一种侧后方车辆识别方法及装置的制造方法
【技术领域】
[0001] 本发明涉及汽车技术领域，尤其涉及一种侧后方车辆识别方法及装置。
【背景技术】
[0002] 在驾驶员辅助系统及自动驾驶系统中，准确而高效地获取环境信息是系统能够正 确工作的必要条件。车辆行驶环境感知模块能够为驾驶员安全辅助系统以及自动驾驶系统 提供所需要的信息源和输入参数，进而为下一步的智能控制、安全报警等功能的实现提供 技术支撑。
[0003] 车辆识别是行驶环境感知模块中的一个重要组成部分，为自适应巡航、前撞预警、 追尾避撞、换道预警、换道避撞等驾驶员辅助功能提供了目标物信息，为自动驾驶系统提供 了障碍物信息。车辆识别根据其相对于本车的位置，可分为前方车辆、侧方车辆和后方车 辆。目前在前方车辆识别方面已经有较多和较成熟的研究，主要方法包括基于单目视觉的 方法、基于立体视觉的方法、基于雷达的方法和基于雷达与视觉的传感器融合方法，已经能 够较好的实现在各种工况下的前方车辆识别。相比前向车辆识别技术，后向车辆识别技术 的研究相对较少，现有大部分算法都是采用基于运动的单目视觉和基于立体视觉的方法。 而侧向车辆的识别相比前、后向车辆识别更加困难，这是因为在前、后向车辆识别中用到的 大量特征，如对称性、底部阴影、车辆形状等，在侧向车辆识别中都无法使用。尤其当车辆位 于相邻车道的驾驶员盲区中时，其侧面轮廓不能完全被视觉检测到，识别尤其困难，而此区 域内的车辆正是对本车构成最大危险的障碍物。
[0004] 目前在侧后方车辆识别方面，国内外有些使用24GHz的毫米波雷达探测盲区车 辆，对其波形进行处理以获取目标信息，并使用非线性卡尔曼滤波方法来进行车辆跟踪；有 些使用全方位相机识别车辆行驶的后侧向环境，使用差分高斯滤波器来获取相机图像中每 个像素点的特征向量，并使用主成分分析方法来降低向量维数，使用模板匹配的方法搜索 概率上最匹配的车轮位置；有些使用全方位相机和立体视觉识别驾驶员盲区，使用不等式 算法方法将车辆从行驶环境背景中分离出来；有些将摄像机和近距雷达进行传感器信息融 合来进行盲区车辆识别，还有些使用安装在车辆两侧的近距雷达来识别盲区车辆，并使用 卡尔曼滤波方法来进行跟踪。
[0005] 总体说来，现有的侧后方车辆识别技术中，主要采用的基于运动的方法计算量很 大，难以保证实时性；而基于立体视觉或雷达与摄像机融合的方法则结构过于复杂，成本 高，算法繁琐。其他方法在实现结构精简的同时，准确率较低，且容易受到环境的影响，稳定 性较差。
【发明内容】
[0006] 本发明所要解决的技术问题在于，提供一种兼顾实时性和准确性的侧后方车辆识 别方法及装置。
[0007] 为了解决上述技术问题，本发明提供一种侧后方车辆识别方法，包括： 步骤si，获取本车侧后方黑白图像； 步骤S2,从所述黑白图像中识别出旁车道的左右两条车道线； 步骤S3,在所述黑白图像中的左右两条车道线范围内，设置三个梯形区域，所述每一梯 形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道线平行，上下底均 与所述黑白图像的水平宽度方向平行； 步骤S4,分别计算所述三个梯形区域的三阶累积量； 步骤S5,当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别阈值 时，获得本车侧后方存在车辆的识别结果。
[0008] 其中，所述三个梯形区域按离本车距离远近，由远及近包括第一梯形区域、第二梯 形区域和第三梯形区域。
[0009] 其中，所述第一梯形区域的下底与按前向车辆识别方法识别侧后方车辆失效时车 辆底部在所述黑白图像的位置重合。
[0010] 其中，所述步骤S2还包括： 以所述黑白图像坚直高度方向为纵轴，水平宽度方向为横轴建立坐标系； 分别获得左右车道线在所述坐标系的斜率和在所述横轴上的截距； 所述步骤S3具体包括： 根据所述第一梯形区域的下底在所述坐标系的纵坐标、所述左右车道线在所述坐标系 的斜率和在所述横轴上的截距，以及所述第一梯形区域的高度，确定所述第一梯形区域在 所述坐标系中的横、纵坐标范围； 根据所述第二梯形区域与所述第一梯形区域的纵向间隔、所述左右车道线在所述坐标 系的斜率和在所述横轴上的截距，以及所述第二梯形区域的高度，确定所述第二梯形区域 在所述坐标系中的横、纵坐标范围； 根据所述第三梯形区域与所述第二梯形区域的纵向间隔、所述左右车道线在所述坐标 系的斜率和在所述横轴上的截距，以及所述第三梯形区域的高度，确定所述第三梯形区域 在所述坐标系中的横、纵坐标范围。
[0011] 其中，各梯形区域的高度相同，相邻梯形区域的纵向间隔也相同。
[0012] 其中，确定所述各梯形区域的横坐标范围时，所述横坐标的最小值加上第一修正 量，所述横坐标的最大值减去第二修正量。
[0013] 其中，所述第一修正量为所述各梯形区域的左侧腰线的延长线在所述横轴上的截 距，与所述左侧车道线在所述横轴上的截距的差值；所述第二修正量为所述右侧车道线在 所述横轴上的截距，与所述各梯形区域的右侧腰线的延长线在所述横轴上的截距的差值。
[0014] 其中，所述步骤S4具体包括： 通过前后三帧所述黑白图像中各梯形区域的一阶矩、二阶矩和三阶矩分别计算各梯形 区域的三阶累积量，所述三阶累积量是所述一阶矩、二阶矩和三阶矩的函数。
[0015] 其中，所述设定时间不小于0. 5秒。
[0016] 其中，还包括： 比较所述三个梯形区域的三阶累积量，以三阶累积量最大的梯形区域作为侧后方车辆 所在区域。
[0017] 其中，如果所述侧后方车辆所在区域是所述第三梯形区域，则提示驾驶者盲区存 在车辆，不可直接变道；如果所述侧后方车辆所在区域是所述第二梯形区域或所述第一梯 形区域，则提示驾驶者盲区附近存在车辆，变道需谨慎。
[0018] 本发明还提供一种侧后方车辆识别装置，包括： 图像处理单元，用于获取本车侧后方黑白图像，并从所述黑白图像中识别出旁车道的 左右两条车道线； 梯形区域设置单元，用于在所述黑白图像中的左右两条车道线范围内，设置三个梯形 区域，所述每一梯形区域的左右两条腰线均分别与所述左右两条车道线中各自相邻的车道 线平行，上下底均与所述黑白图像的水平边平行； 计算单元，用于分别计算所述三个梯形区域的三阶累积量； 识别单元，用于当所述任一梯形区域的三阶累积量在连续的设定时间内超过车辆识别 阈值时，获得本车侧后方存在车辆的识别结果。
[0019] 实施本发明实施例将带来如下有益效果：在普通工况下，通过在获得的本车侧后 方黑白图像中设置三个梯形区域，计算其三阶累积量即可以判断本车侧后方尤其是驾驶者 盲区内是否存在车辆，无需复杂繁琐的算法，准确率和实时性高，计算量小，成本低，为驾驶 员辅助系统或自动驾驶系统提供实时准确的侧后方车辆位置信息。
【附图说明】
[0020] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0021] 图1是本发明实施例一一种侧后方车辆识别方法的流程示意图。
[0022] 图2是本发明实施例一中所获取的本车侧后方黑白图像的示意图。
[0023] 图3是本发明实施例一中经坐标系处理的等效黑白图像示意图。
[0024] 图4是本发明实施例一中设置梯形区域的示意图。
[0025] 图5是本发明实施例一中某一个图像序列的三阶累积量计算结果示意图。
[0026] 图6是本发明实施例一中某一个图像序列中的侧后方车辆连续识别结果示意图。
[0027] 图7是本发明实施例二一种智能车运动控制性能的评估装置的结构示意图。
【具体实施方式】
[0028] 下面参考附图对本发明的优选实施例进行描述。
[0029] 请参照图1所示，本发明实施例一提供一种侧后方车辆识别方法，包括： 步骤S1，获取本车侧后方黑白图像； 步骤S2,从所述黑白图像中识别出旁车道的左右两条车道线； 步骤S3,在所述黑白图像中的左右两条车道线范围内，设置三个梯形区域，所述每一梯 形区域的左右两条腰线均分别与所述