JP2011186584A - Object recognition apparatus - Google Patents
Object recognition apparatus Download PDFInfo
- Publication number
- JP2011186584A JP2011186584A JP2010048867A JP2010048867A JP2011186584A JP 2011186584 A JP2011186584 A JP 2011186584A JP 2010048867 A JP2010048867 A JP 2010048867A JP 2010048867 A JP2010048867 A JP 2010048867A JP 2011186584 A JP2011186584 A JP 2011186584A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- layer
- distance
- vehicle
- laser radar
- 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
Abstract
Description
この発明は、車載レーダの反射の検出パターンから車両、自転車、人（歩行者）等を区別して認識する物体認識装置に関する。 The present invention relates to an object recognition device that distinguishes and recognizes a vehicle, a bicycle, a person (pedestrian), and the like from a reflection detection pattern of an in-vehicle radar.
従来、車両の分野においては、様々な予防安全技術の研究開発が行われており、前方衝突被害軽減システムや後側方警報システムなどの種々の予防安全システムが実用化されている。しかしながら、これらの従来システムはいずれも車両（自動車）を認識するにとどまり、適用範囲が狭く、車両以外の障害物（自転車、歩行者等）も多く混在する複雑な交通環境には適用が困難である。 Conventionally, various preventive safety technologies have been researched and developed in the field of vehicles, and various preventive safety systems such as a front collision damage reduction system and a rear side warning system have been put into practical use. However, these conventional systems only recognize vehicles (automobiles), have a narrow application range, and are difficult to apply in complex traffic environments where many obstacles (bicycles, pedestrians, etc.) other than vehicles are mixed. is there.
車両等の障害物の認識は、車載カメラを用いた画像処理で行なうことも可能であるが、そのためにカメラを用意する必要がある。一方、レーザレーダに代表される車載レーダは、測距レーダ等として車両に搭載されることが多く、車載レーダを用いて車両等の障害物を認識することがより実用的で安価である。 Obstacles such as vehicles can be recognized by image processing using an in-vehicle camera, but a camera must be prepared for this purpose. On the other hand, an on-vehicle radar represented by a laser radar is often mounted on a vehicle as a ranging radar or the like, and it is more practical and inexpensive to recognize an obstacle such as a vehicle using the on-vehicle radar.
そして、車載レーダの反射の検出パターンから車両、自転車、歩行者等の様々な物体を区別して認識することができれば、前記の複雑な交通環境において極めて有用であり、前記の予防安全システムの適用範囲を広げるのに大きく貢献する。 If various objects such as vehicles, bicycles, and pedestrians can be distinguished and recognized from the reflection detection pattern of the in-vehicle radar, it is extremely useful in the complex traffic environment, and the application range of the preventive safety system is Greatly contributes to broadening
ところで、近年の車載レーダの性能は著しく向上しており、例えばレーザレーダの場合、従来は、主に車両のリフレクタでの反射しか得られなかったが、近年は、近赤外線を利用すること等により、自転車（主にフレーム部分）や歩行者（主に足の部分）などでの反射も得られる。 By the way, the performance of in-vehicle radar in recent years has been remarkably improved. For example, in the case of laser radar, hitherto, only reflection by a vehicle reflector has been obtained, but in recent years, by using near infrared rays, etc. Reflection on bicycles (mainly frame parts) and pedestrians (mainly foot parts) can also be obtained.
そして、この種の車載レーダの反射の検出パターンから物体を認識する方法として、従来、車載レーダとしてのレーザレーダにより検出されたある時点の反射点群（クラスタ）の検出パターンが、設定したＬ、Ｉ、Ｏの３種類のパターンのいずれに属するかによって、認識対象の物体が矩形形状、フェンスや壁、その他の形状のいずれの種類の物体であるかを区別して推定し、認識することが提案されている（例えば、非特許文献１参照）。 As a method for recognizing an object from the reflection detection pattern of this type of on-vehicle radar, conventionally, a detection pattern of a reflection point group (cluster) at a certain point detected by a laser radar as the on-vehicle radar is set to L, It is proposed to recognize and recognize whether the object to be recognized is a rectangular shape, a fence, a wall, or any other shape depending on which of the three types of patterns I or O belongs to (For example, refer nonpatent literature 1).
前記非特許文献１に記載の認識では、レーザレーダにより検出されたある時点の１フレームのクラスタの検出パターンから物体を推定して認識している。ところが、車載レーダにより検出されるクラスタの検出パターンは、車両と認識対象である車両や自転車、人（歩行者）との距離に応じて異なるものとなる。しかしながら、前記非特許文献１に記載の認識では、車両と物体との距離が変化することによる車載レーダにより検出されるクラスタの検出パターンの変化が考慮されておらず、しかも、物体毎のパターン数が少ない（具体的には矩形形状、フェンスや壁、その他の形状の物体それぞれに対してＬ、Ｉ、Ｏの１つずつのパターン）。
In the recognition described in Non-Patent
したがって、車両と認識対象である物体との距離が変化することで車載レーダにより検出されるクラスタの検出パターンが変化することにより、車両や自転車、人等の多種類の物体のクラスタの検出パターンを的確に該当する物体のパターンに区分することができず、物体の種別の認識率（正答率）が低くなるおそれがあった。なお、物体の種別を正確に識別できれば、認識した物体に応じて警報タイミングを異ならせる等の最適な運転支援が実現する。 Therefore, when the distance between the vehicle and the object to be recognized changes, the detection pattern of the cluster detected by the in-vehicle radar changes. There is a possibility that the recognition rate (correct answer rate) of the object type may be lowered because the object pattern cannot be accurately classified. If the type of the object can be accurately identified, optimal driving support such as changing the alarm timing according to the recognized object is realized.
本発明は、上記課題に鑑みてなされたものであり、車両と認識対象である物体との距離が変化しても、車載レーダの反射の検出パターンから車両、モータバイク、人（歩行者）等を区別して精度よく認識することができる技術を提供することを目的とする。 The present invention has been made in view of the above problems, and even if the distance between the vehicle and an object to be recognized changes, a vehicle, a motorbike, a person (pedestrian), etc., from the detection pattern of reflection of the in-vehicle radar. It is an object of the present invention to provide a technique capable of distinguishing and accurately recognizing.
上記した目的を達成するために、本発明の物体認識装置は、車両に搭載された車載レーダと、探査対象となる物体と前記車載レーダとの距離に応じて変化する前記車載レーダの反射の検出パターンを前記距離ごとの特徴パターンとして物体の種類別に記憶する記憶手段と、前記検出パターンを、前記記憶手段に記憶された前記特徴パターンと照合して前記検出パターンの物体の種類を識別する識別手段とを備えたことを特徴としている（請求項１）。 In order to achieve the above-described object, an object recognition apparatus according to the present invention detects an on-vehicle radar mounted on a vehicle, and the reflection of the on-vehicle radar that changes according to the distance between the object to be searched and the on-vehicle radar. Storage means for storing a pattern as a feature pattern for each distance for each object type, and identification means for identifying the object type of the detection pattern by comparing the detection pattern with the feature pattern stored in the storage means (Claim 1).
また、請求項１に記載の物体認識装置において、前記各特徴パターンは、物体毎に前記車載レーダに対する向きが異なる複数のクラスに分類されたパターンであってもよい（請求項２）。
In the object recognition device according to
請求項１の発明によれば、探査対象となる物体と車載レーダとの距離に応じて変化する車載レーダの反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶手段に記憶されており、車載レーダの反射の検出パターンと、記憶手段に記憶された特徴パターンとが識別手段により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、車載レーダの反射の検出パターンから車両、モータバイク、人（歩行者）等を区別して精度よく認識することができる。 According to the first aspect of the present invention, the reflection detection pattern of the vehicle-mounted radar that changes according to the distance between the object to be searched and the vehicle-mounted radar is stored in the storage means as a feature pattern for each distance for each object type. Since the detection pattern of the reflection of the vehicle-mounted radar and the feature pattern stored in the storage means are collated by the identification means to identify the type of the object of the detection pattern, the distance between the vehicle and the object to be recognized is Even if it changes, a vehicle, a motorbike, a person (pedestrian), etc. can be distinguished and recognized accurately from the reflection detection pattern of the in-vehicle radar.
請求項２の発明によれば、同一物体でも向きによって車載レーダの反射の検出パターンの形状が異なるが、各特徴パターンが、物体毎に車載レーダに対する向きが異なる複数のクラスに分類されたパターンであるため、車載レーダにより、ある物体がフレームによって異なった向きで検出されたとしても、その検出パターンを間違った物体に区分することがなく、より具体的な構成で物体の認識精度を向上することができる。
According to the invention of
本発明の物体認識装置の一実施形態について、図１〜図１１を参照して説明する。 An embodiment of the object recognition apparatus of the present invention will be described with reference to FIGS.
図１は本発明の一実施形態のブロック図であり、車両（自車）１が備える物体認識装置の構成を示す。また、図２はレーザレーダ２の反射の検出パターンを説明するための図であって、（ａ）はレーザレーダ２の構成を示し、（ｂ）〜（ｇ）はそれぞれレーザレーダ２の第１レイヤ〜第４レイヤにおける検出パターンの一例を示す。
FIG. 1 is a block diagram of an embodiment of the present invention, showing a configuration of an object recognition device provided in a vehicle (own vehicle) 1. FIG. 2 is a diagram for explaining a detection pattern of reflection of the
車載レーダとしてのレーザレーダ２は、車両１の前方のほぼ１８０°の範囲を探査する広角の測距レーダであり、近赤外線を利用すること等により、自転車や歩行者などでの反射も得られる。そして、図２（ａ）に示すように、レーザレーダ２は、例えば車両１のバンパーに取り付けられ、車両１の前方を例えば４つの高さ（第１レイヤ〜第４レイヤ）に区分して、例えば８０ｍｓ秒間隔のフレーム毎に探査し、前方の他の車両（自動車）、モータバイク、自転車、歩行者（人）等での反射波を受信し、各レイヤにおける水平断面での前方の移動物体の距離データを取得し、この距離データを反射波の受信出力として受信処理部３に出力する。
A
受信処理部３は、前記距離データを受け取ってマイクロコンピュータ構成の認識処理部４のクラスタリング処理部５に送る。
The
クラスタリング処理部５は、前記受信出力の各反射点の距離データ等に基づき、レーザレーダ２から得られた各反射点の距離情報を各レイヤごとに水平面上にプロットして反射点の画像を形成する。そして、前方の他の車両、モータバイク、自転車、歩行者（人）等の物体を構成する点は離散的であるため、クラスタリング処理部５は、例えば周知のモルフォロジー演算を用いて近傍の各反射点を連結して、近傍の反射点同士をかたまり（反射点群のクラスタ）にまとめ、前方の他の車両、モータバイク、自転車、歩行者（人）等でのフレーム毎の各反射点群の検出パターン３０（クラスタ）を物体追跡処理部６に出力する（図２（ｂ）〜（ｇ）参照）。
The
物体追跡処理部６はフレーム毎の各レイヤにおける検出パターン３０を記憶部７に一時記憶し、例えば、新たなフレームの反射が得られる毎に、その反射の各検出パターン３０と直前のフレームの検出パターン３０とを比較して同じクラスタのパターンか否かを判断し、例えば、検出パターン別にラベルを付す。なお、記憶部７は書き換え自在のＲＡＭやフラッシュメモリ等からなる。
The object tracking processing unit 6 temporarily stores the
物体追跡処理部６によりラベルが付される等したフレーム毎の各検出パターン３０の情報は、特徴量抽出部８に送られる。各検出パターンの属性を認識するためには、それぞれの画像上の特徴を知る必要がある。そこで、特徴量抽出部８は、各フレームごとに、各レイヤ（第１レイヤ〜第４レイヤ）におけるクラスタのレーダ走査方向における横幅などの特徴量を抽出し、各レイヤのクラスタどうしの横幅の大きさの比率やレーダ走査方向における各クラスタどうしの相対位置などを算出することにより、各レイヤにおけるクラスタの特徴量を統合して分類スコア算出部９に送る。
Information of each
分類スコア算出部９は、例えば後述のＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を用いたパターン認識手法により、特徴量の類似度から検出パターンの各クラスの特徴パターンに対する類似度の数値を算出し、検出パターンに最も近い特徴パターンのクラス（属するクラス）を最も近い特徴パターンとして分類し、毎フレームの分類結果を物体属性推定部１０に送り、物体属性推定部１０は複数フレームの時系列の分類結果から物体を推定して認識する。 The classification score calculation unit 9 calculates the numerical value of the similarity to the feature pattern of each class of the detection pattern from the similarity of the feature amount by a pattern recognition method using, for example, SVM (Support Vector Machine) described later, The class of the closest feature pattern (class to which it belongs) is classified as the closest feature pattern, and the classification result of each frame is sent to the object attribute estimation unit 10, and the object attribute estimation unit 10 identifies the object from the time-series classification result of a plurality of frames Estimate and recognize.
ところで、この実施形態の物体認識装置は、レーザレーダ２の各レイヤにおいて得られた距離データのみを用いたパターン認識により、車両（いわゆる自動車）、モータバイク（スクータ等も含む自動二輪車）、歩行者（人）の３種類の物体（障害物）を区別して認識する。これら３種類の物体は、同じ物体であっても、物体とレーザレーダ２との距離や、レーザレーダ２に対する物体の位置や方向によって、各レイヤごとに「形」が大きく異なり、その反射点群の検出パターン３０も大きく異なる。
By the way, the object recognition apparatus of this embodiment is a vehicle (a so-called automobile), a motorbike (a motorcycle including a scooter, etc.), a pedestrian by pattern recognition using only distance data obtained in each layer of the
そこで、この実施形態では、前記３種類の物体について、物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターン３０が距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶され、さらに、記憶される特徴パターンは、各距離において、レーザレーダ２に対する物体の向きが異なる複数のクラスに分類されている。そして、各フレームにおける各レイヤの検出パターン３０の特徴量に基づいて、各レイヤにおける検出パターン３０と記憶部７に記憶された特徴パターンとが照合されて、検出パターン３０を、最も近い特徴パターンのクラスを求めてクラス分類し、その結果から属性（物体のカテゴリ）が推定されて物体の種類が物体属性推定部１０により認識される。
Therefore, in this embodiment, for the three types of objects, the
なお、前記パターン認識は、どのような認識手法で行なってもよいが、本実施形態においては、分類スコア算出部９により、ＳＶＭを用いたパターン認識手法で行なう。ＳＶＭは高い汎化能力を持つことが知られている。そして、前記した時系列変化の認識ではＳＶＭの特徴であるマージン最大化を狙い、時系列累積分類スコア（超平面までの距離）を用いて自転車を認識する。 The pattern recognition may be performed by any recognition method. In the present embodiment, the classification score calculation unit 9 performs the pattern recognition by a pattern recognition method using SVM. SVM is known to have a high generalization ability. In recognition of the time series change described above, the bicycle is recognized using the time series cumulative classification score (distance to the hyperplane) with the aim of maximizing the margin which is a feature of the SVM.
つぎに、記憶部７に記憶される特徴パターンについて説明する。
Next, the feature pattern stored in the
図２（ａ）に示すように、レーザレーダ２の探査範囲は上下方向に広がりを有しているため、探査対象となる車両などの物体とレーザレーダ２との距離に応じて、各レイヤにおけるレーザレーダ２の反射の検出パターン３０（クラスタ）の形状が変化する。すなわち、例えば探査対象となる他の車両２０が、車両１の正面に存在するときに、同図（ａ）に示すように、他の車両２０が近距離（約３５ｍまで）にあれば、レーザレーダ２の全てのレイヤにおいて反射の検出パターン３０が存在し、他の車両２０が中距離（約３５〜６０ｍ）にあれば、レーザレーダ２の第１レイヤ〜第３レイヤにおいて反射の検出パターン３０が存在し、他の車両２０が長距離（約６０ｍ以上）にあれば、レーザレーダ２の第１レイヤ〜第３レイヤにおいて反射の検出パターン３０が存在する。
As shown in FIG. 2 (a), the search range of the
このとき、図２（ｂ）〜（ｄ）に、近距離、中距離、遠距離の各距離での他の車両２０の第３レイヤにおける検出パターン３０を例に挙げて示すように、他の車両２０とレーザレーダ２との距離の変化に伴い、同じレイヤであっても他の車両２０の高さ方向における走査位置が異なるため、その反射の検出パターン３０は異なる。また、図２（ｂ），（ｅ）〜（ｇ）に、近距離での各レイヤにおける他の車両２０の検出パターン３０を例に挙げて説明するように、他の車両２０が同じ位置にあっても、各レイヤにおいて他の車両２０の高さ方向における走査位置が異なるため、各レイヤにおける反射の検出パターン３０は異なる。
At this time, as shown in FIGS. 2B to 2D, the
そこで、この実施形態では、認識する物体の種類は、前記したように車両、モータバイク、歩行者（人）の３種類であるが、車両については、さらに、軽自動車、セダンタイプの自動車、ミニバンタイプの自動車、ワゴンタイプの自動車、軽トラック、大型トラックに分類し、物体とレーザレーダ２との距離に応じて変化する、それぞれの物体のレーザレーダ２の反射点群のパターンを、探査対象である物体とレーザレーダ２との距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶する。すなわち、この実施形態では、レーザレーダ２と物体との距離を、近距離、中距離、遠距離の３つに区分し、車両、モータバイク、歩行者（人）の種類別に、各距離におけるレーザレーダ２の各レイヤにおける検出パターンを特徴パターンとして記憶部７に記憶する。
Thus, in this embodiment, there are three types of objects to be recognized: a vehicle, a motorbike, and a pedestrian (person), as described above. Categorized as a type of car, a wagon type car, a light truck, and a large truck, and the pattern of the reflection point group of the
また、記憶部７に記憶された特徴パターンは、軽自動車、セダンタイプの自動車、ミニバンタイプの自動車、ワゴンタイプの自動車、軽トラック、大型トラック、モータバイクごとに、レーザレーダ２に対する向きが異なる複数のクラス（この実施形態では、側面および正面の２方向）に分類されている。なお、歩行者（人）については、近距離、中距離、遠距離における特徴パターンのみが記憶部７に格納されている。
In addition, the characteristic patterns stored in the
つぎに、各クラスの具体例について説明する。なお、この実施形態では、特に、各レイヤのクラスタ（検出パターン）どうしのレーダ走査方向における横幅の大きさの比率と、各レイヤのクラスタどうしのレーダ走査方向における相対位置とに着目し、検出パターンと、前記横幅の大きさの比率および前記相対位置が照合できるように各距離および各向きにおけるパターンを、各クラスにおける特徴パターンとして記憶部７に記憶する。
Next, specific examples of each class will be described. In this embodiment, in particular, the detection pattern is focused on the ratio of the width of each layer cluster (detection pattern) in the radar scanning direction and the relative position of each layer cluster in the radar scanning direction. Then, the patterns in each distance and each direction are stored in the
図３は軽自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図３（ａ）に示すように、レーザレーダ２に対する軽自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのクラスタの横幅どうしの大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
FIG. 3 shows the characteristic pattern of the reflection point group of the minicar, (a) shows the characteristic pattern in the near, middle, and far distance when the direction with respect to the
また、図３（ｂ）に示すように、レーザレーダ２に対する軽自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのクラスタどうしの横幅の大きさの比率は、近・中・遠距離において、それぞれほぼ同じ横幅となる。
Further, as shown in FIG. 3B, when the light vehicle is directed to the
図４はセダンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図４（ａ）に示すように、レーザレーダ２に対するセダンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第２レイヤから第４レイヤまでパターンの横幅が徐々に小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
FIG. 4 shows the characteristic pattern of the reflection point group of the sedan type automobile, (a) shows the characteristic pattern in the near, middle, and far distance when the direction with respect to the
また、図４（ｂ）に示すように、レーザレーダ２に対するセダンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
Further, as shown in FIG. 4B, when the sedan type automobile is directed to the
図５はミニバンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図５（ａ）に示すように、レーザレーダ２に対するミニバンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
FIG. 5 shows the characteristic pattern of the reflection point group of the minivan type automobile, (a) shows the characteristic pattern in the near, middle, and far distance when the direction with respect to the
また、図５（ｂ）に示すように、レーザレーダ２に対するミニバンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
Further, as shown in FIG. 5B, when the minivan type automobile is directed to the
図６はワゴンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図６（ａ）に示すように、レーザレーダ２に対するワゴンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
FIG. 6 shows the characteristic pattern of the reflection point group of the wagon type automobile, (a) shows the characteristic pattern in the near, middle, and far distance when the direction with respect to the
また、図６（ｂ）に示すように、レーザレーダ２に対するワゴンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
Further, as shown in FIG. 6B, when the direction of the wagon type automobile with respect to the
図７は軽トラックの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図７（ａ）に示すように、レーザレーダ２に対する軽トラックの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
FIG. 7 shows the characteristic pattern of the reflection point group of the light truck, (a) shows the characteristic pattern in the near, middle, and far distance when the direction with respect to the
また、図７（ｂ）に示すように、レーザレーダ２に対する軽トラックの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第２レイヤおよび第３レイヤのパターンはほぼ同じ横幅となる。
Further, as shown in FIG. 7B, when the light truck vehicle is directed to the
図８は大型トラックの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図８（ａ）に示すように、レーザレーダ２に対する大型トラックの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤ〜第４レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近・中距離では全てのレイヤのパターンはほぼ同じ横幅となり、遠距離では第４レイヤのパターンの横幅のみ他に比べて小さくなる。
FIG. 8 shows a characteristic pattern of a reflection point group of a large truck, (a) shows a characteristic pattern in the near, middle, and far distance when the direction to the
また、図８（ｂ）に示すように、レーザレーダ２に対する大型トラックの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤ〜第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近・中・遠距離において、全てのレイヤのパターンはほぼ同じ横幅となる。
Further, as shown in FIG. 8B, when the direction of the large truck vehicle with respect to the
図９はモータバイクの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダに対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図９（ａ）に示すように、レーザレーダ２に対するモータバイクの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では第４レイヤの横幅のみ他に比べて小さくなり、中距離では第２レイヤから第４レイヤまでパターンの横幅が徐々に小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて大きく小さくなる。
FIG. 9 shows the characteristic pattern of the reflection point group of the motorbike, (a) shows the characteristic pattern in the near, middle, and far distance when the direction to the
また、図９（ｂ）に示すように、レーザレーダ２に対するモータバイクの向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
Further, as shown in FIG. 9B, when the direction of the motorbike with respect to the
図１０は歩行者の反射点群の特徴パターンを示し、それぞれ、近・中・遠距離における特徴パターンを示す。図１０に示すように、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では第１レイヤおよび第２レイヤのパターンは２つに分割されており、第３レイヤおよび第４レイヤのパターンはほぼ同じ横幅となる。また、中距離では第２レイヤのパターンは２つに分割されており、第４レイヤのパターンの横幅は第３レイヤのパターンの横幅に比べて小さくなる。また、遠距離では、第２レイヤのパターンは２つに分割されており、第３レイヤのパターンの横幅は第２レイヤの２つに分割されたパターンを合わせた横幅より小さくなる。 FIG. 10 shows a feature pattern of a pedestrian's reflection point group, and shows feature patterns at near, middle, and far distances, respectively. As shown in FIG. 10, a pattern exists in all layers at a short distance, a pattern exists in the second layer to the fourth layer at a medium distance, and a pattern exists in the second layer and the third layer at a long distance. . The ratio of the widths of the patterns of each layer in which the pattern exists is such that the pattern of the first layer and the second layer is divided into two at a short distance, and the pattern of the third layer and the fourth layer Are almost the same width. Further, at the intermediate distance, the pattern of the second layer is divided into two, and the width of the pattern of the fourth layer is smaller than the width of the pattern of the third layer. At a long distance, the pattern of the second layer is divided into two, and the horizontal width of the pattern of the third layer is smaller than the total width of the patterns divided into two of the second layer.
また、図３〜図１０に示すように、各レイヤにおけるパターンの横幅の大きさは、物体の種類によりそれぞれ異なるものとなり、各レイヤおけるパターンどうしの相対位置は、物体の立体形状によりそれぞれ異なるものとなる。例えば、図３（ａ）に示すように、物体が軽自動車である場合に、遠距離での第３レイヤのパターンは軽自動車の後方側（第２レイヤのパターンの後方側）に位置するが、図７（ａ）に示すように、物体が軽トラックである場合に、遠距離での第３レイヤのパターンは軽トラックの前方側（第２レイヤのパターンの前方側）に位置する。 As shown in FIGS. 3 to 10, the width of the pattern in each layer varies depending on the type of object, and the relative positions of the patterns in each layer vary depending on the three-dimensional shape of the object. It becomes. For example, as shown in FIG. 3A, when the object is a light vehicle, the pattern of the third layer at a long distance is located on the rear side of the light vehicle (the rear side of the pattern of the second layer). As shown in FIG. 7A, when the object is a light track, the third layer pattern at a long distance is located on the front side of the light track (the front side of the second layer pattern).
また、この実施形態では、特徴量抽出部８は、各レイヤの検出パターンの、画像処理上の形状に関わる幅、奥行き、面積、周囲、慣性モーメント、円形度、主軸、動き方向などの特徴量を抽出する。また、この実施形態では、特徴量抽出部８は、各レイヤの検出パターンどうしの横幅の大きさの比率と、各レイヤの検出パターンどうしの相対位置とに関する特徴量を抽出する。そして、分類スコア算出部９は、特に、前記横幅の大きさの比率および前記相対位置に着目して記憶部７に記憶された特徴パターンと検出パターンとの照合を行い、検出パターンのクラスを分類する。
In this embodiment, the feature
ところで、ＳＶＭは教師あり学習を用いるパターン認識手法の一つであり、高次元の分類問題が得意といわれている。ＳＶＭは超平面とそれに最も近いデータとの距離(マージン)を最大化するように、訓練データ（学習サンプル）を分離する分離超平面を求める手法で未学習のサンプルに対しても高い認識性能を得ることができる。そこで、本実施形態においては、特徴量抽出部８および分類スコア算出部９を分類器により形成し、特徴量抽出部８により、分類器から出力される分離超平面までの距離（以下、スコアという）に着目し、分類スコア算出部９のパターン認識に必要な検出パターンの各特徴量につき、複数の学習サンプルのパターンの各特徴量を学習して未学習の前記検出パターンの各特徴量のスコアを検出する。なお、前記分類器は、ＳＶＭの二値分類器をワン−アゲンスト−レスト（ｏｎｅ−ａｇａｉｎｓｔ−ｒｅｓｔ）法を用いて多値分類器に拡張する。また、学習サンプルには、図３〜図１０で示した各クラスについて、それぞれのクラスに属すると判断する種々の反射点群のパターンから選択した複数のパターンを使用するものとする。
By the way, SVM is one of pattern recognition methods using supervised learning, and is said to be good at high-dimensional classification problems. SVM is a technique for obtaining a separated hyperplane that separates training data (learning samples) so that the distance (margin) between the hyperplane and the nearest data is maximized. Obtainable. Therefore, in the present embodiment, the feature
分類スコア算出部９は、特徴量抽出部８のフレーム毎の抽出結果の検出パターンの各特徴量が、各クラスの特徴パターンのいずれにもっとも近いかを判断して、検出パターンに最も近い特徴パターンのクラスを特定し、フレーム毎の検出パターンを該当するクラスに分類する。さらに、例えば３４フレーム（０．２秒）に亘って、同じ物体の検出パターンについて分類したクラスを累積し、累積結果を物体属性推定部１０に送る。物体属性推定部１０は、累積数が最も大きなクラスを、その検出パターンのクラスに決定し、決定したクラスから属性を推定して物体を認識する。
The classification score calculation unit 9 determines which feature quantity of the detection pattern of the extraction result for each frame of the feature
また、分類スコア算出部９によりクラスに分類した結果に基づき、物体属性推定部１０によりフレーム毎にそのフレームで検出したクラスからカテゴリ別に分類して物体の認識を行ってもよいが、この実施形態では、複数フレームにおける分類スコア算出部９の分類結果に基づいて物体の認識を行う。すなわち、フレーム毎に物体を認識すれば、認識結果がフレーム毎に最高スコアとなったクラスから決定される。これでは、例えば最高スコアと同程度に高いクラスが正解のクラスになる場合、そのクラスが正解であるにもかかわらず、検出パターンを最高スコアのクラスに分類して誤認識する可能性がある。つまり、分類データの特徴によってはフレーム毎の最高スコアを用いるだけでは不十分で、認識精度を高めるにはその他のスコアも考慮して認識する必要があると考えられる。そこで、この実施形態では、フレーム毎に算出される各クラスに対するスコアを時系列に観測し、最終的に累積スコアが最も大きくなったクラスから物体（カテゴリ）を認識する。 Further, based on the result of classification into classes by the classification score calculation unit 9, the object attribute estimation unit 10 may classify objects by category from the classes detected in the frames for each frame. Then, an object is recognized based on the classification result of the classification score calculation unit 9 in a plurality of frames. That is, if an object is recognized for each frame, the recognition result is determined from the class having the highest score for each frame. In this case, for example, when a class as high as the highest score becomes a correct answer class, there is a possibility that the detection pattern is classified into the highest score class and recognized erroneously even though the class is correct. That is, depending on the characteristics of the classification data, it is not sufficient to use only the highest score for each frame, and it may be necessary to consider other scores in order to improve recognition accuracy. Therefore, in this embodiment, the score for each class calculated for each frame is observed in time series, and an object (category) is recognized from the class having the largest cumulative score.
図１１は認識処理部４の各部５〜１０の処理手順の一例を示し、フレーム毎にレーザレーダ２の反射点群のデータを取得し（ステップＳ１）、クラスタリングの処理を施し（ステップＳ２）、クラスタにラベルを付す等して同じ物体を追跡し（ステップＳ３）、そのフレームの各レイヤにおけるクラスタそれぞれの各特徴量を抽出し（ステップＳ４）、ＳＳＶＭのパターン認識により、分類スコアを算出し（ステップＳ５）、例えばＮ＝３４フレームに亘って同じ物体の分類スコアを累積する（ステップＳ６、ステップＳ７）。そして、その累積結果から物体を認識する（ステップＳ８）。
FIG. 11 shows an example of the processing procedure of each of the
以上のように、上記した実施形態によれば、探査対象となる物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶されており、レーザレーダ２の反射の検出パターンと、記憶部７に記憶された特徴パターンとが認識処理部４により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、レーザレーダ２の反射の検出パターンから車両、モータバイク、自転車、歩行者（人）等を区別して精度よく認識することができる。
As described above, according to the above-described embodiment, the reflection detection pattern of the
また、同一物体でも向きによってレーザレーダ２の反射の検出パターンの形状が異なるが、各特徴パターンが、物体毎にレーザレーダ２に対する向きが異なる複数のクラスに分類されたパターンであるため、レーザレーダ２により、ある物体がフレームによって異なった向きで検出されたとしても、その検出パターンを間違った物体に区分することがなく、より具体的な構成で物体の認識精度を向上することができる。
Further, although the shape of the reflection detection pattern of the
また、１つのレイヤでの検出パターンのみから物体を識別していた従来の技術と比較すると、レーザレーダ２の探査範囲を高さ方向に複数のレイヤに分割し、各レイヤでの反射の検出パターンの特徴を組合わせて、検出パターンの物体の種類を識別しているため、物体の認識精度を向上することができる。
Compared with the conventional technique in which an object is identified only from a detection pattern in one layer, the search range of the
そして、物体属性推定部１０が認識した物体の情報が、認識処理部４から運転支援部１１に送られ、運転支援部１１は車両、モータバイク、歩行者（人）の別に応じた警報等の運転支援を行なうことができる。
Then, the information of the object recognized by the object attribute estimation unit 10 is sent from the
なお、本発明は上記した実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて上述したもの以外に種々の変更を行なうことが可能であり、例えば、クラスの数や形状等は前記実施例に限るものではなく、また、物体として、自転車等、上記したもの以外に種々の物体の特徴パターンを予め記憶部７に格納して物体を認識するようにしてもよい。また、パターン認識の手法は、ＳＶＭに限るものではなく、例えばニューラルネットワークを用いた認識手法であってもよい。
The present invention is not limited to the above-described embodiments, and various modifications other than those described above can be made without departing from the spirit thereof. For example, the number of classes, shapes, etc. The present invention is not limited to the embodiment, and the object may be recognized by previously storing characteristic patterns of various objects in the
また、記憶部７に記憶される車両１と物体との距離ごとの特徴パターンは、上記した、近距離、中距離、遠距離の３つに区分された距離別の特徴パターンに限られるものではなく、さらに距離を区分して、区分された距離別の特徴パターンを記憶部７に記憶してもよい。
Further, the feature pattern for each distance between the
また、上記した実施形態では、特に、各レイヤにおける検出パターンの横幅の大きさの比率および相対位置に着目してパターン認識を行ったが、図２に示す、各レイヤの２次元形状を組合わせた３次元形状の特徴パターンを記憶部７に記憶し、記憶された３次元形状の特徴パターンに基づくパターン認識を行ってもよい。
In the above-described embodiment, pattern recognition is performed by paying particular attention to the ratio of the width of the detection pattern in each layer and the relative position, but the two-dimensional shape of each layer shown in FIG. 2 is combined. Alternatively, the three-dimensional shape feature pattern may be stored in the
また、物体の向きに応じた複数のクラスは必ずしも設けなくともよい。 Also, a plurality of classes corresponding to the orientation of the object are not necessarily provided.
また、車載レーダはレーザレーダ２に限るものではなく、ミリ波レーダ、超音波レーダ等であってもよい。また、車載レーダの探査範囲はどのようであってもよく、車載レーダは、車両１の後方や左右側を探査するものであってもよく、車両１の全周を探査するものであってもよい。また、車載レーダの探査範囲を高さ方向に複数のレイヤに区分して、各レイヤにおける検出パターンの特徴によりパターン認識を行うようにすればよく、また、レイヤの数は上記したように４つに限るものではない。
Further, the on-vehicle radar is not limited to the
つぎに、認識処理部４の構成や処理手順等が前記実施形態と異なっていてもよいのも勿論である。
Next, it goes without saying that the configuration, processing procedure, and the like of the
そして、本発明は、車載レーダを用いた種々の車両の物体認識装置に適用することができる。 The present invention can be applied to various vehicle object recognition apparatuses using on-vehicle radars.
１ 車両
２ レーザレーダ（車載レーダ）
４ 認識処理部（識別手段）
７ 記憶部（記憶手段）
２０ 車両（物体）
３０ 検出パターン
1
4 Recognition processing unit (identification means)
7 Storage unit (storage means)
20 Vehicle (object)
30 detection patterns
Claims (2)
探査対象となる物体と前記車載レーダとの距離に応じて変化する前記車載レーダの反射の検出パターンを前記距離ごとの特徴パターンとして物体の種類別に記憶する記憶手段と、
前記検出パターンを、前記記憶手段に記憶された前記特徴パターンと照合して前記検出パターンの物体の種類を識別する識別手段とを備えたことを特徴とする物体認識装置。 On-vehicle radar mounted on the vehicle,
Storage means for storing the detection pattern of reflection of the in-vehicle radar that changes according to the distance between the object to be searched and the in-vehicle radar for each type of object as a feature pattern for each distance;
An object recognition apparatus comprising: an identification unit that identifies the type of an object of the detection pattern by comparing the detection pattern with the feature pattern stored in the storage unit.
前記各特徴パターンは、物体毎に前記車載レーダに対する向きが異なる複数のクラスに分類されたパターンであることを特徴とする物体認識装置。 The object recognition apparatus according to claim 1,
Each of the feature patterns is a pattern classified into a plurality of classes having different directions with respect to the in-vehicle radar for each object.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010048867A JP2011186584A (en) | 2010-03-05 | 2010-03-05 | Object recognition apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010048867A JP2011186584A (en) | 2010-03-05 | 2010-03-05 | Object recognition apparatus |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2011186584A true JP2011186584A (en) | 2011-09-22 |
Family
ID=44792797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010048867A Pending JP2011186584A (en) | 2010-03-05 | 2010-03-05 | Object recognition apparatus |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2011186584A (en) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011191227A (en) * | 2010-03-16 | 2011-09-29 | Daihatsu Motor Co Ltd | Object recognition device |
| KR20140019501A (en) * | 2012-08-06 | 2014-02-17 | 현대자동차주식회사 | Method for producing classification for recognizing object |
| KR20150001119A (en) * | 2013-06-26 | 2015-01-06 | 현대모비스 주식회사 | Object Recognition System |
| JP2015114261A (en) * | 2013-12-13 | 2015-06-22 | 株式会社デンソーアイティーラボラトリ | Object detecting apparatus, object detecting method, and program |
| CN105103004A (en) * | 2012-11-14 | 2015-11-25 | 罗伯特·博世有限公司 | Apparatus and method for determining the elevation angle in a radar system |
| JP2017036945A (en) * | 2015-08-07 | 2017-02-16 | 株式会社Ｉｈｉエアロスペース | Moving body and obstacle detection method of the same |
| KR20170039242A (en) * | 2014-07-29 | 2017-04-10 | 발레오 샬터 운트 센소렌 게엠베아 | Method for classifying an object in a surrounding area of a motor vehicle, driver assistance system and motor vehicle |
| US9672463B2 (en) | 2013-11-07 | 2017-06-06 | Hanwha Techwin Co., Ltd. | People counting method and apparatus |
| JP2017151043A (en) * | 2016-02-26 | 2017-08-31 | 株式会社デンソー | Object recognition device and program |
| DE102018107677A1 (en) | 2017-06-16 | 2018-12-20 | Denso Wave Incorporated | Method and device for detecting vehicles using laser beam scanning |
| WO2019176877A1 (en) * | 2018-03-15 | 2019-09-19 | 株式会社小糸製作所 | Object identification system, automobile, vehicular lamp fitting, and method for identifying type of object |
| JP2021047560A (en) * | 2019-09-18 | 2021-03-25 | 株式会社東芝 | Data processing apparatus, mobile device, data processing method, and data processing program |
| WO2023047616A1 (en) * | 2021-09-27 | 2023-03-30 | 日立Astemo株式会社 | Host vehicle blind spot monitoring system and host vehicle blind spot monitoring method |
| JP7288460B2 (en) | 2018-11-30 | 2023-06-07 | 株式会社小糸製作所 | Vehicle-mounted object identification system, Automobile, Vehicle lamp, Classifier learning method, Arithmetic processing unit |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11271441A (en) * | 1998-03-23 | 1999-10-08 | Hino Motors Ltd | On-vehicle radar apparatus |
| JP2003346286A (en) * | 1994-12-28 | 2003-12-05 | Omron Corp | Traffic information system |
| JP2008282097A (en) * | 2007-05-08 | 2008-11-20 | Toyota Central R&D Labs Inc | Collision risk degree estimating apparatus and driver supporting apparatus |
-
2010
- 2010-03-05 JP JP2010048867A patent/JP2011186584A/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003346286A (en) * | 1994-12-28 | 2003-12-05 | Omron Corp | Traffic information system |
| JPH11271441A (en) * | 1998-03-23 | 1999-10-08 | Hino Motors Ltd | On-vehicle radar apparatus |
| JP2008282097A (en) * | 2007-05-08 | 2008-11-20 | Toyota Central R&D Labs Inc | Collision risk degree estimating apparatus and driver supporting apparatus |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011191227A (en) * | 2010-03-16 | 2011-09-29 | Daihatsu Motor Co Ltd | Object recognition device |
| KR20140019501A (en) * | 2012-08-06 | 2014-02-17 | 현대자동차주식회사 | Method for producing classification for recognizing object |
| US9958543B2 (en) | 2012-11-14 | 2018-05-01 | Robert Bosch Gmbh | Apparatus and method for determining the elevation angle in a radar system |
| CN105103004A (en) * | 2012-11-14 | 2015-11-25 | 罗伯特·博世有限公司 | Apparatus and method for determining the elevation angle in a radar system |
| KR20150001119A (en) * | 2013-06-26 | 2015-01-06 | 현대모비스 주식회사 | Object Recognition System |
| KR102129588B1 (en) * | 2013-06-26 | 2020-07-02 | 현대모비스(주) | Object Recognition System |
| US9672463B2 (en) | 2013-11-07 | 2017-06-06 | Hanwha Techwin Co., Ltd. | People counting method and apparatus |
| JP2015114261A (en) * | 2013-12-13 | 2015-06-22 | 株式会社デンソーアイティーラボラトリ | Object detecting apparatus, object detecting method, and program |
| KR101954005B1 (en) * | 2014-07-29 | 2019-03-04 | 발레오 샬터 운트 센소렌 게엠베아 | Method for classifying an object in a surrounding area of a motor vehicle, driver assistance system and motor vehicle |
| CN107076836B (en) * | 2014-07-29 | 2020-09-22 | 法雷奥开关和传感器有限责任公司 | Method for classifying objects in a region surrounding a motor vehicle, driver assistance system and motor vehicle |
| CN107076836A (en) * | 2014-07-29 | 2017-08-18 | 法雷奥开关和传感器有限责任公司 | For method, driver assistance system and the motor vehicles to the object classification in motor vehicles peripheral region |
| KR20170039242A (en) * | 2014-07-29 | 2017-04-10 | 발레오 샬터 운트 센소렌 게엠베아 | Method for classifying an object in a surrounding area of a motor vehicle, driver assistance system and motor vehicle |
| US10481244B2 (en) | 2014-07-29 | 2019-11-19 | Valeo Schalter Und Sensoren Gmbh | Method for classifying an object in an area surrounding a motor vehicle, driver assistance system and motor vehicle |
| JP2017036945A (en) * | 2015-08-07 | 2017-02-16 | 株式会社Ｉｈｉエアロスペース | Moving body and obstacle detection method of the same |
| JP2017151043A (en) * | 2016-02-26 | 2017-08-31 | 株式会社デンソー | Object recognition device and program |
| DE102018107677A1 (en) | 2017-06-16 | 2018-12-20 | Denso Wave Incorporated | Method and device for detecting vehicles using laser beam scanning |
| US10488517B2 (en) | 2017-06-16 | 2019-11-26 | Denso Wave Incorporated | Method and apparatus for recognizing vehicles using laser beam scanning |
| WO2019176877A1 (en) * | 2018-03-15 | 2019-09-19 | 株式会社小糸製作所 | Object identification system, automobile, vehicular lamp fitting, and method for identifying type of object |
| JPWO2019176877A1 (en) * | 2018-03-15 | 2021-03-18 | 株式会社小糸製作所 | Object identification system, car, vehicle lighting, object type identification method |
| JP7174037B2 (en) | 2018-03-15 | 2022-11-17 | 株式会社小糸製作所 | OBJECT IDENTIFICATION SYSTEM, AUTOMOBILE, VEHICLE LIGHTING, OBJECT TYPE IDENTIFICATION METHOD |
| US11841435B2 (en) | 2018-03-15 | 2023-12-12 | Koito Manufacturing Co., Ltd. | Object identification system |
| JP7288460B2 (en) | 2018-11-30 | 2023-06-07 | 株式会社小糸製作所 | Vehicle-mounted object identification system, Automobile, Vehicle lamp, Classifier learning method, Arithmetic processing unit |
| JP2021047560A (en) * | 2019-09-18 | 2021-03-25 | 株式会社東芝 | Data processing apparatus, mobile device, data processing method, and data processing program |
| JP7358137B2 (en) | 2019-09-18 | 2023-10-10 | 株式会社東芝 | Data processing device, mobile device, data processing method, and data processing program |
| WO2023047616A1 (en) * | 2021-09-27 | 2023-03-30 | 日立Astemo株式会社 | Host vehicle blind spot monitoring system and host vehicle blind spot monitoring method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5700940B2 (en) | Object recognition device | |
| JP2011186584A (en) | Object recognition apparatus | |
| Mukhtar et al. | Vehicle detection techniques for collision avoidance systems: A review | |
| JP2011065400A (en) | Object recognition apparatus | |
| JP5583523B2 (en) | Object recognition device | |
| Gandhi et al. | Pedestrian protection systems: Issues, survey, and challenges | |
| JP5405741B2 (en) | Road use vulnerable person protection system | |
| US8040227B2 (en) | Method for detecting moving objects in a blind spot region of a vehicle and blind spot detection device | |
| JP5178276B2 (en) | Image recognition device | |
| US20050232463A1 (en) | Method and apparatus for detecting a presence prior to collision | |
| KR101188584B1 (en) | Apparatus for Discriminating Forward Objects of Vehicle by Using Camera And Laser Scanner | |
| Gavrila et al. | Real time vision for intelligent vehicles | |
| US20040234136A1 (en) | System and method for vehicle detection and tracking | |
| US20040246114A1 (en) | Image processing system for a vehicle | |
| Kim et al. | Robust detection of non-motorized road users using deep learning on optical and LIDAR data | |
| KR102044193B1 (en) | System and Method for alarming collision of vehicle with support vector machine | |
| WO2006026688A2 (en) | Method and apparatus for classifying an object | |
| Tanaka et al. | Vehicle detection based on perspective transformation using rear-view camera | |
| JP2012173230A (en) | Body recognizing device | |
| Kim et al. | An intelligent and integrated driver assistance system for increased safety and convenience based on all-around sensing | |
| Guo et al. | CADAS: A multimodal advanced driver assistance system for normal urban streets based on road context understanding | |
| Riera et al. | Driver behavior analysis using lane departure detection under challenging conditions | |
| Sivaraman | Learning, modeling, and understanding vehicle surround using multi-modal sensing | |
| Bota et al. | A framework for object detection, tracking and classification in urban traffic scenarios using stereovision | |
| Inoue et al. | Following vehicle detection using multiple cameras |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130227 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140107 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140210 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140311 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20140708 |