JP2008171140A - 画像処理装置および方法、並びに、プログラム - Google Patents

Abstract

【課題】オブジェクトの特徴の検出性能を向上させる。
【解決手段】ステップＳ５２において、ROI内の画素のうち特徴量が閾値以上の画素が特徴点候補として抽出される。ステップＳ５４において、ROI内のオブジェクトまでの距離に基づいて特徴点密度パラメータが設定される。ステップＳ５６乃至Ｓ６０において、特徴量が高い順に特徴点候補の中から特徴点を抽出するとともに、抽出された特徴点からの距離が特徴点密度パラメータ以内の特徴点候補を特徴点として抽出しないようにする。ステップＳ６１において、ROI内から抽出された特徴点を示す特徴点リストが出力される。本発明は、車載用の障害物検出装置に適用できる。
【選択図】図１１

Description

本発明は、画像処理装置および方法、並びに、プログラムに関し、特に、オブジェクトの特徴を検出する画像処理装置および方法、並びに、プログラムに関する。

従来、車載用画像処理装置において、消失点座標、車速、および、鉛直方向軸周りの車両のヨーレートに基づいて、画像解析処理の対象となる画像データのサイズおよび位置を変化させることが提案されている（例えば、特許文献１参照）。

また、従来、画像内の所定の部分領域ごとの被写体の距離情報に基づいて、各被写体の境界を特定し、所定の被写体をトリミングしたり、強調したりすることが提案されている（例えば、特許文献２参照）。

国際公開２００５／２４７５４号パンフレット 特開２００６−３１１５０５号公報

ところで、車載用の障害物検出装置においては、例えば、車両の前方を撮影した画像のコーナーの強度を特徴量として算出し、算出した特徴量に基づいて特徴点を抽出し、抽出した特徴点を用いて、車両の前方のオブジェクトの動きを検出することが行われている。

しかしながら、特徴量に基づいて特徴点を抽出した場合、遠方のオブジェクトについては、抽出される特徴点の数が不足し、検出精度が悪くなる場合がある。また、近くのオブジェクトについては、必要以上に特徴点が抽出されてしまい、処理の負荷が大きくなってしまう場合がある。

本発明は、このような状況に鑑みてなされたものであり、オブジェクトの特徴の検出性能を向上させるようにするものである。

本発明の一側面の画像処理装置は、画像内の指定された領域であって、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量を算出する特徴量算出手段と、領域内において、特徴量が所定の閾値以上となる画素である特徴点候補の中からオブジェクトの特徴を検出するための特徴点を、オブジェクトの車両からの距離が遠いほど高い密度で抽出する特徴点抽出手段とを備える。

本発明の一側面の画像処理装置においては、画像内の指定された領域であって、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量が算出され、領域内において、特徴量が所定の閾値以上となる画素である特徴点候補の中からオブジェクトの特徴を検出するための特徴点が、オブジェクトの車両からの距離が遠いほど高い密度で抽出される。

従って、オブジェクトの特徴の検出性能を向上させることができる。

この特徴量算出手段、特徴点抽出手段は、例えば、CPU（Central Processing Unit）により構成される。

この画像処理装置は、例えば、オブジェクトの車両のからの距離が遠いほど小さくなるように、特徴点の間に設ける間隔の最小値である最小間隔を設定する最小間隔設定手段をさらに備え、特徴点抽出手段には、特徴点の間隔が最小間隔より大きくなるように、特徴点候補の中から特徴点を抽出させることができる。

これにより、狭い範囲内に特徴点が集中しないように制御することができる。

この最小間隔設定手段は、例えば、CPU（Central Processing Unit）により構成される。

特徴点抽出手段には、特徴点候補の中から特徴量が高い順に特徴点を抽出させるとともに、抽出された特徴点からの距離が最小間隔以内の特徴点候補を特徴点として抽出させないようにすることができる。

これにより、狭い範囲内に特徴点が集中しないように制御するとともに、よりオブジェクトの特徴を表す特徴点を抽出することができる。

この特徴量は、画像のコーナーの強度とすることができる。

これにより、画像のコーナーに基づくオブジェクトの特徴の検出性能を向上させることができる。

この特徴点は、オブジェクトの動きベクトルの検出に用いられるようにすることができる。

これにより、オブジェクトの動きの検出性能を向上させることができる。

この画像は、車両に設けられたカメラにより車両の周囲を撮影した画像とすることができ、このレーダは、車両に設けることができ、このオブジェクトは、レーダにより車両の周囲において検出されたオブジェクトとすることができる。

これにより、車両の周囲において検出されたオブジェクトの特徴の検出性能を向上させることができる。

本発明の一側面の検出方法またはプログラムは、画像内の指定された領域であって、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量を算出する特徴量算出ステップと、領域内において、特徴量が所定の閾値以上となる画素である特徴点候補の中からオブジェクトの特徴を検出するための特徴点を、オブジェクトの車両からの距離が遠いほど高い密度で抽出する特徴点抽出ステップとを含む。

本発明の一側面の検出方法またはプログラムにおいては、画像内の指定された領域であって、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量が算出され、領域内において、特徴量が所定の閾値以上となる画素である特徴点候補の中からオブジェクトの特徴を検出するための特徴点が、オブジェクトの車両からの距離が遠いほど高い密度で抽出される。

従って、オブジェクトの特徴の検出性能を向上させることができる。

この特徴量算出ステップは、例えば、CPUにより、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量を算出する特徴量算出ステップにより構成され、この特徴点抽出ステップは、例えば、CPUにより、領域内において、特徴量が所定の閾値以上となる画素である特徴点候補の中からオブジェクトの特徴を検出するための特徴点を、オブジェクトの車両からの距離が遠いほど高い密度で抽出する特徴点抽出ステップにより構成される。

本発明の一側面によれば、画像内の指定された領域から、オブジェクトの特徴を検出するための特徴点を抽出することができる。また、本発明の一側面によれば、オブジェクトの特徴の検出性能を向上させることができる。

以下、図を参照して、本発明の実施の形態について説明する。

図１は、本発明を適用した障害物検出システムの一実施の形態を示すブロック図である。図１の障害物検出システム１０１は、例えば、車両に設けられ、障害物検出システム１０１が設けられた車両（以下、自車とも称する）の前方の人（例えば、歩行者、立ち止まっている人など）の検出を行い、検出結果に応じて、自車の動作を制御する。

障害物検出システム１０１は、レーザレーダ１１１、カメラ１１２、車速センサ１１３、ヨーレートセンサ１１４、障害物検出装置１１５、および、車両制御装置１１６を含むように構成される。

レーザレーダ１１１は、例えば、水平方向に走査を行う１次元スキャン方式のレーザレーダにより構成される。レーザレーダ１１１は、自車の前方に向けて自車の底面に対してほぼ水平に設置され、レーザレーダ１１１からのビーム（レーザ光）の反射光の強度が所定の閾値以上となる自車の前方のオブジェクト（例えば、車両、人、障害物、建築物、路側構造物、道路標識、信号など）を検出する。レーザレーダ１１１は、所定の間隔で、検出したオブジェクトのレーダ座標系におけるｘ軸およびｚ軸方向の位置（X，Z）、および、ｘ軸およびｚ軸方向の自車に対するオブジェクトの相対速度（dX，dZ）を含むオブジェクト情報を障害物検出装置１１５に供給する。レーザレーダ１１１から供給されたオブジェクト情報は、障害物検出装置１１５の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１５の各部が使用できる状態にされる。

なお、レーダ座標系は、レーザレーダ１１１のビームの出射口を原点とし、自車の距離方向（前後方向）をｚ軸方向とし、ｚ軸方向に垂直な高さ方向をｙ軸方向とし、ｚ軸方向およびｙ軸方向に垂直な自車の横断方向（左右方向）をｘ軸方向とする座標系である。なお、レーダ座標系の右方向をｘ軸の正の方向とし、上方向をy軸の正の方向とし、前方向をｚ軸の正の方向とする。

また、オブジェクトのｘ軸方向の位置Xは、オブジェクトからの反射光を受信したときのビームの走査角度により求められ、ｚ軸方向の位置Zは、ビームが出射されてからオブジェクトからの反射光を受信するまでの遅延時間により求められる。また、時刻tにおけるオブジェクトの相対速度(dX(t)，dZ(t))は、以下の式（１）および式（２）により求められる。

なお、式（１）および式（２）のNはオブジェクトを追跡した回数を示し、X(t-k)およびZ(t-k)は、k回前のオブジェクトのx軸方向およびz軸方向の位置を示す。すなわち、オブジェクトの相対速度は、オブジェクトの位置の変位量に基づいて算出される。

カメラ１１２は、例えば、CCD撮像素子、CMOS撮像素子、または、対数変換型撮像素子などを用いたカメラにより構成される。カメラ１１２は、自車の前方に向けて自車の底面に対してほぼ水平に設置され、所定の間隔で、自車の前方を撮影した画像（以下、前方画像と称する）を障害物検出装置１１５に出力する。カメラ１１２から供給された前方画像は、障害物検出装置１１５の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１５の各部が使用できる状態にされる。

なお、レーザレーダ１１１とカメラ１１２の中心軸（光軸）は、相互にほぼ平行であることが望ましい。

車速センサ１１３は、自車の車速を検出し、検出した車速を示す信号を障害物検出装置１１５の位置判定部１５１、速度判定部１５２、および、クラスタリング部１６５のベクトル分類部２６２（図４）に供給する。なお、車速センサ１１３を、例えば、自車に設けられている車速センサにより構成するようにしてもよいし、専用のセンサにより構成するようにしてもよい。

ヨーレートセンサ１１４は、自車の旋回方向の角速度を検出するセンサであり、検出した角速度を示す信号を障害物検出装置１１５のクラスタリング部１６５のベクトル変換部２６１（図４）に供給する。なお、ヨーレートセンサ１１４を、例えば、自車に設けられているヨーレートセンサにより構成するようにしてもよいし、専用のセンサにより構成するようにしてもよい。

障害物検出装置１１５は、例えば、CPU（Central Processing Unit）、ROM（Read Only Memory）、RAM（Random Access Memory）などにより構成され、自車の前方に存在する人を検出し、検出結果を示す情報を車両制御装置１１６に供給する。

ここで、図２および図３を参照して、障害物検出装置１１５により行われる処理の概要について説明する。図２は、レーザレーダ１１１の検出結果の例を示す鳥瞰図である。図内の距離は自車からの距離を示しており、４本の縦線のうち内側の２本は、自車の車幅を示し、外側の２本は自車が走行している車線の幅を示している。図２の例においては、車線内右側の自車からの距離が20mを超えた付近にオブジェクト２０１が検出され、車線の左側外の自車からの距離が30mを超えた付近および40ｍ付近に、それぞれ、オブジェクト２０２および２０３が検出されている。

図３は、図２に示される検出が行われた時刻と同時刻にカメラ１１２により撮影された前方画像の例を示している。障害物検出装置１１５は、図５などを参照して後述するように、図３に示される前方画像において、オブジェクト２０１に対応する領域２１１、オブジェクト２０２に対応する領域２１２、および、オブジェクト２０３に対応する領域２１３をROI（Region Of Interest、関心領域）に設定し、設定したROIに対して画像処理を行うことにより、自車の前方の人の検出を行う。そして、図３の例の場合、ROI２１１内の領域２２１内に存在する人の位置、移動方向、速度などが検出結果として、障害物検出装置１１５から車両制御装置１１６に出力される。

なお、図５などを参照して後述するように、障害物検出装置１１５は、レーザレーダ１１１により検出された全てのオブジェクトに対して処理を行うのではなく、オブジェクトの位置および速度に基づいて、処理対象となるオブジェクトを抽出し、抽出したオブジェクトに対してのみ処理を行う。

図１に戻り、障害物検出装置１１５は、オブジェクト情報処理部１３１、画像処理部１３２、および、出力部１３３を含むように構成される。

オブジェクト情報処理部１３１は、レーザレーダ１１１からのオブジェクト情報の処理を行うブロックであり、オブジェクト抽出部１４１および特徴点密度パラメータ設定部１４２を含むように構成される。

オブジェクト抽出部１４１は、レーザレーダ１１１により検出されたオブジェクトのうち、画像処理部１３２において処理する対象となるオブジェクトを抽出するブロックであり、位置判定部１５１および速度判定部１５２を含むように構成される。

位置判定部１５１は、図６などを参照して後述するように、車速センサ１１３により検出された自車の速度に基づいて検知領域を設定し、レーザレーダ１１１により検出されたオブジェクトの中から検知領域内に存在するオブジェクトを抽出することにより、画像処理部１３２の処理対象とするオブジェクトを絞り込む。位置判定部１５１は、オブジェクトの抽出結果を示す情報を速度判定部１５２に供給する。

速度判定部１５２は、図６などを参照して後述するように、位置判定部１５１により抽出されたオブジェクトの中から、速度が所定の条件を満たすオブジェクトを抽出することにより、画像処理部１３２の処理対象とするオブジェクトを絞り込む。速度判定部１５２は、オブジェクトの抽出結果を示す情報、および、抽出したオブジェクトに対応するオブジェクト情報をROI設定部１６１に供給する。また、速度判定部１５２は、オブジェクトの抽出結果を示す情報を特徴点密度パラメータ設定部１４２に供給する。

特徴点密度パラメータ設定部１４２は、図１１などを参照して後述するように、ROI設定部１６１により設定された各ROIについて、ROI内のオブジェクトの自車からの距離に基づいて、ROI内において抽出する特徴点の密度を示す特徴点密度パラメータを設定する。特徴点密度パラメータ設定部１４２は、設定した特徴点密度パラメータを示す情報を特徴点抽出部１６３に供給する。

画像処理部１３２は、カメラ１１２により撮影された前方画像を画像処理するブロックであり、ROI設定部１６１、特徴量算出部１６２、特徴点抽出部１６３、ベクトル検出部１６４、および、クラスタリング部１６５を含むように構成される。

ROI設定部１６１は、図９などを参照して後述するように、オブジェクト抽出部１４１により抽出された各オブジェクトに対するROIを設定する。ROI設定部１６１は、各ROIの前方画像上の位置を示す情報を特徴量算出部１６２に供給する。また、ROI設定部１６１は、各ROI内のオブジェクトの自車からの距離を示す情報をクラスタリング部１６５のベクトル分類部２６２（図４）に供給する。さらに、ROI設定部１６１は、各ROIの前方画像上およびレーダ座標系における位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。また、ROI設定部１６１は、各ROIの前方画像上の位置およびレーダ座標系における位置を示す情報、並びに、各ROI内のオブジェクトに対応するオブジェクト情報を出力部１３３に供給する。

特徴量算出部１６２は、図１１などを参照して後述するように、各ROI内の各画素の所定の種類の特徴量を算出する。特徴量算出部１６２は、処理を行ったROIの前方画像上の位置、および、ROI内の各画素の特徴量を示す情報を特徴点抽出部１６３に供給する。

特徴点抽出部１６３は、特徴点抽出部１６３は、特徴点を抽出するROIの前方画像上の位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。特徴点抽出部１６３は、図１１などを参照して後述するように、各画素の特徴量および特徴点密度パラメータに基づいて、各ROIの特徴点を抽出する。特徴点抽出部１６３は、処理を行ったROIの前方画像上の位置を示す情報、および、抽出した特徴点の位置を示す情報をベクトル検出部１６４に供給する。

ベクトル検出部１６４は、図１１などを参照して後述するように、特徴点抽出部１６３により抽出された各特徴点における動きベクトルを検出する。ベクトル検出部１６４は、処理を行ったROIの前方画像上の位置、および、検出した動きベクトルを示す情報をクラスタリング部１６５のベクトル変換部２６１（図４）に供給する。

クラスタリング部１６５は、図２２などを参照して後述するように、各ROI内のオブジェクトの種類を分類する。クラスタリング部１６５は、分類した結果を示す情報を出力部１３３に供給する。

出力部１３３は、検出されたオブジェクトの種類、位置、移動方向、および、速度などの検出結果を示す情報を車両制御装置１１６に供給する。

車両制御装置１１６は、例えば、ECU（Electronic Control Unit）により構成され、障害物検出装置１１５による検出結果に基づいて、自車および自車に設けられている各種の車載装置の動作を制御する。

図４は、クラスタリング部１６５の機能的構成を詳細に示すブロック図である。クラスタリング部１６５は、ベクトル変換部２６１、ベクトル分類部２６２、オブジェクト分類部２６３、移動物体分類部２６４、および、静止物体分類部２６５を含むように構成される。

ベクトル変換部２６１は、図２２を参照して後述するように、ヨーレートセンサ１１４により検出された自車の旋回方向の角速度に基づいて、ベクトル検出部１６４により検出された動きベクトルの成分から、自車の旋回方向の回転に伴うカメラ１１２の旋回方向の回転により生じた成分を除いた動きベクトル（以下、変換ベクトルとも称する）を求める。ベクトル変換部２６１は、処理を行ったROIの前方画像上の位置、および、求めた変換ベクトルを示す情報をベクトル分類部２６２に供給する。

ベクトル分類部２６２は、図２２などを参照して後述するように、変換ベクトル、前方画像における特徴点の位置、自車からオブジェクトまでの距離、および、車速センサ１１３により検出された自車の速度に基づいて、各特徴点において検出された動きベクトルの種類を検出する。ベクトル分類部２６２は、処理を行ったROIの前方画像上の位置、および、検出した動きベクトルの種類を示す情報をオブジェクト分類部２６３に供給する。

オブジェクト分類部２６３は、図２２を参照して後述するように、動きベクトルの分類結果に基づいて、ROI内のオブジェクトを移動している物体（以下、移動物体とも称する）、または、静止している物体（以下、静止物体とも称する）のいずれかに分類する。オブジェクト分類部２６３は、ROI内のオブジェクトを移動物体に分類した場合、その移動物体を含むROIの前方画像上における位置を示す情報を移動物体分類部２６４に供給する。また、オブジェクト分類部２６３は、ROI内のオブジェクトが静止物体であると判定した場合、その静止物体を含むROIの前方画像上における位置を示す情報を静止物体分類部２６５に供給する。

移動物体分類部２６４は、所定の画像認識の手法を用いて、ROI内の移動物体の種類を検出する。移動物体分類部２６４は、移動物体の種類、および、その移動物体を含むROIの前方画像上の位置を示す情報を出力部１３３に供給する。

静止物体分類部２６５は、所定の画像認識の手法を用いて、ROI内の静止物体の種類を分類する。静止物体分類部２６５は、静止物体の種類、および、その静止物体を含むROIの前方画像上の位置を示す情報を出力部１３３に供給する。

次に、図５のフローチャートを参照して、障害物検出システム１０１により実行される障害物検出処理について説明する。なお、この処理は、例えば、自車のエンジンが始動されたとき、開始される。

ステップＳ１において、レーザレーダ１１１は、オブジェクトの検出を開始する。レーザレーダ１１１は、検出したオブジェクトの位置および相対速度を含むオブジェクト情報の障害物検出装置１１５への供給を開始する。レーザレーダ１１１から供給されたオブジェクト情報は、障害物検出装置１１５の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１５の各部が使用できる状態にされる。

ステップＳ２において、カメラ１１２は、撮影を開始する。カメラ１１２は、自車の前方を撮影した前方画像の障害物検出装置１１５への供給を開始する。カメラ１１２から供給された前方画像は、障害物検出装置１１５の図示せぬメモリなどに一時的に記憶され、障害物検出装置１１５の各部が使用できる状態にされる。

ステップＳ３において、車速センサ１１３は、車速の検出を開始する。車速センサ１１３は、検出した車速を示す信号の位置判定部１５１、速度判定部１５２、および、ベクトル分類部２６２への供給を開始する。

ステップＳ４において、ヨーレートセンサ１１４は、車両の旋回方向の角速度の検出を開始する。また、ヨーレートセンサ１１４は、検出した角速度を示す信号のベクトル変換部２６１への供給を開始する。

ステップＳ５において、障害物検出装置１１５は、ROI設定処理を行う。ここで、図６のフローチャートを参照して、ROI設定処理の詳細について説明する。

ステップＳ３１において、位置判定部１５１は、オブジェクトの位置に基づいて、処理対象を絞り込む。具体的には、位置判定部１５１は、レーザレーダ１１１により検出されたオブジェクトの位置（X，Z）に基づいて、以下の式（３）を満たすオブジェクトを抽出することにより、処理対象を絞り込む。

|X|＜Xth and Z＜Zth ・・・（３）

なお、式（３）のXthおよびZthは所定の閾値である。従って、図７の車両３０１を自車とした場合、車両３０１の前方の幅Xth×長さZthの検知領域Rth内に存在するオブジェクトが抽出される。

閾値Xthは、例えば、自車の車幅（図７においては、車両３０１の車幅Xc）、または、自車が走行中の車線幅に、余裕分として所定の長さを加えた値に設定される。

また、Zthは、例えば、以下の式（４）に基づいて算出される値に設定される。

Zth(m)＝自車の速度（m/s）×Tc(s) ・・・（４）

なお、時間Tcは、例えば、自車が所定の速度（例えば、60km/h）で走行しているときに、自車の前方の所定の距離（例えば、100m）だけ離れた位置にいる歩行者に衝突するまでの衝突時間（TTC（Time to Collision））などに基づいて設定される定数である。

これにより、自車に衝突する可能性が低い検知領域Rthの外に存在するオブジェクトが処理対象から除かれる。

なお、検知領域は、その領域内に存在するオブジェクトに自車が衝突する可能性に基づいて設定される領域であり、必ずしも図７のように矩形の領域である必要はない。また、例えば、カーブの場合には検知領域のXthを広げるようにしてもよい。

位置判定部１５１は、オブジェクトの抽出結果を示す情報を速度判定部１５２に供給する。

ステップＳ３２において、速度判定部１５２は、オブジェクトの速度に基づいて、処理対象を絞り込む。具体的には、速度判定部１５２は、位置判定部１５１により抽出されたオブジェクトの中から、以下の式（５）を満たすオブジェクトを抽出することにより、処理対象を絞り込む。

|Vv(t)＋dZ(t)|≦ε ・・・（５）

なお、Vv(t)は、時刻tにおける自車の速度を表し、dZ(t)は、上述したように、時刻tにおける自車に対するオブジェクトのz軸方向（距離方向）の相対速度を表す。また、εは所定の閾値を表す。

これにより、図８に示されるように、検知領域内に存在するオブジェクトのうち、自車の距離方向の速度が所定の閾値より大きいオブジェクト、例えば、先行車両および対向車両などが処理対象から除かれ、自車の距離方向の速度が所定の閾値以下のオブジェクト、例えば、歩行者、路側構造物、停止車両、自車に対して横断方向に走行している車両などが処理対象として抽出される。従って、動きベクトルを用いた画像認識において歩行者との区別が困難な先行車両および対向車両が処理対象から除かれるため、処理の負荷を軽減できるとともに、検出性能を向上させることができる。

速度判定部１５２は、オブジェクトの抽出結果、および、抽出したオブジェクトに対応するオブジェクト情報を、ROI設定部１６１に供給する。また、速度判定部１５２は、オブジェクトの抽出結果を示す情報を特徴点密度パラメータ設定部１４２に供給する。

ステップＳ３３において、ROI設定部１６１は、ROIを設定する。ここで、図９を参照して、ROIの設定方法の一例について説明する。

まず、図９の左側のオブジェクト３２１によりビームＢＭ１１が反射された場合について考える。なお、レーザレーダ１１１から出射されるビームは、実際には縦長の楕円形をしているが、図９では、説明を簡単にするために長方形により示している。まず、BM１１の幅および高さとほぼ等しい長方形の領域ＯＲ１１の中心点ＯＣ１１が、オブジェクト３２１の中心として求められる。中心点ＯＣ１１のレーダ座標系における位置を（X1，Y1，Z1）とした場合、X1およびZ1はレーザレーダ１１１から供給されるオブジェクト情報から求められ、Y1はレーザレーダ１１１の設置位置の地面からの高さから求められる。そして、中心点ＯＣ１１を中心とする高さ２Ａ（ｍ）×幅２Ｂ（ｍ）の領域３２２が、オブジェクト３２１に対するROIに設定される。なお、２Ａおよび２Ｂの値は、標準的な歩行者の大きさに余裕分として所定の長さを加えた値に設定される。

次に、図９の右側のオブジェクト３２３によりビームＢＭ１２−１乃至ＢＭ１２−３が反射された場合について考える。この場合、反射点の距離の差が所定の閾値以内であるビームは同じオブジェクトから反射されてきたものと判断され、ビームＢＭ１２−１乃至ＢＭ１２−３がグループ化される。次にグループ化されたビームＢＭ１２−１乃至ＢＭ１２−３の幅および高さとほぼ等しい長方形の領域ＯＲ１２の中心点ＯＣ１２が、オブジェクト３２３の中心として求められる。中心点ＯＣ１２のレーダ座標系における位置を（X2，Y2，Z2）とした場合、X2およびZ2はレーザレーダ１１１から供給されるオブジェクト情報から求められ、Y２はレーザレーダ１１１の設置位置の地面からの高さから求められる。そして、中心点ＯＣ１２を中心とする高さ２Ａ(m)×幅２Ｂ(ｍ)の領域３２４が、オブジェクト３２３に対するROIに設定される。

そして、オブジェクト抽出部１４１により抽出された各オブジェクトに対するROIの位置が、以下の関係式（６）乃至（８）に基づいて、レーダ座標系における位置から前方画像における位置に変換される。

なお、(XL，YL，ZL)はレーダ座標系における座標を示し、(Xc，Yc，Zc)はカメラ座標系における座標を示し、(Xp，Yp)は前方画像の座標系における座標を示す。なお、前方画像の座標系は、周知のキャリブレーションによって設定された前方画像の中心(X0，Y0)を原点とし、水平方向をｘ軸方向、垂直方向をｙ軸方向とし、右方向をx軸の正の方向、上方向をy軸の正の方向とする座標系とされる。また、Ｒは３×３の行列、Ｔは３×１の行列を表し、ＲおよびＴは周知のカメラキャリブレーションにより設定される。さらに、Ｆはカメラ１１２の焦点距離を表し、dXpは前方画像の１画素の水平方向の長さ、dYpは前方画像の１画素の垂直方向の長さを表す。

これにより、前方画像において、抽出された各オブジェクトについて、オブジェクトの一部または全部を含み、オブジェクトまでの距離に応じた大きさのROIが設定される。

なお、レーダ座標系を前方画像の座標系に変換する方法の詳細については、例えば、特開２００６−１５１１２５号公報などに開示されている。

ROI設定部１６１は、各ROIの前方画像上の位置を示す情報を特徴量算出部１６２に供給する。また、ROI設定部１６１は、各ROIの前方画像上およびレーダ座標系における位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。さらに、ROI設定部１６１は、各ROIの前方画像上の位置およびレーダ座標系における位置を示す情報、並びに、各ROI内のオブジェクトに対応するオブジェクト情報を出力部１３３に供給する。

図１０は、前方画像およびROIの例を示している。図１０の前方画像３４１においては、前方を横断している歩行者３５１を含むROI３５２、および、車線の左側に設置されているガードレール３５３の一部を含むROI３５４の２つのROIが設定されている。なお、以下、適宜、前方画像３４１を例に挙げながら、障害物検出処理の説明を行う。

図５に戻り、ステップＳ６において、特徴量算出部１６２は、未処理のROIを１つ選択する。すなわち、特徴量算出部１６２は、ROI設定部１６１により設定されたROIのうち、後述するステップＳ７乃至Ｓ９の処理を行っていないROIを１つ選択する。なお、以下、ステップＳ６において選択されたROIを選択ROIとも称する。

ステップＳ７において、障害物検出装置１１５は、特徴点抽出処理を実行する。ここで、図１１のフローチャートを参照して、特徴点抽出処理の詳細について説明する。

ステップＳ５１において、特徴量算出部１６２は、特徴量を算出する。例えば、特徴量算出部１６２は、所定の手法（例えば、ハリスのコーナー検出法など）に基づいて、選択ROI内の画像のコーナーの強度を特徴量として算出する。特徴量算出部１６２は、選択ROIの前方画像上の位置、および、選択ROI内の各画素の特徴量を示す情報を特徴点抽出部１６３に供給する。

ステップＳ５２において、特徴点抽出部１６３は、特徴点候補を抽出する。具体的には、特徴点抽出部１６３は、選択ROI内の各画素のうち、特徴量が所定の閾値を超える画素を特徴点候補として抽出する。

ステップＳ５３において、特徴点抽出部１６３は、特徴量の大きい順に特徴点候補をソートする。

ステップＳ５４において、特徴点密度パラメータ設定部１４２は、特徴点密度パラメータを設定する。具体的には、特徴点抽出部１６３は、選択ROIの前方画像上の位置を示す情報を特徴点密度パラメータ設定部１４２に供給する。特徴点密度パラメータ設定部１４２は、選択ROIのレーダ座標系における位置を求める。そして、特徴点密度パラメータ設定部１４２は、選択ROI内のオブジェクトが歩行者であると仮定して、以下の式（９）に基づいて、その歩行者の前方画像における高さ（単位はピクセル）を推定する。

歩行者の高さ（ピクセル）＝身長（ｍ）×焦点距離（ピクセル）÷距離（ｍ） ・・・（９）

なお、式（９）において、身長は、想定される歩行者の身長の平均値などに基づく定数（例えば、1.7m）であり、焦点距離は、カメラ１１２の焦点距離をカメラ１１２の撮像素子の画素ピッチを用いて表した値であり、距離は、選択ROI内のオブジェクトまでの距離を表し、選択ROIのレーダ座標系における位置により求められる。

次に、特徴点密度パラメータ設定部１４２は、以下の式（１０）に基づいて、特徴点密度パラメータを算出する。

特徴点密度パラメータ（ピクセル）＝歩行者の高さ（ピクセル）÷Pmax ・・・（１０）

なお、Pmaxは所定の定数であり、例えば、歩行者の動きを検出するために、歩行者の高さ方向において抽出することが望ましい特徴点の数などに基づいて設定される。

特徴点密度パラメータは、前方画像におけるオブジェクトが歩行者であると仮定した場合、歩行者の大きさに関わらず、換言すれば、歩行者までの距離に関わらず、その歩行者の画像の高さ方向において抽出される特徴点の数がほぼ一定となるように、各特徴点間に設ける間隔の最小値を表す。すなわち、特徴点密度パラメータは、選択ROI内のオブジェクトの自車からの距離が遠いほど小さくなるように設定される。

特徴点密度パラメータ設定部１４２は、特徴点密度パラメータを示す情報を特徴点抽出部１６３に供給する。

ステップＳ５５において、特徴点抽出部１６３は、ROI内の全ての画素の選択フラグをオンに設定する。選択フラグは、特徴点に設定できる画素であるか否かを示すフラグであり、特徴点に設定される画素の選択フラグはオンに設定され、特徴点に設定できない画素の選択フラグはオフに設定される。特徴点抽出部１６３は、まず、選択ROI内の全ての画素を特徴点に設定できるように、選択ROI内の全ての画素の選択フラグをオンに設定する。

ステップＳ５６において、特徴点抽出部１６３は、未処理の特徴点候補の中から最も順位の高い特徴点候補を選択する。具体的には、特徴点抽出部１６３は、後述するステップＳ５６乃至Ｓ５８の処理を行っていない特徴点候補の中から、ソート順において最も順位が高い特徴点候補、すなわち、特徴量が最も大きい特徴点候補を選択する。

ステップＳ５７において、特徴点抽出部１６３は、選択した特徴点候補の選択フラグがオンであるかを判定する。選択した特徴点候補の選択フラグがオンであると判定された場合、処理はステップＳ５８に進む。

ステップＳ５８において、特徴点抽出部１６３は、選択した特徴点候補の近傍の画素の選択フラグをオフに設定する。具体的には、特徴点抽出部１６３は、選択した特徴点候補からの距離が特徴点密度パラメータの範囲内の画素の選択フラグをオフに設定する。これにより、選択した特徴点候補からの距離が特徴点密度パラメータの範囲内の画素から新たに特徴点が抽出されなくなる。

ステップＳ５９において、特徴点抽出部１６３は、選択した特徴点候補を特徴点リストに追加する。すなわち、選択した特徴点候補が特徴点として抽出される。

一方、ステップＳ５７において、選択した特徴点候補の選択フラグがオフであると判定された場合、ステップＳ５８およびＳ５９の処理はスキップされ、選択した特徴点候補が特徴点リストに追加されずに、処理はステップＳ６０に進む。

ステップＳ６０において、特徴点抽出部１６３は、全ての特徴点候補について処理したかを判定する。全ての特徴点候補について処理していないと判定された場合、処理はステップＳ５６に戻り、ステップＳ６０において、全ての特徴点候補について処理したと判定されるまで、ステップＳ５６乃至Ｓ６０の処理が、繰り返し実行される。すなわち、ROI内の全ての特徴点候補について、特徴量が大きい順にステップＳ５６乃至Ｓ６０の処理が実行される。

ステップＳ６０において、全ての特徴点候補について処理したと判定された場合、処理はステップＳ６１に進む。

ステップＳ６１において、特徴点抽出部１６３は、抽出結果を通知し、特徴点抽出処理は終了する。具体的には、特徴点抽出部１６３は、選択ROIの前方画像上の位置および特徴点リストをベクトル検出部１６４に供給する。

ここで、図１２乃至図１７を参照して、特徴点抽出処理の具体例について説明する。

図１２は、ROI内の各画素の特徴量の一例を示している。図１２のROI３５１内の正方形の各欄は画素を示しており、各画素内には各画素の特徴量が示されている。なお、以下、ROI３５１の左上隅の画素を原点（０，０）とし、水平方向をx軸方向、垂直方向をy軸方向とする座標系を用いて、ROI３５１内の各画素の座標を表す。

ステップＳ５２において、閾値を０に設定し、ROI３５１において特徴量が０を超える画素を特徴点候補として抽出した場合、座標が（２，１）、（５，１）、（５，３）、（２，５）および（５，５）の画素が、特徴点候補ＦＰ１１乃至ＦＰ１５として抽出される。

ステップＳ５３において、図１３に示されるように、ROI３５１内の特徴点候補が特徴量の大きい方から、特徴点候補ＦＰ１２、ＦＰ１３、ＦＰ１５、ＦＰ１１、ＦＰ１４の順にソートされる。

ステップＳ５４において、特徴点密度パラメータが設定されるが、以下、特徴点パラメータが２画素（２ピクセル）に設定されたものとして説明する。

ステップＳ５５において、ROI３５１内の全ての画素の選択フラグがオンに設定される。

ステップＳ５６において、まず、順位が最も高い特徴点候補ＦＰ１２が選択され、ステップＳ５７において、特徴点候補ＦＰ１２の選択フラグがオンであると判定され、ステップＳ５８において、特徴点候補ＦＰ１２からの距離が２画素以内の画素の選択フラグがオフに設定され、ステップＳ５９において、特徴点候補ＦＰ１２が特徴点リストに追加される。

図１４は、この時点におけるROI３５１の状態を示している。図内の斜線で示される画素は、選択フラグがオフに設定されている画素である。この時点で、特徴点候補ＦＰ１２からの距離が２画素である特徴点候補ＦＰ１３の選択フラグがオフに設定されている。

その後、ステップＳ６０において、まだ全ての特徴点候補について処理していないと判定され、処理はステップＳ５６に戻り、ステップＳ５６において、次に特徴点候補ＦＰ１３が選択される。

ステップＳ５７において、特徴点候補ＦＰ１３の選択フラグはオフであると判定され、ステップＳ５８およびＳ５９の処理はスキップされ、特徴点候補ＦＰ１３は特徴点リストに追加されずに、処理はステップＳ６０に進む。

図１５は、この時点におけるROI３５１の状態を示している。特徴点候補ＦＰ１３が特徴点リストに追加されず、かつ、特徴点候補ＦＰ１３の近傍の画素の選択フラグがオフに設定されないため、ROI３５１の状態は、図１４に示される状態から変化しない。

その後、ステップＳ６０において、まだ全ての特徴点候補について処理していないと判定され、処理はステップＳ５６に戻り、ステップＳ５６において、次に特徴点候補ＦＰ１５が選択される。

ステップＳ５７において、特徴点候補ＦＰ１５の選択フラグがオンであると判定され、ステップＳ５８において、特徴点候補ＦＰ１５からの距離が２画素以内の画素の選択フラグがオフに設定され、ステップＳ５９において、特徴点候補ＦＰ１５が特徴点リストに追加される。

図１６は、この時点のROI３５１の状態を示している。特徴点候補ＦＰ１２および特徴点候補ＦＰ１５が特徴点リストに追加され、特徴点候補ＦＰ１２または特徴点候補ＦＰ１５からの距離が２画素以内の画素の選択フラグがオフに設定されている。

その後、特徴点候補ＦＰ１１、特徴点候補ＦＰ１４の順番で、ステップＳ５６乃至Ｓ６０の処理が行われ、特徴点候補ＦＰ１４の処理が終わったとき、ステップＳ６０において、全ての特徴点候補について処理したと判定され、処理はステップＳ６１に進む。

図１７は、この時点のROI３５１の状態を示している。すなわち、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、および、ＦＰ１５が特徴点リストに追加され、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、または、ＦＰ１５からの距離が２画素以内の画素の選択フラグがオフに設定されている。

そして、ステップＳ６１において、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、および、ＦＰ１５が登録された特徴点リストがベクトル検出部１６４に供給される。すなわち、特徴点候補ＦＰ１１、ＦＰ１２、ＦＰ１４、および、ＦＰ１５が特徴点としてROI３５１から抽出される。

このように、特徴点候補の中から特徴量が高い順に特徴点が抽出されるとともに、抽出された特徴点からの距離が特徴点密度パラメータ以下の特徴点候補が特徴点として抽出されなくなる。換言すれば、各特徴点の間隔が特徴点密度パラメータより大きくなるように、特徴点が抽出される。

ここで、図１８および図１９を参照して、特徴量の値のみに基づいて特徴点を抽出した場合と、上述した特徴点抽出処理を用いて特徴点を抽出した場合を比較する。図１８は、前方画像Ｐ１１およびＰ１２において、特徴量の値のみに基づいて特徴点を抽出した場合の例を示し、図１９は、同じ前方画像Ｐ１１およびＰ１２において、上述した特徴点抽出処理を用いて特徴点を抽出した場合の例を示している。なお、前方画像Ｐ１１およびＰ１２内の黒丸が抽出された特徴点を示している。

特徴量の値のみに基づいて特徴点を抽出した場合、図１８の画像Ｐ１１内のオブジェクト３６１のように、自車からオブジェクトまでの距離が近く、オブジェクトの画像が大きく鮮明であるとき、オブジェクト３６１に対応するROI３６２内において、オブジェクト３６１の動きを正確に検出するのに十分な数の特徴点が抽出される。しかし、画像Ｐ１２内のオブジェクト３６３のように、自車からオブジェクトまでの距離が遠く、オブジェクトの画像が小さく不鮮明であるとき、オブジェクト３６３に対応するROI３６４内において、抽出される特徴点の数が減るととともに、オブジェクト３６３以外の領域から抽出される特徴点が増える。すなわち、オブジェクト３６３の動きを正確に検出するのに十分な数の特徴点が抽出されなくなる可能性が高くなる。また、図示はしていないが、逆に、ROI３６２内において、抽出される特徴点の数が増えすぎて、後段の処理において、負荷が増大してしまう場合がある。

一方、上述した特徴点抽出処理を用いて特徴点を抽出した場合、自車からオブジェクトまでの距離が遠いほど高い密度で特徴点が抽出されるため、図１９に示されるように、画像Ｐ１１のROI３６２内および画像Ｐ１２のROI３６４内の両方において、それぞれ、オブジェクト３６１またはオブジェクト３６３の動きを正確に検出するために適切な数の特徴点が抽出される。

図２０は、図１０の前方画像３４１において抽出される特徴点の例を示している。図内の黒丸が特徴点を示しており、ROI３５２およびROI３５４内の画像のコーナーおよびその付近において、特徴点が抽出されている。

なお、以上の説明では、画像のコーナーの強度に基づいて特徴点を抽出する例を示したが、オブジェクトの動きベクトルの検出に適した特徴点を抽出することが可能であれば、それ以外の特徴量を用いて特徴点を抽出するようにしてもよい。また、特徴量を抽出する手法も、特定の手法に限定されるものではなく、正確に、迅速に、かつ、簡単な処理により特徴量を検出できる手法を適用することが望ましい。

図５に戻り、ステップＳ８において、ベクトル検出部１６４は、動きベクトルを検出する。具体的には、ベクトル検出部１６４は、所定の手法に基づいて、選択ROIの各特徴点における動きベクトルを検出する。例えば、ベクトル検出部１６４は、選択ROI内の各特徴点に対応する、次のフレームの前方画像内の画素を検出し、各特徴点から検出した画素に向かうベクトルを、各特徴点における動きベクトルとして検出する。ベクトル検出部１６４は、選択ROIの前方画像上の位置、および、検出した動きベクトルを示す情報をクラスタリング部１６５に供給する。

図２１は、図１０の前方画像３４１において検出される動きベクトルの例を示している。図内の黒丸で示される特徴点を始点とする線が、各特徴点における動きベクトルを示している。

なお、ベクトル検出部１６４が動きベクトルを検出する手法は、例えば、周知のLucas-Kanade法、ブロックマッチング法が代表的であるが、特定の手法に限定されるものではなく、正確に、迅速に、かつ、簡単な処理により動きベクトルを検出できる手法を適用することが望ましい。

図５に戻り、ステップＳ９において、クラスタリング部１６５は、クラスタリング処理を行う。ここで、図２２のフローチャートを参照して、クラスタリング処理の詳細について説明する。

ステップＳ７１において、ベクトル変換部２６１は、未処理の特徴点を１つ選択する。具体的には、ベクトル変換部２６１は、選択ROI内の特徴点のうち、まだステップＳ７２およびＳ７３の処理を行っていない特徴点を１つ選択する。なお、以下、ステップＳ７１において選択された特徴点を選択特徴点とも称する。

ステップＳ７２において、ベクトル変換部２６１は、選択した特徴点における動きベクトルを、カメラ１１２の回転角に基づいて変換する。具体的には、ベクトル変換部２６１は、ヨーレートセンサ１１４により検出された自車の旋回方向の角速度、および、カメラ１１２のフレーム間隔に基づいて、前方画像の現在処理中のフレームと次のフレームとの間に自車が旋回方向に回転した角度、すなわち、自車の旋回方向にカメラ１１２が回転した角度を算出する。ベクトル変換部２６１は、選択特徴点における動きベクトルの成分から、カメラ１１２が自車の旋回方向に回転したことにより生じた成分を除くことにより、自車（カメラ１１２）の距離方向の移動、および、選択特徴点における被写体の動きにより生じた動きベクトル（変換ベクトル）を求める。なお、カメラ１１２の自車の旋回方向の回転により生じる動きベクトルの成分の大きさは、被写体までの距離とは無関係である。

ベクトル変換部２６１は、選択ROIの前方画像上の位置、および、求めた変換ベクトルを示す情報をベクトル分類部２６２に供給する。

ステップＳ７３において、ベクトル分類部２６２は、動きベクトルの種類を検出する。具体的には、まず、ベクトル分類部２６２は、自車から選択ROI内のオブジェクトまでの距離を示す情報をROI設定部１６１から取得する。

カメラ１１２が自車の旋回方向に回転していない場合、前方画像内の静止物体上の画素における動きベクトル（以下、背景ベクトルと称する）、すなわち、自車の距離方向の移動のみにより生じる動きベクトルの向きおよび大きさは、その画素の前方画像上の位置、その静止物体の自車からの距離、および、動きベクトルの検出に用いた２枚の前方画像のフレーム間の時間内に自車が移動した距離に基づいて求めることができる。変換ベクトルは、自車の旋回方向へのカメラ１１２の回転により生じた成分が除かれているため、選択特徴点における変換ベクトルと、選択特徴点において理論的に求められる背景ベクトルとを比較することにより、選択特徴点における動きベクトルが、移動物体の動きベクトル（以下、移動物体ベクトルと称する）または背景ベクトルのいずれであるかを検出することができる。換言すれば、選択特徴点が、移動物体または静止物体のいずれの上にある画素であるかを検出することができる。

ベクトル分類部２６２は、選択特徴点における変換ベクトルと、選択特徴点における理論上の背景ベクトル（カメラ１１２が回転しておらず、かつ、選択特徴点が静止物体上の画素である場合の選択特徴点における動きベクトル）とのx軸方向（前方画像の水平方向）の向きが異なる場合、以下の式（１１）を満たすとき、選択特徴点における動きベクトルは移動物体ベクトルであると判定し、式（１１）を満たさないとき、選択特徴点における動きベクトルは背景ベクトルであると判定する。

|v_x|＞0 ・・・（１１）

なお、v_xは、変換ベクトルのx軸方向の成分を示している。すなわち、選択特徴点における動きベクトルは、選択特徴点における変換ベクトルと理論上の背景ベクトルとのx軸方向の向きが異なる場合、移動物体ベクトルであると判定され、x軸方向の向きが同じ場合、背景ベクトルであると判定される。

また、ベクトル分類部２６２は、選択特徴点における変換ベクトルと理論上の背景ベクトルとのx軸方向の向きが同じ場合、以下の式（１２）を満たすとき、選択特徴点における動きベクトルは移動物体ベクトルであると判定し、式（１２）を満たさないとき、選択特徴点における動きベクトルは背景ベクトルであると判定する。

|v_x|＞x×t_z÷Z ・・・（１２）

なお、xは、選択特徴点の前方画像の中心点（X0，Y0）からのx軸方向の距離（長さ）を表し、t_zは、動きベクトルの検出に用いた２枚の前方画像のフレーム間の時間内に自車が移動した距離を表し、Zは、選択ROI内のオブジェクトの自車からの距離を表す。すなわち、式（１２）の右辺は、カメラ１１２が回転しておらず、かつ、選択特徴点が静止物体上にある場合の選択特徴点における動きベクトルの水平成分の大きさを表している。従って、選択特徴点における動きベクトルは、選択特徴点における変換ベクトルと理論上の背景ベクトルとのx軸方向の向きが同じ場合、変換ベクトルのx軸方向の成分の大きさが式（１２）の右辺より大きいとき、移動物体ベクトルであると判定され、変換ベクトルのx軸方向の成分の大きさが式（１２）の右辺以下のとき、背景ベクトルであると判定される。

ステップＳ７４において、ベクトル分類部２６２は、全ての特徴点について処理したかを判定する。全ての特徴点について処理していないと判定された場合、処理はステップＳ７１に戻り、ステップＳ７４において、全ての特徴点について処理したと判定されるまで、ステップＳ７１乃至Ｓ７４の処理が繰り返し実行される。すなわち、ROI内の全ての特徴点における動きベクトルの種類が検出される。

一方、ステップＳ７４において、全ての特徴点について処理したと判定された場合、処理はステップＳ７５に進む。

ステップＳ７５において、オブジェクト分類部２６３は、オブジェクトの種類を検出する。具体的には、ベクトル分類部２６２は、選択ROIの前方画像上の位置、および、選択ROI内の各動きベクトルの種類を示す情報をオブジェクト分類部２６３に供給する。

オブジェクト分類部２６３は、選択ROI内の動きベクトルを分類した結果に基づいて、選択ROI内のオブジェクトの種類を検出する。例えば、オブジェクト分類部２６３は、選択ROI内の移動物体ベクトルの数が所定の閾値以上である場合、選択ROI内のオブジェクトが移動物体であると判定し、所定の閾値未満である場合、選択ROI内のオブジェクトが静止物体であると判定する。あるいは、例えば、オブジェクト分類部２６３は、選択ROI内の全ての動きベクトルに占める移動物体ベクトルの比率が所定の閾値以上である場合、選択ROI内のオブジェクトが移動物体であると判定し、所定の閾値未満である場合、選択ROI内のオブジェクトが静止物体であると判定する。

ここで、図２３を参照して、オブジェクトの分類処理の具体例について説明する。なお、図２３は、前方画像を模式的に表した図であり、図内の黒の矢印は、ROI３８１内のオブジェクト３８２の動きベクトル、および、ROI３８３内のオブジェクト３８４の動きベクトルを表し、その他の矢印は背景ベクトルを表す。図２３に示されるように、背景ベクトルは、前方画像上のx軸方向のほぼ中央を境にして向きが変わり、左右の両端に近くなるほど、その大きさが大きくなる。また、線３８５乃至３８７は、路上の区分線を表し、線３８８および３８９は、検知領域の境界を表すための補助線である。

図２３に示されるように、オブジェクト３８２は、背景ベクトルの向きとほぼ反対方向に移動している。従って、オブジェクト３８２の動きベクトルとオブジェクト３８２における理論上の背景ベクトルのx軸方向の向きが異なるため、上述した式（１１）に基づいて、オブジェクト３８２の動きベクトルは、移動物体ベクトルであると判定され、オブジェクト３８２は移動物体に分類される。

一方、オブジェクト３８４は、背景ベクトルの向きとほぼ同じ方向に移動している。すなわち、オブジェクト３８４の動きベクトルとオブジェクト３８４における理論上の背景ベクトルのx軸方向の向きが同じになる。この場合、オブジェクト３８４の動きベクトルは、自車の移動による成分とオブジェクト３８４の移動による成分との和になり、理論上の背景ベクトルの大きさより大きくなる。従って、式（１２）に基づいて、オブジェクト３８４の動きベクトルは、移動物体ベクトルであると判定され、オブジェクト３８４は移動物体に分類される。

このように、オブジェクトの移動方向と理論上の背景ベクトルの向きとの関係に関わらず、オブジェクトが移動物体であるか否かを正確に検出することができる。

一方、例えば、特開６−２８２６５５号公報に記載されているように、動きベクトルと理論上の背景ベクトルとのx軸方向の向きのみに基づいて、移動物体を検出するようにした場合、背景ベクトルの向きとほぼ反対方向に移動しているオブジェクト３８２を移動物体に分類することはできるが、背景ベクトルとほほ同じ方向に移動しているオブジェクト３８４を移動物体に分類することはできない。

図２２に戻り、ステップＳ７６において、オブジェクト分類部２６３は、移動物体であるかを判定する。オブジェクト分類部２６３は、ステップＳ７５の処理の結果に基づいて、選択ROI内のオブジェクトが移動物体であると判定した場合、処理はステップＳ７７に進む。

ステップＳ７７において、移動物体分類部２６４は、移動物体の種類を検出し、クラスタリング処理は終了する。具体的には、オブジェクト分類部２６３は、選択ROIの前方画像上の位置を示す情報を移動物体分類部２６４に供給する。移動物体分類部２６４は、例えば、所定の画像認識の手法を用いて、選択ROI内のオブジェクトである移動物体が車両であるか否かを検出する。なお、上述したステップＳ５のROI設定処理において、対向車および先行車が処理対象から除かれているため、この処理により、選択ROI内の移動物体が、自車の横断方向に移動している車両であるか否かが検出される。

このように、検出対象が移動物体に絞り込まれた後、自車に対して横断方向に移動している車両であるか否かを検出するので、検出精度を向上させることができる。また、選択ROI内の移動物体が車両でないと判定された場合、その移動物体は、検知領域内において車両以外の移動する物体であり、人である可能性が高くなる。

移動物体分類部２６４は、選択ROIの前方画像上の位置、および、選択ROI内のオブジェクトの種類を示す情報を出力部１３３に供給する。

一方、ステップＳ７６において、選択ROI内のオブジェクトが静止物体であると判定された場合、処理はステップＳ７８に進む。

ステップＳ７８において、静止物体分類部２６５は、静止物体の種類を検出し、クラスタリング処理は終了する。具体的には、オブジェクト分類部２６３は、選択ROIの前方画像上の位置を示す情報を静止物体分類部２６５に供給する。静止物体分類部２６５は、例えば、所定の画像認識の手法を用いて、選択ROI内のオブジェクトである静止物体が人であるか否かを判定する。すなわち、選択ROI内の静止物体が人であるか、それ以外の物体（例えば、路側構造物、停止車両など）であるかが検出される。

このように、検出対象が静止物体に絞り込まれた後、静止している人であるか否かを検出するので、検出精度を向上させることができる。

静止物体分類部２６５は、選択ROIの前方画像上の位置、および、選択ROI内のオブジェクトの種類を示す情報を出力部１３３に供給する。

図５に戻り、ステップＳ１０において、特徴量算出部１６２は、全てのROIについて処理したかを判定する。まだ全てのROIについて処理していないと判定された場合、処理はステップＳ６に戻り、ステップＳ１０において、全てのROIについて処理したと判定されるまで、ステップＳ６乃至Ｓ１０の処理が繰り返し実行される。すなわち、設定された全てのROI内のオブジェクトの種類が検出される。

ステップＳ１１において、出力部１３３は、検出結果を供給する。具体的には、出力部１３３は、移動物体が検出されたROIのうち車両以外の移動物体が検出されたROI内のオブジェクト、および、静止物体が検出されたROIのうち人が検出されたROI内のオブジェクト、すなわち、人である可能性が高いオブジェクトのレーダ座標系における位置、移動方向、および、速度などの検出結果を示す情報を車両制御装置１１６に供給する。

図２４は、図１０の前方画像３４１における検出結果の例を示す図である。ROI３５２内の領域４０１内のオブジェクト３５１が人である可能性が高いと判定され、オブジェクト３５１のレーダ座標系における位置、移動方向、および、速度などの検出結果を示す情報が車両制御装置１１６に供給される。

ステップＳ１２において、車両制御装置１１６は、検出結果に応じた処理を行う。例えば、車両制御装置１１６は、図示せぬ表示や装置やスピーカなどを用いて、画像や音声により、検出した人との接触や衝突の回避を促す警報を行う。また、例えば、車両制御装置１１６は、検出した人との接触や衝突を回避するように、自車の速度や進行方向などを制御する。

ステップＳ１３において、障害物検出システム１０１は、処理を終了するかを判定する。処理を終了しないと判定された場合、処理はステップＳ５に戻り、ステップＳ１３において、処理を終了すると判定されるまで、ステップＳ５乃至Ｓ１３の処理が繰り返し実行される。

一方、ステップＳ１３において、例えば、自車のエンジンが停止された場合、処理を終了すると判定され、障害物検出処理は終了する。

以上のように、自車の前方に存在するオブジェクトが移動物体または静止物体のいずれであるかを正確に検出することができ、その結果、自車の前方に存在する人の検出性能を向上させることができる。

また、検出処理を行う領域がROI内に限定されるため、検出処理の負荷を軽減することができ、処理速度を高速化したり、検出処理を実現するための装置に要するコストを削減したりすることができる。

さらに、オブジェクトまでの距離に応じてROI内から抽出される特徴点の密度が適切に設定されるので、検出性能を向上させることができるとともに、特徴点が必要以上に抽出されてしまい、検出処理の負荷が増大することが防止される。

なお、以上の説明では、障害物検出装置１１５から、自車の前方に存在する人の位置、移動方向、および、速度などを検出結果として出力する例を示したが、例えば、検出された全ての移動物体および静止物体の種類、位置、移動方向、および、速度などを検出結果として出力するようにしてもよい。あるいは、例えば、横断方向に走行している車両など、所望の種類のみの物体の位置、移動方向、および、速度などを検出結果として出力するようにしてもよい。

また、必要に応じて、移動物体分類部２６４および静止物体分類部２６５において、さらに高精度な画像認識を行い、より詳細に移動物体または静止物体の種類を分類するようにしてもよい。

さらに、移動物体または静止物体の種類を分類する必要がない場合、移動物体または静止物体の種類の検出を行わずに、移動物体または静止物体の位置、移動方向、および、速度などを検出結果として出力するようにしてもよい。

また、図６のROI設定処理において、速度が所定の閾値より大きいオブジェクトを処理対象から除外するようにしたが、逆に、速度が所定の閾値より大きいオブジェクトのみを処理対象とするようにしてもよい。これにより、対向車および先行車の検出精度を低下させることなく、検出処理の負荷を低減させることができる。

さらに、図６のROI設定処理において、速度が所定の閾値より大きいオブジェクトに対するROIを求め、求めたROI以外の領域を処理対象とするようにしてもよい。

また、図１１の特徴点抽出の手法は、上述した動きベクトルを検出するための特徴点を抽出する以外にも、例えば、画像認識における特徴点抽出などにも適用することができる。

さらに、以上の説明では、車両の前方のオブジェクトを検出する例を示したが、本発明は、前方以外の方向のオブジェクトを検出する場合にも適用することができる。

また、以上の説明では、画像の高さ方向において抽出することが望ましい特徴点の数に基づいて、特徴点密度パラメータを設定する例を示したが、例えば、画像の所定の面積あたりにおいて抽出することが望ましい特徴点の数に基づいて、特徴点密度パラメータを設定するようにしてもよい。

なお、本発明は、例えば、自動車、自動二輪車、電車などの車両に設ける障害物検出装置に適用することができる。

上述した障害物検出装置１１５の一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。障害物検出装置１１５の一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。

図２５は、上述した障害物検出装置１１５の一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータにおいて、CPU（Central Processing Unit）５０１，ROM（Read Only Memory）５０２，RAM（Random Access Memory）５０３は、バス５０４により相互に接続されている。

バス５０４には、さらに、入出力インタフェース５０５が接続されている。入出力インタフェース５０５には、キーボード、マウス、マイクロホンなどよりなる入力部５０６、ディスプレイ、スピーカなどよりなる出力部５０７、ハードディスクや不揮発性のメモリなどよりなる記憶部５０８、ネットワークインタフェースなどよりなる通信部５０９、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブルメディア５１１を駆動するドライブ５１０が接続されている。

以上のように構成されるコンピュータでは、CPU５０１が、例えば、記憶部５０８に記憶されているプログラムを、入出力インタフェース５０５及びバス５０４を介して、RAM５０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU５０１）が実行するプログラムは、例えば、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory),DVD(Digital Versatile Disc)等）、光磁気ディスク、もしくは半導体メモリなどよりなるパッケージメディアであるリムーバブルメディア５１１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供される。

そして、プログラムは、リムーバブルメディア５１１をドライブ５１０に装着することにより、入出力インタフェース５０５を介して、記憶部５０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部５０９で受信し、記憶部５０８にインストールすることができる。その他、プログラムは、ROM５０２や記憶部５０８に、あらかじめインストールしておくことができる。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、システムの用語は、複数の装置、手段などより構成される全体的な装置を意味するものとする。

さらに、本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

本発明を適用した障害物検出システムの一実施の形態を示すブロック図である。 レーザレーダの検出結果の例を示す図である。 前方画像の例を示す図である。 図１のクラスタリング部の機能的構成の詳細を示すブロック図である。 障害物検出システムにより実行される障害物検出処理を説明するためのフローチャートである。 図５のステップＳ５のROI設定処理の詳細を説明するためのフローチャートである。 検知領域の例を示す図である。 処理対象として抽出されるオブジェクトの種類を説明するための図である。 ROIの設定方法の例を説明するための図である。 前方画像およびROIの例を示す図である。 図５のステップＳ７の特徴点抽出処理の詳細を説明するためのフローチャートである。 ROI内の各画素の特徴量の例を示す図である。 特徴点候補のソートを説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴点抽出処理の具体例を説明するための図である。 特徴量のみに基づいて抽出した特徴点の例を示す図である。 図１１の特徴点抽出処理により抽出した特徴点の例を示す図である。 図１０の前方画像において抽出された特徴点の例を示す図である。 図１０の前方画像において検出された動きベクトルの例を示す図である。 図５のステップＳ９のクラスタリング処理の詳細を説明するための図である。 動きベクトルの種類の検出方法を説明するための図である。 図１０の前方画像における検出結果の例を示す図である。 コンピュータの構成の例を示すブロック図である。

符号の説明

１０１ 障害物検出システム
１１１ レーザレーダ
１１２ カメラ
１１３ 車速センサ
１１４ ヨーレートセンサ
１１５ 障害物検出装置
１１６ 車両制御装置
１３１ オブジェクト情報処理部
１３２ 画像処理部
１３３ 出力部
１４１ オブジェクト抽出部
１４２ 特徴点密度パラメータ設定部
１５１ 位置判定部
１５２ 速度判定部
１６１ ROI設定部
１６２ 特徴量算出部
１６３ 特徴点抽出部
１６４ ベクトル検出部
１６５ クラスタリング部
２６１ ベクトル変換部
２６２ ベクトル分類部
２６３ オブジェクト分類部
２６４ 移動物体分類部
２６５ 静止物体分類部

Claims (8)

1. 画像内の指定された領域であって、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量を算出する特徴量算出手段と、
   前記領域内において、前記特徴量が所定の閾値以上となる画素である特徴点候補の中から前記オブジェクトの特徴を検出するための特徴点を、前記オブジェクトの前記車両からの距離が遠いほど高い密度で抽出する特徴点抽出手段と
   を含む画像処理装置。
2. 前記オブジェクトの前記車両のからの距離が遠いほど小さくなるように、前記特徴点の間に設ける間隔の最小値である最小間隔を設定する最小間隔設定手段を
   さらに含み、
   前記特徴点抽出手段は、前記特徴点の間隔が前記最小間隔より大きくなるように、前記特徴点候補の中から前記特徴点を抽出する
   請求項１に記載の画像処理装置。
3. 前記特徴点抽出手段は、前記特徴点候補の中から前記特徴量が高い順に前記特徴点を抽出するとともに、抽出された前記特徴点からの距離が前記最小間隔以内の前記特徴点候補を前記特徴点として抽出しない
   請求項２に記載の画像処理装置。
4. 前記特徴量は、前記画像のコーナーの強度である
   請求項１に記載の画像処理装置。
5. 前記特徴点は、前記オブジェクトの動きベクトルの検出に用いられる
   請求項１に記載の画像処理装置。
6. 前記画像は、車両に設けられたカメラにより前記車両の周囲を撮影した画像であり、
   前記レーダは、車両に設けられ、
   前記オブジェクトは、前記レーダにより前記車両の周囲において検出されたオブジェクトである
   請求項１に記載の画像処理装置。
7. 画像内の指定された領域であって、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量を算出する特徴量算出ステップと、
   前記領域内において、前記特徴量が所定の閾値以上となる画素である特徴点候補の中から前記オブジェクトの特徴を検出するための特徴点を、前記オブジェクトの前記車両からの距離が遠いほど高い密度で抽出する特徴点抽出ステップと
   を含む画像処理方法。
8. 画像内の指定された領域であって、レーダにより検出されたオブジェクトの一部または全部を含む領域内の画素の特徴量を算出する特徴量算出ステップと、
   前記領域内において、前記特徴量が所定の閾値以上となる画素である特徴点候補の中から前記オブジェクトの特徴を検出するための特徴点を、前記オブジェクトの前記車両からの距離が遠いほど高い密度で抽出する特徴点抽出ステップと
   を含む処理をコンピュータに実行させるプログラム。

Images