本发明属于交通领域,特别涉及一种轨道和道路障碍物检测方法。
背景技术:
:国内主流障碍物探测技术尚处在萌芽阶段,现在主要的轨道交通障碍物探测技术还停留在通过在轨道车辆前端设置接触式障碍物检测装置,这项技术是通过触碰的机械方式进行探测,探测距离短,并不具备预警能力。而目前雷达探测技术还不够成熟,特别是在转弯处和坡道行驶时,其检测精度和准确度都不能满足道路交通的障碍物检测要求。再加上激光扫描点的数量是有限的,而且扫描点不均匀且稀疏,容易导致车辆无法容易在点云较为稀少的地方识别出障碍物,对于障碍物的大小也无法定性估计。同时,毫米波雷达并不成熟,且在远距离探测的精度,准确度难以满足自动驾驶系统的要求,提升单一雷达系统的周期较长。随着无人驾驶技术和人工智能技术的发展,势必要求车辆具备预警功能和自动障碍物检测技术,并在可以预见的未来迅速在整个城市轨道交通和无轨交通领域蔓延。所以综合运用多雷达系统探测障碍物也将成为自动驾驶技术和人工智能时代一个迫切的需求。技术实现要素:本发明的目的在于,针对上述现有技术的不足,提供一种基于激光雷达、毫米波雷达和图像识别的轨道和道路障碍物检测方法,能够判断障碍物是否存在,检测障碍物的距离,为控制中心判断是否实施制动或紧急制动提供依据。为解决上述技术问题,本发明所采用的技术方案是:一种轨道和道路障碍物检测方法,其特点是包括以下步骤:步骤a.通过安装在轨道车辆车头的单目或多目相机获得车辆前方的图像;步骤b.通过毫米波装置和激光装置发射光信号并通过光子探测器接收光信号以得到2d点云图和2d频谱图;步骤c.对图像进行多视处理,再以视频系统为媒介,通过焦平面阵列分析匹配激光雷达和视频系统;针对毫米波雷达,通过数据预处理、边缘匹配方法匹配视频系统和毫米波雷达系统,完成激光雷达、毫米波雷达、视频系统三个系统的像素级融合;将获取到的图像进行实施序列分析,对多雷达系统及视频系统进行滤波处理,将毫米波雷达和激光雷达采集的图像与原始图像进行匹配;步骤d.针对毫米波雷达、激光雷达各自具有的特征分析前向障碍物,根据天气情况,通过机器学习计算出权值并调整参数,在极端恶劣天气下(大暴雨(1d(或24h)降雨量100~250mm),7级以上大风,能见度不超过150米的大雾,强沙尘暴,pm2.0在500以上的雾霾),以毫米波雷达识别的精度为准;在非极端天气条件下,通过机器学习根据形状对物体进行分割,并通过机器学习设置阈值,强化激光雷达的识别权值;运用毫米波雷达的穿透能力,探测一些可能存在的被遮挡的物体;设置距离模块来分析车辆前方可能存在的障碍物,并根据距离模块点的特征标记障碍物。进一步地,还包括步骤e.针对类直道、弯道、坡道,通过距离模块标记出参数,显示障碍物距离车辆的距离。进一步地,还包括步骤f.在照相机所拍摄图像上,根据对应障碍物以及障碍物的距离,并通过障碍物在图像上的大小和障碍物的距离得到障碍物的实际大小;当障碍物的实际大小超过30cm*30cm*30cm时,对轨道车辆进行减速;当障碍物的实际大小超过60cm*60cm*60cm时,对轨道车辆采取紧急制动。本发明采取多雷达系统和图像识别的综合技术,综合运用了图像识别,毫米波雷达和激光雷达的优势,通过安装在轨道车辆上的车载设备来实现测距和障碍物判断,并识别障碍物,通过发射和接受光束,判断障碍物距离,通过将扫描出的结果同步到图像上,用框图。最后在控制中心,通过距离和障碍物的大小来判断是否实施制动或紧急制动,从而实现轨道车辆的提前预警和安全性提升的要求,提升无人驾驶的安全性。本发明能够较为准确的识别障碍物,并且具备一定的预警功能,与现行的检测方法相比,能够同时保证准确性和预警功能。附图说明图1为本发明方法中激光雷达系统、相机系统、毫米波雷达系统和车载系统安装示意图。图2为本发明方法中激光雷达系统、相机系统、毫米波雷达系统探测范围示意图。图3为通过光扫描激光雷达示意图。具体实施方式本发明的原理准备如下:在轨道车辆上,将激光雷达系统1、相机系统2、毫米波雷达系统3和车载系统4按照图1安装在车辆端部位置。激光雷达系统1、相机系统2、毫米波雷达系统3探测范围如图2所示。毫米波探测技术毫米波雷达传感器使用毫米波(millimeterwave)。通常毫米波是指30~300ghz频域(波长为1~10mm)的。毫米波的波长介于厘米波和光波之间,因此毫米波兼有微波制导和光电制导的优点。同厘米波雷达相比,毫米波雷达具有体积小、易集成和空间分辨率高的特点。测距原理跟一般雷达一样,也就是把无线电波(雷达波)发出去,然后接收回波,根据收发之间的时间差测得目标的位置数据。毫米波雷达可以对摄像头和激光雷达进行补充,将在车身前部远距离上的车辆、路面金属/石块/混凝土障碍物转换为目标信息发送给决策规划模块,尤其在天气环境恶劣、能见度不高的情况下,可以弥补视觉传感器的不足。激光束探测技术:激光雷达,是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较,通过匹配发射信号和回收信号,并计算时间得到△t,就可以根据速度得到s=v*△t,同时将各个发射出的激光点匹配到图像上,根据点云的数量及在图像上的位置,就可获得诸如方位,高度,姿态及形状等信息,同时根据车身的速度以及两次探测的距离差,就可以获得前车的速度参数,因此,综上所述,激光雷达可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数。而用于雷达系统的激光波长一般只有微米的量级,因而它能够探测非常微小的目标,测量的距离也远远高于毫米波雷达及其他车载标准雷达。然而其精度受雨雪,雾,阳光等天气的影响较大,所以在雨雪天气的性能有待提升。一个完整激光装置要包括三个部分,旋转镜,修正镜,镭射发射接收装置。镭射发射接收装置包含一个发射单元和一个接收单元。通过二极管发射出laser,经过修正镜面将激光反射给旋转镜面,然后再把反射回来的激光反射给修正镜面,最后反射给接受装置。因为旋转镜面具备旋转和设计完备的结构,可以接收最大可达180度范围的光。考虑到镜面是其中唯一的运动机构,其运动可通过简单的上下移动,形成高度方向上的点云。除此之外,光扫描激光雷达也是非常常见的一项技术,通过发出激光来照射大块面积形成2d焦平面阵列,如图3所示。而探测原理则是基于返回的时间,在二级管附近安装光子探测器,即可通过发射和探测的时间差来计算目标物的距离。同时脉冲测量系统在激活后也能收集大量的点云,通过点云也可以生成2d图像。雷达图像同步技术:考虑到雷达图像的视角和测试范围不同,同时多雷达系统也存在雷达回波信号相干叠加,导致强度信息存在噪声,因而需要雷达系统和图像系统进行匹配。1.多雷达系统雷达系统具备回波信号叠加,存在信号波相关叠加,因而需要多视处理,即利用degrandi,non-lineardiffusion滤波,从而避免多雷达系统的干涉。2.图像与激光雷达系统匹配通过安装在车辆前端的摄像头捕捉到车辆前端的信息,激光发射多点脉冲光束,形成2d焦平面阵列,选取感兴趣的区域图像识别范围,和焦平面阵列范围,运用中央处理器对平面和摄像头进行裁剪,并对边缘处进行强化,校正处理。3.毫米波雷达与图像匹配通过安装在车辆前段的摄像头捕捉车辆前端信息,毫米波雷达对前方障碍物进行探测,当波信号遇到障碍物会反射,根据频率差得到障碍物距离,公式如下:td=2r/cr:目标距离td:延迟时间c:光速根据多普勒效应及三角波形可得到fb-:下降频率fb+:上升频率tm:时间δf:发射信号的带宽选取感兴趣的2d频谱图区域与感兴趣的图像区域,对边缘进行强化,校正处理。具体操作如下:当毫米波雷达发射接收到2d频谱图后,即可根据距离得到一个距离分布图,考虑到毫米波雷达和视频识别的区域有差别,因此首先需要选取感兴趣区域,即视频系统及雷达系统叠加的区域。目前最大的难点是边缘选择的问题,因为在边缘点处难以匹配。因此,本方法通过插值及拟合,以及数据预清洗,既可以补充缺失数据,从而最大程度上保证在数据层的同质。同时将各个传感器数据转化为贝叶斯估计,并通过神经网络确定最佳融合数,从而完成对边缘的匹配。滤波考虑到在图像匹配的过程中,存在斑点和衰退,可采用均值滤波,中值滤波等滤波消除图像可能存在的斑点和衰退。图像障碍物分割融合与识别距离将激光识别的2d点阵中的点到车辆的距离标记为x,选定x1,x2.....同时选择一个距离变化量δx。将[x1-δx,x1+δx],[x2-δx,x2+δx]...中的点依次选出,计成不同的模块,判断如图所示的第5点周围8个区域,如若有同类型的点,即在同一模块内连接同一距离模块下的点,依照连续性条件,作为障碍物。同时,将激光图像,与距离参数传给中央处理器。123456789同样将毫米波识别的2d频谱图中各个像素点到车辆的距离标记为x,选定x1,x2.....同时选择一个距离变化量δx。将[x1-δx,x1+δx],[x2-δx,x2+δx]...中的点依次选出,计成不同的模块,判断如图所示的第5点周围8个区域,若有同类型的点,即在同一模块内连接同一距离模块下的点,依照连续性条件,作为障碍物。同时,将毫米波图像与距离参数传给中央处理器。在接收到激光图像,毫米波图像以及距离参数后,根据毫米波雷达和激光雷达的识别距离设定门限值,即大于某x的距离采用激光图像,小于某x的距离采用毫米波图像,激光雷达将作为参考。最终在原始图像上,选出障碍物,并标记出其距离参数。从而实现识别并探测障碍物的距离。直线和弯道障碍物识别在直线区域内,算法较为简单,可直接设置识别区域进行分割,按上述方法识别障碍物并测距。弯道区域根据轨道车辆和城市无轨道车辆进行分类,针对轨道车辆和无轨车辆分别分析,对于轨道车辆,需要根据轮缘处的弯道检测装置对弯道进行判断,适当调整识别区域,并针对弯道条件用基于弯道的算法判断障碍物的距离,从而判断车辆行驶方向的障碍物和距离,确定牵引制动方案。针对弯道区域的无轨车辆,须扩大识别区域。针对毫米波雷达的测量区域较广的前提,可扩大识别区域。由于激光雷达存在探测死角,因此采用毫米波雷达和双目相机对可能侵占路权的障碍物进行预判,从而在更广阔的范围内识别障碍物并判断距离,根据wiedemann99跟车模型判别,实施制动指令,从而保证车辆安全。由于无人驾驶和智能驾驶技术的蓬勃发展,势必要求未来的城市车辆,轨道车辆具备自动识别障碍物的能力,本发明综合运用了毫米波识别技术和激光技术的优点,并解释了如何消除干涉,并投影到图像上,而且考虑到安全性,多雷达系统提升冗余性并投产也是大型城市交通系统落地的必然要求,是可以在短期内见到成果的一项发明。本发明具体步骤如下:步骤a.采集实时图像,通过安装在轨道车辆车头的单目或多目相机获得车辆前方的图像;采用超远焦距、光学防抖照相机。步骤b.采集实时光信号,通过毫米波装置和激光装置发射光信号并通过光子探测器接收光信号以得到2d点云图和2d频谱图。步骤c.图像预处理及预匹配,对图像进行多视处理,即利用degrandi,non-lineardiffusion滤波避免雷达干涉,再以图像系统为媒介,通过焦平面阵列分析匹配激光雷达和视频系统;针对毫米波雷达,通过数据预处理、边缘匹配等方法匹配视频系统和毫米波雷达系统,完成激光雷达、毫米波雷达、视频系统三个系统的像素级融合;将获取到的图像进行实施序列分析,对多雷达系统及视频系统进行滤波处理,将毫米波雷达和激光雷达采集的图像与原始图像进行匹配。从而降低了多个系统直接匹配的计算量,同时也比单纯的坐标匹配更加精确。步骤d.判断障碍物,针对毫米波雷达、激光雷达各自具有的特征分析前向障碍物,考虑到毫米波雷达在诸如(大暴雨(1d(或24h)降雨量100~250mm),7级以上大风,能见度不超过150米的大雾,强沙尘暴,pm2.0在500以上的雾霾)的恶劣,极端天气下具有较高识别精度,因此在极端天气条件下,通过机器学习计算出权值并调整参数,以毫米波雷达识别为准,在非极端恶劣的天气条件下,则通过机器学习根据形状对物体进行分割,通过机器学习设置阈值,强化激光雷达的识别权值,以激光雷达识别为准;运用毫米波雷达的穿透能力,探测一些可能存在的被遮挡的物体,从而实现预警,这对于有轨电车的防撞系统极为有效;设置距离模块来分析车辆前方可能存在的障碍物,并根据距离模块点的特征标记障碍物。步骤e.判断距离,针对类直道、弯道、坡道,通过距离模块标记出参数,显示障碍物距离车辆的距离。步骤f.识别障碍物及采取的措施,在照相机所拍摄图像上,根据对应障碍物以及障碍物的距离,并通过障碍物在图像上的大小和障碍物的距离得到障碍物的实际大小;由实际经验知道,当障碍物的实际大小超过30cm*30cm*30cm时,就认为会影响轨道车辆的正常通行,控制中心将对轨道车辆进行减速;当障碍物的实际大小超过60cm*60cm*60cm时,就认为障碍物将有造成列车脱轨或产生重大交通事故的影响,控制中心将对轨道车辆采取紧急制动。在城市交通中,根据wiedemann99驾驶行为模型进行牵引与制动。上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是局限性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护范围之内。当前第1页12