專利名稱：用于檢測道路障礙物的方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于信息檢測和處理技術(shù)領(lǐng)域，并且具體地涉及基于多傳感器融合的用于檢測和識別道路障礙物的方法及系統(tǒng)。
背景技術(shù)：
隨著汽車時代的全面來臨，汽車技術(shù)，特別是汽車安全技術(shù)受到越來越多的重視。除了傳統(tǒng)汽車中對汽車安全起決定作用的機電控制以外，實時獲取車載信息也是安全駕駛重要的保障。具體而言，車載信息主要包括車輛狀態(tài)信息和環(huán)境信息，其中對環(huán)境信息的感知尤為重要。隨著技術(shù)的發(fā)展，各種功能各異的傳感器設(shè)備可以被用于獲取各種實時路況信息。目前常用的車載傳感器主要可以分成聲學(xué)類(超聲波)、光學(xué)類(無源紅外線、視頻攝像機等)、電磁類(毫米波雷達)。每一種傳感器探測技術(shù)都有其適用的場合以及受限制的方面。舉例來說，視頻攝像機探測范圍廣，信號豐富，但是容易受外界因素影響，存在目標缺失、模糊等問題；超聲波傳感器在小目標反射信號弱的情況下無法探測，而且需溫度補償；無源紅外線式傳感器通過物體所發(fā)射的熱能來實現(xiàn)探測，這種傳感器不能很準確地確定物體的距離；雷達傳感器采用短的大功率紅外光脈沖進行探測，根據(jù)光脈沖所需的傳播時間可以確定物體被測距離，但雷達傳感器的缺陷是檢測物體輪廓不準確。在獲取環(huán)境信息的過程中，非常重要的一個方面是要檢測和識別車輛周圍的障礙物。傳統(tǒng)的汽車通常僅采用基于單一傳感器的單個檢測模型來獲取周圍環(huán)境的障礙物信息，因而在復(fù)雜氣候、復(fù)雜交通場景下具有很大的局限性，導(dǎo)致無法精確識別出障礙物，為行車安全帶來了很大的隱患。因而，對能夠在不同道路場景、不同氣候條件下實時有效地進行障礙物檢測的方法及系統(tǒng)有很大的需求。

發(fā)明內(nèi)容
為實現(xiàn)上述目標，本發(fā)明提供了一種用于檢測目標區(qū)域中的道路障礙物的方法，其特征在于，所述方法包括以下步驟:利用視頻攝像裝置獲取所述目標區(qū)域的視頻圖像信息；基于所述視頻圖像信息建立第一障礙物檢測模型；利用毫米波雷達獲取所述目標區(qū)域的第一位置信息；基于所述視頻圖像信息和所述第一位置信息建立第二障礙物檢測模型；利用激光雷達所述目標區(qū)域的第二位置信息并且利用紅外線攝像裝置獲取所述目標區(qū)域的溫度信息；基于所述第二位置信息和所述溫度信息建立第三障礙物檢測模型；以及利用基于粗糙(vague)集的模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合所述第一障礙物檢測模型的檢測結(jié)果、所述第二障礙物檢測模型的檢測結(jié)果和所述第三障礙物檢測模型的檢測結(jié)果以確定所述道路障礙物的特征信息，其中，所述目標區(qū)域被劃分成一系列三維立體柵格，并且所述第一、第二和第三障礙物檢測模型的檢測結(jié)果均包括表征每個所述三維立體柵格是否被所述道路障礙物占據(jù)的柵格信息。
在本發(fā)明的一些實施例中，所述利用基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合每個所述障礙物檢測模型的檢測結(jié)果包括以下步驟:按所述三維立體柵格對每一時刻所述第一、第二和第三障礙物檢測模型的檢測結(jié)果進行加權(quán)以得到每一時刻所述第一、第二和第三障礙物檢測模型的復(fù)合檢測結(jié)果，并且其中根據(jù)周圍環(huán)境信息以及歷史檢測結(jié)果動態(tài)地調(diào)整所述第一、第二和第三障礙物檢測模型的檢測結(jié)果的權(quán)重。在本發(fā)明的一些實施例中，利用基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合每個所述障礙物檢測模型的檢測結(jié)果還包括以下步驟:按所述三維立體柵格對預(yù)定時間段內(nèi)每一時刻的所述復(fù)合檢測結(jié)果進行加權(quán)，并且根據(jù)周圍環(huán)境信息以及歷史檢測結(jié)果動態(tài)地調(diào)整每個時刻的所述復(fù)合檢測結(jié)果的權(quán)重。在本發(fā)明的一些實施例中，所述周圍環(huán)境信息包括道路條件和氣候條件中的至少一個。
在本發(fā)明的一些實施例中，所述建立第一障礙物檢測模型包括以下步驟:基于所述視頻圖像信息計算逆透視變換矩陣；通過所述逆透視變換將所述視頻圖像從圖像坐標系變換至世界坐標系；以及基于斑塊聚類算法對所述世界坐標系下的視頻圖像進行圖像分割以確定所述道路障礙物。在本發(fā)明的一些實施例中，所述計算逆透視變換矩陣包括以下步驟:對所述視頻圖像進行圖像分割；在經(jīng)分割的視頻圖像中進行道路標志線檢測；基于所檢測到的道路標志線確定消隱點；根據(jù)所述消隱點的坐標對所述視頻攝像裝置的參數(shù)進行估計；基于所估計得到的參數(shù)值計算所述逆透視矩陣，其中所述參數(shù)包括所述視頻攝像裝置的水平孔徑角和垂直孔徑角。在本發(fā)明的一些實施例中，基于直方圖算法對所述視頻圖像進行圖像分割。在本發(fā)明的一些實施例中，所述建立第二障礙物模型包括以下步驟:根據(jù)所述第一位置信息估計所述道路障礙物的方位；將所述第一位置信息映射到所述視頻圖像所處的圖像坐標系中以確定所估計的道路障礙物方位的中心點；以及基于所述視頻圖像信息跟蹤所述中心點以確定所述道路障礙物。在本發(fā)明的一些實施例中，基于所述視頻圖像信息跟蹤所述中心點包括以下步驟:計算所述視頻圖像的單應(yīng)性矩陣；以及通過所述單應(yīng)性矩陣對所述視頻圖像進行配準。在本發(fā)明的一些實施例中，所述第二位置信息包括每個所述三維立體柵格與所述
激光雷達之間的距離Hf,并且所
述建立第三障礙物模型包括根據(jù)以下公式計算每個所述三維立體柵格被所述道路障礙物占據(jù)的概率:
權(quán)利要求
1.一種用于檢測目標區(qū)域中的道路障礙物的方法，其特征在于，所述方法包括以下步驟: 利用視頻攝像裝置獲取所述目標區(qū)域的視頻圖像信息； 基于所述視頻圖像信息建立第一障礙物檢測模型； 利用毫米波雷達獲取所述目標區(qū)域的第一位置信息； 基于所述視頻圖像信息和所述第一位置信息建立第二障礙物檢測模型； 利用激光雷達所述目標區(qū)域的第二位置信息并且利用紅外線攝像裝置獲取所述目標區(qū)域的溫度信息； 基于所述第二位置信息和所述溫度信息建立第三障礙物檢測模型；以及利用基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合所述第一障礙物檢測模型的檢測結(jié)果、所述第二障礙物檢測模型的檢測結(jié)果和所述第三障礙物檢測模型的檢測結(jié)果以確定所述道路障礙物的特征信息， 其中，所述目標區(qū)域被劃分成一系列三維立體柵格，并且所述第一、第二和第三障礙物檢測模型的檢測結(jié)果均包括表征每個所述三維立體柵格是否被所述道路障礙物占據(jù)的柵格信息。
2.如權(quán)利要求1所述的方法，其特征在于，其中所述利用基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合每個所述障礙物檢測模型的檢測結(jié)果包括以下步驟: 按所述三維立體柵格對每一時刻所述第一、第二和第三障礙物檢測模型的檢測結(jié)果進行加權(quán)以得到每一時刻所述第一、第二和第三障礙物檢測模型的復(fù)合檢測結(jié)果，并且其中根據(jù)周圍環(huán)境信息以及歷 史檢測結(jié)果動態(tài)地調(diào)整所述第一、第二和第三障礙物檢測模型的檢測結(jié)果的權(quán)重。
3.如權(quán)利要求2所述的方法，其特征在于，所述利用基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合每個所述障礙物檢測模型的檢測結(jié)果還包括以下步驟: 按所述三維立體柵格對預(yù)定時間段內(nèi)每一時刻的所述復(fù)合檢測結(jié)果進行加權(quán)，并且根據(jù)周圍環(huán)境信息以及歷史檢測結(jié)果動態(tài)地調(diào)整每個時刻的所述復(fù)合檢測結(jié)果的權(quán)重。
4.如權(quán)利要求2或3所述的方法，其特征在于，其中所述周圍環(huán)境信息包括道路條件和氣候條件中的至少一個。
5.如權(quán)利要求1所述的方法，其特征在于，其中所述建立第一障礙物檢測模型包括以下步驟: 基于所述視頻圖像信息計算逆透視變換矩陣； 通過所述逆透視變換將所述視頻圖像從圖像坐標系變換至世界坐標系；以及基于斑塊聚類算法對所述世界坐標系下的視頻圖像進行圖像分割以確定所述道路障礙物。
6.如權(quán)利要求5所述的方法，其特征在于，其中所述計算逆透視變換矩陣包括以下步驟: 對所述視頻圖像進行圖像分割； 在經(jīng)分割的視頻圖像中進行道路標志線檢測； 基于所檢測到的道路標志線確定消隱點； 根據(jù)所述消隱點的坐標對所述視頻攝像裝置的參數(shù)進行估計；基于所估計得到的參數(shù)值計算所述逆透視矩陣，其中所述參數(shù)包括所述視頻攝像裝置的水平孔徑角和垂直孔徑角。
7.如權(quán)利要求6所述的方法，其特征在于，其中基于直方圖算法對所述視頻圖像進行圖像分割。
8.如權(quán)利要求1所述的方法，其特征在于，其中所述建立第二障礙物模型包括以下步驟: 根據(jù)所述第一位置信息估計所述道路障礙物的方位； 將所述第一位置信息映射到所述視頻圖像所處的圖像坐標系中以確定所估計的道路障礙物方位的中心點；以及 基于所述視頻圖像信息跟蹤所述中心點以確定所述道路障礙物。
9.如權(quán)利要求8所述的方法，其特征在于，其中基于所述視頻圖像信息跟蹤所述中心點包括以下步驟: 計算所述視頻圖像的單應(yīng)性矩陣；以及 通過所述單應(yīng)性矩陣對所述視頻圖像 進行配準。
10.如權(quán)利要求1所述的方法，其特征在于，其中所述第二位置信息包括每個所述三維立體柵格與所述激光雷達之間的距離(Oi,并且所述建立第三障礙物模型包括根據(jù)以下公式計算每個所述三維立體柵格被所述道路障礙物占據(jù)的概率:
11.如權(quán)利要求10所述的方法，其特征在于，其中所述建立第三障礙物模型還包括基于概率超過預(yù)定閾值的三維立體柵格聯(lián)結(jié)成的斑塊來確定所述道路障礙物。
12.一種用于檢測目標區(qū)域中的道路障礙物的系統(tǒng)，其特征在于，所述系統(tǒng)包括: 視頻攝像裝置，用于獲取所述目標區(qū)域的視頻圖像信息； 毫米波雷達，用于獲取所述目標區(qū)域的第一位置信息； 激光雷達，用于獲取所述目標區(qū)域的第二位置信息； 紅外線攝像裝置，用于獲取所述目標區(qū)域的溫度信息；以及 數(shù)據(jù)處理裝置，其被配置用于基于所述視頻圖像信息建立第一障礙物檢測模型；基于所述視頻圖像信息和所述第一位置信息建立第二障礙物檢測模型；基于所述第二位置信息和所述溫度信息建立第三障礙物檢測模型；并且利用基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)算法結(jié)合所述第一障礙物檢測模型的檢測結(jié)果、所述第二障礙物檢測模型的檢測結(jié)果和所述第三障礙物檢測模型的檢測結(jié)果以確定所述道路障礙物的特征信息，其中所述目標區(qū)域被劃分成一系列三維立體柵格，并且每個所述障礙物檢測模型的檢測結(jié)果均包括表征每個所述三維立體柵格是否被所述道路障礙物占據(jù)的柵格信息。
13.如權(quán)利要求1所述的系統(tǒng)，其特征在于，其中所述視頻攝像裝置和所述紅外線攝像裝置被布置在汽車前擋風(fēng)玻璃的上端，并且所述毫米波雷達和所述激光雷達被布置在汽車車頭前部大體上正中的 位置。
全文摘要
本發(fā)明涉及用于檢測道路障礙物的方法及系統(tǒng)。本發(fā)明公開了基于視頻攝像裝置的第一障礙物檢測模型，基于視頻攝像裝置和毫米波雷達的第二障礙物檢測模型，基于三維激光雷達和紅外線攝像裝置的第三障礙物檢測模型，并且通過基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)算法使得所述多個模型形成互補檢測，從而實時獲取道路障礙物的特征信息。本發(fā)明能夠在不同道路場景、不同氣候條件下進行實時有效的道路障礙物檢測，準確獲取不同障礙物的行進速度、方向等參數(shù)，從道路交通環(huán)境中提取和分析車輛周邊環(huán)境信息，并針對異常交通行為進行判斷，從而緩解目前城市交通壓力、提高交通管理的效率。
文檔編號G01S13/93GK103176185SQ201110440690
公開日2013年6月26日 申請日期2011年12月26日 優(yōu)先權(quán)日2011年12月26日
發(fā)明者劉凱 申請人:上海汽車集團股份有限公司