JP4707067B2

JP4707067B2 - 障害物判別装置

Info

Publication number: JP4707067B2
Application number: JP2006181270A
Authority: JP
Inventors: 純司江口; 修長谷川; 憲男立石
Original assignee: Honda Motor Co Ltd; Tokyo Institute of Technology NUC
Current assignee: Honda Motor Co Ltd; Tokyo Institute of Technology NUC
Priority date: 2006-06-30
Filing date: 2006-06-30
Publication date: 2011-06-22
Anticipated expiration: 2026-06-30
Also published as: JP2008009843A

Description

本発明は、障害物判別装置に関するものである。

自動車にカメラを搭載し、そのカメラで周囲の道路環境を撮影し、撮影した画像を解析することで、自車前方の障害物を検出する装置が提案されている。
障害物を検出する手段として、例えば特許文献１には、２台のカメラによるステレオ視を用いた手法が開示されている。この手法は、２台のカメラを所定間隔で同方向に向けて設置し、２つのカメラの視差から三角測量の原理で道路環境中の物体までの距離を算出することで、障害物を検出するものである。また、自車と衝突の可能性がある危険車両の判別には、例えば特許文献２の手法がある。これは、単一のカメラで取得した画像について、最初に自車の走行レーンを危険領域として設定する。次に、周囲の車両の走行履歴からこの領域に侵入する車両の先端位置を推定し、それらを危険車両として判別する。
特許第２９４０３５７号公報特許第３６５６０５６号公報

しかしながら、従来の手法は、周囲の車両の中で自車に向かってくる車両を一律に危険車両と判別するものであり、衝突の危険性の度合い（危険度）を評価することはできない。例えば、自車前方の飛び出し車両のうち、自車と衝突せずにそのまま通り過ぎてゆく可能性が高い車両についても、危険車両として判別してしまう。また、自車との相対角度を一定に保った状態で自車に近づいてくる出会い頭車両は、画像上での動きが自車の動きによって相殺されるため、画像の同じ位置に留まり続ける。この車両は衝突の危険性が大きく、最も危険度が高いが、画像から走行履歴が取得できないため、特許文献２の手法では危険車両として判別できない可能性がある。

そこで本発明は、障害物との接触可能性の大きさを複数レベルに分別することが可能な、障害物判別装置の提供を課題とする。

上記課題を解決するために、請求項１に係る発明は、自車両（例えば、実施形態における自車両５）周辺の障害物（例えば、実施形態における相手車両３０）を検出する障害物検出手段（例えば、実施形態における車両検出手段１４）と、前記障害物の移動ベクトル（例えば、実施形態における移動ベクトル３２）を抽出する移動ベクトル抽出手段（例えば、実施形態における移動ベクトル抽出手段１６）と、前記自車両の進行によって生じる移動ベクトルの消失点（例えば、実施形態におけるＦＯＥ９０）を撮像可能な撮像手段（例えば、実施形態における撮像手段１２）と、前記消失点に基づいて前記自車両の進行方向を算出する自車進行方向算出手段（例えば、実施形態における自車進行方向算出手段１８）と、前記障害物の移動ベクトルと前記自車両の進行方向とに基づいて、前記障害物と前記自車両との接触可能性を判別する接触可能性判別手段（例えば、実施形態における危険度判別手段２２）と、を備え、前記接触可能性判別手段は、前記障害物の移動ベクトル数（例えば、実施形態におけるｎ_flow）が所定値（例えば、実施形態におけるｎ_flow_threshold）より少ない場合に、前記障害物と前記自車両との接触可能性が高レベルと判断し、前記接触可能性判別手段は、前記障害物の移動ベクトル数が前記所定値以上の場合に、前記障害物領域内における移動ベクトルの始点位置の平均値（例えば、実施形態における平均値Ｐ０（ｘ０，ｙ０））および終点位置の平均値（例えば、実施形態における平均値Ｐ１（ｘ１，ｙ１））を始点および終点とする平均移動ベクトル（例えば、実施形態における移動ベクトル３２）に基づいて、前記平均移動ベクトルが前記消失点に向かっている場合に、前記障害物と前記自車両との接触可能性が中レベルと判断し、前記平均移動ベクトルが前記消失点から遠ざかっている場合に、前記障害物と前記自車両との接触可能性が低レベルと判断する、ことを特徴とする。

請求項２に係る発明は、前記障害物の情報を報知する報知手段（例えば、実施形態における報知手段２４）を備え、前記接触可能性判別手段は、前記障害物と前記自車両との接触可能性の大きさを複数レベルに分別し、前記報知手段は、前記障害物と前記自車両との接触可能性の前記レベルに応じて報知形態を変化させることを特徴とする。

請求項３に係る発明は、前記障害物検出手段は、前記障害物が車両であるか否かを、車両側面の略下半分の輝度分布学習によって識別することを特徴とする。

請求項１に係る発明によれば、障害物の移動ベクトルと自車両の進行方向との相対的な位置関係により、自車両の進路を通り過ぎるだけで自車両との接触可能性が低い障害物や、自車両の進路から外れて停止しているため自車両との接触可能性がほとんどない障害物を、精度良く判別することが可能になる。したがって、障害物と自車両との接触可能性の大きさを複数レベルに分別することができる。また、自車両との相対角度を一定に保持した状態で接近するため自車両との接触可能性が高い障害物を判別することが可能になる。したがって、障害物と自車両との接触可能性の大きさを複数レベルに分別することができる。

請求項２に係る発明によれば、自車両の運転者に対して、障害物との接触可能性の度合いを瞬時に認識させることができる。

請求項３に係る発明によれば、障害物の有無および領域を、精度良くかつ効率良く識別することができる。

以下、本発明の実施形態につき図面を参照して説明する。
図１は、本実施形態に係る障害物判別装置のブロック図である。本実施形態に係る障害物判別装置１０は、自車両周辺の画像を撮影する撮像手段１２と、撮影された画像を用いて自車両周辺の相手車両（障害物）を検出する車両検出手段（障害物検出手段）１４と、相手車両の移動ベクトルを抽出する移動ベクトル抽出手段１６と、自車両の進行方向を算出する自車進行方向算出手段１８と、相手車両の移動ベクトルと自車両の進行方向とに基づいて、相手車両の危険度（自車両との接触可能性）を判別する危険度判別手段（接触可能性判別手段）２２と、相手車両の危険度を表示する報知手段２４とを備えるものである。なお移動ベクトル抽出手段１６、自車進行方向算出手段１８、車両検出手段１４および危険度判別手段２２は、自車両に搭載されたコンピュータ２０によって構成されている。

（撮像手段）
撮像手段１２は、自車両周辺の画像を撮影するものであり、具体的には１台のＣＣＤカメラやミリ波レーダ等で構成されている。なおステレオ視を利用するため２台のカメラで障害物判別装置を構成する場合と比較して、本実施形態では１台のカメラで障害物判別装置を構成することができるので、車両コストを低減することができる。この撮像手段１２は、自車両前方の画像を撮影するため、車室内のバックミラー付近などに固定されている。撮像手段１２によって撮影された画像は、車両検出手段１４や移動ベクトル抽出手段１６等に入力される。

（車両検出手段）
車両検出手段１４は、撮影された画像を用いて相手車両を検出するものである。
本実施形態では、学習手法の一つであるアダブースト（AdaBoost）を用いて車両の特徴形状を学習し、車両の存在および車両領域を検出する。本実施においては、多くの車種に共通する特徴として、前後車輪を含む車両台車部分の複数の特徴を学習対象とする。また車体色が検知性能に影響を与える可能性があるため、これらの輪郭（形状）を抽出する。車両の検知性能は、多様かつ複数の特徴を学習することで向上すると考えられる。しかしながら、多くの特徴を学習するには多くの計算時間および計算コストを要することになる。そこで本実施形態では、台車部分全体、車両先頭部および車輪の三種類の特徴を学習対象とし、これらの学習結果を用いて車両を検出する。

AdaBoostは、統計的学習手法の一つであり、判定能力の比較的弱い識別器を複数個組み合わせて識別器を構成し、さらにそれらを階層化することで最終的に強力な強識別器を構成する、所謂ブースティングの一手法である。このAdaBoostの基本原理につき、車輪形状を学習対象とする場合を例にして説明する。学習に当たっては、学習対象とする車両側面の画像（以下、「ポジティブデータ」という。）と、車輪が写っていない画像（以下、「ネガティブデータ」という。）とを、それぞれ相当数用意する。

図２（ａ）は、AdaBoostの識別器の説明図である。一般的にAdaBoostにおける弱識別器は、図２（ａ）に示すような輝度パターンの一つである。この輝度パターンは、車輪形状の局所的な領域の平均輝度の比較であり，例えば「タイヤ部分は暗い」や「ホイール部分は明るい」などの特徴を、パターン内の平均輝度の比較により表現する。これらの局所的な輝度パターンを組み合わせると、車輪らしい輝度パターンの組となり、識別器を構成する。また、輝度パターンの形状にはHaar（ハール）特徴を用いて、幅や高さ、位置などを変更することで、任意の位置での輝度パターンの組み合わせを定義する。

以下に、輝度パターンの選出手順を説明する。
（１）40×20ピクセルのポジティブデータｎ個、および40×20ピクセルのネガティブデータｎ個を用意する。ポジティブデータは、車両側面の写っていない任意サイズの複数枚の画像からランダムに40×20ピクセルで切り出す。
（２）ｎ個のポジティブデータについて、それぞれの重みｗ_ｉをすべてｗ_ｉ＝１／２ｎとして初期化する。以下、ｔ＝１…Ｔ繰り返し。
（３）各ポジティブデータの重みｗ_ｉを、数式１により正規化する。

（４）各特徴について、しきい値設定と、数式２によりエラーｅの計算を行い、エラーが最小の特徴を選択する。ただしｋは正しく識別できなかった学習用画像番号を示す。

（５）重みの更新を行う。正しく識別できた全ての学習画像ｊの重みを減らす。ここで、ｅは（２）で求めた最小のエラーである。
（６）ｘを40×20ピクセル程度の入力画像として、識別器を数式３とする。

そして、Ｈ（ｘ）が数式４を満たせば、車両側面と判断する。

ただし、α_ｉは数式５で示される。

Ｈ（ｘ）がポジティブデータの９９．９％以上を通過させ、かつネガティブデータの５０％未満を通過させるようになるまで、（２）に戻って輝度パターンを追加する。

（７）識別器Ｈ_１を作成したら、Ｈ_１を通過したポジティブデータを新たな学習用ポジティブデータとする。また、ネガティブデータからランダムに40×20ピクセル程度を切り出し、Ｈ_１を通過するものをｎ個集め、新たな学習用ネガティブデータとする。以降、全ての学習用ネガティブデータが通過しなくなるまでＨ_ｉを作成する。
以上の学習結果である識別器Ｈｉを、図２（ｂ）に示すように直列に並べて強識別器を構成する。車輪形状の判別においては、強識別器を通過した画像を車輪と判別する。

（移動ベクトル抽出手段）
図１に戻り、移動ベクトル抽出手段１６は、相手車両の移動ベクトルを抽出するものである。
図３は、移動ベクトルの説明図である。一般に、動画から物体の動きを抽出する手法の一つとして、オプティカルフローが知られている。オプティカルフローは物体３０の移動ベクトル３２であり、時間的に連続する２つの画像Ｖ０，Ｖ１間において、同一物体の輝度変化は小さいという仮定の下で、同程度の輝度をもつ点の移動量から算出される。

いま、時刻ｔにおける画像上の点Ｐ（ｘ，ｙ）の輝度値をＥ（ｘ，ｙ，ｔ）とする。時刻ｔからｔ＋Δｔまでの間に、Ｐが（Δｘ，Δｙ）だけ移動し、輝度値が変化しないと仮定すると、数式６が成り立つ。

数式６の右辺をテイラー展開して、２次以降の項は微小値であるため無視すると、数式７が得られる。

数式７の両辺をΔｔで割ると、数式８が得られる。

この数式８を、以下の数式９を用いて書き直すと、数式１０が得られる。

この数式１０を満たす（ｕ，ｖ）が、オプティカルフローである。
しかし、求める変数が（ｕ，ｖ）の２つであるのに対して、関係式が数式１０の１つなので、これのみではオプティカルフローを求めることはできない。そこで、オプティカルフロー（ｕ，ｖ）の算出にあたり、数式１０のほかに、「オプティカルフローは滑らかに変化する」という条件を付け加える。オプティカルフロー（ｕ，ｖ）の変化量は、次の数式１１で表される。

数式１０および数式１１より、次の数式１２を立てる。

この数式１２を最小化する（ｕ，ｖ）が、求めるオプティカルフローである。この数式１２は、一般的な変分法を用いて解くことができる。

図４は、輝度変化の算出方法の説明図である。数式１２における輝度変化Ｅｘ，Ｅｙ，Ｅｔは、時刻ｔおよびｔ＋Δｔの画像について、隣接する画素の輝度を用いて、以下の数式１３により算出する。ここで（ｉ，ｊ）は、任意の画素の座標である。

（自車進行方向算出手段）
図１に戻り、自車進行方向算出手段１８は、自車両の進行方向を算出するものである。
図５は、自車進行方向の算出方法の説明図である。本実施形態において、自車の進行方向は、自車の進行によって生じる周囲の静止物体９２のオプティカルフロー９３から求める。一般に、自車が前方に進行する場合、周囲の静止物体９２のオプティカルフロー９３は、画像の消失点（Focus of Expansion；以下「ＦＯＥ」という。）９０から湧き出すように発生する。そのため、このＦＯＥ９０を自車進行方向として求めることができる。この他にも、自車進行方向の算出精度を高める手段として、自車両の速度や操舵角などを用いてもよい。

（危険度判別手段）
図１に戻り、危険度判別手段２２は、相手車両の移動ベクトルと自車両の進行方向とに基づいて、相手車両の危険度（自車両との接触可能性）を判別するものである。そのため危険度判別手段２２に対して、車両検出手段１４により検出された相手車両領域の情報、移動ベクトル抽出手段１６により抽出された移動ベクトル、および自車進行方向算出手段１８により算出された自車進行方向が、それぞれ入力されるようになっている。

図６は、危険度の判別方法の説明図である。危険度判別手段は、相手車両領域４０内に存在するオプティカルフローを、対象車両の移動ベクトルとする。具体的には、車両領域４０に存在する移動ベクトルの始点位置の平均値Ｐ０（ｘ０，ｙ０）および終点位置の平均値Ｐ１（ｘ１，ｙ１）を算出する。このＰ０（ｘ０，ｙ０）およびＰ１（ｘ１，ｙ１）と、自車進行方向であるＦＯＥ（ｘ_foe，ｙ_foe）との相対的な位置関係により、以下のように相手車両の危険度（自車両との接触可能性）を判別する。

図７は危険度が高度の場合の説明図であり、図７（ａ）は平面図であり、図７（ｂ）は斜視図である。図７（ａ）に示すように、相手車両３０が、自車両５との相対角度θを一定に保った状態で、ＦＯＥに向かって走行している場合には、相手車両３０が自車両５と衝突する可能性が高い。このとき、相手車両３０の見かけ上の動きは自車両５の動きによって相殺され、図７（ｂ）に示すように相手車両３０は画像の同じ位置に留まり続ける。このため、車両領域４０内には移動ベクトルがほとんど存在しない。例えば、通常では画像の単位面積あたり１本程度の移動ベクトルが存在するところ、危険度が高い場合には単位面積あたりの移動ベクトルは０．５本程度に減少する。そこで危険度判別手段は、まず車両領域４０の単位面積あたりの移動ベクトル数ｎ_flowをカウントする。次にｎ_flowを、あらかじめ設定したしきい値ｎ_flow_thresholdと比較する。そしてｎ_flowがｎ_flow_thresholdより小さい場合には、危険度が高度と判別する。この場合の判別式は、数式１４で示される。

図８は危険度が中度の場合の説明図であり、図８（ａ）は平面図であり、図８（ｂ）は斜視図である。図８（ａ）に示すように、相手車両３０がＦＯＥに向かって走行しており、かつ自車両５と相手車両３０との相対角度が変化している場合には、相手車両３０は自車両５の進路に向かって走行しているものの、自車両５と衝突することなく通過する可能性が高い。この場合、図８（ｂ）に示す車両領域４０内には移動ベクトル３２が存在し、その移動ベクトル３２はＦＯＥに向かうことになる。そこで危険度判別手段は、車両領域４０内における移動ベクトル３２の平均値がＦＯＥに向かっている場合に、危険度が中度と判別する。この場合の判別式は、数式１５で示される。

図９は危険度が低度の場合の説明図であり、図９（ａ）は平面図であり、図９（ｂ）は斜視図である。図９（ａ）に示すように、相手車両３０が自車両５の進路から外れた位置で停止している場合や、極めて低速で走行している場合などには、相手車両３０と自車両５との衝突の可能性はほとんどない。この場合、図９（ｂ）に示す車両領域４０内には移動ベクトル３２が存在し、その移動ベクトル３２は周囲の静止物の移動ベクトルと同様にＦＯＥから遠ざかることになる。そこで危険度判別手段は、車両領域４０内における移動ベクトル３２の平均値がＦＯＥから遠ざかっている場合に、危険度が低度と判別する。この場合の判別式は、数式１６で示される。

（報知手段）
図１に戻り、報知手段２４は、自車両の運転者に対して相手車両の危険度を表示するものである。そのため報知手段２４には、危険度判別手段２２により判別された相手車両の危険度の情報が入力される。また報知手段２４には、撮像手段１２により撮影された画像、および車両検出手段１４により検出された相手車両領域の情報が入力される。具体的な報知手段２４として、ディスプレイ装置等が、車室内のインスツルメンタル・パネル付近に配置されている。

その報知手段２４は、図６に示すように、撮像手段１２により撮影された画像を表示する。また、その画像内に相手車両３０が存在する場合には、その車両領域４０の外周に沿って多角形の枠体４１を表示する。例えば、相手車両３０の幅および高さを２辺とする長方形の枠体４１を表示する。

また報知手段は、相手車両３０の危険度に応じて報知形態を変化させる。具体的には、相手車両３０の危険度に応じて、枠体４１を異なる色に表示する。例えば、危険度が高度の場合は赤色に、危険度が中度の場合は黄色に、危険度が低度の場合は緑色に表示する。これにより、自車両の運転者に対して、相手車両３０との接触可能性の度合いを瞬時に認識させることができる。

なお報知手段は、枠体４１と同時に、相手車両３０の移動ベクトル３２に相当する矢印を表示してもよい。これにより、運転者が相手車両３０の移動方向を瞬時に認識して、回避行動をとることができる。なお枠体４１と同様に、上述した矢印を危険度に応じて異なる色や太さに表示してもよい。

また報知手段は、運転者の習熟度に応じて表示形態を選択することも可能である。例えば、運転者が初心者の場合には、道路環境の認知に時間がかかると考えられるため、自車両に接近する全ての車両を表示し、危険車両として注意を促す。一方、習熟度が高い運転者は認識時間が比較的短くなるため、初心者向けの設定では煩わしさを感じる可能性がある。このため、習熟度が高い運転者に対しては、危険度が高い車両のみを表示するように設定する。これにより、運転者の煩わしさを抑えつつ、確実に注意喚起を促すことができる。

（障害物判別方法）
次に、前記障害物判別装置を用いた障害物判別方法につき、図１、図１０および図１１を用いて説明する。
図１０は、本実施形態に係る障害物判別方法のフローチャートである。まず撮像手段１２により、自車両周囲の画像を撮影する。次に移動ベクトル抽出手段１６が、撮影された画像を用いて、周囲の物体の移動ベクトルをオプティカルフローとして算出する（Ｓ１）。次に自車進行方向算出手段１８が、算出された移動ベクトルを用いてＦＯＥ（ｘ_foe，ｙ_foe）を求め、自車進行方向を推定する（Ｓ２）。次に車両検出手段１４が、AdaBoostの手法により、画像から車両領域を検知する（Ｓ３）。

次に危険度判別手段２２が、相手車両と自車両との接触可能性（危険度）を判別する（Ｓ４）。
図１１は、危険度判別サブルーチンのフローチャートである。まず車両領域内の単位面積あたりの移動ベクトル数ｎ_flowをカウントする（Ｓ５）。次に、ｎ_flowがしきい値ｎ_flow_thresholdより小さいか判断する（Ｓ６）。判断がＹｅｓの場合はＳ６ａに進み、危険度を高度に分別して、報知手段への表示設定をする。

一方、Ｓ６での判断がＮｏの場合は、車両領域内における移動ベクトルの始点位置の平均値Ｐ０（ｘ０，ｙ０）を算出し（Ｓ７）、さらに終点位置の平均値Ｐ１（ｘ１，ｙ１）を算出する（Ｓ８）。そして、移動ベクトルの平均値がＦＯＥに向かっているか、上述した数式１５を用いて判断する（Ｓ９）。判断がＹｅｓの場合はＳ１０に進み、危険度を中度に分別して、報知手段への表示設定をする。また判断がＮｏの場合はＳ１１に進み、危険度を低度に分別して、報知手段への表示設定をする。

図１０に戻り、報知手段２４の表示設定として、運転者が初心者であることが入力されているか判断する（Ｓ１２）。判断がＹｅｓの場合はＳ１３に進み、危険度が高度および中度の車両について、上記のように報知手段２４に警告表示する。また判断がＮｏの場合はＳ１４に進み、危険度が高度の車両のみについて、報知手段２４に警告表示する。

以上に詳述したように、本実施形態に係る障害物判別装置は、自車両周辺の車両を検出する車両検出手段１４と、相手車両の移動ベクトルを抽出する移動ベクトル抽出手段１６と、自車両の進行方向を算出する自車進行方向算出手段１８と、相手車両の移動ベクトルと自車両の進行方向とに基づいて、相手車両と自車両との接触可能性を判別する危険度判別手段と、を備える構成とした。この構成によれば、相手車両の移動ベクトルと自車両の進行方向との相対的な位置関係により、自車両の進路を通り過ぎるだけで自車両との接触可能性が低い車両や、自車両の進路から外れて停止しているため自車両との接触可能性がほとんどない車両を、精度良く判別することが可能になる。したがって、相手車両と自車両との接触可能性の大きさを複数レベルに分別することができる。

また危険度判別手段は、相手車両の移動ベクトル数が所定のしきい値より少ない場合には、相手車両と自車両との接触可能性が大きいと判断する構成とした。この構成によれば、自車両との相対角度を一定に保持した状態で接近するため自車両との接触可能性が高い出会い頭車両を判別することが可能になる。したがって、相手車両と自車両との接触可能性の大きさを複数レベルに分別することができる。
そして、本実施形態に係る障害物判別装置を自車両に搭載することにより、運転者の道路状況の確認ミスによる衝突事故を減少させる効果が期待できる。

なお、この発明は前述した実施例に限られるものではない。
例えば、上記実施形態における車両検出手段は、AdaBoostの手法を用いて相手車両を検出したが、それ以外のサポートベクターマシン（Support Vector Machine；ＳＶＭ）やニューラルネットワークの手法等を用いて相手車両を検出することも可能である。ただし、AdaBoostの手法を用いることにより、相手車両を精度良くかつ高速で効率良く検出することが可能である。

また、上記実施形態における報知手段としてディスプレイ装置を採用したが、それ以外の警報音出力装置等を採用することも可能である。この場合には、相手車両の危険度に応じて異なる警報音を出力するようにすればよい。

実施形態に係る障害物判別装置のブロック図である。 AdaBoostの識別器の説明図である。移動ベクトルの説明図である。輝度変化の算出方法の説明図である。自車進行方向の算出方法の説明図である。危険度の判別方法の説明図である。危険度が高度の場合の説明図である。危険度が中度の場合の説明図である。危険度が低度の場合の説明図である。実施形態に係る障害物判別方法のフローチャートである。危険度判別サブルーチンのフローチャートである。

符号の説明

５…自車両１０…障害物判別装置１２…撮像手段１４…車両検出手段（障害物検出手段）１６…移動ベクトル抽出手段１８…自車進行方向算出手段２２…危険度判別手段（接触可能性判別手段）２４…報知手段３０…相手車両３２…移動ベクトル

Claims

自車両周辺の障害物を検出する障害物検出手段と、
前記障害物の移動ベクトルを抽出する移動ベクトル抽出手段と、
前記自車両の進行によって生じる移動ベクトルの消失点を撮像可能な撮像手段と、
前記消失点に基づいて前記自車両の進行方向を算出する自車進行方向算出手段と、
前記障害物の移動ベクトルと前記自車両の進行方向とに基づいて、前記障害物と前記自車両との接触可能性を判別する接触可能性判別手段と、を備え、
前記接触可能性判別手段は、前記障害物の移動ベクトル数が所定値より少ない場合に、前記障害物と前記自車両との接触可能性が高レベルと判断し、
前記接触可能性判別手段は、前記障害物の移動ベクトル数が前記所定値以上の場合に、
前記障害物領域内における移動ベクトルの始点位置の平均値および終点位置の平均値を始点および終点とする平均移動ベクトルに基づいて、
前記平均移動ベクトルが前記消失点に向かっている場合に、前記障害物と前記自車両との接触可能性が中レベルと判断し、
前記平均移動ベクトルが前記消失点から遠ざかっている場合に、前記障害物と前記自車両との接触可能性が低レベルと判断する、
ことを特徴とする障害物判別装置。
前記障害物の情報を報知する報知手段を備え、
前記接触可能性判別手段は、前記障害物と前記自車両との接触可能性の大きさを複数レベルに分別し、
前記報知手段は、前記障害物と前記自車両との接触可能性の前記レベルに応じて報知形態を変化させることを特徴とする請求項１に記載の障害物判別装置。
前記障害物検出手段は、前記障害物が車両であるか否かを、車両側面の略下半分の輝度分布学習によって識別することを特徴とする請求項１または請求項２に記載の障害物判別装置。