一种用于智能汽车道路行驶的目标识别系统及方法与流程

1.本发明涉及一种用于智能汽车道路行驶的目标识别系统及方法，属于智能汽车领域。


背景技术：

2.汽车是人们日常生活中不可或缺的一部分，不管是代步或是出游，大众运输系统或是个人用车；而车辆产业在过去多年来，一直就是传统产业与制造业的代表，连带着许多零组件的产业也一起蓬勃发展。随着车辆逐渐渗透至大众的生活中，且车辆本身的功能性也日渐复杂，许多以往未曾使用过的电子零组件都出现在现今的车辆上，豪华舒适不再是人们对车辆的唯一选择，行车的安全保障也逐渐为大众所重视。
3.智能汽车是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。目前对智能汽车的研究主要致力于提高汽车的安全性、舒适性，以及提供优良的人车交互界面。
4.智能汽车提供的将是以往所未能达到的许多功能，例如：主动式安全系统、自动驾驶系统、实时车流导航信息系统等；有别于传统汽车中，是一种结合汽车、半导体、电子、物联网、信息通讯与光电等科技于一身的车辆，透过不同的物联网传感器、雷达、与无线通信等装置，来提供人们所需的功能。过去对车辆安全的认知，是透过许多技术以提高车子本身的安全性；未来的科技将更进一步的在事故可能发生前即产生动作，也因为如此，对于安全防护相关的标准制定就显得非常重要。随着许多嵌入式技术的发展和应用，汽车安全系统的设计和分析也在不断的改进。许多新技术，如生物识别技术、图像处理技术、通信技术等，已经被集成到汽车安全系统中。与此同时，汽车事故的数量仍然很高，特别是丢失。因此，一个切实可行的汽车安全系统应该是高效、健壮、可靠的；现有技术中，智能汽车行驶时或者泊车时，需要进行目标物的智能识别检测，但现有技术中的采集工作多采用摄像头进行采集，但是在一个恶劣的天气或者光照度不足的场景中，采集的图像会十分模糊。从而系统无法进行识别目标物，这样会影响用户的驾驶安全。


技术实现要素：

5.发明目的：提供一种用于智能汽车道路行驶的目标识别系统及方法，解决现有技术中，智能汽车行驶时或者泊车时，需要进行目标物的智能识别检测，但现有技术中的采集工作多采用摄像头进行采集，但是在一个恶劣的天气或者光照度不足的场景中，采集的图像会十分模糊。从而系统无法进行识别目标物，这样会影响用户的驾驶安全的问题。
6.技术方案：第一方面，一种用于智能汽车道路行驶的目标识别系统及方法，包括：步骤1、首先传感器单元中的超声波传感器进行确定目标物体的大致位置和距离，并通过集成计算处理单元处理且发送至控制单元；
7.步骤2、其次通过传感器单元中的红外传感器和摄像头进行目标物体的具体信息
位置检测，并通过融合处理单元处理且发送至控制单元；
8.步骤3、控制单元根据融合处理单元输出信号至显示单元供客户参考，同时进行目标物体的实时跟踪。
9.在进一步的实施例中，在方法步骤1中，集成计算处理单元同时需要针对基础校准的不足和实际的测量误差通过集成计算处理单元进行算法修正，从而得到更准确的测距信息；
10.首先在测距之前，需要根据回波数据中的外部温度信息和测量时间信息进行数据校准，通过校准可减少温度影响和测距的系统误差；环境温度影响超声波速率，从而影响实际的障碍物距离识别，所以需要通过温度误差计算得出实际温度值：
11.e1＝e-α*e
2-b*e
3-c*e412.式中，e表示回波数据中的温度值，e1表示当前环境实际温度值，e2表示系统设置的需求温度，e3表示车辆外部温度，e4表示当前系统的附近温度；当前环境温度来源于不同系统设置的温度和车辆外部温度的融合，前者由系统通过发波间隙发送命令获取温度值，设定每1s主动取得系统超声波传感器的实时温度，车辆外温可通过相应can总线获取，以自身系统温度为基准，通过旁路的系统和车辆的外温度进行修正得到境实际温度值，从而修正系数按实际境实际温度值标定，最后通过滑动窗口滤波进行输出温度值信号；
13.其次，虽然超声波的速度很快，但是在传播途中，但是会产生一定的时间误差，从而需要进行校准时间，从而得到准确的回波时间，通过收发波的过程中加入更高精度的时间戳，对各传输通道进行时间对齐校准，其校准方式如下:
14.t1＝t+(t
2-t3)
15.式中，t1表示回波实际时间，t2表示前发波通道的发波时间戳；t3表示当前收波通道的时间戳；
16.从而根据计算出温度误差和时间误差得出实际的距离值，即：
[0017][0018]
l
实
＝v
实
*t1/2＝n*v
实
/2f
[0019]
l
实
表示目标物体与汽车的实际距离，v
实
表示超超声波实际传输速度；将实际距离值信号传输至控制单元中。
[0020]
在进一步的实施例中，在步骤2中，传感器单元中的红外传感器和摄像头进行目标物体的具体信息位置检测，具体步骤如下：
[0021]
步骤2-1、进行对红外传感器和摄像头采集信息的图像处理；
[0022]
步骤2-2、进行图像中的目标物体定位和特征提取；
[0023]
步骤2-3、根据提出特征进行图像融合并输出图像信息值控制单元。
[0024]
在进一步的实施例中，在图像处理工作是对红外传感器和摄像头采集的图像进行图像灰度转换、图像去噪和图像增强工作，从而去除图像内部噪声和增强信息对比度；具体流程如下：
[0025]
第一步、进行灰度转换；
[0026]
第二步、进行灰度图像去噪处理；
[0027]
第三步、进行图像增强；
[0028]
在进一步的实施例中，对输出的红外灰色图像和可见光灰色图像进行图像中的目标物体检测、定位和特征提出，从而提出中有关目标物体的具体特征；具体步骤如下：
[0029]
第一步、图像目标定位；
[0030]
第二步、目标物体特征提取；
[0031]
在进一步的实施例中，对输出的红外图像特征和可见光图像特征进行融合，成像原理上的巨大区别，导致了红外图像和可见光图像包含的信息种类差别也十分巨大，因此融合后的图像相较于单模图像有着更加多样的信息种类，融合图像有助于提高目标检测和识别过程的稳定性和准确性，大大提高汽车辅助驾驶系统的适应性；具体方法如下：
[0032]
将原图像像素点对应的灰度值按照设定的权值进行加权平均，从而得到融合后的图像：
[0033]
f(x，y)＝α*a(x，y)+β*b(x，y)
[0034]
f(x，y)表示融合后的图像，a(x，y)表示红外图像，b(x，y)表示可见光图像，α、β表示分别为红外和可见光的权值系数，且α+β＝1；
[0035]
第二方面，一种用于智能汽车道路行驶的目标识别系统，包括：
[0036]
传感器单元，用于进行对目标物体的检测；
[0037]
集成计算处理单元，用于对采集图像和反射超声波的数据处理，提取目标物体的特征信息；
[0038]
融合处理单元，用于进行对采集图像的融合，从而保证信息的准确性和稳定性；
[0039]
控制单元，用于进行信息的传输通信；
[0040]
显示单元，用于呈现目标物体图像。
[0041]
在进一步的实施例中，传感器单元由超声波传感器、红外传感器、摄像头组成。
[0042]
在进一步的实施例中，传感器单元内部设有滤波模块，所述滤波模块包括：电阻r1、电阻r2、电阻r3、电阻r4、电阻r5、电阻r6、电阻r7、电容c1、电容c2、电容c3、电容c4、电容c5、二极管d1、二极管d2、三极管q1、mos管q2、变阻器rv1；
[0043]
所述电容c1的一端与所述电阻r3的一端连接且输入信号，所述电容c1的另一端同时与所述电阻r1的一端和所述三极管q1的基极连接，所述三极管q1的集电极同时与所述电阻r1的另一端、所述电容c2的一端和所述电阻r2的一端连接，所述三极管q1的发射机与所述电阻r7的一端连接，所述电容c2的另一端同时与所述二极管d1的正极和所述二极管d2的负极连接，所述二极管d2的正极同时与所述电容c3的一端、所述电阻r4的一端、所述变阻器rv1的一端和所述mos管q2的栅极连接，所述mos管q2的源极与所述电容c4的一端连接，所述mos管q2的漏极同时与所述电容c5的一端、所述电阻r5的一端和所述电阻r6的一端连接，所述变阻器rv1的另一端、控制端同时与所述电阻r2的另一端和所述电阻r5的另一端连接且输入工作电压，所述电容c4的另一端同时与所述电阻r3的另一端和所述电容c6的一端连接，所述电阻r6的另一端同时与所述电容c5的另一端、所述电阻r4的另一端、所述电容c3的另一端、所述二极管d1的负极和所述电阻r7的另一端连接且接地，所述电容c6的另一端输出信号。
[0044]
在进一步的实施例中，电阻r3、电容c4和mos管q2组成滤波电路，当输入信号较弱时，由二极管d1、二极管d2和电容c3组成的整流电路输出的电压很小，mos管q2导通加深，输
入信号中的高频噪声由电阻r3、电容c4滤除，当输入信号加强时，则由二极管d1、二极管d2和电容c3整流输出的负电压增大,mos管q2导通减弱或截止,此电阻r3、电容c4对高频信号的衰减作用减少或不衰减，变阻器rv1控制抑噪动作电平。
[0045]
有益效果：本发明涉及一种用于智能汽车道路行驶的目标识别系统及方法，属于智能汽车领域，本发明方法采用由超声波传感器、红外传感器、摄像头组成传感器单元进行图像采集工作，利用超声波传感器进行对目标物体的定位，同时考虑天气环境情况，进行数据校准，保证距离的准确性；同时利用红外传感器、摄像头组合进行采集目标物体图像信息，并利用集成计算处理单元对采集图像和反射超声波的数据处理，提取目标物体的特征信息；且最后利用融合处理单元进行对采集图像的融合，从而保证信息的准确性和稳定性；从而本发明可以在恶劣天气或者光照度不足的情况下准确识别目标物体信息，保证用户的驾驶安全。
附图说明
[0046]
图1是本发明的方法示意图。
[0047]
图2是本发明的超声波测距示意图。
[0048]
图3是本发明的目标物体采集图像处理示意图。
[0049]
图4是本发明的灰度图像去噪处理流程图。
[0050]
图5是本发明的系统示意图。
[0051]
图6是本发明的滤波模块示意图。
具体实施方式
[0052]
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施；在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
[0053]
如图1至图4所示，一种用于智能汽车道路行驶的目标识别方法，包括：
[0054]
步骤1、首先传感器单元中的超声波传感器进行确定目标物体的大致位置和距离，并通过集成计算处理单元处理且发送至控制单元；
[0055]
步骤2、其次通过传感器单元中的红外传感器和摄像头进行目标物体的具体信息位置检测，并通过融合处理单元处理且发送至控制单元；
[0056]
步骤3、控制单元根据融合处理单元输出信号至显示单元供客户参考，同时进行目标物体的实时跟踪。
[0057]
其中，在方法步骤1中，当需要进行目标识别时，控制单元会将识别任务发送至汽车中识别系统，从而识别系统中传感器单元的超声波传感器进行工作；具体步骤如下：
[0058]
首先超声波发射装置向某一确定的方向发送超声波，并开始计时，超声波在触及障碍物后会返回至超声波接收装置以一个反射波，从而此时超声波传感器会生成一个模拟信号，此模拟信号会传输至集成计算处理单元；
[0059]
其次集成计算处理单元接收信号，并计算目标物体的距离，检测从超声波发射器发出的超声波经气体介质的传播到接收器的时间，即往返时间，往返时间与气体介质中的
声速相乘，就是声波传输的距离，而所测距离是声波传输距离的一半，即：
[0060]
l＝v*t/2
[0061]
式中，l表示目标物体与汽车的距离，v表示超声波传感器发出的声波速度(根据超声波传感器的不同，速度也不一样)，t表示超声波发射与返回之间的时间；由于在超声波距离检测时，会存在测距误差，要想保证测距准确，需要利用脉冲技术方法进行测距，把超声波往返时间转化为对计数脉冲个数的测量，即：
[0062]
t＝v/f
[0063]
l＝n*v/2f
[0064]
式中，n表示计数脉冲个数，f为计数脉冲的频率；从而得到目标物体距离车辆的距离，并将信号传输至集成计算处理单元；
[0065]
集成计算处理单元同时需要针对基础校准的不足和实际的测量误差通过集成计算处理单元进行算法修正，从而得到更准确的测距信息；
[0066]
首先在测距之前，需要根据回波数据中的外部温度信息和测量时间信息进行数据校准，通过校准可减少温度影响和测距的系统误差；环境温度影响超声波速率，从而影响实际的障碍物距离识别，所以需要通过温度误差计算得出实际温度值：
[0067]
e1＝e-a*e
2-b*e
3-c*e4[0068]
式中，e表示回波数据中的温度值，e1表示当前环境实际温度值，e2表示系统设置的需求温度，e3表示车辆外部温度，e4表示当前系统的附近温度；当前环境温度来源于不同系统设置的温度和车辆外部温度的融合，前者由系统通过发波间隙发送命令获取温度值，设定每1s主动取得系统超声波传感器的实时温度，车辆外温可通过相应can总线获取，以自身系统温度为基准，通过旁路的系统和车辆的外温度进行修正得到境实际温度值，从而修正系数按实际境实际温度值标定，最后通过滑动窗口滤波进行输出温度值信号；
[0069]
其次，虽然超声波的速度很快，但是在传播途中，但是会产生一定的时间误差，从而需要进行校准时间，从而得到准确的回波时间，通过收发波的过程中加入更高精度的时间戳，对各传输通道进行时间对齐校准，其校准方式如下:
[0070]
t1＝t+(t
2-t3)
[0071]
式中，t1表示回波实际时间，t2表示前发波通道的发波时间戳；t3表示当前收波通道的时间戳；从而根据计算出温度误差和时间误差得出实际的距离值，即：
[0072][0073]
l
实
＝v
实
*t1/2＝n*v
实
/2f
[0074]
l
实
表示目标物体与汽车的实际距离，v
实
表示超超声波实际传输速度；将实际距离值信号传输至控制单元中。
[0075]
在步骤2中，传感器单元中的红外传感器和摄像头进行目标物体的具体信息位置检测，具体步骤如下：
[0076]
步骤2-1、进行对红外传感器和摄像头采集信息的图像处理；
[0077]
步骤2-2、进行图像中的目标物体定位和特征提取；
[0078]
步骤2-3、根据提出特征进行图像融合并输出图像信息值控制单元。
[0079]
实施例1：
[0080]
上述方法中，在图像处理工作是对红外传感器和摄像头采集的图像进行图像灰度转换、图像去噪和图像增强工作，从而去除图像内部噪声和增强信息对比度；具体流程如下：
[0081]
第一步、进行灰度转换；
[0082]
将输入的红外图像与可见光图像的像素点分为r、g、b三个值来表现的，所以一个像素点矩阵对应三个颜色向量矩阵，分别是r矩阵，g矩阵，b矩阵；每个矩阵的最大值为255，最小值为0，而在图像中的每个像素点都有一个rgb值，首先进行对每个像素点灰度处理，即：
[0083]
r1＝g1＝b1＝(r+g+b)/3
[0084]
式中，r1、g1、b1表示灰度处理后的像素值；
[0085]
其次进行选取一个灰度阈值或者计算矩阵中的所有像素点的灰度值的平均值当作参考目标，进而根据选取值大小进行依次与矩阵中的所有像素点的灰度值进行比较，大于选取值的像素点记为255，小于等于选取值的则为0；进而完成对图像的二值化处理，进行突出图像细节。
[0086]
第二步、进行灰度图像去噪处理；
[0087]
红外图像与可见光图像在获取和传输过程中不可避免的会产生损耗同时容易受到噪声污染，因此需要进行去噪工作，噪声是图像中最常出现的干扰，且噪声种类比较多，且其有极值，所以难将噪声点从原始图像中分离出来；如果一个像素点的像素值不在目标信息可能出现的范围内，那么它很有可能是噪声点，但如果直接将其过滤，则会造成滤波后图像的模糊，因此需要更加精确的分析，其具体步骤如下：
[0088]
步骤s1、首先选择一个卷积核，其尺寸须为奇数，令图像的像素值按照j1、j2、j3，
…
，jn，的顺序组成数组，设卷积核的尺寸为m*m；用该卷积核遍历图像，卷积核每移动一次，都对卷积核内的像素点按照由小到大的顺序进行重排，此时位于数组中间的数即为这个数组的中值，并以此像素点的值作为卷积核中心像素点的像素值；
[0089]
步骤s2、判断卷积核中心点的像素值是否为其邻域内的极大值或极小值，如果是，则说明该点为噪声点，进入步骤s5；如果不是，则进入步骤s3；
[0090]
步骤s3、判断该点的像素值是否为次极值，如果是，则说明是噪声点，进入步骤s5；如果不是，则进入步骤s4；
[0091]
步骤s4、判断该点的像素值与次极值差的绝对值是否小于设定的阈值，如果满足，则说明该点是噪声点，进入步骤s5；否则该点不是噪声点，不进行任何处理；
[0092]
步骤s5、对于已经确定的噪声点，首先对其使用尺寸为3*3的窗口进行判别，判断其中非噪声点的个数，如果非噪声点的个数大于等于3，则把它们的中值赋值给卷积核中心像素点，如果非噪声点的个数小于3，则扩大窗口尺寸到5*5重新对其进行扫描，判断非噪声点数，如果其个数大于等于9，则把它们的中值赋值给卷积核中心像素点，如果非噪声点的个数小于9，则继续扩大窗口尺寸到7
×
7；此时为了提高算法的运行效率，直接判断非噪声点的个数是否为0；如果为0，则说明窗口内所有点都为噪声点，将卷积核中心像素点邻域的四个点的像素值的均值赋值给卷积核中心像素点,如果不是0，则将非噪；
[0093]
步骤s6、对于以确定的噪声点进行去除，并从图像的像素值数组中取出m*m个的数ji-k
、
…ji-1
、ji、j
i+1
、
…
、j
i+k
；重排m*m个值，滤波后输出的结果为排序后中间的值；即：yi＝med(j
i-k
、
…
、j
i-1
、ji、j
i+1
、
…
、j
i+k
)，其中k＝m*m-1/2；从而对图像进行滤波，去除图像中的噪声。
[0094]
第三步、进行图像增强；
[0095]
由于进行去噪后的红外图像和可见光图像的对比度较低，特别是当目标物体和传感器间的距离较远时，或是目标物体自身温度与环境温度接近时，在图像中目标物体和背景的边缘细节区分不是十分显著，这样会对接下来的检测与定位操作造成困难，所以需要进行图像的增强，来调整图像像素的分布，从而提升图像的对比度；步骤如下：
[0096]
首先将红外传感器和摄像头采集的图像输入集成计算处理单元中，进而将采集图像先进行色阶变换，色阶变换是对图像像素的色阶值进行处理，抑制噪声信息，强调突出有用的信息，因为红外传感器和摄像头采集的对比度差，直接处理容易丢失有用信息，需要对源图像进行色阶变换以增强图像的对比度，通过设置一个符合要求的灰度区间，根据图像的像素值在此区间内分段线性色阶变换，从而得到变换后的图像像素值；其中分段线性色阶变换的数学表达式：
[0097][0098]
i＝(x，y)
[0099]
式中，p表示经过变换后的图像像素值，i表示源图像的像素值，(a，b)和(c，d)表示设置符合要求的x轴灰度区间和y轴灰度区间，x轴灰度区间和y轴u和v表示x轴灰度和y轴灰度最大值，从而通过调整折线拐点的位置并控制分段直线的斜率，对任一区间进行扩展或压缩；经过分段线性色阶变换后，红外夜视图像和可见光图像的对比度增强，目标更容易识别。
[0100]
实施例2：
[0101]
上述方法中，对输出的红外灰色图像和可见光灰色图像进行图像中的目标物体检测、定位和特征提出，从而提出中有关目标物体的具体特征；具体步骤如下：
[0102]
第一步、图像目标定位；
[0103]
对于输入的两幅灰度图像，图像中包含了目标物体信息和其他信息，需要将可用信息进行提取，二其他信息进行作为背景，从而保护目标物体信息的突出性；具体步骤如下：
[0104]
首先利用高帽变换算法对待检测的红外图像和可见光进行处理，对原图像中的目标信息进行增强，背景噪声进行压制，有些亮点由于面积小于检测结构，因此可能会被保留，而其中可能会包含部分噪声点；利用阈值分割对图像进行分割，并不能剔除虚假目标点，进而会导致虚警率上升；
[0105]
其次接着利用二维离散小波变换以及合适的系数对原图像滤波，使得原图像收到较少的噪声干扰；在此期间，由于设备和背景噪声等的影响，并不能完全去除原图像中的背景点；
[0106]
最后结合以上操作后的图像，采用同时兼顾时域特性和频域特性的图像处理方法对其进行处理，经本方法处理后，虚警率出现的概率大幅减少的同时目标检出率大幅提升，并输出目标物体信息。
[0107]
第二步、目标物体特征提取；
[0108]
根据所定位的目标物体信息进行提取目标物体特征，实现方法是使用矩形框进行来描述图像中目标物体的特征，在实际使用中常常结合haar-like特征值的计算与积分图的思想，以此提高对于特征值的运算效率；
[0109]
选取定位图像中的一点像素，则该像素(x，y)的值为以此像素点为原点的坐标系中第二象限像素点的像素值之和，只要知道原图像的积分，此坐标系中任意大小矩形区域像素值的和都可迅速求得，即：
[0110]
g(x，y)＝g(x-1，y)+s(x，y)
[0111]
s(x，y)＝g(x，y-1)+i(x，y)
[0112][0113]
式中，i(x，y)表示图像在(i，j)处的像素值，g(x，y)表示积分图在(i，j)处的像素值，s(x，y)表示该像素(x，y)及其纵向上所有原像素的加权；在已知原图像的积分的情况下，原图像中任意大小的矩形区域内像素值的和都可以迅速求得，从而可以得到目标物体特征，并将红外图像特征和可见光图像特征进行输出值下一步。
[0114]
实施例3：
[0115]
上述方法中，对输出的红外图像特征和可见光图像特征进行融合，成像原理上的巨大区别，导致了红外图像和可见光图像包含的信息种类差别也十分巨大，因此融合后的图像相较于单模图像有着更加多样的信息种类，融合图像有助于提高目标检测和识别过程的稳定性和准确性，大大提高汽车辅助驾驶系统的适应性；具体方法如下：
[0116]
将原图像像素点对应的灰度值按照设定的权值进行加权平均，从而得到融合后的图像，f(x，y)＝α*a(x，y)+β*b(x，y)，f(x，y)表示融合后的图像，a(x，y)表示红外图像，b(x，y)表示可见光图像，α、β表示分别为红外和可见光的权值系数，且α+β＝1；同时红外图像与可见光图像的融合是红外传感器与摄像头所检测的信息融合，但由于在汽车行驶过程中，红外传感器与摄像头检测的图像信息受汽车行驶速度的影响，如车速不同时，所获取的目标与背景的图像不同；为此需要根据采集图像时的车速，进行设定不同的加权值系数：即:
[0117]
当车速《60km/h时，采集图像以红外传感器采集图像为主，即红外图像融合加权系数与可见光图像融合加权系数之比为1：0，这是因为此时汽车车速较低，驾驶员需要关注更多的路面前方的目标信息，如：前方的路坑、路面上的木头、前方车辆掉下的货物等。
[0118]
当车速为60～90km/h时，红外图像融合加权系数与可见光图像融合加权系数之比为1：1，这是因为此速度段是事故发生率最高的速度段，综合利用红外成像和可见光成像技术的优点，将有助于增加驾驶员视野，避免行车事故的发生。
[0119]
当车速》90km/h时，红外图像融合加权系数与可见光图像融合加权系数之比为0：1，即以可见光传感采集图像为主，这是因为行车速度的增加将要求车载红外传感器探测距离加大。
[0120]
步骤3中，控制单元根据融合处理单元输出信号至显示单元供客户参考，同时进行
目标物体的实时跟踪，当确定了目标物体的具体位置时，由于汽车为行驶状态时，需要进行实时更新图像的信息和位置，从而需要进行图像的跟踪工作，由于红外图像中目标的灰度直方图不受目标形态的影响，因此，可将直方图视为目标的模式，通过色彩分布进行目标匹配的结果稳定性较强，将目标的中心表示为中心为w、宽度为u的矩形，像素位置为x，像素值在1～n-1间，在图像目标周围一些像素点受到障碍物遮蔽的影响大小不确定，因此，需将目标内各处的像素分别给予不同的权值，且目标内像素距目标越近其权重值越大；将红外图像目标直方图的概率密度用公式表示:
[0121][0122][0123]
h为核函数，用于像素的加权，l表示目标窗口内的像素点个数，用作评判目标范围内像素点颜色值与特征值是否相同，c
t
为归一化系数，若此时的图像中处于以图像空间点为中心的备选红外图像范围内进而计算跟踪窗口中备选目标直方图的概率密度：
[0124][0125]
式中，μ用作评判目标范围外像素点颜色值与特征值是否相同，计算目标直方图与备选目标直方图概率分布的相似度：
[0126][0127]
上述式中，o为特征空间的元素个数，∈表示特征值，进而计算当前图像中各像素点属于目标的权重：
[0128][0129]
上述中，x1表示当前图像中各像素点属于目标的权重，继续计算待选目标在下一帧红外图像的新位置：
[0130][0131]
式中，e表示核密度估计，当计算结果为一固定巴氏系数，目标追踪结束，反之替换被跟踪目标的中心w并重复运算寻找符合要求的目标位置；直至目标追踪结束。
[0132]
如图5至图6所示，一种用于智能汽车道路行驶的目标识别系统，包括：
[0133]
传感器单元，用于进行对目标物体的检测；
[0134]
集成计算处理单元，用于对采集图像和反射超声波的数据处理，提取目标物体的特征信息；
[0135]
融合处理单元，用于进行对采集图像的融合，从而保证信息的准确性和稳定性；
[0136]
控制单元，用于进行信息的传输通信；
[0137]
显示单元，用于呈现目标物体图像。
[0138]
在一个实施例中，传感器单元由超声波传感器、红外传感器、摄像头组成。
[0139]
在一个实施例中，传感器单元内部设有滤波模块，所述滤波模块包括：电阻r1、电阻r2、电阻r3、电阻r4、电阻r5、电阻r6、电阻r7、电容c1、电容c2、电容c3、电容c4、电容c5、二极管d1、二极管d2、三极管q1、mos管q2、变阻器rv1；
[0140]
所述电容c1的一端与所述电阻r3的一端连接且输入信号，所述电容c1的另一端同时与所述电阻r1的一端和所述三极管q1的基极连接，所述三极管q1的集电极同时与所述电阻r1的另一端、所述电容c2的一端和所述电阻r2的一端连接，所述三极管q1的发射机与所述电阻r7的一端连接，所述电容c2的另一端同时与所述二极管d1的正极和所述二极管d2的负极连接，所述二极管d2的正极同时与所述电容c3的一端、所述电阻r4的一端、所述变阻器rv1的一端和所述mos管q2的栅极连接，所述mos管q2的源极与所述电容c4的一端连接，所述mos管q2的漏极同时与所述电容c5的一端、所述电阻r5的一端和所述电阻r6的一端连接，所述变阻器rv1的另一端、控制端同时与所述电阻r2的另一端和所述电阻r5的另一端连接且输入工作电压，所述电容c4的另一端同时与所述电阻r3的另一端和所述电容c6的一端连接，所述电阻r6的另一端同时与所述电容c5的另一端、所述电阻r4的另一端、所述电容c3的另一端、所述二极管d1的负极和所述电阻r7的另一端连接且接地，所述电容c6的另一端输出信号。
[0141]
在一个实施例中，电阻r3、电容c4和mos管q2组成滤波电路，当输入信号较弱时，由二极管d1、二极管d2和电容c3组成的整流电路输出的电压很小，mos管q2导通加深，输入信号中的高频噪声由电阻r3、电容c4滤除，当输入信号加强时，则由二极管d1、二极管d2和电容c3整流输出的负电压增大,mos管q2导通减弱或截止,此电阻r3、电容c4对高频信号的衰减作用减少或不衰减，变阻器rv1控制抑噪动作电平。
[0142]
在一个实施例中，超声波传感器基于自主开发的多层压电陶瓷收发单元，突破了长距离感知技术瓶颈，实现了自适应跟车、寻库泊车等工况下的目标检测；自主研制的红外传感器基于温度成像，用于弥补低照度条件下，可见光传感器无法识别的问题；创新开发的视觉算法基于高分辨率摄像头，主要用于车道线、车辆、行人、交通标志等目标的识别；融合模块基于各传感器的识别结果，进行融合和决策，为智能汽车的控制执行提供可靠的信息支持。
[0143]
超声波传感器基于纯银低温共烧技术，开发了多层压电陶瓷替代传统的单层技术，发射能量提高一倍以上，检测距离从2～5米提升到10米，使得成本降低60％以上。
[0144]
红外传感器开发了16
×
16单元的smd红外阵列传感器，采用了集成透镜的晶体管封装技术，显著缩小尺寸，空间效率提高50％，实现了在低照度环境下高清晰度的红外成像，处于行业领先水平。
[0145]
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。