WO2009139364A1 - 車載用物体検知装置 - Google Patents

Abstract

　画像処理の負荷低減と非立体物への誤検知低減を両立する車載用物体検知装置を提供すること。 　自車７０から物体Ｐまでの距離と自車７０の前方画像６０に基づいて処理候補Ｑを選定する。そして、その選定した処理候補Ｑの距離と前方画像６０とに基づいて処理候補Ｑが予め設定された所定の立体物Ｐ１であるかを判定する。これにより、処理負荷の大きい立体物Ｐ１を判定するための処理の実行回数を減らし、装置３の処理負荷を低減する。そして、高精度の画像を画像処理することによって立体物Ｐ１を判定し、誤検知を低減する。

Description

車載用物体検知装置

　本発明は、自車との衝突の可能性がある自車前方の物体を検知する車載用物体検知装置に関する。

　交通事故による死亡者数は衝突安全と呼ばれる衝突後の乗員保護（エアバッグ、衝突安全ボディ）の導入により減少傾向にあるが、事故件数は自動車の保有台数に比例して増加傾向にあり、これらの事故を低減するためには事故を未然に防ぐ予防安全システムの開発が重要である。予防安全システムは、事故の手前で作動するシステムであり、例えば、自車前方の物体と衝突する可能性が生じたときには警報によって運転者に注意を促し、衝突が避けられない状況になったときには自動ブレーキによって乗員の被害を軽減するプリクラッシュ・セーフティ・システムなどが実用化されている。

　上記システムにおいては、自車との衝突の可能性がある自車前方の物体を検知する物体検知装置が重要である。例えば特許文献１には、レーザレーダとカメラを用いて、歩行者などレーザビームの反射率が低い低反射率物体の存在を、カメラ画像を用いたパターンマッチングにより判断する方法が記載されている。

　この方法によれば、車両などレーザビームの反射強度が強い物体の近くに、歩行者など反射強度が低い物体が存在する場合、受光量の閾値が低いことによって車両と歩行者を同一の物体として検知してしまったとしても、画像処理によって車両近傍の歩行者の位置を特定することができる。
特開２００７－２４０３１４号公報

　しかしながら、上記低反射率の物体を検知するために受光量の閾値を下げると、レーダが様々な物体に反応するようになり、画像処理の対象が増えて、装置の処理負荷が増大する。

　また、閾値を下げたことによって、レーダが路上ペイント、マンホールやキャッツアイなど、自車にとって衝突の可能性が無い物体（以下、非立体物とする）を検知するため、画像処理でこれら非立体物に対する誤検知が発生すると、前述のプリクラッシュ・セーフティ・システムにおいて、衝突の可能性が無いにもかかわらず警報や自動ブレーキが発動し、安全性の低下を招く。

　プリクラッシュ・セーフティ・システムでは、警報やブレーキは自車と前方の物体との衝突予測時間（Ｔｉｍｅ　Ｔｏ　Ｃｏｌｌｉｓｉｏｎ）が小さいときに発動するため、衝突予測時間が小さい自車近傍の物体ほど、画像処理による非立体物の誤検知を低減させる必要がある。

　カメラ画像上では、自車近傍の物体ほど大きく写るため、情報が多い解像度の高い画像を処理すれば誤検知は低減できるが、演算負荷が大きくなる。しかし、車載システムにはハードウェアの制限があるため、演算負荷が大きい手段は使用できない。

　本発明は上記問題に着目してなされたもので、その目的とするところは、画像処理の負荷低減と非立体物に対する誤検知の低減を両立する車載用物体検知装置を提供することにある。

　上記課題を解決するための手段である本発明の車載用物体検知装置は、自車から物体までの距離と自車の前方画像に基づいて処理候補を選定し、処理候補の距離と前方画像とに基づいて処理候補が予め設定された所定の立体物であるかを判定する。

　本発明によれば、選択された処理候補について、立体部の判定が行われるので、立体物を判定するための処理の実行回数を減らすことができる。従って、装置全体の処理負荷を低減することができる。そして、立体物を判定するための処理では、より多くの情報量を有する画像を用いて立体物の判断を行うことができ、非立体物に対する誤検知を低減することができる。

　本明細書は、本願の優先権の基礎である日本国特許出願2008-127526号の明細書及び／または図面に記載されている内容を包含する。

本発明の第１実施の形態における車載用物体検知装置のブロック図。 第１実施の形態における処理候補選定手段の処理内容を示すフローチャート。 第１実施の形態における立体物判定手段の処理内容を示すフローチャート。 第１実施の形態における識別器による歩行者の判定方法を示す模式図。 第１実施の形態における車載用物体検知装置の動作例を示す図。 本発明の第２実施の形態における車載用物体検知装置のブロック図。 第２実施の形態における予測進路設定手段を示す模式図。 第２実施の形態における処理候補選定領域と立体物判定領域の設定例を示す模式図。 第２実施の形態における処理候補選定手段の処理内容を示すフローチャート。 第２実施の形態における立体物判定手段の処理内容を示すフローチャート。 本発明を適用したプリクラッシュ・セーフティ・システムの動作方法を示すフローチャート。

１００　車載用物体検知装置、１…計測装置、２…画像取込装置、３…制御装置、３１…物体情報取得手段、３２…画像情報取得手段、３３…処理候補選定手段、３４…立体物判定手段、１０１…車載用物体検知装置、４…制御装置、４１…自車予測進路設定手段、４２…処理候補選定領域設定手段、４３…立体物判定領域設定手段、４４…処理候補選定手段、４５…立体物判定手段

　［第１実施の形態］
　以下、本発明の第１の実施形態について図１～図４を用いて詳細に説明する。図１は、第１実施の形態における車載用物体検知装置１００のブロック図である。車載用物体検知装置１００は、自動車に搭載されるものであり、図１に示すように、計測装置１、画像取込装置２、制御装置３から構成される。

　計測装置１は、レーザレーダやミリ波レーダなどを用いて、自車の前方に存在する物体を検知し、自車と物体との相対距離（例えば、車体の前後方向に沿うＹ軸方向の距離）、物体の横位置（例えば、車幅方向に沿うＸ軸方向の距離）、及び物体の横幅を計測する装置である。計測装置１の計測結果は、物体情報として制御装置３に入力される。計測装置１は、制御装置３に対して物体情報の信号を直接入力しても良いし、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を用いた通信によって受け渡してもよい。

　画像取込装置２は、自車の前方を撮像できる位置に取り付けられており、ＣＣＤやＣＭＯＳなどの撮像素子を用いて、自車前方を撮影した前方画像としてディジタル値の信号に変換する装置である。ディジタル値の信号は、ディジタル値のまま制御装置３内のＲＡＭ上に直接書き込まれても良いし、アナログ信号に変換し制御装置３に入力されても良い。なお、ここで撮影した前方画像には、計測装置１で検知した物体が写っているものとする。

　制御装置３は、所定の処理がプログラミングされており、あらかじめ定められた周期で繰り返し処理を実行する。制御装置３は、物体情報取得手段３１と、画像情報取得手段３２と、処理候補選定手段３３と、立体物判定手段３４を、内部機能として有する。

　物体情報取得手段３１は、計測装置１の検知信号に応じて、自車前方の物体の物体情報（相対距離ＰＹ０［ｉ］、横位置ＰＸ０［ｉ］、幅ＷＤ０［ｉ］）を取得する。ここで、ｉは複数の物体を検知している場合のＩＤ番号である。

　画像情報取得手段３２は、画像取込装置２の信号に基づいて自車前方を撮影した前方画像の画像情報ＩＭＧ［ｘ］［ｙ］を取得する。画像情報ＩＭＧ［ｘ］［ｙ］は２次元配列であり、ｘ、ｙはそれぞれ画像の座標を示す。

　処理候補選定手段３３は、物体情報取得手段３１で取得した物体情報（相対距離ＰＹ０［ｉ］、横位置ＰＸ０［ｉ］、幅ＷＤ０［ｉ］）と、画像情報取得手段３２で取得した画像情報ＩＭＧ［ｘ］［ｙ］に基づいて処理候補を選定し、その選定した処理候補の処理候補情報（相対距離ＰＹ１［ｉ］、横位置ＰＸ１［ｉ］、幅ＷＤ１［ｉ］）を演算する。ここで、ｉは複数の処理候補を選定している場合のＩＤ番号である。なお、処理候補の選定方法と、処理候補情報の演算方法については後述する。

　立体物判定手段３４は、処理候補選定手段３３で選定した処理候補の処理候補情報（相対距離ＰＹ１［ｉ］、横位置ＰＸ１［ｉ］、幅ＷＤ１［ｉ］）と、画像情報取得手段３２で取得した画像情報ＩＭＧ［ｘ］［ｙ］に基づいて、処理候補が、例えば人物等の所定の立体物であるか否かを判定し、所定の立体物であると判定された立体物の立体物情報（相対距離ＰＹ２［ｉ］、横位置ＰＸ２［ｉ］、幅ＷＤ２［ｉ］）を演算する。ここで、ｉは複数の立体物を検知している場合のＩＤ番号である。なお、立体物の判定方法と、立体物情報の演算方法については後述する。

　次に、図２を用いて、制御装置３の処理候補選定手段３３による処理について説明する。図２は、処理候補選定手段３３の処理内容を説明するフローチャートである。

　まず、ステップＳ２０１において、物体情報取得手段３１によって取得された物体情報（ＰＹ０［ｉ］、ＰＸ０［ｉ］、ＷＤ０［ｉ］）を読み込む。そして、ステップＳ２０２において、処理候補数ｊに０を代入し初期化する。この後、物体情報取得手段３１によって取得した物体の数に応じて、以下説明するステップＳ２０３～Ｓ２０６を繰り返す。

　ステップＳ２０３において、物体情報とカメラ幾何モデル（画像上の位置と実際の位置の関係）に基づいて画像上での画像処理領域を設定する。画像処理領域を設定した後は、ステップＳ２０４に進み、この画像処理領域内を走査するパターンマッチングなどの画像処理を実行して、画像上における物体を検知する。以後、ステップＳ２０４で使う画像処理のアルゴリズムを第１のアルゴリズムと呼ぶ。なお、第１のアルゴリズムの内容については後述する。

　その後、ステップＳ２０５において、画像処理領域内で物体が検知されたか否かの判定を行う。ここで、画像処理領域内にて物体が検知された場合には、ステップＳ２０６に進み、当該物体を処理候補として選定し、その物体の相対距離ＰＹ１［ｊ］、横位置ＰＸ１［ｊ］、幅ＷＤ１［ｊ］を処理候補情報として記録し、処理候補数ｊを１加算する。

　そして、ステップＳ２０３からステップＳ２０６までの繰り返し処理の終了後、ステップＳ２０７にて、記録された処理候補の処理候補情報（記録された全ての相対距離ＰＹ１［ｊ］、横位置ＰＸ１［ｊ］、幅ＷＤ１［ｊ］）を立体物判定手段３４に出力して処理を終了する。

　次に、図３を用いて、制御装置３の立体物判定手段３４について説明する。図３は、立体物判定手段３４の処理内容を説明するフローチャートである。

　まず、ステップＳ３０１において、処理候補選定手段３３で選定された処理候補の処理候補情報（ＰＹ１［ｉ］、ＰＸ１［ｉ］、ＷＤ１［ｉ］）を読み込む。そして、ステップＳ３０２において、立体物数ｊに０を代入し初期化する。この後、読み込んだ処理候補の数に応じて、以下に説明するステップＳ３０３からステップＳ３０６を繰り返す。

　ステップＳ３０３において、処理候補情報とカメラ幾何モデルに基づいて画像上での画像処理領域を設定する。画像処理領域を設定した後は、ステップＳ３０４に進み、この画像処理領域内を走査するパターンマッチングなどの画像処理を実行して、画像上における立体物を検知する。以後、ステップＳ３０４で使う画像処理のアルゴリズムを第２のアルゴリズムと呼ぶ。なお、第２のアルゴリズムの内容については後述する。

　その後、ステップＳ３０５において、検知対象目的の立体物が検知されたか否かの判定を行う。ここで、当該立体物が検知された場合には、ステップＳ３０６に進み、自車と衝突の可能性がある立体物であると判定し、その相対距離ＰＹ２［ｊ］、横位置ＰＸ２［ｊ］、幅ＷＤ２［ｊ］を記録し、立体物数ｊを１加算する。

　そして、ステップＳ３０３からステップＳ３０６までの繰り返し処理の終了後、ステップＳ３０７にて、記録された立体物の立体物情報（記録された全ての相対距離ＰＹ２［ｊ］、横位置ＰＸ２［ｊ］、幅ＷＤ２［ｊ］）を制御装置３から外部に出力して処理を終了する。

　次に、図４と図５を用いて、自車と衝突の可能性がある立体物として歩行者を検知する場合を例にとり、第１のアルゴリズムと第２のアルゴリズムの内容について以下に詳細に説明する。

　まず、画像処理によって歩行者を検知する方法について説明する。歩行者を検知する方法としては、歩行者パターンの代表となるテンプレートを複数用意しておき、差分累積演算あるいは正規化相関係演算を行って一致度を求めるテンプレートマッチングによる方法や、ニューラルネットワークなどの識別器を用いてパターン認識を行う方法が挙げられる。

　いずれの方法をとるとしても、あらかじめ歩行者か否かを決定する指標となるソースのデータベースが必要となる。様々な歩行者のパターンをデータベースとして蓄えておき、そこから代表となるテンプレートを作成したり識別器を生成したりする。実環境では様々な服装、姿勢、体型の歩行者が存在し、さらにそれぞれ照明や天候などの条件が異なったりするため大量のデータベースを用意して、誤判定を少なくすることが必要となる。

　このとき、前者のテンプレートマッチングによる方法の場合、判定漏れを防ぐようにするとテンプレートの数が膨大となるため現実的でない。そこで、本実施の形態では後者の識別器を用いて判定する方法を採用する。識別器の大きさはソースのデータベースの大きさに依存しない。なお、識別器を生成するためのデータベースを教師データと呼ぶ。

　識別器を用いて歩行者か否かを判定する方法を、図４を用いて説明する。ここでは、入力画像５０の大きさが縦１６ドット、横１２ドットの場合について説明する。

　本実施の形態で使用する識別器５は、画像内の所定の箇所に設置された複数の小領域５２［ｎ］内における濃淡勾配の方向と強さに基づいて歩行者か否かを判定する。各小領域５２［ｎ］は、画像５０内の予め定められた位置で、特定方向の濃淡勾配の強さを合計し出力する。以後、この出力を局所エッジ強度と呼ぶ。

　まず、入力画像５０が入力されると、例えばソーベルフィルタなどのフィルタリング処理部５１によりフィルタリング処理が行われ、濃淡勾配の強さと方向を持つ画像５０［ｎ］がそれぞれ出力される。そして、各画像５０［ｎ］の所定箇所に設置された小領域５２［ｎ］内で、算出された濃淡勾配の強さと方向を用いて局所エッジ強度を算出する。

　具体的には、小領域５２［ｎ］内の一つ一つの画素に対応する濃淡勾配の方向を参照し、その方向が小領域５２［ｎ］ごとに定められた方向と同一であった画素の、対応する位置の濃淡勾配の強度を合計する。本実施の形態の場合、小領域５２［ｎ］を４０個設置しているため、局所エッジ強度ＬＥＷＣ［０］～ＬＥＷＣ［３９］の４０個の値を得る。

　次に、各小領域判断処理部５３［ｎ］において、各局所エッジ強度を、対応する閾値ＴＨＷＣ［０］～ＴＨＷＣ［３９］で閾値処理し、「１」か「０」の２値に変換し、対応する重み付け部５４［ｎ］で重みＷＷＣ［０］～ＷＷＣ［３９］を乗じ、合計部ＳＵＭＳＣ５５へ出力する。合計部ＳＵＭＳＣ５５は、各重み付け部５４［ｎ］から入力された４０個の値を合計し、最終判断処理部５６において最終閾値ＴＨＳＣで閾値処理を行い、「１」か「０」を出力する。

　識別器５内の各局所エッジ強度ＬＥＷＣ［０］～ＬＥＷＣ［３９］を算出するためのパラメータである小領域５２［ｎ］の個数、位置、大きさ、濃淡勾配の方向、小領域判断処理部５３「ｎ］における局所エッジ強度の閾値ＴＨＷＣ［０］～ＴＨＷＣ［３９］、重み付け部５４［ｎ］の重みＷＷＣ［０］～ＷＷＣ［３９］、最終判断処理部５６の最終閾値ＴＨＳＣ等は、識別器５への入力画像５０が歩行者であった場合には「１」を、歩行者ではなかった場合には「０」を出力するように、教師データを用いて調整される。調整には、ＡｄａＢｏｏｓｔなどの機械学習の手段を用いてもよいし、手動で行ってもよい。

　例えば、歩行者の教師データの数をＮＰＤ、非歩行者の教師データの数をＮＢＧとすると、ＡｄａＢｏｏｓｔを用いた上記パラメータの調整方法は以下の通りとなる。

　以下、ある小領域５２の位置、大きさ、濃淡勾配の方向から計算される局所エッジをｃＬＥＷＣ［ｍ］と表す。ここで、ｍは局所エッジのＩＤ番号である。

　まず小領域５２の位置、大きさ、濃淡勾配の方向、がそれぞれ異なる局所エッジ強度を複数（例えば、１００万通り）用意し、各局所エッジ強度の値ｃＬＥＷＣ［ｍ］を全ての教師データから算出し、それぞれの閾値ｃＴＨＷＣ［ｍ］を決定する。閾値ｃＴＨＷＣ［ｍ］は、歩行者の教師データと非歩行者の教師データを最も分類することができる値を選択する。

　次に、歩行者の教師データひとつひとつにｗＰＤ［ｎＰＤ］＝１／２ＮＰＤの、非歩行者の教師データひとつひとつにｗＢＧ［ｎＢＧ］＝１／２ＮＢＧの重みを与える。ここで、ｎＰＤは歩行者の教師データのＩＤ番号、ｎＢＧは非歩行者の教師データのＩＤ番号である。

　そして、ｋ＝１として、以下、繰り返し処理を行う。まず、歩行者・非歩行者全ての教師データの重みの合計が１となるように、重みを正規化する。次に、各局所エッジの誤検知率ｃＥＲＷＣ［ｍ］を計算する。

　誤検知率ｃＥＲＷＣ［ｍ］は、歩行者の教師データの局所エッジ強度ｃＬＥＷＣ［ｍ］を閾値ｃＴＨＷＣ［ｍ］で閾値処理した結果が非歩行者となったもの、もしくは非歩行者の教師データの局所エッジ強度ｃＬＥＷＣ［ｍ］を閾値ｃＴＨＷＣ［ｍ］で閾値処理した結果が歩行者となったもの、すなわち閾値処理した結果が実際と異なる教師データの重みの合計である。

　全ての局所エッジの誤検知率ｃＥＲＷＣ［ｍ］を算出後、誤検知率が最小となる局所エッジのＩＤ　ｍＭｉｎ　を選択し、ＬＥＷＣ［ｋ］＝ｃＬＥＷＣ［ｍＭｉｎ］、閾値ＴＨＷＣ［ｋ］＝ｃＴＨＷＣ［ｍＭｉｎ］とする。

　次に、各教師データの重みを更新する。更新は、歩行者の教師データの局所エッジ強度ＬＥＷＣ［ｋ］を閾値ＴＨＷＣ［ｋ］で閾値処理した結果が歩行者となったもの、もしくは非歩行者の教師データの局所エッジ強度ＬＥＷＣ［ｋ］を閾値ＴＨＷＣ［ｋ］で閾値処理した結果が非歩行者となったもの、すなわち閾値処理した結果が正解の教師データの重みに、係数ＢＴ［ｋ］＝ｃＥＲＷＣ［ｍＭｉｎ］／（１－ｃＥＲＷＣ［ｍＭｉｎ］）を乗じて行う。

　ｋ＝ｋ＋１とし、ｋが予め設定した値（例えば、４０）になるまで繰り返す。繰り返し処理の終了後に得られる局所エッジＬＥＷＣ［ｋ］、閾値ＴＨＷＣ［ｋ］がＡｄａＢｏｏｓｔにより自動調整された識別器５である。なお，重みＷＷＣ［ｋ］＝１／ＢＴ［ｋ］，最終閾値ＴＨＳＣ＝０．５である。

　次に、前述の識別器５を用いて、与えられた画像処理領域内の画像から歩行者を検知する方法について説明する。まず、与えられた画像処理領域内の画像に写る歩行者の大きさが、縦１６ドット、横１２ドットとなるように画像サイズを変換する。画像に歩行者以外の物体が同時に写っているなど、変換後の画像の大きさが１６×１２ドットより大きくなる場合は、下記の手段にて探索を行う。

　まず、１６×１２のウィンドウを変換後の画像の左上に設定し、このウィンドウ内の画像を前述の識別器５にかける。そして、ウィンドウを１ドットずつ右にずらしながら順次識別器５にかけ、ウィンドウが右端に達したらウィンドウを１ドット下に動かして左端に戻し、再び右へ動かしながら、順次識別器５にかける。この探索を、ウィンドウが右下に達するまで繰り返す。この探索の中で、識別器５の出力が１となる場所に歩行者がいることになる。

　次に、ステップＳ２０３の画像処理において用いられる第１のアルゴリズムと、ステップＳ３０３の画像処理において用いられる第２のアルゴリズムの内容について説明する。

　本実施の形態では、入力画像５０の大きさを変えた識別器５を４つ用意し、第１のアルゴリズムでは入力画像５０の大きさが最も小さい第１の識別器５を、第２のアルゴリズムでは残り３種類である第２～第４の識別器５を用いる。第２～第４の識別器５は、入力画像５０の大きさが第１の識別器５よりも大きく、第２～第４の識別器５に移行するに従って漸次大きくなるように設定されている。

　第１のアルゴリズムでは、ステップＳ２０３で処理候補選定手段３３によって設定された画像処理領域の画像内に歩行者がいると仮定し、物体との相対距離とカメラ幾何モデルを用いて、歩行者が自車から前方に予め設定された距離だけ離れた位置に存在する場合の画像の大きさと同一の大きさになるように、画像処理領域の画像の画像サイズを変換する。

　具体的には、自車から前方に４０メートルだけ離れた位置にいる歩行者を検知できる第１識別器５を用意し、ステップＳ２０３で設定された画像処理領域内の画像を、カメラ幾何モデルを用いて歩行者が自車から前方に４０メートルだけ離れた地点にいる場合の画像の大きさと同一の大きさになるように変換して、前述の探索方法により歩行者を検知する。

　なお、本実施の形態では、歩行者は、自車と自車から前方に４０メートルだけ離れた地点との間に存在することを前提としている。従って、ステップＳ２０３では、画像処理領域内の画像は、収縮する方向に変換される。

　そして、歩行者が検知された場合、変換後の画像上における歩行者の検知位置を、変換前の画像上の位置に変換し、カメラ幾何モデルを用いて、処理候補情報（相対距離ＰＹ１［ｉ］、横位置ＰＸ１［ｉ］、幅ＷＤ１［ｉ］）を更新する。

　第２のアルゴリズムでは、ステップＳ３０３で設定された画像処理領域の画像内に歩行者がいると仮定し、物体との相対距離とカメラ幾何モデルを用いて、画像内の歩行者を探索するのに最も適している識別器５に対応させるべく、画像処理領域内の画像の画像サイズを変換する。

　具体的には、自車から前方に１０ｍ、２０ｍ、３０ｍだけ離れた位置に存在する歩行者を検知できる第２～第４の識別器５をそれぞれ用意する。そして、処理候補が自車から２０ｍよりも離れた位置にいる場合には、ステップＳ３０３で設定された画像処理領域の画像を３０ｍ地点の画像の画像サイズに変換し、第４の識別器５を用いて、前述の探索方法により、歩行者を検知する。

　そして、処理候補が自車から２０～１０ｍの距離にいる場合は、画像処理領域の画像を２０ｍ地点の画像の画像サイズに変換し、第３の識別器５を用いて、前述の探索方法により、歩行者を検知する。

　また、処理候補が自車から１０ｍより近い位置にいる場合は、画像処理領域の画像を１０ｍ地点の画像の画像サイズに変換し、第２の識別器５を用いて、前述の探索方法により、歩行者を検知する。

　ここで、処理候補から歩行者が検知された場合、変換後の画像上における歩行者の検知位置を、変換前の画像上の位置に変換し、カメラ幾何モデルを用いて、立体物情報（相対距離ＰＹ２［ｉ］、横位置ＰＸ２［ｉ］、幅ＷＤ２［ｉ］）を更新する。

　以上の処理の具体的な動作例を、図５を用いて説明する。

　まず、計測手段１によって検知した物体Ｐが前方画像６０上で特定され、その物体Ｐを含む画像部分が画像処理領域Ａとして設定される（Ｓ６１）。物体Ｐの前方画像６０上での位置は、計測装置１で検知した物体Ｐの物体情報とカメラ幾何モデルに基づいて特定される。

　本実施の形態では、図５（ａ）に示すように、３つの物体Ｐ１（歩行者）、物体Ｐ２（マンホール）、物体Ｐ３（電柱）が前方画像６０上で特定され、その画像部分が画像処理領域Ａ１～Ａ３として設定される。画像処理領域Ａ１～Ａ３は、物体Ｐ１～Ｐ３の周りを所定の間隔を空けて囲むように設定される。

　次に、第１のアルゴリズムを用いて、画像処理領域Ａ内の画像に画像処理が行われ、画像処理の結果に応じて処理候補が選定される（Ｓ６２）。第１のアルゴリズムでは、各画像処理領域Ａ内の画像を変換して、自車から自車前方に４０メートルだけ離れた位置に存在する人物の画像の大きさと同一の大きさに縮小し、その縮小した画像に対して探索が行われて、処理候補が選定される。

　このように、画像処理領域Ａの画像を縮小した画像Ｂ内で処理候補（歩行者）を探索するので、画像処理領域Ａ内で処理候補を探索するよりも探索範囲を小さくすることができる。従って、制御装置３の処理負荷を小さくすることができ、また、迅速に探索することができる。

　画像Ｂ内で処理候補Ｑが検知された場合には、その画像Ｂ内における処理候補Ｑの位置を、元の前方画像６０上での位置に変換し、対応する物体Ｐの物体情報から処理候補Ｑの処理候補情報（ＰＹ１［ｉ］、ＰＸ１［ｉ］、ＷＤ１［ｉ］）が更新される。

　本実施の形態では、図５（ｂ）に示すように、画像処理領域Ａ１～Ａ３の画像を縮小した画像Ｂ１～Ｂ３のうち、画像Ｂ１、Ｂ２内の領域Ｃ１、Ｃ２において処理候補Ｑ１、Ｑ２が選定される。そして、処理候補Ｑ１、Ｑ２の位置が、元の前方画像６０上での位置（図５（ｃ）を参照）に変換されて、処理候補情報が更新される。

　そして、処理候補Ｑの処理候補情報（ＰＹ１［ｉ］、ＰＸ１［ｉ］、ＷＤ１［ｉ］）と前方画像６０に基づいて、前方画像６０内に画像処理領域Ｄが設定され（Ｓ６３）、画像処理領域Ｄの画像に対して第２のアルゴリズムを用いた画像処理が実行され、処理候補Ｑが予め設定された所定の立体物（歩行者）であるか否かが判定される（Ｓ６４）。

　第２のアルゴリズムでは、処理候補との相対距離に応じて１０メートル、２０メートル、３０メートル用の第２～第４の識別器５を使い分けるので、処理候補との相対距離に応じて処理する画像の大きさが異なる。本実施の形態では、画像処理領域Ｄ１、Ｄ２のうち、画像処理領域Ｄ１内の物体Ｐ１が、歩行者であると判定されている。

　以上説明したように、本実施の形態における車載用物体検知装置１００によれば、第１のアルゴリズムで第２のアルゴリズムを実行する範囲を絞ることができ、制御装置３の処理負荷を小さくすることができる。すなわち、最初に処理候補を選定し、その選定された処理候補に対して立体物であるか否かを判定するので、第１のアルゴリズムの画像処理よりも処理負荷の大きい第２のアルゴリズムの画像処理を実行する回数を減らすことができ、結果として、制御装置３の処理負荷を小さくすることができる。

　そして、処理候補選定手段３３では、第１のアルゴリズムによって、前方画像の画像処理領域内の画像を縮小し、その縮小した画像内で処理候補を探索するので、前方画像の画像処理領域内の画像を探索するよりも探索範囲を小さくすることができ、制御装置３の処理負荷を小さくすることができ、また、迅速に探索することができる。

　そして、立体物判定手段３４では、第２のアルゴリズムによって、処理候補選定手段３３が処理候補を選択する際に用いる画像よりも、高精度の画像を用いて立体物を判定するので、誤検知を低減することができる。

　また、立体物判定手段３４では、第２のアルゴリズムによって、自車と処理候補との間の相対距離に応じて第２～第４の識別器５を使い分けるので、近傍の物体ほど誤検知を低減できる。すなわち、自車前方をカメラで撮影した画像では、自車に近い物体ほど画像に大きく写り、多くの情報を得ることができるので、距離に応じて識別器５を使い分けることによって、自車に近い物体ほど多くの情報を使用することができ、その結果、誤検知を減らすことができる。

　なお、第１のアルゴリズムおよび第２のアルゴリズムで用いる識別器５の数はそれぞれ１つ、３つに限定されず、いくつ用いてもよい。また、各識別器５の入力画像５０の大きさは１０メートル、２０メートル、３０メートル、４０メートルの距離での大きさに限定されず、どの距離の画像に設定してもよい。さらに、歩行者の検知に用いる識別器５は、本実施例で取り上げた方法に限定されない。ニューラルネットワーク識別器、サポートベクターマシン識別器、ベイズ識別器などを用いてもよい。

［第２実施の形態］
　次に、本発明の車載用物体検知装置１０１の別の実施の形態を、図６から１０を用いて詳細に説明する。なお、以下の説明では、上述の車載用物体検知装置１００と異なる個所のみ詳述し、同様の個所には同一の番号を付し説明を省略する。

　図６は、別形態の車載用物体検知装置１０１の実施形態を示すブロック図である。車載用物体検知装置１０１は、計測装置１、画像取込装置２、制御装置４から構成される。

　制御装置４は、所定の処理がプログラミングされており、あらかじめ定められた周期で繰り返し処理を実行する。制御装置３との差異がある処理を以下で説明する。

　予測進路設定手段４１は、車速センサ、操舵角センサ、ヨーレートセンサの検知信号に応じて車速Ｖｓｐ、操舵角α、ヨーレートγなどの自車情報を取得し、この自車情報に応じて自車の予測進路を演算する。

　これら自車情報の取得には、各センサの信号を制御装置４に直接入力することによって取得しても良いし、センサ信号が他の制御装置に入力されている場合はその制御装置とＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を用いた通信を行うことによって取得しても良い。ここでは、自車の予測進路として旋回半径Ｒを演算する。なお、旋回半径Ｒの演算方法については後述する。

　処理候補選定領域設定手段４２は、予測進路設定手段４１で取得した自車の予測進路に応じて、処理候補選定手段４４が選定処理を実行するための処理候補選定領域を設定する。なお、処理候補選定領域の設定方法については後述する。

　立体物判定領域設定手段４３は、処理候補選定領域設定手段４２で取得した処理候補選定領域に応じて、立体物判定手段４５が判定処理を実行するための立体物判定領域を設定する。なお、立体物判定領域の設定方法については後述する。

　処理候補選定手段４４は、物体情報取得手段３１で取得した物体情報（相対距離ＰＹ０［ｉ］、横位置ＰＸ０［ｉ］、幅ＷＤ０［ｉ］）と、画像情報取得手段３２で取得した画像情報ＩＭＧ［ｘ］［ｙ］と、処理候補選定領域設定手段４２で設定した処理候補選定領域に応じて、処理候補情報（相対距離ＰＹ１［ｉ］、横位置ＰＸ１［ｉ］、幅ＷＤ１［ｉ］）を演算する。ここで、ｉは複数の処理候補を選定している場合のＩＤ番号である。なお、処理候補の演算方法については後述する。

　立体物判定手段４５は、画像情報取得手段３２で取得した画像の画像情報ＩＭＧ［ｘ］［ｙ］と、処理候補選定手段４４で演算した処理候補情報（相対距離ＰＹ１［ｉ］、横位置ＰＸ１［ｉ］、幅ＷＤ１［ｉ］）と、立体物判定領域設定手段４３で設定した立体物判定領域に応じて、立体物情報（相対距離ＰＹ２［ｉ］、横位置ＰＸ２［ｉ］、幅ＷＤ２［ｉ］）を演算する。ここで、ｉは複数の立体物を検知している場合のＩＤ番号である。なお、物体判定の演算方法については後述する。

　次に、図７を用いて、車載用物体検知装置１０１の予測進路設定手段４１について説明する。図７は、予測進路設定手段４１の処理内容を示す模式図である。

　図７に示すように、自車７０の位置を原点Ｏとすると、予測進路Ｔは原点Ｏを通る旋回半径Ｒの円弧で近似できる。ここで、旋回半径Ｒは、自車７０の操舵角α、速度Ｖｓｐ、スタビリティファクタＡ、ホイールベースＢおよびステアリングギア比Ｇｓを用いて式（１）で表される。

　　　 Ｒ＝（１＋ＡＶｓｐ^２）×（Ｂ・Ｇｓ／α）　（１）
　スタビリティファクタＡとは、その正負が、車両のステア特性を支配するものであり、車両の定常円旋回の速度に依存する変化の大きさを示す指数となる重要な値である。式（１）からわかるように、旋回半径Ｒは、スタビリティファクタＡを係数として、自車７０の速度Ｖｓｐの２乗に比例して変化する。また、旋回半径Ｒは車速Ｖｓｐおよびヨーレートγを用いて式（２）で表すことができる。

　　　 Ｒ＝Ｖｓｐ／γ　　      （２）
　以上説明したように、車速Ｖｓｐ、操舵角αおよびヨーレートγの自車情報を利用することによって自車７０の予測進路を旋回半径Ｒの円弧で近似することが可能となる。

　次に、制御装置４の処理候補選定領域設定手段４２および立体物判定領域設定手段４３について説明する。処理候補選定領域設定手段４２は、予測進路設定手段４１により設定された予測進路Ｔに応じて、例えば、図８（a）に示すように、車線幅Ｗｎ分の予測進路Ｔ上となるように、処理候補選定領域７１を設定する。

　立体物判定領域設定手段４３は、処理候補選定領域設定手段４２により設定された処理候補選定領域７１に応じて、例えば、図８（ａ）に示すように、自車幅Ｗｃ分の予測進路Ｔ上となるように、立体物判定領域７２を設定する。

　処理候補選定領域７１および立体物判定領域７２の設定方法として、上記の例では幅の設定例を述べたが、他の設定方法として、自車７０からの距離方向に設定する方法がある。

　図８（ｂ）は、ＴＴＣａとＴＴＣｂという時間を設定し、自車７０前方の物体との相対距離を相対速度で割ることにより算出される衝突予測時間がＴＴＣａ以下の警報領域を処理候補選定領域７３、ＴＴＣｂ以下の制動領域を立体物判定領域７４とする例である。

　また、ＴＨＷａとＴＨＷｂという時間を設定し、自車速度とＴＨＷａおよびＴＨＷｂから得られる予測位置を用いて、ＴＨＷａでの到達位置までを処理候補選定領域７５、ＴＨＷｂでの到達位置までを立体物判定領域７６と設定してもよい。

　なお、処理候補選定領域７１、７３、７５および立体物判定領域７２、７４、７６の設定方法はこれに限らず、カメラなどの画像取込装置２により得られる画像から自車７０１の走行レーンを認識するレーン認識装置の認識結果と自車７０１の予測進路Ｔが重なる部分としてもよいし、レーダなどの計測装置１により検知された自車７０前方の物体の距離に応じて設定してもよい。

　次に、図９を用いて、制御装置４の処理候補選定手段４４について説明する。図９は、処理候補選定手段４４の処理内容を示すフローチャートである。

　まず、ステップＳ４０１において、物体情報取得手段３１により検知された物体情報（ＰＹ０［ｉ］、ＰＸ０［ｉ］、ＷＤ０［ｉ］）を読み込む。次に、ステップＳ４０２において、処理候補数ｊに０を代入し初期化する。この後、読み込んだ物体の数に応じて、以下説明するステップＳ４０３からステップＳ４０７を繰り返す。

　ステップＳ４０３において、物体が処理候補選定領域設定手段４２により設定された処理候補選定領域内であるか否かの判定を行う。物体が処理候補選定領域外であると判断された場合には、次の繰り返し処理に入る。処理候補選定領域内であると判断された場合には、続けてステップＳ４０４以降の処理を行う。

　ステップＳ４０４において、物体情報とカメラ幾何モデルに基づいて画像上での画像処理領域を設定する。画像処理領域を設定した後は、ステップＳ４０５に進み、この領域内を走査するパターンマッチングなどの画像処理を実行して物体を検知する。

　ステップＳ４０５で使う画像処理のアルゴリズムは上述のステップＳ２０４に記載の第１のアルゴリズムと同様である。その後、ステップＳ４０６において、物体が検知されたか否かの判定を行う。物体が検知された場合には、ステップＳ４０７に進み、処理候補として、パターンマッチの結果に応じて相対距離ＰＹ１［ｊ］、横位置ＰＸ１［ｊ］、幅ＷＤ１［ｊ］を記録し、処理候補数ｊを１加算する。

　繰り返し処理の終了後、ステップＳ４０８にて、記録された処理候補情報（記録された全ての相対距離ＰＹ１［ｊ］、横位置ＰＸ１［ｊ］、幅ＷＤ１［ｊ］）を、立体物判定手段４５に出力して処理を終了する。

　次に、図１０を用いて、制御装置４の立体物判定手段４５について説明する。

図１０は、立体物判定手段４５の処理内容を示すフローチャートである。

　まず、ステップＳ５０１において、処理候補選定手段４４により選定された処理候補情報（ＰＹ１［ｉ］、ＰＸ１［ｉ］、ＷＤ１［ｉ］）を読み込む。つぎに、ステップＳ５０２において、立体物数ｊに０を代入し初期化する。この後、読み込んだ処理候補の数に応じて、以下説明するステップＳ５０３からステップＳ５０７を繰り返す。

　ステップＳ５０３において、処理候補が立体物判定領域設定手段４３により設定された立体物判定領域内に存在するか否かの判定を行う。処理候補が立体物判定領域外にある（ステップＳ５０３でＮＯ）と判断された場合には、ステップＳ５０７に進み、取得した処理候補（相対距離ＰＹ１［ｉ］、横位置ＰＸ１［ｉ］、幅ＷＤ１［ｉ］）を立体物（相対距離ＰＹ２［ｊ］、横位置ＰＸ２［ｊ］、幅ＷＤ２［ｊ］）としてそのまま登録し、次の繰り返し処理に入る。一方、処理候補が立体物判定領域内に存在する（ステップＳ５０３でＹＥＳ）と判断された場合には、続けてステップＳ５０４以降の処理を行う。

　ステップＳ５０４において、処理候補情報とカメラ幾何モデルに基づいて画像上での画像処理領域を設定する。画像処理領域を設定した後は、ステップＳ５０５に進み、この領域内を走査するパターンマッチングなどの画像処理を実行して立体物を検知する。ステップＳ５０５で使う画像処理のアルゴリズムは上述のステップＳ３０４に記載の第２のアルゴリズムと同様である。

　その後、ステップＳ５０６において、立体物が検知されたか否かの判定を行い、立体物が検知された場合（ステップＳ５０６でＹＥＳ）には、ステップＳ５０７に進み、パターンマッチの結果に応じて、立体物の相対距離ＰＹ２［ｊ］、横位置ＰＸ２［ｊ］、幅ＷＤ２［ｊ］を記録し、立体物数ｊを１加算する。

　繰り返し処理の終了後、ステップＳ５０８にて、記録された立体物の立体物情報（記録された全ての相対距離ＰＹ２［ｊ］、横位置ＰＸ２［ｊ］、幅ＷＤ２［ｊ］）を車載用物体検知装置１０１から外部に出力して処理を終了する。

　以上説明したように、本実施の形態では、処理候補選定領域と立体物判定領域を設定することによって、画像処理対象を限定し、前述した車載用物体検知装置１００よりも処理負荷を軽減することができる。

　次に、図１１を用いて、プリクラッシュ・セーフティ・システムを例にとり、前記の各実施の形態によって得られる立体物情報（相対距離ＰＹ２［ｉ］、横位置ＰＸ２［ｉ］、幅ＷＤ２［ｉ］）に応じて警報を出力する、あるいは自動的にブレーキを制御するといった制御システムの動作方法について説明する。

　図１１は、プリクラッシュ・セーフティ・システムの動作方法を示すフローチャートである。最初に、ステップＳ６０１において、車載用物体検知装置１００もしくは車載用物体検知装置１０１で演算された立体物情報（相対距離ＰＹ２［ｉ］、横位置ＰＸ２［ｉ］、幅ＷＤ２［ｉ］）を読み込む。

　次に、ステップＳ６０２において、検知された各物体の衝突予測時間ＴＴＣ［ｉ］を式（３）を用いて演算する。ここで、相対速度ＶＹ［ｉ］は、物体の相対距離ＰＹ［ｉ］を擬似微分することによって求める。

　　　 ＴＴＣ［ｉ］＝ＰＹ［ｉ］÷ＶＹ［ｉ］　　　（３）
　そして、ステップＳ６０３において、各立体物に対する危険度ＤＲＥＣＩ［ｉ］を演算する。以下、車載用物体検知装置１００もしくは車載用物体検知装置１０１で検知された物体Ｘ［ｉ］に対する危険度ＤＲＥＣＩ［ｉ］の演算方法の例を、図７を用いて説明する。

　まず、物体Ｘ［ｉ］から前述の方法にて得られる予測進路Ｔの中心へ垂線を引き、物体Ｘと予測進路Ｔとの離間距離Ｌ［ｉ］を求める。つぎに、自車幅Ｗｃの半分の大きさである幅Ｈ（Ｈ＝Ｗｃ／２）から距離Ｌ［ｉ］を引き、これが負値の場合には危険度ＤＲＥＣＩ［ｉ］＝０とし、正値の場合には以下の式（４）によって危険度ＤＲＥＣＩ［ｉ］を演算する。

　　　 ＤＲＥＣＩ［ｉ］＝ （Ｈ－Ｌ［ｉ］）／Ｈ　 （４）
　なお、ステップＳ６０１～Ｓ６０４の処理は、検知した物体数に応じてループ処理を行う構成としている。

　ステップＳ６０４において、ステップＳ６０３で演算した危険度ＤＲＥＣＩ［ｉ］に応じて以下の式（５）が成立している物体を選択し、選択された物体の中で衝突予測時間ＴＴＣ［ｉ］が最小となる物体ｋを選択する。

　　　 ＤＲＥＣＩ［ｉ］≧ ｃＤＲＥＣＩ＃　（５）
　ここで、所定値ｃＤＲＥＣＩ＃は、自車７０に衝突するか否かを判定するための閾値である。

　次に、ステップＳ６０５において、選択された物体ｋの衝突予測時間ＴＴＣ［ｋ］に応じて自動的にブレーキを制御する範囲であるか否かを下記の式（６）を用いて判定する。

　　　 ＴＴＣ［ｋ］≦ｃＴＴＣＢＲＫ＃　　 （６）
　上記の式（６）が成立している場合には物体ｋが制動領域内に存在するとして、ステップＳ６０６に進み、ブレーキ制御を実行して処理を終了する。また、式（６）が非成立の場合には、ステップＳ６０７に進む。

　ステップＳ６０７では、選択された物体ｋの衝突予測時間ＴＴＣ［ｋ］に応じて警報を出力する範囲であるか否かを下記の式（７）を用いて判定する。

　　　 ＴＴＣ［ｋ］≦ｃＴＴＣＡＬＭ＃　　 （７）
　上記の式（７）が成立している場合には物体ｋが警報領域内に存在するとして、ステップＳ６０８に進み、警報を出力して処理を終了する。また、式（７）が非成立の場合には、ブレーキ制御、警報ともに実行せずに処理を終了する。

　以上説明したように、本発明である車載用物体検知装置１００もしくは１０１より得られる物体情報（相対距離ＰＹ２［ｉ］、横位置ＰＸ２［ｉ］、幅ＷＤ２［ｉ］）は、自動ブレーキ、警報といったシステムの動作に関わる危険度ＤＲＥＣＩ［ｉ］の算出に用いられる重要なパラメータである。

　本発明は、上記のような実施形態にすることにより、自車近傍の非立体物に対する誤検知を低減し、警報、自動ブレーキの誤動作を防止することができる。

　なお、本発明は、上述の各実施の形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々の変更が可能である。

Claims (17)

1. 　自車と自車前方の物体との距離を計測する計測装置と、自車の前方画像を取り込む画像取込装置と、前記物体の距離に基づき前記前方画像から前記物体の画像を特定し、該物体の画像を用いて前記物体を識別する処理を行う制御装置とを有する車載用物体検知装置であって、
   　前記制御装置は、
   　前記物体の距離と前記前方画像とに基づいて処理候補を選定する処理候補選定手段と、
   　前記処理候補の距離と前記前方画像とに基づいて前記処理候補が予め設定された所定の立体物であるかを判定する立体物判定手段と、
   　を有することを特徴とする車載用物体検知装置。
2. 　前記処理候補選定手段は、前記物体の距離と前記前方画像とに基づいて前記前方画像内に画像処理領域を設定し、該画像処理領域内の画像に対して画像処理を実行することによって、前記物体から処理候補を選定し、
   　前記立体物判定手段は、前記処理候補の距離と前記前方画像とに基づいて前記前方画像内に画像処理領域を設定し、該画像処理領域の画像に対して画像処理を実行することによって、前記処理候補が予め設定された所定の立体物であるかを判定することを特徴とする請求項１に記載の車載用物体検知装置。
3. 　前記立体物判定手段によって前記画像処理が実行される画像処理領域内の画像が、前記処理候補選定手段によって前記画像処理が実行される画像処理領域内の画像よりも高精度であることを特徴とする請求項２に記載の車載用物体検知装置。
4. 　前記処理候補選定手段は、前記立体物を自車から前方に予め設定された距離だけ離れた位置に配置した場合の画像の大きさと同一の大きさに前記画像処理領域内の画像を縮小し、該縮小した画像に対して画像処理を実行し、
   　前記立体物判定手段は、前記立体物を自車から前方に予め設定された距離だけ離れた位置に配置した場合の画像の大きさと同一の大きさに前記画像処理領域内の画像を縮小し、該縮小した画像に対して画像処理を実行することを特徴とする請求項３に記載の車載用物体検知装置。
5. 　前記立体物判定手段が前記画像処理領域内の画像を縮小する縮小率は、前記処理候補選定手段が前記画像処理領域内の画像を縮小する縮小率よりも小さい値に設定されていることを特徴とする請求項４に記載の車載用物体検知装置。
6. 　前記処理候補は、人物の候補であり、
   　前記所定の立体物は、人物であることを特徴とする請求項１に記載の車載用物体検知装置。
7. 　前記計測装置は、レーダであり、前記画像取込装置は、カメラであることを特徴とする請求項１に記載の車載用物体検知装置。
8. 　前記制御装置は、自車の予測進路を設定する予測進路設定手段と、前記予測進路に応じて処理候補選定領域を設定する処理候補選定領域設定手段と、を有し、
   　前記処理候補選定手段は、前記物体の距離に基づいて前記処理候補選定領域内に前記物体が存在するか否かを判断し、前記処理候補選定領域内に前記物体が存在すると判断した場合に、前記物体の距離と前記前方画像とに基づいて前記前方画像内に画像処理領域を設定することを特徴とする請求項１に記載の車載用物体検知装置。
9. 　前記処理候補選定領域設定手段は、自車の予測進路上に車線幅分の横幅を有するように前記処理候補選定領域を設定することを特徴とする請求項８に記載の車載用物体検知装置。
10. 　前記処理候補選定領域設定手段は、前記自車の速度と前記予測進路に応じて前記処理候補選定領域を設定することを特徴とする請求項８に記載の車載用物体検知装置。
11. 　前記処理候補選定領域設定手段は、自車と物体の相対距離及び相対速度に基づいて算出される衝突予測時間と前記予測進路に応じて前記処理候補選定領域を設定することを特徴とする請求項８に記載の車載用物体検知装置。
12. 　前記制御装置は、外界認識センサにより自車の走行レーンを認識する走行レーン認識手段を有し、
    　前記処理候補選定領域設定手段は、前記走行レーン認識手段の認識結果と前記予測進路に応じて前記処理候補選定領域を設定することを特徴とする請求項８に記載の車載用物体検知装置。
13. 　前記制御装置は、前記予測進路に応じて立体物判定領域を設定する立体物判定領域設定手段を有し、
    　該立体物判定領域設定手段は、前記処理候補の距離に基づいて前記処理候補選定領域内に前記処理候補が存在するか否かを判断し、前記立体物判定領域内に前記処理候補が存在すると判断した場合に、前記処理候補の距離と前記前方画像とに基づいて前記前方画像内に画像処理領域を設定することを特徴とする請求項１に記載の車載用物体検知装置。
14. 　前記立体物判定領域設定手段は、自車の予測進路上に自車幅分の横幅を有するように前記立体物判定領域を設定することを特徴とする請求項１３に記載の車載用物体検知装置。
15. 　前記立体物判定領域設定手段は、前記自車の速度と前記予測進路に応じて前記立体物判定領域を設定することを特徴とする請求項１３に記載の車載用物体検知装置。
16. 　前記立体物判定領域設定手段は、自車と物体の相対距離及び相対速度に基づいて算出される衝突予測時間と前記予測進路に応じて前記立体物判定領域を設定することを特徴とする請求項１３に記載の車載用物体検知装置。
17. 　前記制御装置は、外界認識センサにより自車の走行レーンを認識する走行レーン認識手段を有し、
    　前記立体物判定領域設定手段は、前記走行レーン認識手段の認識結果と前記予測進路に応じて前記立体物判定領域を設定することを特徴とする請求項１３に記載の車載用物体検知装置。

Images