一种基于贝叶斯统计决策的前车检测方法与流程

本发明涉及一种基于贝叶斯统计决策的前车检测方法，属于智能汽车车辆检测领域。

背景技术

智能汽车属于《中国制造2025》发展规划的重点领域，而汽车智能辅助驾驶系统是消费者当前关注较多、推广较快的一种智能汽车技术。汽车智能辅助驾驶系统是指车载计算机通过道路环境感知系统检测出周围交通环境信息，并结合本车运动状态或者驾驶员生理状态进行分析决策。目前，智能辅助驾驶系统研究主要集中在车辆防撞、智能跟车、车道偏离预警以及辅助变道系统等。

前方车辆检测是上述智能辅助系统的关键技术。当前，车辆检测研究主要集中在利用单一的视觉传感器或者雷达传感器进行车辆识别。机器视觉的方法存在成本较低、获取的信息量丰富、对识别目标无干涉、易于实现车辆检测和跟踪等优点，但计算复杂，易受环境、天气、光线等因素影响，且不能直接测量距离信息。而激光雷达能够直接、准确的获得障碍物距离，容易实现高实时性障碍物检测，因此在智能车辆环境感知中应用广泛。然而，由于行车环境的复杂多变性以及激光在扫描过程中会一定程度受到目标物体表面材料、扫描单位角度等因素影响，可能会产生虚检。如何将激光雷达和机器视觉信息进行有效的融合，提高前车检测的准确性及实时性，是当前的研究热点。

技术实现要素：

本发明的目的在于提供了一种基于贝叶斯统计决策的前车检测方法，解决现有技术中前方车辆检测准确性差的技术问题。

为了解决上述技术问题，本发明采取如下技术方案：

一种基于贝叶斯统计决策的前车检测方法，建立前车检测系统，包括设置在本车辆上的控制器、设置在本车辆前端的单线激光雷达和摄像头，单线激光雷达和摄像头与控制器之间电连接；控制器中包括激光雷达信息处理模块、机器视觉信息处理模块和雷达视觉信息融合决策模块。

步骤一、摄像头拍摄本车辆前方障碍物图像，并传递图像给控制器；单线激光雷达获取本车辆前方障碍物的位置信息，并转发给控制器，激光雷达信息处理模块根据单线激光雷达获取本车辆前方障碍物的位置信息初步判断该障碍物是否为前方车辆；

步骤二、控制器中的机器视觉信息处理模块根据单线激光雷达获取车辆前方障碍物的位置信息，在摄像头拍摄的本车辆前方障碍物图像上建立自适应图像感兴趣区域，并采用图像处理技术在该感兴趣区域中获取障碍物有效位置信息，进一步判断该障碍物是否为前方车辆；

步骤三、在自适应图像感兴趣区域内，雷达视觉融合决策模块融合单线激光雷达获取的障碍物位置信息和摄像头拍摄的障碍物图像信息，建立车辆验证函数，进行基于最小后验风险原则的贝叶斯决策来最终验证前方障碍物是否为前方车辆。

摄像头拍摄镜头角度大，所拍摄的图像范围大，包括道路以外的多个无效信息，且由摄像头获取前方车辆信息计算复杂，易受环境、天气、光线等因素影响，且不能直接测量距离信息的缺点；而激光雷达能够直接、准确的获得障碍物距离，容易实现高实时性障碍物检测，因此利用单线激光雷达初步获知前方障碍物是否为前方车辆，在此基础上以该障碍物的几何中心点为中心在摄像头拍摄的本车辆前方障碍物图像建立自适应图像感兴趣区域，即缩小摄像头所拍摄的本车辆前方障碍物图像中的目标范围，降低计算量，缩短计算时间，提高效率；再对自适应图像感兴趣区域内的图像进行处理，并采用图像处理技术在该感兴趣区域中获取障碍物有效位置信息，最后雷达视觉融合决策模块建立车辆验证函数，进行基于最小后验风险原则的贝叶斯决策来最终验证前方障碍物是否为前方车辆。采用单线激光雷达和摄像头相结合的方式，不但降低计算量，缩短计算时间，提高效率，且通过建立车辆验证函数来验证前方障碍物是否为前方车辆，提高了前方车辆检测准确性。

进一步改进，所述步骤二中建立自适应图像感兴趣区域的方法为：

1)、雷达视觉融合决策模块对单线激光雷达获取的障碍物位置信息和摄像头拍摄的障碍物图像信息建立时间、空间对应模型；

2)、根据单线激光雷达获取的障碍物位置信息，计算出该障碍物的几何中心点，并确定该中心点在摄像头拍摄的障碍物图像上投影点，并据此投影点为中心在摄像头拍摄的障碍物图像上建立自适应的感兴趣区域，自适应的感兴趣区域大小与有效前车相对于激光雷达距离成反比。

进一步改进，建立雷达视觉融合决策模块对单线激光雷达获取的障碍物位置信息和摄像头拍摄的障碍物图像信息时间、空间对应模型的方法如下：

在控制器中创建摄像头采集信息接收线程和单线激光雷达采集信息接收线程，采用线程同步的时间对应关系分别对单线激光雷达获取本车辆前方障碍物的位置信息和摄像头采集本车辆前方障碍物的图像信息进行更新，即当单线激光雷达采集信息接收线程更新单线激光雷采集的障碍物位置信息时，摄像头采集信息接收线程也刷新图像信息，建立时间对应模型；

根据摄像头与单线激光雷达在本车辆上的安装位置，以及成像原理以及镜头畸变原理建立雷达视觉融合决策模块对单线激光雷达获取的障碍物位置信息和摄像头拍摄的障碍物图像信息的空间对应关系。

通过建立单线激光雷达获取的障碍物位置信息和摄像头拍摄的障碍物图像信息建立时间、空间对应模型，保证单线激光雷达和摄像头同时进行采集信息同步更新，减小误差，提高准确性。

进一步改进，所述激光雷达信息处理模块通过如下步骤初步判断障碍物是否为前方车辆：

1)、单线激光雷达采集获取本车辆前方障碍物的位置信息，包括前方障碍物与本车辆之间的距离、以及前方障碍物相对于本车辆的偏移角度，激光雷达信息处理模块根据本车辆行驶车道宽度信息删除该车道以外的障碍物信息，且根据摄像头的镜头角度删除视场范围外的障碍物信息，从而获得有效区域内的障碍物数据信息；

2)、激光雷达信息处理模块采用基于密度的聚类算法，对单线激光雷达采集获取的本车辆前方障碍物的位置信息在有效区域内的数据点间的相似度度量采用欧氏距离计算，即根据设定距离阈值来判断相邻两个数据点是否为同一类：

2.1)、当相邻两个数据点间的欧氏距离小于设定距离阈值，则这两个数据点归为同一类；

2.2)、当相邻两个数据点间的欧氏距离大于设定距离阈值，则这两个数据点不属于同一类；

3)、采用最小二乘法将每一聚类中的数据点拟合为直线段，则每一个直线段即为一个障碍物，根据直线段的长度x与实际车辆的宽度范围对比来初步确定障碍物是否为车辆，实际车辆的宽度范围为1.5‐2.5m之间：当直线段的长度值位于实际车辆的宽度范围区间内，则初步认定该障碍物为前方车辆。

进一步改进，所述步骤二中在自适应图像感兴趣区域内，对摄像头拍摄本车辆前方障碍物图像进行图像处理，进一步判断该障碍物是否为前方车辆，包括如下步骤；

1)、对摄像头拍摄本车辆前方障碍物图像位于自适应图像感兴趣区域内的部分，进行预处理，包括进行图像灰度化、中值滤波、二值化分割和膨胀腐蚀处理；

2)、基于感兴趣区域的图像检测方法包括两步：

2.1)、离线训练过程中对采集的大量车辆尾部图片进行灰度化、归一化处理，提取出haar‐like特征，利用adaboost与级联分类器相结合生成车辆尾部识别的强分类器；

2.2)、依据强分类器对步骤1)中自适应感兴趣区域内经过预处理的图像进行在线遍历检测，准确定位障碍物成像区域的大小和位置，与实际车辆尺寸进行比较，进一步判断该障碍物是否为前方车辆，如果判断该障碍物为前方车辆，则获取了相对准确的有效前车目标位置信息。

进一步改进，所述基于贝叶斯后验风险最小决策的车辆验证算法为：建立信息融合下的车辆宽度验证函数，从概率的角度来看分为真车及误判两种概率，结合后验风险最小原则分别计算出决策为真车及误判的两种概率，若真车概率大，则确认为真车；反之，确认为误判。

进一步改进，所述基于贝叶斯后验风险最小决策的车辆验证：通过信息融合下的车辆宽度验证函数来确认车辆，从概率的角度来看分为真车及误判两种概率，结合后验风险最小原则进行决策，具体包括如下步骤：

1)、建立车辆宽度验证函数x：

x＝l–2·dy·tan(α/2)·t/t；

其中，α为摄像头镜头拍摄的最大水平视角，t为前方障碍物在图像中的像素宽度，t为图像的水平最大像素宽度，dy为单线激光雷达检测到的本车辆与前方障碍物的纵向距离，l为单线激光雷达得出的前方障碍物的宽度；

2)、车辆宽度的后验概率密度计算：由大量的车辆进行统计分析可得车辆宽度验证为真车的条件概率密度函数服从正态分布，均值为0，方差为0.25，那么其概率密度函数为:

车辆宽度验证为误判的条件概率密度函数服从均匀分布，其概率密度函数为：

基于上述先验及条件概率密度可得判断为真车、误判的后验概率密度，计算方法为：

3)、后验风险最小决策：利用上述贝叶斯分类器对检测的车辆进行分类时存在两种误判，即将真车误认为误判目标和将误判目标误认为真车；假设确定为真车是事件h1，确定为误判为事件h2，考虑到前者易造成更大的损失，将前者的损失系数s21设为5，后者的损失系数s12设为1，其余两种情况，包括检测为真车且确定为真车对应的损失系数s11为0，检测为误判且确定为误判对应的损失系数为0，那么根据损失系数及后验概率密度计算出真车和误判的风险值为：

3.1)、如果确定为真车的风险值较小，则确定前方障碍物为前车辆；

3.2)、如果确定为误判的风险较小，则确定为误判。

本发明的有益效果在于：

1、本前车检测系统采用了两次信息融合：第一次视角信息融合为：建立雷达视觉信息的时间、空间对应模型，建立自适应图像感兴趣区；第二次视角信息融合为：自适应图像感兴趣区域内，雷达视觉融合决策模块融合单线激光雷达获取的障碍物位置信息和摄像头拍摄的障碍物图像信息，建立车辆验证函数，进行基于最小后验风险原则的贝叶斯决策来最终验证前方障碍物是否为前方车辆。

有效融合了图像及距离图像信息，并基于后验风险最小原则的贝叶斯决策方法，能够有效地提高检测准确率，避免了单一传感器容易产生误判的缺点。

2、采用了单线激光雷达、基于雷达感兴趣区域下的图像处理以及贝叶斯统计决策方法，使得系统整体计算量不大，计算处理效率较高。

附图说明

图1为前方车辆检测步骤框图。

图2为车辆宽度验证计算示意图。

具体实施方式

下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。

如图1所示，本发明包括设置在本车辆上的控制器、设置在本车辆前端的单线激光雷达和摄像头，单线激光雷达和摄像头与控制器之间电连接；控制器中包括激光雷达信息处理模块、机器视觉信息处理模块和雷达视觉信息融合决策模块。

所述激光雷达信息处理模块通过如下步骤初步判断障碍物是否为前方车辆：

1)、单线激光雷达采集获取本车辆前方障碍物的位置信息，包括前方障碍物与本车辆之间的距离、以及前方障碍物相对于本车辆的偏移角度，激光雷达信息处理模块根据本车辆行驶车道宽度信息删除该车道以外的障碍物信息，且根据摄像头的镜头角度删除视场范围外的障碍物信息，从而获得有效区域内的障碍物数据信息；

2)、激光雷达信息处理模块采用基于密度的聚类算法，对单线激光雷达采集获取的本车辆前方障碍物的位置信息在有效区域内的数据点间的相似度度量采用欧氏距离计算，即根据设定距离阈值来判断相邻两个数据点是否为同一类：

2.1)、当相邻两个数据点间的欧氏距离小于设定距离阈值，则这两个数据点归为同一类；

2.2)、当相邻两个数据点间的欧氏距离大于设定距离阈值，则这两个数据点不属于同一类；

3)、采用最小二乘法将每一聚类中的数据点拟合为直线段，则每一个直线段即为一个障碍物，根据直线段的长度x与实际车辆的宽度范围对比来初步确定障碍物是否为车辆，实际车辆的宽度范围为1.5‐2.5m之间：当直线段的长度值位于与实际车辆的宽度范围区间内，则初步认定该障碍物为前方车辆。

机器视觉信息处理模块，通过激光雷达检测前车的信息建立自适应图像感兴趣区域，并采用图像处理技术在该感兴趣区域中再次获取相对准确的有效前车目标位置信息。具体方法包括三个步骤：

(1)图像信息预处理，包括图像灰度化、中值滤波、二值化分割阴影、膨胀腐蚀处理；

(2)依据雷达视觉融合决策模块中的第一次信息融合的雷达视觉空间对应关系，获得雷达初选前车的几何中心点在图像信息中的投影点，并据此建立自适应的感兴趣区域，感兴趣区域大小与有效前车相对于激光雷达距离成反比；

(3)基于自适应感兴趣区域的图像检测方法包括两步：①离线训练过程中对采集的大量车辆尾部图片进行灰度化、归一化处理，提取出haar‐like特征，利用adaboost与级联分类器相结合生成车辆尾部识别的强分类器，②依据强分类器对视觉感兴趣区域进行在线遍历检测，准确定位前车成像区域的大小和位置。

在本实施例中，自适应感兴趣区域为矩形。

首次信息融合下的基于激光雷达信息建立的自适应图像感兴趣区域，能够大大提高图像处理效率。另外，该机器视觉信息处理下的前车检测仍然受环境、天气、光线等因素影响，同时存在一定的误检。为此，本发明提供了基于后验风险最小原则的决策来最终验证前车是否存在，属于雷达视觉融合决策模块中的第二次信息融合。

雷达视觉融合决策模块，包括两次信息融合：其一是建立雷达视觉信息的时间空间对应模型，为建立自适应图像感兴趣区域打下基础，如图1中①所示；其二是在机器视觉检测的基础上，融合雷达成像信息建立车辆验证函数，进行基于后验风险最小原则的贝叶斯决策来最终验证前车是否存在，如图1中②所示。

雷达视觉信息的空间对应关系是依据摄像头与激光雷达的安装相对位置、成像原理以及镜头畸变原理建立的。

激光雷达和机器视觉信息的时间对应关系采用线程同步的方式实现，在控制中心创建摄像头、单线激光雷达信息接收线程，并设置当单线激光雷达采集信息时摄像头也刷新图像信息。

车辆宽度验证函数的建立如图2所示，其中α为摄像头镜头拍摄的最大水平视角，t为车辆在图像中的像素宽度，t为图像的水平最大像素宽度，dy为激光雷达检测到的自车与前车的纵向距离，l为激光雷达得出的前车宽度，那么车辆宽度验证函数x为

x＝l–2·dy·tan(α/2)·t/t

基于贝叶斯后验风险最小决策的车辆验证：通过信息融合下的车辆宽度验证函数来确认车辆，从概率的角度来看分为真车及误判两种概率，结合后验风险最小原则进行决策，具体包括两步：

(1)车辆宽度的后验概率密度计算：由实验验证可得仅利用首次融合下的真车的先验概率密度为p(θ1)＝92％，误判的先验概率密度p(θ2)＝8％，由大量的车辆进行统计分析可得车辆宽度验证为真车的条件概率密度函数服从正态分布，均值为0，方差为0.25，那么其概率密度函数为

车辆宽度验证为误判的条件概率密度函数服从均匀分布，其概率密度函数为

基于上述先验及条件概率密度可得判断为真车、误判的后验概率密度，计算方法为

(2)后验风险最小决策：利用上述贝叶斯分类器对检测的车辆进行分类时存在两种误判，即将真车误认为误判目标和将误判目标误认为真车。假设确定为真车是事件h1，确定为误判为事件h2，考虑到前者易造成更大的损失，将前者的损失系数s21设为5，后者的损失系数s12设为1，其余两种情况，包括检测为真车且确定为真车对应的损失系数s11为0，检测为误判且确定为误判对应的损失系数为0，那么根据损失系数及后验概率密度计算出真车和误判的风险值为

如果确定为真车的风险值较小，则确定为前车；如果确定为误判的风险较小，则确定为误判。

本发明应用于白天场景，提出的二次信息融合策略可以有效降低传统基于单次融合下的前车检测系统的虚警率，经实验结果表明本发明的检测准确率提高到96.6％。