专利名称：一种基于深度信息的车辆识别方法
技术领域：
本发明涉及模式识别和智能车辆技术领域，具体涉及一种用于汽车辅助驾驶系统的基于深度信息的车辆识别方法。
背景技术：
智能车辆技术按功能主要分为自主导航和安全保障两个方面。自主导航技术的应用有赖于整个ITS系统的建立和完善，近期难以达到实用化。而安全保障的相关技术可率先应用于驾驶员辅助驾驶系统，从而为解决常规车辆驾驶员主观因素产生的交通事故提供有力的技术支持。目标车辆检测技术是智能车辆安全辅助驾驶系统的重要研究内容，对于减少车辆碰撞交通事故，提高车辆的道路行驶安全性具有重要的意义。用于车辆识别和跟踪的方法主要包括基于机器视觉的方法和基于深度信息的方法。基于机器视觉的车辆检测系统一般采用CCD摄像头，硬件成本较低，能够感知到丰富的环境信息，但受环境变化影响大。晴天时树木的阴影，光滑表面的反光，道路上的积水以及夜间光照不足等都会对图像信息的识别造成很大影响。基于深度信息的算法一般采用激光雷达、微波雷达等获取深度信息，能够准确的得到目标的距离信息，而且不容易受到环境的影响，数据处理的速度比基于机器视觉的方法快。 由于检测的目标为车辆，在实际检测中，一般可以扫描到车辆的一个或两个侧面，如图2所示，与本车的距离较远的聚类3，内部数据点间的距离明显比近处的聚类I和聚类2内部数据点间的距离大。另外，当扫描到车辆的两个面时，与扫描射线接近垂直的面上的点比较密集，但对于与扫描射线方向大致相同的侧面，由于入射角较小，所采集到的点比较稀疏，加上轮胎所在位置的反射率较低，通常这个面上的扫描点稀疏而且不连续，如
图1中聚类1、2中纵向排列的离散点。文献[I]利用深度信息识别车辆目标的方法，提取目标的直线和直角特征，克服了目标形状变化的干扰，但这种算法采用固定距离阈值的方法进行聚类，在聚类过程中会丢失远处入射角较小的目标上的点，不仅影响到特征提取的准确性，而且在后续的目标跟踪过程中会产生较大的测量误差。
发明内容
本发明提供一种车辆识别方法，利用测距传感器获取周围环境的深度信息，采用基于距离的方法对每帧数据进行聚类，其中距离的阈值可随目标与传感器的距离远近以及相对方位而变化，克服了采用固定距离阈值时，由于远处与近处的目标上点间距离不同造成的聚类不准确，以及丢失车身侧面点的不足，提高了聚类分析的准确性；在聚类内部提取目标的位置、形状、大小等特征，根据这些特征判断该目标是否为车辆。具体实施过程如下A.利用测距传感器连续获取扫描范围内物体的深度信息R，R={(rn，(K) |n=0，…，Nj,其中，rn表不扫描点与传感器的距离，4>n表不扫描点的方位角，Nk表不一个扫描周期采集到的扫描点的个数，n为O到Nk的整数,并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一巾贞;B.采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类；C.计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，
权利要求
1.一种基于深度信息的车辆识别方法，包括以下步骤 A.利用测距传感器连续获取扫描范围内物体的深度信息R，R={(rn，(K)n=0,…，Nj，其中，rn表不扫描点与传感器的距离，4>n表不扫描点的方位角，Nk表不一个扫描周期米集到的扫描点的个数，n为O到Nk的整数,并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一巾贞; B.采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类； C.计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，
2.根据权利要求1中步骤B所述的自适应距离阈值的方法，其特征在于包含以下步骤 第一步，计算当前获取的一巾贞数据中连续两个点Pn-JPPn之间的距离d=| pn-pn_! I,其中n的取值范围为I到Nk; 第二步，计算Plri和Pn两点的横坐标之差与纵坐标之差的比值的绝对值
3.根据权利要求1中步骤C所述聚类内部距离d的阈值A为0.5米。
4.根据权利要求1中步骤D所述直线拟合以及提取特征向量的方法，其特征在于包括以下步骤 .4.1)利用迭代适应点IEPF算法分割聚类内部的点，将聚类内部的点分割为多个子集，分割过程中每个子集内到由该子集两端点形成的连线的距离最大的点记为Pna，Pna到由该子集的两端点形成的连线的距离记为Dna，当所有子集的Dna都小于阈值Dthd时，认为完成了分割聚类的过程；.4.2)对步骤4.1)分割后的每个子集采用最小二乘法进行直线拟合，然后参照每个子集的起始点和终点确定本子集拟合的直线的两个端点，提取线段，在此基础上，提取目标的特征向量 (1)线段数目num，聚类内部存在一条线段时，num值为I;存在一条折线时，num值为.2 ； (2)目标形状shape，聚类内线段的数目为I时，shape值为线段的斜率的绝对值；聚类内线段的数目为2时，shape值为两条线段间夹角的余弦的绝对值； (3)目标大小size，聚类内线段的数目为I时，size大小为线段的长度；存在一条折线时，size大小为折线最小外接矩形的面积； (4)线段长度比ratio，聚类内部存在一条线段时，ratio长度比为O;存在一条折线时，ratio为两条线段的长度比。
5.根据权利要求4的步骤4.1)所述，阈值Dthd的取值范围为0. 2米到0. 5米之间。
6.根据权利要求1中步骤E所述，如果聚类的特征向量满足以下两种情况之一，则判定该聚类为车辆目标第一种情况(I) num= I, (2)1.1 米< size < 5. 5 米，(3) ratio=。； 第二种情况(l)num=2, (2) shape〈0. 3,即两条线段的夹角接近90度，(3)0. 8平方米^ size ^ 15 平方米(4) 0. 2 ^ ratio ^ 6。
全文摘要
本发明涉及模式识别和智能车辆技术领域，具体涉及一种用于汽车辅助驾驶系统的基于深度信息的车辆识别方法。具体包括利用测距传感器连续获取扫描范围内物体的深度信息，采用基于距离的方法对每一帧数据进行聚类，其中距离的阈值可根据目标与本车的距离远近以及相对方位自动调整，提高了聚类的准确性，为后续的特征提取奠定了良好的基础；对保留的聚类采用迭代适应点IEPF算法和最小二乘法分别进行直线拟合，并在此基础上提取目标的特征向量；依据特征向量判断目标是否为车辆目标。本方法利用多个特征识别车辆目标，能够准确的识别道路环境中的车辆目标。
文档编号G06K9/62GK103065151SQ201210434029
公开日2013年4月24日 申请日期2012年11月4日 优先权日2012年11月4日
发明者段建民, 周俊静, 于宏啸, 杨光祖 申请人:北京工业大学