湿路面状况检测的制作方法

实施例总体上涉及利用水分散检测的湿路面检测。

背景技术：

驾驶路面上的降水导致车辆的几个不同问题。例如，道路上的水减小了车辆轮胎和路面之间的摩擦系数，从而导致了车辆稳定性问题。通常，通过主车辆利用某种感测操作对道路上降水进行感测来判定行驶的道路上降水的检测，当降水已经在影响车辆运行时发生所述感测操作，比如检测车轮滑动。因此，车辆必须检测其自身相对于干路面运行状况的运行状况(例如，车轮滑动)，以判定降水是否存在。因此，这种系统可以等待这种状况发生或者可以将激励引入到车辆来判定状况是否存在(例如，如果存在降水，对从动车轮产生突然加速来唤起车轮滑动)。

技术实现要素：

实施例的优点是使用基于视觉的成像装置和基于雷达或类似装置来检测道路上的水，所述装置识别由其它车辆从路面分散的降水。本文所描述的技术不需要来自车辆或驾驶员的任何激励来启动对是否存在降水的判定。而是，利用成像装置和雷达型装置，响应于检测相邻车道中车辆车轮的溅射来判定降水。对相邻的车轮区进行定位并提取车轮和轮缘的轮廓。相对于车轮的位置识别关注区域来分析相邻车辆的路面上是否存在降水。

实施例设想了一种判定道路的湿路面状况的方法。通过主车辆的图像捕获装置，捕获在相邻车道中行驶的远处车辆的车轮的图像。通过主车辆的处理器，识别所捕获的图像中相对于车轮的关注区域，其中关注区域表示降水分散发生的地方。做出关注区域中是否存在降水的判定。响应于相邻车道中降水的识别而生成湿路面信号。

附图说明

图1示出了湿路面检测系统的方框图。

图2是由摄像机捕获的湿路面上车辆场景的示例性透视图。

图3是具有周围视图覆盖的车辆周围的示例性透视图。

图4示出了用于检测湿路面的方法的流程图。

图5示出了用于车轮区域定位的示例性技术的流程图。

图6示出了用于提取定位车轮的轮廓的示例性技术的流程图。

图7示出了用于判定关注区域的示例性技术的流程图。

图8a是干路面上噪声检测的示例性流程图。

图8b是湿路面上噪声检测的示例性流程图。

具体实施方式

图1中示出了车辆10沿着车辆道路12行驶。当轮胎在车辆道路12上的湿路面上旋转时，示出的设置在车辆道路12上的降水14通常由安装在车轮14的轮缘18上的车轮14和轮胎16所取代。通常有利地是，知道何时车辆将沿着湿车辆道路12行驶，使得可以消除或者至少缓解由降水导致的问题，比如由进入外部进气口的水所导致的牵引力损失或发动机退化。

当在湿路面上驾驶时，车辆道路12上的降水19可导致牵引力的减小。设置在车辆道路12上的降水14减小了车辆轮胎和车辆道路12之间的摩擦系数。因此，减小了车辆轮胎和车辆道路12之间的牵引力。可以通过各种缓解技术来缓解牵引力损失，这些缓解技术包括，但不限于，警告驾驶员降低车速至有利于环境状况的速度；使用非常低的制动力致动车辆制动器的自动应用，以使在制动部件的制动表面上形成的降水最小化；当检测到降水时停止或限制巡航控制功能的激活；或者通知驾驶员与前面车辆维持更大的停车距离。应该理解的是，本文所描述的实施例可以应用于除汽车之外的需要湿路面状况检测的其它类型的系统。除汽车之外可利用此系统的车辆的实例包括，但不限于，轨道系统、飞机、越野运动型车辆、机器人车辆、摩托车、自行车、农场设备，以及建筑设备。

图2示出了湿路面检测系统的方框图。多个基于车辆的图像捕获装置20安装在车辆上用于捕获车辆周围的图像。多个基于车辆的图像捕获装置20可以安装在车辆的前面、后面和侧面上。此外，多个基于感测的装置22也安装在车辆周围用于检测车辆周围的物体。应该理解的是，基于感测的装置可以包括，但不限于，基于雷达的装置、基于激光雷达的装置，和超声装置(本文中用于示例性目的，感测数据指基于雷达的数据，但应该理解的是，本文中所描述的实施例不限于雷达数据)。基于感测的装置22也可以设置在车辆的前面、后面和侧面上。图3示出了用于感测车辆周围物体的示例性360度传感器覆盖。每个装置都协作地用于检测并识别车辆每侧上的物体。当前可以在使用各种车辆运行结果的车辆的各种物体检测系统上利用这种装置(比如基于车辆的图像捕获装置20和基于感测的装置22)。本文所描述的实施例中的每个装置都将用于检测视场中的车轮可以判定路面上是否存在降水。

再次参照图2，处理器24处理由图像捕获装置20所捕获的图像和由基于感测的装置22所获取的数据。处理器24对这些图像和数据进行分析以判定是否检测到相邻车道中另一车辆的车轮。一旦处理器24识别了相邻车道中另一车辆的车轮，处理器24就会定位并分析车轮周围区域中的车轮以判定道路上是否存在降水。处理器24可以是现有系统的一部分(比如牵引控制系统或其它系统)，或者可以是专门分析来自图像捕获装置20和基于感测的装置22的数据的独立处理器。

处理器24可以耦接到一个或多个输出装置，比如用于如果在路面上发现降水启动或致动控制动作的控制器26。可以致动一个或多个应对措施以用来缓解降水可能对车辆运行造成的影响。

控制器26可以是车辆子系统的一部分或者可以用于使车辆子系统能够应对水的影响。例如，响应于道路是湿的判定，控制器26可以起动电气或电动-液压制动系统28或类似系统，其中在发生牵引力损失的情况下准备制动策略。除了准备制动策略，一旦车辆进入降水，制动系统可以在驾驶员没有觉察的情况下自主地施加较轻的制动力，以去除来自车辆制动器的降水。当驾驶员手动施加制动时，从车轮和制动器去除降水积聚会维持车辆制动致动器和车轮制动表面之间的预期摩擦系数。

控制器26可以控制牵引控制系统30，所述控制牵引控制系统30将动力分别分配到每个相应的车轮，用于当在路面上检测到降水时通过相应的车轮减少车轮滑动。

控制器26可以控制巡航控制系统32，当在路面上检测到降水时，所述巡航控制系统32可以停止巡航控制或者限制巡航控制的起动。

控制器26可以控制驾驶员信息系统34，用于向车辆驾驶员提供关于在车辆道路上检测到的降水的警告。由控制器26所致动的这种警告可以警报驾驶员注意路面上正接近的降水，并可以建议驾驶员降低车速至有利于当前环境状况的速度，或者控制器26可以致动警告以维持到所驾驶车辆的前方车辆的安全驾驶距离。应该理解的是，如本文所描述，控制器26可以包括控制单独功能或可以控制功能组合的一个或多个控制器。

控制器26可以进一步控制自动打开并关闭空气档板36的致动用于防止水摄入车辆的发动机。在这种状况下，当在车辆前方的路面上检测到要存在降水时，控制器26自动地致动空气档板36的关闭，并且当判定路面上不会再存在降水时控制器26可以重新打开空气挡板。

控制器26可以进一步控制无线通信装置38的致动用于利用车辆对车辆或车辆对基础设施的通信系统自主地将湿路面状况传送到其它车辆。

控制器26可以进一步向除本文列出的那些之外不使用自动化特征的车辆的驾驶员提供湿路面信号警报。

本文所描述的技术的优点是车辆或驾驶员不需要任何激励来用于启动水或降水是否存在的判定。也就是说，现有技术需要车辆进行一些相当大的激励(无论是通过制动操纵、增大的加速、转向操纵)以便用于路面水的检测。基于响应(例如，车轮滑动、偏航)，这种技术判定车辆当前是否正在水上或降水上驾驶。相比之下，本文所描述的技术提供预测或前瞻分析，以便为驾驶员或车辆在车辆到达水或降水的位置之前留出时间来采取预防措施。

图4示出了用于检测湿路面的方法的流程图。在步骤40中，提供获取物体信息(比如，但不限于，物体的类型、物体的位置、物体的速度，以及物体的航向角)的传感器/融合模块。可以对物体的各种特性进行分析来判定物体是否是具有在相邻车道的路面上行驶的车轮的车辆。在相邻车道中行驶的车辆可以是在与主车辆(即，监测其它周围车辆的车辆)或在主车辆的相反方向上行驶的相邻车道中的车辆相同的方向上行驶的车辆。

在步骤41中，由处理器做出是否在由图像捕获装置和感测装置之一所捕获的图像的视场中检测到车轮的判定。如果做出了在任何捕获装置的视场中未检测到车轮的判定，则例程进行到步骤42，其中可以使用其它途径来检测路面上的降水。如果做出了检测到车轮的判定，则例程进行到步骤43。

在步骤43中，处理器应用了车轮区域定位。基于由雷达所报告的真实中心位置，利用图像捕获装置所获取的图像来识别车轮的定位。也就是说，雷达数据将识别车轮的中心位置并且将会基于中心位置来判定参考框架内的车轮定位。

在步骤44中，通过车轮轮廓提取技术从图像中识别车辆的轮廓。技术在如在步骤43中所判定的车轮区域中提取轮胎的轮廓和轮缘的轮廓。

在步骤45中，从定位区域中识别关注区域。此技术对关注区域进行定位，所述关注区域包括相对于轮胎的相应区域，在该区域中预期是否存在分散降水。利用车轮中心位置和车轮轮廓信息，可以在相对于车轮的位置上识别分散降水的关注区域。也可以基于其它标准来识别关注区域，比如相对于车辆的相邻底部的车轮中心位置。

在步骤46中，进行分散降水分析以判定路面上是否存在水。通过分析在关注区域中的空气中是否存在水滴来进行判定，这些水滴是由当轮胎旋转时来自路面正在被溅起的水所导致。这可以由处理器、分类器，或其他机器学习技术(比如深度学习技术)来进行。

在步骤47中，做出关注区域中是否存在分散降水的判定。如果做出了在关注区域中存在降水的判定，则例程进行到步骤48。

在步骤48中，响应于在关注区域中存在降水的判定，将带标记的湿路面指标进行设定并传送到控制器，在所述控制器中可以致动如较早所描述的各种车辆操作，其包括，但不限于，制动控制、牵引控制、速度控制、驾驶员警告、空气挡板控制，以及车辆对车辆的通信。

如果在步骤46中做出了在关注区域中不存在降水的判定，则例程返回到步骤40以监测降水的存在。

图5至图8示出了可以在图4中阐述的子例程中使用的示例性技术。应该理解的是，各种技术都是示例性的并且在不脱离本发明范围的情况下可以使用其他技术。

图5示出了用于对车辆的车轮进行定位的技术。在步骤50中，在车辆的不同区域处致动雷达、激光雷达、或其它感测系统用于监测相邻车道并判定是否存在车辆的车轮。基于来自所感测数据的车轮的检测，判定相对于主车辆的相邻车道中车辆的车轮的车轮中心位置(X、Y)或者(X、Y、Z)。如果感测装置未测量车轮垂直位置(Z)，则使用(Z__下<＝Z<＝Z_{_上})可以判定垂直位置(Z)的范围。

在步骤51中，将由感测系统在真实世界中所识别的车轮中心位置映射到所捕获的图像上。因为所捕获的图像是图像中车轮的定位位置以及来自雷达装置的感测数据是真实世界的位置，所以必须对这两组数据(即，图像数据和雷达数据)进行校正以用来合并。将真实世界的数据与图像捕获数据相匹配的各种技术是已知的，以及在不脱离本发明范围的情况下可以在本文使用任何技术。

在步骤52中，进行完整车轮投影。完整车轮投影将车轮的图像投影到包括轮胎和轮缘的完整面的平面。因为真实世界摄像机相对于车轮的姿态可能不与车轮同平面(即，成一定的角度)，所以虚拟摄像机模型可以与所捕获的图像一起使用，使得虚拟姿态用来重新定向图像以便获得车辆车轮的完整平面视图。如本文中所使用的术语虚拟摄像机指模拟摄像机，该模拟摄像机除具有模拟摄像机姿态之外还具有模拟摄像机模型参数和模拟成像表面。如由处理器所进行的摄像机建模在本文中被描述为使用虚拟摄像机建模获得场景的合成图像的虚拟图像。

在步骤53中，响应于生成完整车轮投影，判定所识别车轮的直径(d)。基于车轮的中心来识别定位区域。定位区域的尺寸优选地是正方形并设定为标称直径的两倍加公差(例如，2×d_{_标称}+公差)。应该理解的是，正方形的尺寸可以是任何预定值乘以标称直径，并且不限于标称直径的两倍。应该理解的是，可以通过其它方法来判定定位区域或形状。

图6示出了用于提取车轮中的轮廓的技术。在步骤60中，从完整车轮投影和从图5中识别的定位区域中识别道路上车轮的图像。

在步骤61中，包含但不限于Canny检测的边缘检测应用于车轮的图像以用来判定边缘。Canny检测可以用于检测图像中的水平、垂直，以及对角边缘。在图像空间中获得所需曲线上的不完美图像点。这允许例程识别轮胎的轮廓以及轮缘的轮廓。其它可能的边缘检测技术可以包括，但不限于，垂直和水平边缘检测。垂直或水平边缘检测将相关性滤波器应用到输入图像。可以使用放大在水平或垂直方向上的变化并在垂直或水平方向上的衰减变化的任何几个滤波器。

在步骤62中，霍夫变换应用于边缘检测生成图像。此图像分析技术应用于识别可以被参数化的形状的位置。霍夫变换是用于图像分析的特征提取技术以在某类形状内寻找物体的不完美示例。霍夫变换不仅识别图像的线而且还识别任意形状(例如，圆形或椭圆形)的位置。应该理解的是，在不脱离本发明范围的情况下可以使用其它形式的变换。

在步骤63中，识别了各种车轮参数，其包括，但不限于，车轮的中心位置(例如，在x，y坐标平面中)、轮胎半径和轮缘半径。

在图7中，识别相对于车轮的关注区域70来分析是否存在排水。识别车辆的属性。这种属性可以包括，但不限于车辆类型、车速，和将协助识别关注区域的尺寸的特定应用。

在本文中所示的实例中，具有宽度(W)和高度(H)的感兴趣矩形区域70位于车轮的后面。例如，感兴趣矩形区域的第一边的起始位置在等于轮缘半径(R₁)的距离处开始。感兴趣特殊区域的宽度基本上等于轮胎的半径(例如W＝R₂，其中R₂等于轮胎的半径)。感兴趣矩形区域的高度在地表面和车辆底部之间延伸并且优选地等于轮胎半径的一半(例如，H＝1/2×R₂)。矩形区域的角位于相对于车轮中心的坐标处。通过离基本上等于车轮轮缘的半径(R₁)的车轮中心的横向长度和离基本上等于轮胎半径(R₂)的车轮中心的纵向长度来确定坐标。应该理解的是，在不脱离本发明范围的情况下其它技术可以用于识别关注区域。例如，可以识别进一步的图像分析以定位车辆底部和地表面，并且因此可以通过识别地表面和底部之间的区域来判定高度。此外，基于车辆的特定主体类型、车轮尺寸，和其它车辆属性，可以利用更好地限定关注区域的其它形状或配置。

图8a示出了基于分析不存在降水的图7中识别的关注区域的水分配分析。如方框80中所示，捕获了在道路上行驶的车辆的图像。识别关注区域用于分析是否存在降水。由轮胎分散的降水将导致图像中类似于加到图像的盐和胡椒粉的噪声。在显示水被分散在空气中时，示出了未滤波图像和滤波图像之间的对比。

方框80表示所提取的关注区域的展开图。在方框82中，对关注区域的图像应用中值滤波。在应用中值滤波后，基于未滤波图像和滤波图像之间差的计算来生成噪声图像。虽然降水在形式上可以是灰色的，但均一的黑色和表示任何水的灰色之间的差可以是细微的。因此，在方框83中，二进制转换应用于图像，使得与黑色(表示无降水)相比，灰色颗粒形式的任何降水表示为白色(表示降水)。应该理解的是，在不脱离本发明范围的情况下，除了用于识别图像中降水的中值滤波之外可以使用其他类型的滤波。

图8b示出了基于分析存在降水的图7中识别的关注区域的水分配分析。如方框90中所示，捕获了在道路上行驶的车辆的图像。识别关注区域(ROI)以分析是否存在水。

方框91表示所提取的关注区域的展开图。如在方框91的图像中用肉眼观察所示，降水可以视为空气中的雾。

在方框92中，对关注区域的图像应用中值滤波。如图所示，中值滤波生成被视为灰度级元素的噪声图像。由于灰色和黑色在基本上接近的颜色谱图上，通过使用分类模块或类似模块的颜色分析所识别的非均匀性对于识别图像中的降水而言可能并不显著。可以应用于识别降水(例如，噪声)的分类模块或机器学习的实例包括但不限于，深度学习。因此，例程进行到步骤93，其中增强降水图像以用于识别图像中的非均匀性。

在方框93中，二进制转换应用于图像，使得灰色颗粒形式的任何降水表示为白色元素。如方框93的图像所示，通过图像中存在的白色颗粒清楚地识别降水。因此，处理器或分类模块将分析图像的均匀性。与图像均匀性的任何偏离都表明存在降水。

虽然已经详细描述了本发明的某些实施例，但是熟悉本发明所涉及领域的技术人员将认识到用于实施由以下权利要求书所限定的本发明的各种替代设计、滤波处理和实施例。