得ステップが、パラメータ候補により規定される道路面と上記点との距離に応じて道路面とこの点との一致度を求め、その際に、撮像手段から点までの距離が近くなるほど一致度を大きくすることが好ましい。
このようにすれば、撮像手段からの距離が遠く検出精度が低い点の評価値を下げることにより、道路面の推定精度を向上することが可能となる。
本発明によれば、被検出物情報とパラメータ候補との一致度に応じてパラメータ候補の分布を生成するパラメータ候補分布生成手段(またはパラメータ候補分布生成ステップ)と、パラメータ候補分布と所定の混合評価分布との適合度に基づいて被検出物のパラメータを推定するパラメータ推定手段(またはパラメータ推定ステップ)と、被検出物パラメータの変化を求める変化検出手段(または変化検出ステップ)とを備える構成としたので、複数の検出対象のパラメータを推定するとともに、複数の検出対象の状態変化を認識することが可能となる。
以下、図面を参照して本発明の好適な実施形態について詳細に説明する。図中、同一又は相当部分には同一符号を用いることとする。
まず、図1を用いて、第1実施形態に係る情報処理装置1の構成について説明する。図1は、情報処理装置1の構成を示すブロック図である。
情報処理装置1は、被検出物の物理的情報(光、温度、圧力や位置など)を検出し、その検出結果を出力するセンサ20と、センサ20の検出結果を処理して被検出物のパラメータ、およびその変化を求める電子制御装置(以下「ECU」という)30とを備えている。ここでは、より具体的に説明するために、センサ20としてカメラを用い、道路のレーンを被検出物とした場合を例にして説明する。なお、センサ20がカメラに限られず、被検出物が道路のレーンに限られないことは言うまでもない。
カメラ20は、CCDカメラであり、車両のフロントウィンドウ上部(例えば、バックミラーの裏側)に前方を向いて設置される。カメラ20は、車両前方の風景を撮像して画像情報を取得する。カメラ20により取得された画像情報は、ECU30に出力される。
ECU30は、演算を行うマイクロプロセッサ、マイクロプロセッサに各処理を実行させるためのプログラム等を記憶するROM、演算結果などの各種データを記憶するRAM及び12Vバッテリによってその記憶内容が保持されるバックアップRAM等により構成されている。このような構成により、ECU30には、特徴抽出部31、対象モデル生成部32、パラメータ候補分布取得部33、パラメータ分布モデル生成部34、およびパラメータ推定部35が構築されている。
特徴抽出部31は、カメラ20で撮像された画像からレーンの特徴を抽出するものであり、例えば、エッジ抽出フィルタ等を用いて、カメラ20によって撮像された画像情報から輝度変化の大きいエッジを抽出し、二値化されたエッジ画像を取得する。取得されたエッジ画像は、パラメータ候補分布取得部33に出力される。
対象モデル生成部32は、レーン幅や横位置などのパラメータに基づいて、レーンを画像面上に投影したときの形状を演算するものである。対象モデル生成部32にレーンパラメータが入力されると、パラメータに応じたレーンを撮像面上に投影する線分の座標が出力される。
パラメータ候補分布取得部33は、画像フレームを更新するごとに過去の経歴に基づいた事前確率の推定と、現在の観測値、即ち特徴抽出部31からの出力値に基づいた事後確率の推定を行うことにより、レーンパラメータ候補の評価値の分布(以下「レーンパラメータ候補分布」という)を取得するものである。すなわち、パラメータ候補分布取得部33はパラメータ候補分布取得手段として機能する。取得されたレーンパラメータ候補分布は、パラメータ推定部35に出力される。
本実施形態では、レーンパラメータ候補分布を取得するために、多峰性を有する確率分布を表現可能なパーティクルフィルタを用いた。パーティクルフィルタは、過去の情報と現在の観測情報から現在の状態推定を行うことができる手法である。パーティクルフィルタは、まず、ある時刻での事後分布からサンプリングをして得られたパーティクルを追跡対象のダイナミクスに従って動かし、次に、遷移させたパーティクルによって作られた次時刻の予測分布に観測結果から得られた情報を用いて重みを付け、新しい事後分布を作る。この重みに応じてまた次の時刻の遷移に使うパーティクルを選び直し、これを繰り返すことでフィルタリングを行う。
パラメータ分布モデル生成部34は、レーンパラメータ候補分布を近似する分布(以下「混合評価分布」という)を生成するものである。パラメータ分布モデル生成部34は、任意の分布(要素分布)を重ね合わせ、例えば混合正規分布などを生成し、パラメータ推定部35に出力する。
パラメータ推定部35は、パラメータ候補分布取得部33から入力されたレーンパラメータ候補分布と、パラメータ分布モデル生成部34から入力された混合評価分布との当てはまりのよさ(適合度)を評価し、その評価結果に応じてレーンパラメータを推定するものである。また、パラメータ推定部35は、推定されたレーンパラメータの時系列変化を求める。すなわち、パラメータ推定部35は、パラメータ推定手段および変化検出手段として機能する。
次に、図2〜5を参照して情報処理装置1の動作及び情報処理方法について説明する。図2は情報処理装置1による情報処理の処理手順を示すフローチャートである。図3〜5は、この情報処理に含まれる停止状態処理、パラメータ候補評価処理、およびパラメータ推定処理の処理手順を示すフローチャートである。これらの処理は、ECU30の電源がオンされてからオフされるまでの間、所定のタイミングで繰り返し実行される。
ステップS100では、情報処理を停止するか否かについての判断が行われる。本実施形態では、情報処理装置1のとり得る状態を「停止」「運転」の2状態とし、例えばスイッチのオン/オフ操作によりこの2つの状態が切り替えられる。すなわち、ステップS100では、スイッチの操作状態から、停止状態に遷移するか否かの判断が行われる。ここで、ステップS100が否定された場合には、ステップS104に処理が移行する。一方、ステップS100が肯定された場合には、ステップS102に処理が移行し、停止状態処理が実行される。
ここで、図3を参照して、上記停止状態処理について説明する。ステップS120では、スイッチの操作状態から、処理を開始するか否か、すなわち運転状態に遷移するか否かの判断が行われる。ここで、ステップS120が否定された場合には、ステップS120が肯定されるまで本ステップを繰り返して実行する。一方、ステップS120が肯定された場合には、ステップS122に処理が移行する。
ステップS122では、パラメータ候補の初期化が行われる。具体的には、推定するパラメータから、適当にサンプリングを行い初期化する。以下、サンプリングされたパラメータをパラメータ候補という。パラメータ候補の初期化では、まず、パラメータ空間から、サンプル数K個分のパラメータ値Θ={θ1,・・・,θk,・・・,θK}を選択する。パラメータ値Θの選択方法は、初期確率分布P(θ)に基づき行う。また、選択したパラメータ候補は、重みW={w1,・・・,wi,・・・,wK)を持ち、これも同時に次式(1)で初期化する。
一般的には、初期確率分布P(θ)は未知であるので、パラメータ値Θがパラメータ空間全体から均一に選択されるようにランダムに選択を行う。また重みは、次式(2)により設定する。
ここで、パラメータが1次元で、パラメータ候補の数が10個のときの例を図6に示す。パラメータ候補の初期化が終了した後、停止状態から運転状態に遷移し、ステップS104に処理が移行する。
ここで、パラメータが1次元で、パラメータ候補の数が10個のときの例を図6に示す。パラメータ候補の初期化が終了した後、停止状態から運転状態に遷移し、ステップS104に処理が移行する。
図2に戻って説明を続ける。ステップS104では、車両前方の画像情報I={i0,・・・,in,・・・,iN}がカメラ20から読み込まれる。
次に、ステップS108では、パラメータ候補の評価処理が行われる。ここで、図4を参照して、パラメータ候補評価処理について説明する。まず、ステップS130では、カウンタkが1に初期化される。
続いて、ステップS132において、パラメータ候補の評価が行われる。具体的には、パラメータ候補に対して事後確率P(θ|F)を計算する。事後確率P(θ|F)は、次式(4)により求められる。
ただし、kは正規化を行うための定数である。ここで、通常P(F|θ)は複雑であり、解析的に解くことが困難である。よって、次式(5)で評価を行ってもよい。
なお、P(θk|F)∝V(θk,F)である。
ただし、kは正規化を行うための定数である。ここで、通常P(F|θ)は複雑であり、解析的に解くことが困難である。よって、次式(5)で評価を行ってもよい。
なお、P(θk|F)∝V(θk,F)である。
続くステップS134ではカウンタkが所定値K未満であるか否かについての判断が行われる。ここで、カウンタkが所定値K以上である場合には、パラメータ候補の評価が終了してステップS110に処理が移行する。一方、カウンタkが所定値K未満の場合には、ステップS136においてカウンタkが1だけインクリメントされた後、ステップS132、S134の処理をカウンタkが所定値K以上になるまで繰り返して実行する。すなわち、0〜K番目のパラメータ候補に対して事後確率が計算され、各パラメータ候補の評価値Vの分布(パラメータ候補分布)が求められる。図7にパラメータ候補分布の一例を示す。
図2に戻って説明を続けると、ステップS110では、パラメータの推定処理が行われる。ここで、図5を参照して、パラメータ推定処理について説明する。まず、ステップS140では、カウンタmが1に初期化される。
続くステップS142では、パラメータ候補分布を近似するための混合評価分布H(ω,θ)の探索が行われる。混合評価分布Hの探索は、パラメータ候補分布と混合評価分布Hとの適合度(フィッティング)を求めることにより行われる。混合評価分布H(ω,θ)は、1以上の要素分布h(μ,θ)から構成される。ここで、μは分布を表すための分布パラメータである。例えば、正規分布であれば、平均ベクトル、共分散行列である。要素分布hの数をL個、分布の混合比をwlとしたとき、混合評価分布H(ω,θ)は次式(6)で表される。
ただし、ω=(w1,μ1,・・・,wl,μl,・・・,wL,μL)Tである。なお、要素分布hの個数Lは、レーンなどの検出対象の数から定められる。
ただし、ω=(w1,μ1,・・・,wl,μl,・・・,wL,μL)Tである。なお、要素分布hの個数Lは、レーンなどの検出対象の数から定められる。
図8に、パラメータ候補分布および混合評価分布Hの一例を示す。図8では簡単化のために推定パラメータθが1次元の場合を示したが、多次元であっても1次元の分布の重ね合わせとして表現することができる。
パラメータ候補分布の評価と混合評価分布Hとの適合度、すなわち評価値C(ωm,Θ)は、V(θk,F)に対するH(ω,θ)の当てはまりのよさを評価するものである。例えば、対数尤度を用いて適合度を評価する場合、次式(7)により求められる。
続くステップS144ではカウンタmが所定値M未満であるか否かについての判断が行われる。ここで、カウンタmが所定値M以上である場合には、評価値Cの演算が終了してステップS148に処理が移行する。一方、カウンタmが所定値M未満の場合には、ステップS146においてカウンタmが1だけインクリメントされた後、ステップS142、S144の処理をカウンタmが所定値M以上になるまで繰り返して実行する。すなわち、0〜Mの混合評価分布についてパラメータ候補分布との評価値Cが求められる。ここで、評価値Cの求め方を図9に模式図で示す。
次に、ステップS152では、検出対象であるレーンのパラメータの推定が行われる。より具体的には、L個の要素分布hそれぞれから、次式(10)によりL個のパラメータが推定される。
ここで、hl(μl,θ)が正規分布であると仮定すると、θlは分布の平均ベクトルとなる。
ここで、hl(μl,θ)が正規分布であると仮定すると、θlは分布の平均ベクトルとなる。
図2に戻り、説明を続ける。ステップS112では、現在のパラメータ候補から、次時刻のパラメータ候補およびパラメータ候補分布が求められる。まず、図10に示されるように、重みwkに応じてK個のパラメータ候補が再分配される。次に、再分配されたパラメータ候補が遷移モデルによって遷移される。遷移モデルの一例を次式(13)に示す。
ここで、θaはパラメータの平均を表す。gtはノイズ項であり、例えば正規分布によるノイズを与える。遷移の模式図を図9に示す。遷移モデルは、このモデルに限られることなく、例えばベイジアンネットワークなどによる学習により獲得してもよい。
ここで、θaはパラメータの平均を表す。gtはノイズ項であり、例えば正規分布によるノイズを与える。遷移の模式図を図9に示す。遷移モデルは、このモデルに限られることなく、例えばベイジアンネットワークなどによる学習により獲得してもよい。
その後、ステップS100に処理が移行し、上記処理を繰り返し行うことによって連続的に検出対象であるレーンパラメータが推定される。また、レーンパラメータの変化量およびレーン相互間の相対変化量が求められる。
本実施形態によれば、被検出物の特徴量を含む被検出物情報と被検出物のパラメータ候補との一致度に応じてそのパラメータ候補の評価を行い、パラメータ候補ごとの評価結果の分布(パラメータ候補分布)が生成される。そして、このパラメータ候補分布と所定の混合評価分布との適合度に基づいて被検出物のパラメータが推定される。ここで、適合度の評価に、1以上の要素分布から構成される混合分布である混合評価分布が用いられるので、複数の被検出物のパラメータを取り扱うことができる。また、複数の被検出物のパラメータ変化が求められるので、このパラメータ変化から複数の被検出物の状態変化を認識することができる。そのため、例えば、複数のレーンを有する道路のパラメータ(レーン幅、曲率、道路面の傾きなど)の変化や、路上にいる歩行者の移動量、移動方向の変化などを取得することが可能となる。
次に、図12を用いて、第2実施形態に係る情報処理装置2の構成について説明する。図12は、情報処理装置2の構成を示すブロック図である。なお、図12において第1実施形態と同一又は同等の構成要素については同一の符号が付されている。
本実施形態が第1実施形態と異なるのは、対象物数推定部36をさらに有する点である。その他の構成は、第1実施形態と同一または同様であるので、ここでは説明を省略する。
対象物数推定部36はパラメータ候補分布取得部33に接続されており、パラメータ候補分布取得部33により取得されたパラメータ候補分布に基づいて、検出対象物の数、例えば、レーンの数などを取得する。取得されたレーン数などはパラメータ分布モデル生成部34に出力される。パラメータ分布モデル生成部34は、対象物数推定部36で取得されたレーンの数に応じて、レーンパラメータ候補分布を近似する混合評価分布を生成する。すなわち、対象物数推定部36は、特許請求の範囲に記載の探索手段として機能し、パラメータ分布モデル生成部34は設定手段として機能する。
次に、図13、14を参照して情報処理装置2の動作及び情報処理方法について説明する。図13は情報処理装置2による情報処理の処理手順を示すフローチャートである。図14は、この情報処理に含まれる対象物数推定処理の処理手順を示すフローチャートである。
ステップS200〜S208は、上述したステップS100〜S108と同一であるので、ここでは説明を省略する。ステップS208でパラメータ候補評価処理が行われた後、ステップS210において、対象物数が推定される。ここで、図14を参照して、対象物数推定処理の処理手順をより具体的に説明する。
ステップS220では、対象物数をカウントするカウンタLの値が1に初期化される。続くステップS222では、まず、評価分布ωLが設定される。設定手法としては、例えば公知のEMアルゴリズムなどを用いることができる。次に、設定された評価分布ωLに基づいて評価値D(ωL,θ)が演算される。評価値Dは、パラメータ候補分布と設定された評価分布ωLの当てはまりのよさを評価するもので、例えば、対数尤度を用い次式(14)により求められる。
なお、評価にはAIC、MDLなどの情報量規準を用いてもよい。
なお、評価にはAIC、MDLなどの情報量規準を用いてもよい。
続くステップS224では、不等式D(ωL,θ)>D(ωL−1,θ)が成立するか否かについての判断が行われる。ここで、この不等式が成り立つ場合には、ステップS226においてカウンタLが1だけインクリメントされ、ステップS222、S224の処理が繰り返して実行される。すなわち、評価値Dが極大となるまでカウンタLを1ずつ増大させることにより、評価値Dの極大値判定が行われる。このように、L=1から順に評価値Dを比較し、評価値Dが極大値となったときのカウンタLを対象物数とする。この処理の模式図を図15に示す。なお、通常、EMアルゴリズムといった推定方法は収束計算を必要とし計算コストが高い。よって、他処理に対して処理の回数を間引くことが望ましい。
続くステップS212、S214は、上述したステップS110、S112と同一であるので、ここでは説明を省略する。
本実施形態によれば、混合評価分布の極大値の数、すなわち混合評価分布を構成する要素分布の数が自動的に設定される。そのため、自動的に検出対象物の数に応じた数のパラメータを得ることが可能となる。
次に、図16を用いて、第3実施形態に係る情報処理装置3の構成について説明する。図16は、情報処理装置3の構成を示すブロック図である。なお、図16において第2実施形態と同一又は同等の構成要素については同一の符号が付されている。
本実施形態が第2実施形態と異なるのは、対象物数変化推定部37をさらに有する点である。その他の構成は、第2実施形態と同一または同様であるので、ここでは説明を省略する。
対象物数変化推定部37はパラメータ推定部35に接続されており、パラメータ候補分布を近似する混合評価分布H(ω,θ)の各要素分布wlhl(μl,θ)について、大きさが小さい要素分布wlhl(μl,θ)を削除し対象物数を1つ減少させる。一方、パラメータ候補分布の局所データ(要素分布中心近傍のデータ)との当てはまりが悪い要素分布wlhl(μl,θ)を分割して対象物数を1つ増加させる。すなわち、対象物数変化推定部37は、削除手段および分割手段として機能する。なお、本実施形態では、対象物数推定部36は、対象物数の初期値を与えるものとして機能する。
次に、図17〜19を参照して情報処理装置3の動作及び情報処理方法について説明する。図17は情報処理装置3による情報処理の処理手順を示すフローチャートである。図18は、この情報処理に含まれるパラメータ・対象物数変化推定処理の処理手順を示すフローチャートである。図19は、このパラメータ・対象物数変化推定処理含まれる対象物数変化推定処理の処理手順を示すフローチャートである。
ステップS300〜S310およびS314は、上述したステップS200〜S210、S212それぞれと同一または同様であるので、ここでは説明を省略する。ただし、本実施形態では、ステップS310は、処理開始時に1度だけ実行される。
ステップS310で対象物数推定処理が行われた後、ステップS312において、パラメータ・対象物数変化推定処理が実行される。図18に示されるように、このパラメータ・対象物数変化推定処理は、上述したパラメータ候補評価処理に対して、ステップS330(対象物数変化推定処理)が追加されている点が異なる。その他の処理、すなわちステップS320〜S328、およびステップS332〜S336は、上述したステップS140〜S148、およびステップS150〜S154とそれぞれ同一であるので、ここでは説明を省略する。
対象物数変化推定処理(ステップS330)の詳細について、図19を参照しつつ説明する。
ステップS340では、カウンタlが1に初期化される。続くステップS342では、削除評価値Edelが算出される。例えば、削除評価値Edelは、要素分布wlhl(μl,θ)の山の大きさの逆数として、次式(15)により算出される。
ただし、hlが正規分布であったとき、削除評価値Edelは、hlの平均値θμより次式(16)により求められる。
ただし、hlが正規分布であったとき、削除評価値Edelは、hlの平均値θμより次式(16)により求められる。
続いて、ステップS344では、ステップS342で算出された削除評価値Edelに基づいて、この要素分布wlhl(μl,θ)を削除するか否かについての判断が行われる。ここで、削除評価値Edelが所定のしきい値Tdelより大きい場合には、ステップS346において、その要素分布wlhl(μl,θ)が削除され、対象物数Lが1つ減らされる。要素分布wlhl(μl,θ)が削除されるようすを図20に示す。その後、ステップS358においてカウンタlが1だけインクリメントされ、ステップS342、S344の処理が繰り返して実行される。一方、削除評価値Edelが所定のしきい値Tdel以下のときには、ステップS348に処理が移行する。
ステップS348では、分割評価値Esplitが算出される。例えば、分割評価値Esplitは、要素分布wlhl(μl,θ)とパラメータ候補分布の局所データ(要素分布中心近傍のデータ)との当てはまりの悪さを評価することにより求められる。より具体的には、分割評価値Esplitは、次式(17)により、分布の中心から一定範囲のデータの当てはまり度を対数尤度で評価することにより求めることができる。
ただし、θkは、分布中心のθμに対して一定の距離dの範囲内|θμ−θk|<dにあるパラメータ候補である。
ただし、θkは、分布中心のθμに対して一定の距離dの範囲内|θμ−θk|<dにあるパラメータ候補である。
なお、分割評価値Esplitは、例えば局所経験分布f(μl,θ)と推定分布とのKL情報量を使う方法などによって求めてもよい。
続いて、ステップS350では、ステップS348で算出された分割評価値Esplitに基づいて、この要素分布wlhl(μl,θ)を分割するか否かについての判断が行われる。ここで、分割評価値Esplitが所定のしきい値Tsplitより大きい場合には、ステップS352において、その要素分布wlhl(μl,θ)が分割され、対象物数Lが1つ増加される。要素分布wlhl(μl,θ)が分割されるようすを図21に示す。その後、ステップS358においてカウンタlが1だけインクリメントされ、ステップS342〜S350の処理が繰り返して実行される。一方、分割評価値Esplitが所定のしきい値Tsplit以下のときには、ステップS354に処理が移行する。
ステップS354では、カウンタlの値が対象物数Lt(Ltは現在の対象物数)未満であるか否かについての判断が行われる。ここで、カウンタlの値が対象物数Lt未満の場合には、ステップS358においてカウンタlの値が1だけインクリメントされた後、ステップS342に処理が移行し、ステップS342〜S354の処理が繰り返し実行される。すなわち、カウンタlの値がLtと等しくなるまで、削除処理および分割処理が繰り返し実行される。一方、カウンタlの値が対象物数Lt以上のときには、図18に示されるステップS332に処理が移行する。
本実施形態によれば、混合評価分布を構成する要素分布の山の高さの逆数を削除評価値とすることにより、山の高さが低い要素分布が削除される。その結果、ノイズである可能性が高いパラメータを削除することや、検出対象物の減少に対応することができるので、パラメータの推定精度を向上することが可能となる。一方、混合評価分布を構成する要素分布と、この要素分布に対応するパラメータ候補分布との当てはまりの悪さである要素適合度が所定の分割しきい値より大きい場合に、該要素分布が分割される。その結果、検出対象物の増加に対応することができ、パラメータの推定精度を向上することが可能となる。また、収束計算の無い簡便な処理で対象物数を推定することができので、探索に要する負荷を低減することができ、処理の高速化を図ることが可能となる。
次に、図22を用いて、第4実施形態に係る情報処理装置4の構成について説明する。図22は、情報処理装置4の構成を示すブロック図である。なお、図22において第3実施形態と同一又は同等の構成要素については同一の符号が付されている。
本実施形態が第3実施形態と異なるのは、パラメータ候補再設定部38をさらに有する点である。その他の構成は、第3実施形態と同一または同様であるので、ここでは説明を省略する。パラメータ候補再設定部38はパラメータ推定部35に接続されており、得られた混合評価分布H(ω,θ)を元に、再度、パラメータ候補の数を増やして適合度の評価を行う。
次に、図23、24を参照して情報処理装置4の動作及び情報処理方法について説明する。図23は情報処理装置4による情報処理の処理手順を示すフローチャートである。図24は、この情報処理に含まれるパラメータ候補追加処理の処理手順を示すフローチャートである。
情報処理装置4による処理手順は、パラメータ候補追加処理(ステップS408、S416〜S420)がさらに追加されている点で、上述した情報処理装置3による処理手順と異なる。ステップS400〜S406、S410〜414、およびS422は、上述したステップS300〜S306、S308〜S312、およびS314それぞれと同一または同様であるので、ここでは説明を省略する。
ステップS406で画像情報Iからレーンの特徴量Fが抽出された後、ステップS408において、カウンタrの値が1に初期化される。ステップS416では、カウンタrの値が所定の設定回数R未満であるか否かについての判断が行われる。ここで、カウンタrの値が所定の設定回数R未満である場合には、カウンタrの値が1だけインクリメントされ(ステップS418)、パラメータ候補の追加処理(ステップS420)が行われた後、ステップS410に処理が移行する。その結果、カウンタrの値が所定の設定回数Rと等しくなるまで、ステップS410〜S420の処理、すなわちパラメータ候補の追加処理、パラメータ候補の評価処理、およびパラメータ値の推定処理などが繰り返し実行される。一方、カウンタrの値が所定の設定回数R以上のときには、ステップS422に処理が移行する。なお、所定の設定値Rは、パラメータ値の推定精度や処理速度などを考慮して設定される。
次に、パラメータ候補追加処理(ステップS420)の詳細について、図24を参照しつつ説明する。
ステップS430では、カウンタlが1に初期化される。続くステップS432では、混合評価分布Hを構成する要素分布hl(μl,θ)の評価が行われる。要素分布hl(μl,θ)の評価値Elは、例えば、各分布の重みに基づいて、次式(18)により求められる。
続いて、ステップS434では、カウンタlの値が対象物数L未満であるか否かについての判断が行われる。ここで、カウンタlの値が対象物数L未満の場合には、ステップS436においてカウンタlの値が1だけインクリメントされた後、ステップS432に処理が移行し、ステップS432〜S434の処理が繰り返し実行される。すなわち、カウンタlの値が混合評価分布Hを構成する要素分布hl(μl,θ)の数と等しくなるまで、要素分布hl(μl,θ)の評価が繰り返し実行される。一方、カウンタlの値が対象物数L以上のときには、ステップS438に処理が移行する。
すべての要素分布hl(μl,θ)について(l=1〜L)評価処理が行われた後、ステップS438では、各要素分布hl(μl,θ)に分配される追加サンプル候補数Klが設定される。追加されるサンプル候補数Klは、評価値Elの大きさに応じて、次式(19)により算出される。
ここで、評価値Elがしきい値Te以下の分布近傍は、評価値が高いパラメータ候補が新たに出現する可能性が低く、かつ、新たにノイズを拾うことにより生じるパラメータ推定精度の低下を考慮して、パラメータ候補を追加しない。
ここで、評価値Elがしきい値Te以下の分布近傍は、評価値が高いパラメータ候補が新たに出現する可能性が低く、かつ、新たにノイズを拾うことにより生じるパラメータ推定精度の低下を考慮して、パラメータ候補を追加しない。
続いて、ステップS440では、カウンタlが1に再度初期化される。続くステップS442では、ステップS440で求められた追加サンプル候補数Klに応じて追加パラメータ候補が配分される。
続いて、ステップS444では、カウンタlの値が対象物数、すなわち要素分布数L未満であるか否かについての判断が行われる。ここで、カウンタlの値が対象物数L未満の場合には、ステップS446においてカウンタlの値が1だけインクリメントされた後、ステップS442に処理が移行し、ステップS442、S444の処理が繰り返し実行される。すなわち、混合評価分布Hを構成するすべての要素分布hl(μl,θ)について、追加パラメータ候補が配分される。なお、配分されたパラメータ候補は、要素分布hl(μl,θ)の分布形状に応じて配置される。ここで、追加パラメータ候補が各要素分布hl(μl,θ)に分配されるようすを図25に示す。
一方、カウンタlの値が対象物数L以上のときには、図23に示されるステップS410に処理が移行し、上述したように追加後のパラメータ候補分布について混合評価分布Hとの適合度が評価される。
本実施形態によれば、繰り返しパラメータ候補の数を増やして評価を行うことにより、パラメータの推定精度を向上させることが可能となる。
次に、図26を用いて、第5実施形態に係る情報処理装置5の構成について説明する。図26は、情報処理装置5の構成を示すブロック図である。なお、図26において第4実施形態と同一又は同等の構成要素については同一の符号が付されている。
本実施形態が第4実施形態と異なるのは、ロスト判定部39をさらに有する点である。その他の構成は、第4実施形態と同一または同様であるので、ここでは説明を省略する。ロスト判定部39は、パラメータ候補再設定部38の出力側に接続されており、評価値C(ωm,Θ)および評価値V(θk,F)に基づいて、ロスト状態であるか否か、すなわちパラメータの推定ができない状態であるか否かについての判定が行われる。
次に、図27、28を参照して情報処理装置5の動作及び情報処理方法について説明する。図27は情報処理装置5による情報処理の処理手順を示すフローチャートである。図28は、この情報処理に含まれるロスト判定処理の処理手順を示すフローチャートである。
情報処理装置5による処理手順は、ロスト判定処理(ステップS524)がさらに追加されている点で、上述した情報処理装置4による処理手順と異なる。ステップS500〜S522は、上述したステップS400〜S422と同一または同様であるので、ここでは説明を省略する。
ステップS524では、ロスト状態であるか否かについての判定が行われる。ここで、ロスト状態であると判定された場合には、ステップS502に処理が移行し、上述した停止状態処理が行われる。一方、ロスト状態ではないと判定されたときには、ステップS500に処理が移行し、ステップS500〜S524の処理が繰り返して実行される。
次に、ロスト判定処理(ステップS524)の詳細について、図28を参照しつつ説明する。
ステップS530では、評価値C(ωm,Θ)に応じてロスト判定が行われる。ここでは、次式(20)が成立し、適合度の高い混合評価分布が安定的に得られていない場合にロスト状態であると判定される。
ただし、Tdist,lostは所定のしきい値(第1所定値)である。
ただし、Tdist,lostは所定のしきい値(第1所定値)である。
続くステップS532では、評価値V(θk,F)に応じてロスト判定が行われる。ここでは、次式(21)が成立し、高い評価値のパラメータ候補が得られていないときにロスト状態であると判定される。
ただし、Tval,lostは、所定のしきい値(第2所定値)である。
ただし、Tval,lostは、所定のしきい値(第2所定値)である。
なお、ロスト判定は、評価値C(ωm,Θ)または評価値V(θk,F)のいずれか一方に基づいて行ってもよい。
本実施形態によれば、被検出物情報とパラメータ候補との一致度が低い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が低い場合に、検出対象物をロストしたと判断される。そのため、誤ったパラメータを算出することによる誤動作などを防止することが可能となる。
次に、図29を用いて、第6実施形態に係る情報処理装置6の構成について説明する。図29は、情報処理装置6の構成を示すブロック図である。なお、図29において第5実施形態と同一又は同等の構成要素については同一の符号が付されている。
本実施形態が第5実施形態と異なるのは、復帰判定部40をさらに有する点である。その他の構成は、第5実施形態と同一または同様であるので、ここでは説明を省略する。復帰判定部40は、パラメータ候補再設定部38の出力側に接続されており、評価値C(ωm,Θ)および評価値V(θk,F)に基づいて、ロスト状態から運転状態に復帰可能であるか否か、すなわちパラメータの推定が可能な状態に復帰したか否かについての判定が行われる。
次に、図30、31を参照して情報処理装置6の動作及び情報処理方法について説明する。図30は情報処理装置6による情報処理の処理手順を示すフローチャートである。図31は、この情報処理に含まれるロスト状態処理(復帰判定処理)の処理手順を示すフローチャートである。
情報処理装置6による処理手順は、停止状態処理(ステップS502)に代えてロスト状態処理(ステップS626)が設けられている点で、上述した情報処理装置4による処理手順と異なる。したがって、本実施形態では、ステップS624においてロスト状態であると判定された場合、停止状態処理ではなくロスト状態処理が実行される。なお、ステップS600〜S624は、上述したステップS500〜S524と同一または同様であるので、ここでは説明を省略する。ただし、ロスト状態のときには、パラメータ値とパラメータ値の変化量が出力されず、運転状態に復帰できるか否かのみが判定される。
次に、ロスト状態処理の詳細について、図31を参照しつつ説明する。ロスト状態処理におけるステップS630〜S642の処理は、上述したステップS100〜S112と同一または同様であるので、ここでは説明を省略する。
ステップS644では評価値C(ωm,Θ)に応じて復帰判定が行われる。ここでは、次式(22)が成立し、適合度の高い混合評価分布が安定的に得られている場合に復帰可能状態であると判定される。
ただし、Tdist,lostは所定のしきい値(第3所定値)である。
ただし、Tdist,lostは所定のしきい値(第3所定値)である。
また、ステップS644では、評価値V(θk,F)に応じてロスト判定が行われる。ここでは、次式(23)が成立し、高い評価値のパラメータ候補が得られているときに復帰可能状態であると判定される。
ただし、Tval,lostは、所定のしきい値(第4所定値)である。
ただし、Tval,lostは、所定のしきい値(第4所定値)である。
なお、復帰判定は、評価値C(ωm,Θ)または評価値V(θk,F)のいずれか一方に基づいて行ってもよい。
本実施形態によれば、被検出物情報とパラメータ候補との一致度が高い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が高い場合に、ロスト状態から復帰することが可能となる。
次に、図32を用いて、第7実施形態に係る画像情報処理装置7について説明する。図32は、画像情報処理装置7の構成を示すブロック図である。なお、図32において第6実施形態と同一又は同等の構成要素については同一の符号が付されている。
画像情報処理装置7は、道路のレーンの分岐、合流を認識するものであり、上述した情報処理装置6、および情報処理装置6から出力されるレーン数やレーンパラメータに基づいてレーンの分岐・合流を判定する分岐・合流判定部51を備えて構成されている。分岐・合流判定部51は、特許請求の範囲に記載の認識手段として機能する。
画像情報処理装置7では、センサとして、CCDカメラ(以下、単に「カメラ」という)20が用いられる。カメラ20は、車両のフロントウィンドウ上部(例えば、バックミラーの裏側)に前方を向いて設置される。カメラ20は、車両前方の風景を撮像して画像情報を繰り返し取得する。すなわち、カメラ20が撮像手段として機能する。カメラ20により取得された画像情報は、特徴抽出部31に出力される。
特徴抽出部31は、カメラ20で撮像された画像からレーンマーカ候補を抽出する。例えば、撮像画像から立ち上がりエッジと立ち下がりエッジのペアを検出し、両エッジの中点をレーンマーカ候補とすることができる。より具体的には、まず、撮像画像の水平方向にエッジ強度(符号付)の検出を行い、次に、撮像画像をラスタスキャンし、エッジ強度の絶対値がしきい値以上である点のうち、極大値をとる点および極小値をとる点を探索する。そして、極大値をとる立ち上がりの点に対して、エッジ方向に垂直な方向にスキャンし、レーンマーカの幅に相当する範囲にある極小値点を検出し、この2点の中点をレーンマーカ候補位置とする。なお、上記しきい値は、太陽光の変動を考慮し、照度計や画面全体の輝度に応じて調節される。なお、特徴抽出部31で抽出されたレーンマーカ候補は、パラメータ候補分布取得部33に出力される。
レーンモデル(対象モデル)生成部32Aは、推定されたパラメータに基づいて、レーンマーカモデルを生成する。レーンマーカモデルは、次式(24)により生成される。この式は、画像面上でのレーンマーカの位置を記述するものである。なお、生成されたレーンマーカモデルは、パラメータ候補分布取得部33に出力される。
ただし、cは道路曲率、eはカメラのレーン中央からの位置偏差(横位置)、wはレーン幅、θはレーン接線方向に対する車両のヨー角、φは走行平面に対するピッチ角、kは右レーン,左レーンを表すパラメータでそれぞれ1,−1、fはカメラの焦点距離、hはカメラの高さである。なお、fとhは既知であるので、推定パラメータは、道路曲率c,横位置e,レーン幅w,ヨー角θ,ピッチ角φの5つとなる。
ただし、cは道路曲率、eはカメラのレーン中央からの位置偏差(横位置)、wはレーン幅、θはレーン接線方向に対する車両のヨー角、φは走行平面に対するピッチ角、kは右レーン,左レーンを表すパラメータでそれぞれ1,−1、fはカメラの焦点距離、hはカメラの高さである。なお、fとhは既知であるので、推定パラメータは、道路曲率c,横位置e,レーン幅w,ヨー角θ,ピッチ角φの5つとなる。
パラメータ候補分布取得部33は、各パラメータに基づいてレーンモデル生成部32Aで生成されたレーンマーカモデルと、特徴抽出部31から入力されたレーンマーカ候補点との一致度を次式(25)で評価して各パラメータ候補の評価値V(θk,F)を算出し、各パラメータ候補の評価値Vの分布、すなわちパラメータ候補分布を取得する。
画像情報処理装置7を構成する情報処理装置6の他の構成は、上述した構成と同一または同様であるので、ここでは説明を省略する。パラメータ推定部35や対象物数変化推定部37などで求められたレーン数、レーンのパラメータ、およびパラメータの変化量などは、分岐・合流判定部51に出力される。
次に、分岐・合流判定部51によるレーンの分岐、合流判定について詳細に説明する。まずはじめに、レーンの分岐判定について説明する。図33に分岐がないレーンの撮像画像の一例を示す。また、このときのパラメータ候補(レーン幅、横位置)の評価値の分布(パラメータ候補分布)を図34に示す。一方、レーンの分岐地点における撮像画像の一例を図35に示す。また、このときのパラメータ候補分布を図36に示す。
図34と図36とを比較すると、分岐がないレーンを走行しているときには1つの分布であったパラメータ候補分布が、分岐地点では、レーン幅方向に2つの分布に分離している。分岐地点では、自車両の走行レーン、および走行レーンの右側のレーンマーカと分岐レーンの左側のレーンマーカとで区画されるレーンについて2つのパラメータ候補分布が取得されるためである。
このように、レーンが分岐するときには、当初1つの分布であったパラメータ候補分布が、幅方向に2つに分離していく。したがって、対象物数すなわちレーン数Lが増加(例えば1から2に増加)し、かつ、2つのレーン幅のパラメータ差Wがしきい値Tw未満(W<Tw)のときに、レーン分岐が発生している可能性があると判断される。ここで、さらに、レーン数Lが1にならず、かつ、レーン幅の相対変化量ΔWの絶対値がしきい値TΔW未満であること、という条件が所定回数繰り返して満足された場合、レーン分岐が発生したと判断される。なぜならば、分岐の場合、必ず自車レーンおよび分岐レーンの2レーンが存在し、かつレーン幅が急激に変化することはないためである。なお、繰り返し取得されたパラメータ(レーン幅)差Wは保存される。
また、分岐・合流判定部51では、分岐終了地点に到達するまでの時間tが算出される。具体的には、上記分岐判定処理で保存された複数のパラメータ差Wに対して関数近似し、分岐終了地点に到達する時間tを算出する。例えば、1次式w=at+bで近似した場合、到達時間tは次式(26)から求めることができる。
ただし、wはレーン幅、a,bは定数である。なお、レーン幅は徐々に広がっていくことから、a>0となる。
ただし、wはレーン幅、a,bは定数である。なお、レーン幅は徐々に広がっていくことから、a>0となる。
また、分岐・合流判定部51では、分岐終了地点までの距離が算出される。具体的には、分岐終了地点、すなわち道路幅wに到達するまでの時間tと車両速度vとを用いて、次式(27)により分岐終了地点までの距離Disが算出される(図35参照)。
次に、レーンの合流判定について説明する。図38に合流開始地点におけるレーンの撮像画像の一例を示す。また、このときのパラメータ候補(レーン幅、横位置)の評価値の分布(パラメータ候補分布)を図39に示す。一方、レーンの合流終了地点における撮像画像の一例を図40に示す。また、このときのパラメータ候補分布を図41に示す。
図39と図41とを比較すると、合流開始地点では2つの分布であったパラメータ候補分布が、合流終了地点では1つの分布に収束している。合流開始地点では、自車両の走行レーン、および走行レーンの右側のレーンマーカと分岐レーンの左側のレーンマーカとで区画されるレーンについて2つのパラメータ候補分布が取得されるためである。
このように、レーンが合流するときには、当初2つの分布であったパラメータ候補分布が、幅方向に1つに収束していく。したがって、対象物数すなわちレーン数Lが2つ以上であり、かつ、自車レーンと合流レーンのパラメータ(レーン幅)の相対変化量ΔWが次式(28)を満足するときに、レーンの合流が発生する可能性があると判断される。
ここで、さらに、レーン幅の相対変化量ΔWの移動平均を求め、次式(29)が満足された場合、すなわち自車レーンと合流レーンが近づいている場合、レーンが合流していると判断される。なお、繰り返し取得されたパラメータ(レーン幅)差Wは保存される。
また、分岐・合流判定部51では、合流終了地点(レーン幅の差が0になる地点)に到達するまでの時間tが算出される。具体的には、上記分岐判定処理で保存された複数のパラメータ差Wに対して関数近似し、合流終了地点に到達する時間tを算出する。例えば、1次式w=at+bで近似した場合、到達時間tは次式(30)から求めることができる。
ただし、wはレーン幅、a,bは定数である。なお、レーン幅は徐々に狭くなっていくことから、a<0となる。
ただし、wはレーン幅、a,bは定数である。なお、レーン幅は徐々に狭くなっていくことから、a<0となる。
また、分岐・合流判定部51では、合流終了地点までの距離が算出される。具体的には、分岐終了地点に到達するまでの時間tと車両速度vとを用いて、次式(31)により合流終了地点までの距離Disが算出される(図42参照)。
本実施形態によれば、レーン数Lが増加しかつ2つのレーン幅のパラメータ差Wがしきい値Tw未満のときに、レーン分岐が発生している可能性があると判断される。一方、当初2つの分布であったパラメータ候補分布が幅方向に1つに収束していくときに、レーンの合流が発生する可能性があると判断される。そのため、走行レーンの分岐、合流を判定することが可能となる。
次に、図43を用いて、第8実施形態に係る画像情報処理装置8について説明する。図43は、画像情報処理装置8の構成を示すブロック図である。なお、図43において第7実施形態と同一又は同等の構成要素については同一の符号が付されている。
画像情報処理装置8は、勾配などが異なる複数の面で構成される道路面(図45参照)を認識するものであり、分岐・合流判定部51に代えて、道路面の誤認識を検出して削除する誤検出判定部52を備える点で上記画像情報処理装置7と異なる。この誤検出判定部52は、特許請求の範囲に記載の選択手段として機能する。また、画像情報処理装置8では、レーン幅wや横位置eなどのレーンパラメータに代えて、道路面を規定する道路面パラメータが取り扱われる点で画像情報処理装置7と異なる。なお、道路面パラメータの詳細については後述する。
画像情報処理装置8では、カメラ20にステレオカメラが用いられる。カメラ20は、車両のフロントウィンドウ上部(例えば、バックミラーの裏側)に前方を向いて設置され、車両前方の風景を撮像して画像情報を繰り返し取得する。また、ステレオカメラを構成する一対のカメラ20の位置関係が既知となるように、キャリブレーションが行われる。なお、カメラ20により取得された画像情報は、特徴抽出部31に出力される。
特徴抽出部31では、一対のカメラ20により取得された画像から道路面上にある候補点が抽出される。また、一対の撮像画像中における上記候補点の位置の違いを基にして三角測量方式により、車両から候補点までの距離が算出される。なお、これらの処理は、画像中の道路面や自車両前方の色情報を考慮して行うことが好ましい。なお、特徴抽出部31で抽出された候補点は、パラメータ候補分布取得部33に出力される。
道路面モデル(対象モデル)生成部32Bは、推定されたパラメータに基づいて、道路面モデルを生成する。ここで、道路面を規定するパラメータは、道路平面を表す次式(32)を辺々−Dで割ることにより得られた次式(33)の各係数項a,b,cとする。
なお、a=A/−D、b=B/−D、c=c/−Dであり、Dは各a、b、cを用いて、次式(34)から求めることができる。
なお、a=A/−D、b=B/−D、c=c/−Dであり、Dは各a、b、cを用いて、次式(34)から求めることができる。
パラメータ候補分布取得部33は、各パラメータθk={ak,bk,ck}に基づいて道路面モデル生成部32Bで生成された道路面モデルと、特徴抽出部31から入力された候補点との一致度を次式(35)で評価して各候補点の評価値V(θk,F)を算出する。
ただし、diは道路面と候補点との距離、TDはしきい値、xiは候補点の位置である。
ただし、diは道路面と候補点との距離、TDはしきい値、xiは候補点の位置である。
画像情報処理装置8を構成する情報処理装置6の他の構成は、上述した構成と同一または同様であるので、ここでは説明を省略する。パラメータ推定部35や対象物数変化推定部37などで求められたパラメータ{a,b,c}や道路平面の数(坂の数)などは、誤検出判定部52に出力される。
次に、誤検出判定部52による道路面の誤検出判定について説明する。情報処理装置6により、道路平面の数(勾配が異なる坂の数)やそれぞれの道路面パラメータが推定されるが、候補点の3次元位置の誤差などにより、誤った道路面を推定する場合がある。誤検出判定部52では、こういった誤った推定結果の除去を行う。なお、前提条件として、推定された平面は、3つ以上存在すると仮定する。
ここで、1時刻の間のカメラの姿勢変化をRとしたとき、道路平面の法線ベクトルn=(A,B,C)の変化は次式(36)で表される。
この関係式は、推定された道路面パラメータに誤りがなければ常に成り立つ。したがって、他の道路面パラメータと異なる姿勢変化が生じた道路面があれば、これは誤って推定された道路面と考えられる。姿勢変化は2つのパラメータ間の外積として得ることができる。
この関係式は、推定された道路面パラメータに誤りがなければ常に成り立つ。したがって、他の道路面パラメータと異なる姿勢変化が生じた道路面があれば、これは誤って推定された道路面と考えられる。姿勢変化は2つのパラメータ間の外積として得ることができる。
次に、図44を参照しつつ誤検出判定処理の具体的な処理手順について説明する。図44は、画像情報処理装置8による誤検出判定処理の処理手順を示すフローチャートである。
ステップS700では、カウンタpの値が0に初期化される。続くステップS702では、道路平面の法線ベクトルの外積計算np×np’が行われる。
続いて、ステップS704において、カウンタpの値が道路面数P未満であるか否かについての判断が行われる。ここで、カウンタの値が道路面数P未満である場合には、ステップS706でカウンタpの値が1だけインクリメントされ後、ステップS702に処理が移行し、カウンタpの値が道路面数Pと等しくなるまでステップS702,S704が繰り返して実行される。
一方、カウンタpの値が道路面数P以上のときには、ステップS708に処理が移行する。ここで、推定されたP個の道路面に対して、それぞれ1時刻内の姿勢変化を外積np×np’として計算し、算出された外積値を3次元空間中にプロットした例を図46に示す。なお、3次元空間中の各点が、1つの道路面の外積値を表している。上述したように、道路面であれば姿勢変化が等しくなることから、正しく推定された道路面は3次元空間中の一部分に偏って分布する。
次に、ステップS708では、ステップS706で算出された外積値を元にクラスタリングが行われる。クラスタリングを行うことで、正しく推定された道路面とそれ以外の道路面を分けることができる。クラスタリングを行う方法としては、一番評価値の高い道路面の外積値を初期値として、例えば公知のNearest Neighbor法などを用いればよい。例えば、図46に示した分布例についてクラスタリングを行った結果を図47に示す。この場合、図47に示されるように、2つのクラスタに分離された。
続いてステップS710では、各クラスタごとの評価値が算出される。評価値Vplaneは、例えば各道路面の評価値V(θk,F)の和として得ることができる。つまり、クラスタの数をC、各クラスタに属する平面をΩc={ω1,ω2,・・・,ωc,・・・}とすれば、次式(37)により求めることができる。
続くステップS712では、ステップS710で算出された評価値Vに応じて、誤検出された道路面の除去が行われる。例えば、評価値Vのうちもっとも評価値Vの高いクラスタを正しく推定できた道路面として選択し、他の道路面を除去する。
本実施形態によれば、上り坂、下り坂など、複数の道路面(勾配が異なる複数の道路面)からなる道路面を認識することが可能となる。また、道路面の姿勢変化に基づいて道路面パラメータが選択されるので、道路面の誤検出を抑制することができる。
次に、図48を用いて、第9実施形態に係る画像情報処理装置9について説明する。図48は、画像情報処理装置9の構成を示すブロック図である。なお、図49において第8実施形態と同一又は同等の構成要素については同一の符号が付されている。
画像情報処理装置9は、道路面の連続性を利用して道路面上の候補点を選択し、道路面パラメータを再推定する道路面パラメータ再推定部53をさらに備える点で画像情報処理装置8と異なる。この道路面パラメータ再推定部53は、特許請求の範囲に記載の除去手段として機能する。
次に、画像情報処理装置9による道路面パラメータ再推定方法について説明する。まずはじめに、道路面パラメータの再推定方法の概要について説明する。ここで、道路面の縦断面の例を図50に示す。図50中、黒点は撮像画像から取得された道路面上の候補点である。通常、画像から得られる候補点には多くのノイズが含まれ、道路面の推定精度に大きく影響する。しかしながら、図50に示されるように、通常、同一道路面上の候補点は、連続的に存在し、空間的に近い位置にある可能性が高い。したがって、他の候補点から離れた位置の候補点はノイズである可能性が高い。本実施形態では、候補点のノイズを除去し、道路面パラメータを再推定する。
次に、図49を参照しつつ道路面パラメータ再推定処理の具体的な処理手順について説明する。図49は、画像情報処理装置9による道路面パラメータ再推定処理の処理手順を示すフローチャートである。
ステップS800では、カウンタiの値が0に初期化される。続くステップS802では、道路面上の候補点の評価値の算出が行われる。具体的には、各パラメータθk={ak,bk,ck}に基づいて道路面モデル生成部32で生成された道路面モデルと、特徴抽出部31から入力された候補点との一致度を次式(38)で評価して各候補点の評価値V(θk,F)を算出する
ただし、diは道路面と候補点との距離、TDはしきい値、xiは候補点の位置である。
ただし、diは道路面と候補点との距離、TDはしきい値、xiは候補点の位置である。
続いて、ステップS804において、カウンタiの値がI未満であるか否かについての判断が行われる。ここで、カウンタiの値がI未満である場合には、ステップS806でカウンタiの値が1だけインクリメントされ後、ステップS802に処理が移行し、カウンタiの値がIと等しくなるまでステップS802,S804が繰り返して実行される。一方、カウンタiの値がI以上のときには、ステップS808に処理が移行する。
ステップS808では、Val(xi)=1の候補点について、車両からの距離による並び替えが行われる。車両からの距離には、例えば、候補点の座標xiと車の進行方向を示すベクトルncarとの内積や、進行方向と候補点の奥行き方向(z軸)がほぼ一致している場合にはz座標が用いられる。
続くステップS810では、中央に位置する候補点(以下「中央点」という)が算出される。通常、中央点は候補点の分布密度の高いところにある可能性が高いため、道路面にのる任意の1点となっている。中央点は、抽出された候補点がIdetect個ある場合、単にIdetect/2番目の候補点として得ることができる。このIdetect/2番目の候補点(中央点)までの距離をZSTDとする。
次にステップS812では、並び替えられた候補点の間の距離に応じて、中央点から連続しているとみなすことができる候補点群が抽出される。候補点群の抽出は、ある候補点とこの候補点に隣接する候補点との距離がしきい値Tz以内か否かを順番に判定することにより行われる。具体的には、中央点より番号の小さい候補点の方へ、次式(39)が成り立つまで、順次、次式(39)が成立するか否かの判定が繰り返し行われる。
そして、上式(39)が成立したときの番号がiminとして記憶される。なお、Ziは、車両から並び替えられた候補点iまでの距離を示す。
そして、上式(39)が成立したときの番号がiminとして記憶される。なお、Ziは、車両から並び替えられた候補点iまでの距離を示す。
一方、中央点より番号の大きい候補点の方へ、次式(40)が成り立つまで、次式(40)が成立するか否かの判定が繰り返し行われる。
上式(40)が成立したときの番号がimaxとして記憶される。なお、Ziは、車両から並び替えられた候補点iの距離を示す。そして、iminからimaxまでの候補点を連続した候補点であるとみなし、それ以外の候補点をノイズとして除去する。
上式(40)が成立したときの番号がimaxとして記憶される。なお、Ziは、車両から並び替えられた候補点iの距離を示す。そして、iminからimaxまでの候補点を連続した候補点であるとみなし、それ以外の候補点をノイズとして除去する。
続いて、ステップS814では、道路面パラメータが再推定される。ここでは、ノイズが除去されたiminからimaxの候補点を用い、道路面パラメータを再推定する。なお、道路面パラメータの再推定では、例えば最小2乗法を用いることができる。
本実施形態によれば、道路面の連続性を利用して、隣り合う候補点との間の距離が所定値より大きい候補点が除去されるので、道路面の推定精度を向上させることが可能となる。
上記実施形態では、各パラメータθk={ak,bk,ck}に基づいて道路面モデル生成部32で生成された道路面モデルと、特徴抽出部31から入力された候補点との一致度を評価して各候補点の評価値V(θk,F)を算出した。ここで、自車両から候補点までの距離の検出精度を表す標準偏差の逆数と距離との関係が、例えば図51のように表される場合、この検出精度の値を各候補点の評価値の重みwiとしてもよい。この場合、各候補点の評価値V(θk,F)は、次式(41)により算出される。
本実施形態によれば、カメラ20からの距離が遠く検出精度が低い候補点の評価値を下げることにより、道路面の推定精度を向上することが可能となる。また、評価値の重みwiがしきい値TWより低い候補点が評価のためのデータから除外されるので、計算量を削減することが可能となる。
以上、本発明の実施の形態について説明したが、本発明は、上記実施形態に限定されるものではなく種々の変形が可能である。例えば、画像情報処理装置7〜9では情報処理装置6を用いたが、情報処理装置6に代えて、情報処理装置1〜5を用いてもよい。また、上記実施形態では、パラメータの分布を推定するために、多峰性を有する分布を表現可能なパーティクルフィルタを用いたが、複雑な分布を扱うことができるものであればパーティクルフィルタ以外のもの採用してもよい。
1,2,3,4,5,6…情報処理装置、7,8,9…画像情報処理装置、20…センサ(カメラ)、30…ECU、31…特徴抽出部、32…対象モデル生成部、32A…レーンモデル生成部、32B…道路面モデル生成部、33…パラメータ候補分布取得部、34…パラメータ分布モデル生成部、35…パラメータ推定部、36…対象物数推定部、37…対象物数変化推定部、38…パラメータ候補再設定部、39…ロスト判定部、40…復帰判定部、51…分岐・合流判定部、52…誤検出判定部、53…道路面パラメータ再推定部。
Claims (28)
- センサにより検出された被検出物情報を処理する情報処理装置において、
前記被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を求めるパラメータ候補分布取得手段と、
前記パラメータ候補分布と所定の混合評価分布との適合度に基づいて、前記被検出物のパラメータを推定するパラメータ推定手段と、
前記パラメータ推定手段により推定された前記被検出物パラメータの変化を求める変化検出手段と、を備えることを特徴とする情報処理装置。 - 前記適合度が最大となる前記混合評価分布の極大値の数を探索する探索手段と、
前記探索手段により探索された前記極大値数に応じて前記混合評価分布を設定する設定手段と、をさらに備えることを特徴とする請求項1に記載の情報処理装置。 - 前記探索手段は、前記極大値数の探索を情報処理開始時にのみ実行することを特徴とする請求項2に記載の情報処理装置。
- 前記適合度が最大となる前記混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除手段をさらに備えることを特徴とする請求項2又は3のいずれか1項に記載の情報処理装置。
- 前記適合度が最大となる前記混合評価分布を構成する要素分布ごとに、該要素分布と、対応する前記パラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割手段をさらに備えることを特徴とする請求項2〜4のいずれか1項に記載の情報処理装置。
- 前記パラメータ候補分布取得手段は、前記適合度が最大となる前記混合評価分布を構成する要素分布の大きさに応じて、前記パラメータ候補のサンプリング数を増大することを特徴とする請求項1〜5のいずれか1項に記載の情報処理装置。
- 前記一致度が第1所定値未満、前記適合度が第2所定値未満、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていないと判断するロスト判定手段をさらに備えることを特徴とする請求項1〜6のいずれか1項に記載の情報処理装置。
- 前記一致度が第3所定値以上、前記適合度が第4所定値以上、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていると判断する復帰判定手段をさらに備えることを特徴とする請求項1〜7のいずれか1項に記載の情報処理装置。
- 請求項1〜8のいずれか1項に記載の情報処理装置を備える画像情報処理装置において、
前記センサは、周囲の画像を撮像する撮像手段であり、
前記被検出物は、道路のレーンであり、
前記パラメータは、前記レーンを規定するレーンパラメータであることを特徴とする画像情報処理装置。 - 前記レーンパラメータの変化に基づいて、前記レーンの合流、分岐を認識する認識手段をさらに備えることを特徴とする請求項9に記載の画像情報処理装置。
- 請求項1〜8のいずれか1項に記載の情報処理装置を備える画像情報処理装置において、
前記センサは、周囲を撮像する撮像手段であり、
前記被検出物は、道路面であり、
前記パラメータは、前記道路面を規定する道路面パラメータであることを特徴とする画像情報処理装置。 - 前記道路面パラメータの変化から前記道路面の姿勢変化を求め、この姿勢変化に基づいて前記道路面パラメータを選択する選択手段をさらに備えることを特徴とする請求項11に記載の画像情報処理装置。
- 前記被検出物情報は、前記撮像手段により撮像された画像中の道路面に位置する点の3次元位置であり、
隣り合う点との間の距離が所定値より大きい点を除去する除去手段をさらに備えることを特徴とする請求項12に記載の画像情報処理装置。 - 前記パラメータ候補分布取得手段は、前記パラメータ候補により規定される道路面と前記点との距離に応じて前記道路面と前記点との一致度を求め、その際に、前記撮像手段から前記点までの距離が近くなるほど前記一致度を大きくすることを特徴とする請求項13に記載の画像情報処理装置。
- センサにより検出された被検出物情報を処理する情報処理方法において、
前記被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を求めるパラメータ候補分布取得ステップと、
前記パラメータ候補分布と所定の混合評価分布との適合度に基づいて、前記被検出物のパラメータを推定するパラメータ推定ステップと、
前記パラメータ推定ステップにより推定された前記被検出物パラメータの変化を求める変化検出ステップと、を備えることを特徴とする情報処理方法。 - 前記適合度が最大となる前記混合評価分布の極大値の数を探索する探索ステップと、
前記探索ステップにより探索された前記極大値数に応じて前記混合評価分布を設定する設定ステップと、をさらに備えることを特徴とする請求項15に記載の情報処理方法。 - 前記探索ステップは、情報処理開始時にのみ実行されることを特徴とする請求項16に記載の情報処理方法。
- 前記適合度が最大となる前記混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除ステップをさらに備えることを特徴とする請求項16又は17のいずれか1項に記載の情報処理方法。
- 前記適合度が最大となる前記混合評価分布を構成する要素分布ごとに、該要素分布と、対応する前記パラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割ステップをさらに備えることを特徴とする請求項16〜18のいずれか1項に記載の情報処理方法。
- 前記パラメータ候補分布取得ステップは、前記適合度が最大となる前記混合評価分布を構成する要素分布の大きさに応じて、前記パラメータ候補のサンプリング数を増大することを特徴とする請求項15〜19のいずれか1項に記載の情報処理方法。
- 前記一致度が第1所定値未満、前記適合度が第2所定値未満、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていないと判断するロスト判定ステップをさらに備えることを特徴とする請求項15〜20のいずれか1項に記載の情報処理方法。
- 前記一致度が第3所定値以上、前記適合度が第4所定値以上、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていると判断する復帰判定ステップをさらに備えることを特徴とする請求項15〜21のいずれか1項に記載の情報処理方法。
- 請求項15〜22のいずれか1項に記載の情報処理方法を備える画像情報処理方法において、
前記センサは、周囲の画像を撮像する撮像手段であり、
前記被検出物は、道路のレーンであり、
前記パラメータは、前記レーンを規定するレーンパラメータであることを特徴とする画像情報処理方法。 - 前記レーンパラメータの変化に基づいて、前記レーンの合流、分岐を認識する認識ステップをさらに備えることを特徴とする請求項23に記載の画像情報処理方法。
- 請求項15〜22のいずれか1項に記載の情報処理方法を備える画像情報処理方法において、
前記センサは、周囲を撮像する撮像手段であり、
前記被検出物は、道路面であり、
前記パラメータは、前記道路面を規定する道路面パラメータであることを特徴とする画像情報処理方法。 - 前記道路面パラメータの変化から前記道路面の姿勢変化を求め、この姿勢変化に基づいて前記道路面パラメータを選択する選択ステップをさらに備えることを特徴とする請求項25に記載の画像情報処理方法。
- 前記被検出物情報は、前記撮像手段により撮像された画像中の道路面に位置する点の3次元位置であり、
隣り合う点との間の距離が所定値より大きい点を除去する除去ステップをさらに備えることを特徴とする請求項26に記載の画像情報処理方法。 - 前記パラメータ候補分布取得ステップは、前記パラメータ候補により規定される道路面と前記点との距離に応じて前記道路面と前記点との一致度を求め、その際に、前記撮像手段から前記点までの距離が近くなるほど前記一致度を大きくすることを特徴とする請求項27に記載の画像情報処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005125466A JP2006302133A (ja) | 2005-04-22 | 2005-04-22 | 情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005125466A JP2006302133A (ja) | 2005-04-22 | 2005-04-22 | 情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006302133A true JP2006302133A (ja) | 2006-11-02 |
Family
ID=37470320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005125466A Pending JP2006302133A (ja) | 2005-04-22 | 2005-04-22 | 情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2006302133A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009214786A (ja) * | 2008-03-12 | 2009-09-24 | Honda Motor Co Ltd | 車両走行支援装置、車両、車両走行支援プログラム |
JP2011128844A (ja) * | 2009-12-17 | 2011-06-30 | Fuji Heavy Ind Ltd | 路面形状認識装置 |
JP2014115130A (ja) * | 2012-12-07 | 2014-06-26 | Hitachi Advanced Systems Corp | 移動端末装置及び測位システム |
CN110603570A (zh) * | 2017-05-10 | 2019-12-20 | 富士通株式会社 | 对象物识别方法、装置、系统、程序 |
JP2021009637A (ja) * | 2019-07-03 | 2021-01-28 | 三菱電機株式会社 | 車両走行支援装置および車両走行支援方法 |
-
2005
- 2005-04-22 JP JP2005125466A patent/JP2006302133A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009214786A (ja) * | 2008-03-12 | 2009-09-24 | Honda Motor Co Ltd | 車両走行支援装置、車両、車両走行支援プログラム |
JP2011128844A (ja) * | 2009-12-17 | 2011-06-30 | Fuji Heavy Ind Ltd | 路面形状認識装置 |
JP2014115130A (ja) * | 2012-12-07 | 2014-06-26 | Hitachi Advanced Systems Corp | 移動端末装置及び測位システム |
CN110603570A (zh) * | 2017-05-10 | 2019-12-20 | 富士通株式会社 | 对象物识别方法、装置、系统、程序 |
CN110603570B (zh) * | 2017-05-10 | 2023-08-04 | 富士通株式会社 | 对象物识别方法、装置、系统、程序 |
JP2021009637A (ja) * | 2019-07-03 | 2021-01-28 | 三菱電機株式会社 | 車両走行支援装置および車両走行支援方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693972B (zh) | 一种基于双目序列图像的车辆位置与速度估计方法 | |
CN111337941B (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
Asvadi et al. | 3D object tracking using RGB and LIDAR data | |
Ferryman et al. | Visual surveillance for moving vehicles | |
EP2249311B1 (en) | Systems and methods for extracting planar features, matching the planar features, and estimating motion from the planar features | |
Jung et al. | A lane departure warning system using lateral offset with uncalibrated camera | |
US20200349366A1 (en) | Onboard environment recognition device | |
Cheng et al. | Curb detection for road and sidewalk detection | |
US10288425B2 (en) | Generation of map data | |
US9361696B2 (en) | Method of determining a ground plane on the basis of a depth image | |
CN111612728B (zh) | 一种基于双目rgb图像的3d点云稠密化方法和装置 | |
KR101628155B1 (ko) | Ccl을 이용한 실시간 미확인 다중 동적물체 탐지 및 추적 방법 | |
JP2012118909A (ja) | 走行支援装置 | |
TWI504858B (zh) | A vehicle specification measuring and processing device, a vehicle specification measuring method, and a recording medium | |
JPH07129898A (ja) | 障害物検出装置 | |
Ieng et al. | On the design of a single lane-markings detectors regardless the on-board camera's position | |
KR20150084234A (ko) | 차량 및 차선 위치 검출 시스템 및 방법 | |
EP3324359B1 (en) | Image processing device and image processing method | |
JP2016057750A (ja) | 自車走行レーン推定装置及びプログラム | |
Nurunnabi et al. | Robust segmentation for multiple planar surface extraction in laser scanning 3D point cloud data | |
Daraei et al. | Velocity and shape from tightly-coupled LiDAR and camera | |
CN101383005A (zh) | 一种利用辅助规则纹理的乘客目标图像和背景分离方法 | |
JP2006302133A (ja) | 情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法 | |
Schütz et al. | Occupancy grid map-based extended object tracking | |
Wietrzykowski et al. | PlaneLoc: Probabilistic global localization in 3-D using local planar features |