基于车载毫米波雷达的道路边界检测方法和系统与流程

1.本发明涉及道路检测技术领域，尤其涉及一种基于车载毫米波雷达的道路边界检测方法和系统。


背景技术：

2.传统道路边界检测一般是利用激光雷达来实现，但是激光雷达价格昂贵，无法得到普及，而车载毫米波雷达价格低廉，并且对目标有较好的测距测速能力，对雨雾有较好的穿透能力，以及不被光照强度影响，成为了智能驾驶方案中不可替代的传感器选择。
3.由于高速道路与城市道路上存在车辆等干扰，利用现有检测方法根据车载毫米波雷达采集的雷达数据获取的道路边界线输出往往在时域上不稳定，从而导致检测精确度较低。


技术实现要素：

4.为了解决上述技术问题，本发明提供了一种基于车载毫米波雷达的道路边界检测方法和系统，其解决了现有技术中根据车载毫米波雷达采集的雷达数据获取的道路边界线输出在时域上不稳定，检测精确度较低的问题。
5.一方面，本发明提供了一种基于车载毫米波雷达的道路边界检测方法，包括：
6.获取车载毫米波雷达输出的当前帧所有的静态目标点；
7.根据初始筛选范围从所有的所述静态坐标点中筛选出多个稳定静态目标点，所述初始筛选范围根据雷达探测能力确定；
8.将位于预设筛选范围内的所述稳定静态目标点作为备选边界起始点；其中，以雷达中心轴线为对称轴，在车载毫米波雷达的视场角范围内设定两个查找范围，将设定的两个查找范围作为所述预设筛选范围，每个查找范围以车载毫米波雷达的视场角范围对应的扇形半径边界为其中一个边界，另一个边界与扇形半径边界平行；
9.对所述备选边界起始点按照与雷达原点之间距离的由小到大进行排序，将距离最小的所述备选边界起始点作为边界起始点；
10.以所述边界起始点为起始点，在预设的查找范围内从所述稳定静态目标点中查找边界点，并将找到的边界点作为新的起始点继续查找下一个边界点，直至查找不到下一个边界点为止；
11.利用最小二乘法对查找得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数；
12.利用卡尔曼滤波算法对所述当前帧的二次曲线系数和上一帧的二次曲线系数进行滤波处理，以得到目标二次曲线系数和目标道路边界曲线。
13.可选地，还包括：如果在预设的查找范围内查找到多个边界点，则求取每个边界点与雷达原点之间的距离；
14.将所有边界点按照求得的距离由小到大的顺序进行排序，并将距离最小值对应的
边界点作为新的起始点。
15.可选地，边界点与雷达原点之间的距离计算公式表示为：
16.d2＝αp
x2
+βp
y2
‑‑‑
(1)
17.式中：d为计算得到的边界点与雷达原点之间的距离，α为横向的比例因子，β为纵向的比例因子，p
x
为边界点的横坐标，py为边界点的纵坐标。
18.可选地，还包括：
19.如果查找得到的所有边界点满足设定的数量阈值和长度阈值，则转入利用最小二乘法对查找得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数的步骤；
20.否则，去除当前的所述边界起始点，并将排序中位于当前的所述边界起始点的下一位的所述备选边界起始点作为新的边界起始点。
21.可选地，所述去除当前的所述边界起始点，并将排序中位于当前的所述边界起始点的下一位的所述备选边界起始点作为新的边界起始点的步骤包括：
22.统计剩余的所述备选边界起始点的数量；
23.如果所述剩余的所述备选边界起始点的数量大于零，则将排序中位于当前的所述边界起始点的下一位的所述备选边界起始点作为新的边界起始点。
24.可选地，在雷达坐标系下，通过设置横向阈值与纵向阈值得到所述初始筛选范围；其中，所述横向阈值根据真实场景下道路宽度、雷达探测能力得到；所述纵向阈值根据雷达探测能力确定。
25.可选地，利用最小二乘法对查找得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数，包括：
26.获取上一帧查找得到的所有边界点；
27.将当前帧查找得到的所有边界点和上一帧查找得到的所有边界点进行融合；
28.利用最小二乘法对融合得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数。
29.可选地，起始点的纵坐标越大，对应的预设的查找范围的横向宽度和纵向宽度越大。
30.另一方面，本发明还提供了一种基于车载毫米波雷达的道路边界检测系统，包括：
31.目标点获取模块，被配置为获取车载毫米波雷达输出的当前帧所有的静态目标点；
32.初步筛选模块，被配置为根据初始筛选范围从所有的所述静态坐标点中筛选出多个稳定静态目标点，所述初始筛选范围根据雷达探测能力确定；
33.备选起始点获取模块，被配置为将位于预设筛选范围内的所述稳定静态目标点作为备选边界起始点；其中，以雷达中心轴线为对称轴，在车载毫米波雷达的视场角范围内设定两个查找范围，将设定的两个查找范围作为所述预设筛选范围，每个查找范围以车载毫米波雷达的视场角范围对应的扇形半径边界为其中一个边界，另一个边界与扇形半径边界平行；
34.初始起始点确定模块，被配置为对所述备选边界起始点按照与雷达原点的之间距离由小到大进行排序，将距离最小的所述备选边界起始点作为边界起始点；
35.查找模块，被配置为以所述边界起始点为起始点，在预设的查找范围内从所述稳
定静态目标点中查找边界点，并将找到的边界点作为新的起始点继续查找下一个边界点，直至查找不到下一个边界点为止；
36.曲线拟合模块，被配置为利用最小二乘法对查找得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数；
37.以及，滤波处理模块，被配置为利用卡尔曼滤波算法对所述当前帧的二次曲线系数和上一帧的二次曲线系数进行滤波处理，以得到目标二次曲线系数和目标道路边界曲线。
38.再一方面，本发明还提供了一种电子设备，包括：处理器和存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上述所述的基于车载毫米波雷达的道路边界检测方法。
39.又一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的基于车载毫米波雷达的道路边界检测方法。
40.本发明的基于车载毫米波雷达的道路边界检测方法首先将输入的车载毫米波雷达静态目标点进行初步筛选，获得比较稳定的静态目标点，通过设置查找范围利用首个起始点进行聚类找出所有边界点的策略在稳定的静态目标点中筛选所有可能的道路边界点，然后，结合雷达上一帧筛选得到的边界点利用最小二乘法进行二次曲线拟合，最后，考虑道路边界不会短时间发生跳变，利用卡尔曼滤波算法对得到的二次曲线中三个系数进行滤波处理，得到时域中较为稳定的曲线输出，进而提高了道路边界检测精确度。
附图说明
41.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。
42.图1为本发明的基于车载毫米波雷达的道路边界检测方法的一些实施例的流程示意图；
43.图2是本发明的基于车载毫米波雷达的道路边界检测方法的另一些实施例的流程示意图；
44.图3是本发明的基于车载毫米波雷达的道路边界检测方法的再一些实施例的流程示意图；
45.图4是本发明的基于车载毫米波雷达的道路边界检测方法的道路边界点跟踪示意图；
46.图5是本发明的基于车载毫米波雷达的道路边界检测方法的卡尔曼滤波算法流程图；
47.图6为本发明的基于车载毫米波雷达的道路边界检测系统的一些实施例的结构框图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
49.一方面，参见图1所示，本发明实施例提供了一种基于车载毫米波雷达的道路边界检测方法，包括：
50.步骤100：获取车载毫米波雷达输出的当前帧所有的静态目标点。
51.本步骤中车载毫米波雷达可以为具有直接输出静态坐标点功能的毫米波雷达；当然也可以为不具有该功能的车载毫米波雷达，此时需要首先获取车载毫米波雷达输出的当前帧雷达回波信号，再从当前帧雷达回波信号中分析得到当前帧所有的静态目标点，该静态目标点即静态目标点的位置数据/坐标数据。
52.步骤200：根据初始筛选范围从所有的静态坐标点中筛选出多个稳定静态目标点，初始筛选范围根据雷达探测能力确定。
53.本步骤中直接将位于初始筛选范围的静态目标点筛选出来就得到多个稳定静态目标点；其中初始筛选范围根据雷达探测能力来确定。例如：车载毫米波雷达在l米范围内探测的静态目标点的数据可靠度高，则将位于l米范围内探测的静态目标点筛选出来作为稳定静态目标点。这里初始筛选范围可以是矩形，也可以是三角形，当为矩形时，将初始筛选范围的纵向距离定为l米，将初始筛选范围的横向距离定为预设宽度，将预设宽度范围内的静态目标点筛选出来即可，无需过宽；也可以为三角形，只设定纵向距离阈值。一般地，预设宽度能够覆盖真实场景下全部或者绝大部分带护栏的道路即可。
54.步骤300：将位于预设筛选范围内的稳定静态目标点作为备选边界起始点；其中，以雷达中心轴线为对称轴，在车载毫米波雷达的视场角范围内设定两个查找范围，将设定的两个查找范围作为预设筛选范围，每个查找范围以车载毫米波雷达的视场角范围对应的扇形半径边界为其中一个边界，另一个边界与扇形半径边界平行。
55.本步骤中，每个查找范围两个边界间的距离应能满足护栏等边界的检测需求，查找范围在扇形半径方向的延伸长度与各种不同道路的边界特征相关，一般为经验值，通常地，查找范围在扇形半径方向的延伸长度在雷达中心轴线方向的投影长度小于初始筛选范围在雷达中心轴线方向对应的长度。在实际应用中，在获得稳定静态目标点之后，可按照纵坐标由小到大排序，方便后续查找边界点。
56.步骤400：对备选边界起始点按照与雷达原点的之间距离由小到大进行排序，将距离最小的备选边界起始点作为边界起始点。
57.在进行边界点查找前，计算各备选边界起始点与雷达原点之间的距离，并将计算出的距离有小到大进行排序，将距离最小的备选边界起始点作为边界起始点。
58.步骤500：以边界起始点为起始点，在预设的查找范围内从稳定静态目标点中查找边界点，并将找到的边界点作为新的起始点继续查找下一个边界点，直至查找不到下一个边界点为止。
59.本步骤中首先确定一个边界起始点为开始点，在预设的查找范围内查找下一个边界起始点，当找到下一个边界起始点时，以此边界起始点作为新的起始点，查找下一个边界
点，也即将预设的查找范围内查找到的稳定静态目标点作为边界点，实现道路边界点的跟踪。需要说明的是，每个起始点对应一个预设的查找范围。
60.步骤600：利用最小二乘法对查找得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数。
61.本步骤中利用最小二乘法对步骤400得到的点进行二次曲线拟合，拟合式子如下式所示：
62.p
x
＝ap
y2
+bpy+c
‑‑‑
(2)
63.式中：a为拟合的函数的二次项系数，b为拟合的函数的一次项系数，c为拟合的函数的常数项。p
x
为边界点的横坐标，py为边界点的纵坐标。
64.步骤700：利用卡尔曼滤波算法对当前帧的二次曲线系数和上一帧的二次曲线系数进行滤波处理，以得到目标二次曲线系数和目标道路边界曲线。
65.本步骤中利用当前帧与上一帧得到的a,b,c三个系数利用卡尔曼滤波算法对其进行滤波处理，得到时域上比较稳定的系数输出。
66.本发明实施例的基于车载毫米波雷达的道路边界检测方法首先将输入的车载毫米波雷达静态目标点进行初步筛选，获得比较稳定的静态目标点，通过设置查找范围利用首个起始点进行聚类找出所有边界点的策略在稳定的静态目标点中筛选所有可能的道路边界点，然后，结合雷达上一帧筛选得到的边界点利用最小二乘法进行二次曲线拟合，最后，考虑道路边界不会短时间发生跳变，利用卡尔曼滤波算法对得到的二次曲线中三个系数进行滤波处理，得到时域中较为稳定的曲线输出，进而提高了道路边界检测精确度。本发明实施例的基于车载毫米波雷达的道路边界检测方法可在无人驾驶、辅助驾驶中具有十分重要的工程应用。
67.在一些实施例中，本发明的基于车载毫米波雷达的道路边界检测方法还包括：
68.如果在预设的查找范围内查找到多个边界点，则求取每个边界点与雷达原点之间的距离；
69.将所有边界点按照求得的距离由小到大的顺序进行排序，并将距离最小值对应的边界点作为新的起始点。
70.本实施例中通过预设的查找范围一般情况下会找到一个边界点，当在同一个预设的查找范围查找到多个边界点时通过计算每个边界点与雷达原点之间的距离d，将距离雷达原点最近的边界点作为新的起始点。另外，在实际梳理过程中也可以通过程序进行设定即找到一个就会停止搜索，然后再利用此点进行下一步的筛选。
71.在一些实施例中，本发明的基于车载毫米波雷达的道路边界检测方法中边界点与雷达原点之间的距离d计算公式表示为：
72.d2＝αp
x2
+βp
y2
‑‑‑
(1)
73.式中：d为计算得到的边界点与雷达原点之间的距离，α为横向的比例因子，β为纵向的比例因子，α，β取值范围均为[0,1]，并且α＝1-β，α，β可以为经验值或标定值，p
x
为边界点的横坐标，py为边界点的纵坐标。
[0074]
本实施例中考虑边界点的特点，在求取距离时计算公式加上了一个影响因子，可以利用α与β的值来调节p
x
与py对d的影响。
[0075]
在一些实施例中，参见图2所示，本发明的基于车载毫米波雷达的道路边界检测方
法还包括：
[0076]
步骤800：如果查找得到的所有边界点满足设定的数量阈值和长度阈值，则转入利用最小二乘法对查找得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数的步骤；
[0077]
步骤900：否则，去除当前的边界起始点，并将排序中位于当前的边界起始点的下一位的备选边界起始点作为新的边界起始点。
[0078]
本实施例中对于步骤500中查找得到的所有边界点，需要进行有效性判断，即判断所有边界点是否满足设定的数量阈值和长度阈值，若不满足，则去除当前的边界起始点，若找到的边界点满足要求，则进行步骤600。需要说明的是，这里设定的数量阈值和长度阈值为经验值或标定值。在其他一些实施例中，因为采用的是二次曲线拟合，因此边界点数据最少为3个，也可结合毫米波雷达输出点云个数综合确定数量阈值，例如雷达分辨率较高，输出的点云个数较多，此阈值可以适量放大，长度阈值的设定与雷达分辨率以及实际场景相关，此处设置阈值为8m。在其他一些实施例中，也可以在查找得到的所有边界点满足设定的数量阈值时，转入步骤600。
[0079]
在一些实施例中，参见图2所示，本发明的基于车载毫米波雷达的道路边界检测方法中步骤900包括：
[0080]
步骤901：统计剩余的备选边界起始点的数量；
[0081]
步骤902：如果剩余的备选边界起始点的数量大于零，则将排序中位于当前的边界起始点的下一位的备选边界起始点作为新的边界起始点。
[0082]
本实施例中若查找得到的所有边界点不满足设定的数量阈值和长度阈值，则去除当前的边界起始点，判断步骤400中获得的剩余可能的备选边界起始点是否为空，如果不为空，则选择下一个最近的点作为边界起始点，回到步骤500，如果为空，则输出为空，之后直接转入步骤100，处理下一帧车载毫米波雷达输出的静态目标点。
[0083]
可选地，本发明实施例的基于车载毫米波雷达的道路边界检测方法中在雷达坐标系下，通过设置横向阈值与纵向阈值得到初始筛选范围。其中，横向阈值根据真实场景下道路宽度、雷达探测能力得到；纵向阈值根据雷达探测能力确定。也即筛选出雷达探测能力对应的静态目标点，以得到可靠的静态目标点作为稳定静态目标点。需要说明的是，本实施例中横向阈值应能覆盖真实场景下全部或者大部分带护栏等边界的道路，纵向阈值应能覆盖雷达能够准确探测的距离范围。
[0084]
在一些实施例中，参见图3所示，本发明的基于车载毫米波雷达的道路边界检测方法中步骤600包括：
[0085]
步骤601：获取上一帧查找得到的所有边界点；
[0086]
步骤602：将当前帧查找得到的所有边界点和上一帧查找得到的所有边界点进行融合；
[0087]
步骤603：利用最小二乘法对融合得到的所有边界点进行二次曲线拟合得到当前帧的二次曲线系数。
[0088]
本实施例中每个静态目标点都有一个id或标记，通过融合来去除id或标记重复的静态目标点。
[0089]
可选地，本发明实施例的基于车载毫米波雷达的道路边界检测方法中起始点的纵
1时刻道路边界拟合的二次曲线如式(3)所示：
[0104][0105]
式中ak,bk,ck与a
k-1
,b
k-1
,c
k-1
分别为k时刻与k-1时刻拟合得到多项式系数，p
kx
，p
k-1x
分别为k时刻与k-1时刻边界点的横坐标，p
ky
，p
k-1y
分别为k时刻与k-1时刻边界点的纵坐标。因此可以设状态向量x＝[a b c]
t
，由于车载毫米波雷达可以测量得到道路边界点的坐标信息，因此可以设测量向量为每一帧聚类得到的所有边界点的横坐标值，n为边界点的数量。得到两个状态向量与测量向量之后，其状态方程与观测方程分别如式(4)与式(5)所示：
[0106]
xk＝ax
k-1
+w
k-1
‑‑‑
(4)
[0107]
zk＝hxk+vk‑‑‑
(5)
[0108]
式中，a为状态转移矩阵，w
k-1
为预测噪声的协方差矩阵，h为观测矩阵，vk为测量噪声的协方差矩阵，xk与x
k-1
分别为k时刻与k-1时刻的状态向量，zk与z
k-1
分别为k时刻与k-1时刻的测量向量。在汽车行驶的过程中，由于k时刻与k-1雷达坐标系会存在一定转角θ(逆时针为正，顺时针为负)，需要进行坐标系旋转变换，得到k-1时刻在k时刻坐标系下的曲线方程。这里x
k-1
我们取经过坐标变换之后的状态向量，因此，状态转移矩阵a为单位矩阵。由观测向量可得到观测矩阵如式(6)所示：
[0109][0110]
式中，py为每帧边界点聚类得到的所有边界点的纵向坐标，由此得到了卡尔曼滤波所必需的参数，其具体流程如图5所示。图中为k时刻状态向量的先验估计，p
k|k-1
为k时刻先验估计的协方差矩阵，p
k-1
为k-1时刻后验估计误差的协方差矩阵，q为状态估计噪声的协方差矩阵，r为观测噪声的协方差矩阵。卡尔曼滤波的详细步骤为：
[0111]
判断上一时刻(k-1)状态向量是否为空，若为空，则判断当前时刻(k)选取的边界点是否满足阈值，若不满足，直接结束，否则，进行二次函数拟合，并输出特征；
[0112]
如果(k-1)时刻的状态向量不为空，则判断(k)时刻选取的边界点是否满足阈值，若不满足，直接结束，否则，进行步骤4)；
[0113]
进行卡尔曼滤波预测过程，如式(7)和(8)所示：
[0114][0115]
p
k|k-1
＝ap
k-1at
+q
‑‑‑
(8)
[0116]
利用当前时刻筛选得到的边界点，生成当前时刻的观测矩阵h和状态向量zk；
[0117]
卡尔曼滤波的校正阶段，公式如式(9)，(10)和(11)：
[0118]kk
＝p
k|k-1ht
(hp
k|k-1ht
+r)-1
‑‑‑
(9)
accessmemory，ram)、磁盘或光盘等。
[0136]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。