数，因此驾驶辅助装置100可使用由粗到精（coarse-to-fine)技法。
[0051]由粗到精技法分为Η个步骤。第一个步骤中，将路面分为多个区间后，向存在于各 区间的Η维点适用霍夫变换化OU曲transform)而获得评选（voting)结果。第二个步骤 中，W数据项（dataterm)设定评选结果，并将各区间直线的连接关系及倾斜度变化设定为 平滑项（smoothnessterm)而执行动态规划（dynamicprogramming),从而估算分段线性 (piecewiselinear)函数。最后步骤中，在估算出的分段线性函数上，统一（uni化rm)地采 取（sampling)样点，从而基于送些采样点而估算Η次b样条曲线，获得最终道路纵断面。
[0052] 根据本发明的实施例具有如下效果。
[0053] 1)存在多种噪声的状况下，仅使用适当的演算量并使用由粗到精技法而稳定地估 算Η次b样条曲线。
[0054] 2)存在多个outlier(异常值）的情况下，同时使用霍夫变换和动态规划而稳健地 估算分段线性函数的最佳参数。
[00巧]处理器150可包括立体匹配部151及路面估算部152。
[0056] 立体匹配部151立体匹配（stereomatching)从立体摄像机模块接收的第1影像 及第2影像，从而获得稠密视差图（densedisparitymap)。
[0057] 路面估算部152利用由粗到精（coarse-to-fine)技法，从立体匹配部151获得的 稠密视差图估算Η次b样条（cubicB-spline)曲线。
[0058] 路面估算部152包括像素处理部153、分段线性函数估算部154及Η次b样条曲线 估算部157。
[0059] 像素处理部153将稠密视差图的所有像素复原成Η维，将复原成所述Η维的像素 累积到ΥΖ平面。像素处理部153按照距离进行分割。例如，像素处理部153将已累积到ΥΖ 平面的像素按照包括在稠密视差图的道路距离的规定区间进行分割并处理。
[0060] 分段线性函数估算部154接收由像素处理部153传达的累积结果，通过累积结果 估算分段线性（piece-wiselinear)。
[0061] 另外，分段线性函数估算部154包括霍夫变换化ou曲transform)适用部及动态 规划（dynamicprogramming)执行部。
[0062] 霍夫变换适用部向存在于所述累积结果的Η维点适用霍夫变换而获得评选 (voting)结果。
[0063] 动态规划执行部，接收霍夫变换适用部传达的评选结果，将所述评选结果设定为 数据项（dataterm),将各区间直线的连接关系及倾斜度变化设定为平滑项（smoothness term),执行动态规划（dynamicprogramming)而估算分段线性函数。
[0064]Η次b样条曲线估算部157接收由线性函数估算部154估算的分段线性函数，基 于该估算的分段线性函数而估算Η次b样条曲线。
[0065] 图3是用于说明根据本发明的实施例的驾驶辅助装置的运转方法的参照图。
[0066] 参照图3,立体匹配部151立体匹配（stereomatching)第1影像及第2影像而获 得稠密视差图（densedisparitymap) (S305)。
[0067]之后，像素处理部153将稠密视差图的所有像素复原成Η维（S310)，将所述复原 成Η维的像素累积到ΥΖ平面（S320)。
[0068] 然后，像素处理部153在稠密视差图上，按照距离区分道路（S330)。
[0069] 之后，霍夫变换适用部（155)对存在于累积结果的Η维点适用霍夫变换化OU曲 transform)而获得评选（voting)结果（S340)。
[0070] 之后，动态规划执行部156将所述评选结果设定为数据项（dataterm)，将各区 间直线的连接关系及倾斜度变化设定为平滑项（smoothnessterm),从而执行动态规划 (dynamicprogramming)而（S350)估算分段线性函数（S355)。
[0071] 然后，Η次b样条曲线估算部157基于估算的分段线性函数而估算Η次b样条曲 线（S360)，从而获得道路纵断面（S370)。
[0072]图4是用于说明根据本发明的实施例的利用由粗到精技法的路面建模的近似化 结果的参照图。
[0073] 参照图4,同时存在随机误差（randomerror)及严重错误（grosserror)的实际 数据（data)中很难直接估算自由度高且具有非线性（nonlinear)特性的Η次b样条曲线。
[0074] 处理器150估算分段线性函数之后，基于该结果并利用估算Η次b样条曲线的由 粗到精技法而估算路面。例如，像素处理部153利用每20m区间具有controlpoint(控制 点）的Η次b样条曲线而对100m区间的路面进行建模，将此近似化为W5米间隔设定的20 个linear(线性）函数。图4呈现送种近似化结果。图4中的A曲线表示Η次b样条曲 线，B曲线表示近似化为分段线性函数的结果。通过该图，可确认Η次b样条曲线能够较准 确地近似化为分段线性函数。
[00巧]送种近似化具有如下优点。第一，能够确保对随机误差（random error)(例如，zero-mean Gaussian noise-零均值高斯噪声）的稳健性。作为RANSAC(随机抽样一致） 及M-estimato;r(M估计量）等robust estimator(稳健估计）的基础的least-squares estimator(最小二乘估计）一般为了演算的效率性而寻求能够最小化algebraic error(代数误差）的squaredsum(平方和）的solution(方案）。用1次多项式表示的线性 模型因algebraic error(代数误差）和geometric error(几何误差）之间成立比例关系 而能够消除random error(随机误差）的影响，但像高次多项式等模型的nonlinearity(非 线性）增加的状况下，fitting error(拟合误差）会出乎意料地wei曲ting(加权），导致 估算的parameter(参数）biased(结果偏倚的）的错误结果。并且，适用霍夫变换等评选 (voting)基础方法时，模型的自由度越高，会导致评选二进制文件（voting bin)的个数相 比数据数量急剧地增加，具有随机误差的数据无法充分地累积到正确的二进制文件化in)， 引起根据峰值检测（peak detection)的参数估算错误。因此，相比nonlinearity(非线 性）高的Η次b样条曲线，具有linear(线性）特性的分段线性函数的估算对随机误差更 加稳健。
[0076] 第二，能够确保对严重错误（outlier(异常值））的稳健性。存在多个outlier(异 常值）的状况下直接估算自由度高的函数需要很多演算量。图4的状况下，为了使用化U曲 transform(霍夫变换）而估算Η次b样条曲线，需要操作妒个评选二进制文件，若假设构 成分段线性函数的个别linear(线性）函数为独立的（independent)，只需操作20 ·妒个 的评选二进制文件。N表示各参数空间（parameterspace)的评选二进制文件个数。并且， 使用RANSAC(随机抽样一致）执行估算时，前者需要反复执行log(1-P)/log(1-wS)，但后者 只需反复执行20 ·log(1-p)/log(l-w2)。P和w表示至少一个随机样本（randomsample) 只由inlier(内围层）构成的概率及inlier(内围层）的proportion(比例）。送种复杂 度的减少不仅会减少演算量，还能提高正确估算的可能性。
[0077] 表现实际路面的分段线性函数是continuous(连续的），因此linear(线性）函 数之间存在dependency(依存关系），但为了确保对outlier(异常值）的稳健性，该步骤 中假设了构成分段线性函数的linear(线性）函数为independenU独立的）。而送种 (kpendency(依存关系）在parameter(参数）估算步骤中被设定为动态规划（dynamic programming)的平滑项（smoothnessterm)而复原。与此相关的内容将在后面详细说明。
[0078] 图5是用于说明根据本发明的实施例的稠密像素处理部的运转的参照图。
[0079] 参照图5,处理器150使用densedisparitymap(稠密视差图）而估算路面。图 5的（a)图示第1摄像头所获得的影像，图5的化）图示稠密视差图，图5的（C)图示Η维 点累积结果。
[0080] 稠密视差图是通过化enCV(开放源代码计算机视觉类库）所具有的Semi-Global Matching(半全域匹配-SGM)方法计算的结果。像素处理部153将稠密视差图的所有像素 复原为Η维后累积到YZ平面。送时，可用少数的bin表示大多数Η维点，因此能够提高路 面估算的效率。图5的（C)的累积结果亮度为了便利而用logarithmicscale(对数刻度） 画出。该图的横轴表示Om~100m的Z轴，纵轴表示-10m~+10m的Y轴。摄像头存在于 (0m，0m)，bin的大小设定为0.ImXO.Im。像素处理部153对Η维点执行tilt(倾斜）补偿 后进行累积。
[0081] 因化rspectiveprojection(透视投影），影像中近距离物体显得比实际大，远距 离物体显得比实际小，送导致远距离与近距离累积结果的不均衡。为了防止送种现象，像素 处理部153按照距离而使累积值正规化，如数学式1。
[0082]
[008引 A(j，U和；1<、/，0分别表示原来的累积结果和被正规化的累积结果，ζα)和f 分别表示对应A(j，i)的距离和像素单位焦点距离，i和j表示累积结果的横轴和纵轴的index(索引）。i和j的原点是图5的（C)的左侧上端。
[0084] 图6是用于说明根据本发明的实施例的分段线性函数估算部及Η次b样条曲线估 算部的运转的参照图。
[0085] 利用分段线性函数估算路面的最具代表性的方法是v-disparity(V-差距）的霍 夫变换结果中选择累积值大且呈现envelope(包络）形态的直线组合的方法。但是，该 方法无法表现发生2次W上变动的路面，缺点是因