基于毫米波雷达与机器视觉融合的汽车安全换道方法

摘要

本发明提出了一种基于毫米波雷达与机器视觉融合的汽车安全换道方法，包括以下步骤：S1、将毫米波雷达获取的目标进行分类，通过滤波剔除干扰目标，获取有效目标；S2、将有效目标映射至视觉图像中，并生成相应的雷达目标ROI，实现雷达与视觉的空间融合；S3、对雷达目标ROI进行对称性分析，改进雷达目标ROI横向位置；S4、判断雷达目标ROI中是否含有车辆，若雷达目标ROI内存在车辆，则采用KCF算法跟踪该车辆，根据自车与前车的相对距离与相对速度判断自车是否可以换道；若雷达目标ROI内不存在车辆，则保持车辆在原车道行驶。本发明打破了单传感器自身设计的局限性，综合了雷达与视觉的优势，具有准确率高、鲁棒性好的特点。

说明书

技术领域

本发明属于汽车高级辅助驾驶的技术领域，尤其涉及一种基于毫米波雷达与机器视觉融合的汽车安全换道方法。

背景技术

随着智能交通系统的发展，人们对自动驾驶汽车的普遍兴趣越来越大。汽车制造商已经开始将自动驾驶技术商业化。例如，高级驾驶辅助系统(ADAS)[1]开发了一种支持司机安全和舒适驾驶的系统。ADAS提供多种交通便利系统，如前方碰撞警告(FCW)、车道保持辅助(LKA)和智能巡航控制(SCC)。这些辅助驾驶系统以各种车辆传感器为基础工作。传感器识别和监控周围的环境，收集分析所需的数据。为了提高检测精度，通常将各种辅助系统组合在一起。这种驾驶辅助系统可被视为迈向完全自主驾驶的中间一步。

发明内容

为了提供一种精度高、速度快的安全换道方法，为此，本发明提出了一种基于毫米波雷达与机器视觉融合的汽车安全换道方法，具体方案如下：

基于毫米波雷达与机器视觉融合的汽车安全换道方法，包括以下步骤：

S1、将毫米波雷达获取的目标进行分类，通过滤波剔除干扰目标，获取有效目标；

S2、将有效目标映射至视觉图像中，并生成相应的雷达目标ROI，实现雷达与视觉的空间融合；

S3、对雷达目标ROI进行对称性分析，改进雷达目标ROI横向位置；

S4、判断雷达目标ROI中是否含有车辆，若雷达目标ROI内存在车辆，则采用KCF算法跟踪该车辆，根据自车与前车的相对距离与相对速度判断自车是否可以换道；若雷达目标ROI内不存在车辆，则保持车辆在原车道行驶。

本发明的有益效果在于：本发明打破了单传感器自身设计的局限性，综合了雷达与视觉的优势，能够为驾驶员提供精准换道时机，具有准确率高、鲁棒性好的特点。

附图说明

图1为毫米波雷达目标相对距离坐标分解图。

图2为毫米波雷达与机器视觉融合流程图。

具体实施方式

参照图1，本发明提出一种基于毫米波雷达与机器视觉融合的汽车安全换道方法，具体包括以下步骤：

S1、将毫米波雷达获取的目标分为4类：空目标、非危险目标、虚假目标以及有效目标，通过滤波剔除干扰目标，保留有效目标；

步骤S1的分步骤如下：

S11、将雷达探测的任一目标数据描述为如下向量：

x＝(r,α,v)#(1)

其中r表示探测物体的距离；a表示探测物体的方位角；v表示探测物体的速度；

S12、将雷达探测目标的相对距离分解为：相对纵向距离distY与相对横向距离distX，图1为毫米波雷达目标相对距离坐标分解图。其求解公式如式(2)：

S13、通过设定横向范围X1与纵向范围Y1，约束distX和distY的范围，保留满足公式(3)的目标作为备选跟踪目标：

空目标的特征为相对距离为0、相对速度为81.91以及方位角为0，可通过比较目标参数是否匹配前面特征数值来对剔除空目标。

S14、确定待跟踪目标，设定4个参数：某个雷达目标连续被探测到的次数FindTimes、对应雷达目标连续丢失的次数LostTimes、T

S15、利用扩展卡尔曼滤波算法预测下一周期目标信息；X

其中，T为雷达扫描周期，在本实施例中设定为50ms，x

S16、通过公式(5)计算本周期目标状态预测值与本周期目标实际测量值的差值，判断二者是否指代同一目标。若是同一目标，则对应的目标连续被探测到的次数FindTimes加1；否则对应的目标连续被探测到的次数FindTimes减1，雷达目标连续丢失的次数LostTimes加1；

其中，x

S17、根据本周期每个目标的目标连续被探测到的次数FindTimes与雷达目标连续丢失的次数LostTimes大小，确定是否继续跟踪；若满足目标连续被探测到的次数FindTimes>T

S2、采用基于伪逆的单值化估计方法将毫米波雷达有效目标映射至视觉图像中成雷达目标ROI，实现雷达与视觉的空间融合；其中生成相应的雷达目标ROI是通过利用Adaboost算法训练出的车辆检测器对视觉图像中的车辆进行识别生成的。

S3、通过对称轴检测算法对雷达目标ROI进行对称性分析，改进雷达目标ROI横向位置；

步骤S3的分步骤如下：

S31、遮挡推理；具体如下：

S311、假设ROI1和ROI2分别为两个不同探测目标对应的感兴趣区域，ROI1左上角与右上角坐标分别为(a

根据公式(7)判断ROI1与ROI2是否相交：

若不相交，则两ROI不存在遮挡现象；若ROI1与ROI2相交，则其相交结果必然是一个矩形。

S312、采用公式(8)计算ROI1与ROI2的相交面积joinarea：

joinarea＝(c-a)(d-b)#(8)

若相交面积joinarea满足公式(9),则转到步骤S33；否则判定ROI1与ROI2没有相互遮挡；

S313、若拥有较小ROI的目标的纵向距离大于拥有较大ROI的目标的纵向距离，则认为拥有较小ROI的目标被遮挡；否则未被遮挡。

S32、对称检测；具体如下：

S321、确定对称轴搜索范围：由于雷达横向探测距离误差较大，导致投影在像素坐标系中的点可能会出现在车身任意位置。扩大对称轴搜索范围，以防止原ROI范围内不存在车辆对称轴。现以原ROI为中心，将原ROI左右各扩展一个与原ROI大小相同的ROI，以此为对称轴搜索范围；

S322、对称检测：在对称搜索范围内扫过与原ROI大小相同的窗口，扫描步长为D，利用SNCC算法计算每个位置的对称相关值，对称相关值最大的为对称轴所在位置。

S33、对称检验：以对称相关值的峰值出现位置为基准，为能够完成检测出物体特征，设定其左右边界不得超过原ROI的1.5倍，若超过，则不改变原雷达目标的投影位置。

S4、采用基于Adaboost算法训练的车辆检测器判断雷达目标ROI中是否含有车辆，若雷达目标ROI内存在车辆，则采用KCF算法跟踪该车辆，分别设置速度阈值V1与相对距离阈值X1，若目标车辆的速度与相对距离满足公式

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。