CN108021861A - 一种基于机器视觉的智能车右转弯目标检测方法 - Google Patents

Abstract

智能车在右转弯进行目标检测时，建立智能车右转弯模型，通过自车和前车以及自车和道路边界的相对距离变化率判断自车是否由直道进入弯道，对进入弯道的智能车进行最优轨迹规划，预测出智能车在短时间内要行驶过的区域，并把智能车行驶过的区域简化成平行四边形进行处理。根据自车道最小距离原则确定出有效目标并及时进行有效目标的更新。本发明缩小了智能车的检测范围，提高了目标检测的速度和准确性。

Description

一种基于机器视觉的智能车右转弯目标检测方法

技术领域

本发明提供了基于机器视觉的智能车右转弯目标检测方法，属于智能驾驶领域。

背景技术

机器视觉作为一种能够获得车辆前方全道路信息的传感器，具有探测范围广、道路信息完整、可遥测的优势，被广泛应用于车辆检测系统的研究中。目前在利用机器视觉技术进行障碍物和前车检测时，一般都是在白天光照好的直道上完成的，障碍物或前车的检测精度也较高。而对于转弯时的有效目标识别的前方车辆检测则研究较少，在这种情况下进行检测时，智能车对有效目标的检测精度较低或根本检测不到有效的目标，增加了行车的危险度。

目前的技术在进行有效目标的确定时，没有考虑是在行驶轨迹的基础上，使得单方位变成了多方位的检测。多方位检测就使得摄像头采集的数据会更多，特别是在自车进行转弯时直行道上的车辆也被采集进来，在处理上增加了不必要的麻烦，降低了处理速度。所以自车轨迹目标优先法的提出是解决摄像头采集数据的处理速度问题、实时性问题和安全性的关键所在。

发明内容

针对目前摄像头数据处理速度慢、实时性较低的问题，本发明提出了基于机器视觉的智能车右转弯目标检测方法，在预测自车行驶轨迹的基础上来进行有效目标的检测，降低了数据采集范围，提高了行车的安全性。

为实现上述目的，本发明提供了基于机器视觉的智能车右转弯目标检测方法。以汽车后轴中心为参考点建立坐标系，并由附图1中所示的几何关系可以确定出后轴中心点、车辆与横轴的夹角、弯道曲率三个参数和车速、前轮转角、曲率变化率三个参数之间的几何关系。

根据上面所述的一种基于机器视觉的智能车右转弯目标检测方法，智能车通过自车和前车以及自车和道路边界的相对距离变化率判断自车初进弯道，筛选掉直道上的原有效目标，重新检测弯道上的车辆作为新的有效目标。

一种基于机器视觉的智能车右转弯目标检测方法，对于已进入弯道行驶时车辆要对其进行路径的规划，对要行驶过的区域进行预测并简化成平行四边形处理，在平行四边形范围内进行目标检测。

一种基于机器视觉的智能车右转弯目标检测方法，根据最小距离原则，在自车要行驶过的区域内进行目标检测，略去对自车造成威胁的目标，将距离最近的车辆设置为危险目标，并不断进行目标更新并确定安全行驶区域。

本发明提出的一种基于机器视觉的智能车右转弯目标检测方法，其有益效果是：智能车在进入弯道初期，可及时进行目标更新，避免了弯道中目标切换不及时造成的危险。通过缩小检测区域，使计算机所要处理的数据大幅减少，提高了检测的实时性和安全性。

附图说明

附图1是智能车右转弯模型示意图。

附图2是智能车右转弯行驶区域预测图。

附图3是两车最小距离示意图。

附图4是智能车右转弯目标检测图。

具体实施方式

下面结合附图对本发明作进一步描述。

附图1是智能车右转弯模型，以汽车后轴中心为参考点建立坐标系，可以确定出后轴中心点、车辆与横轴的夹角、弯道曲率三个参数和车速、前轮转角、曲率变化率三个参数之间的几何关系。

进一步，智能车在行驶时，通过摄像头提取两侧车道边线并进行二值化处理，计算出车道中间点，经过连续边线检测，车辆会按自车所在的车道中心线行驶，方便确定平行四边形区域相对于右侧车道边界的位置。

附图2中，车辆长度为a，宽度为b，前轮与后轮轴距为L，车辆纵向行驶速度v，α为车身与x轴的夹角，φ为前轮转角，右前轮转弯半径R，右后轮转弯半径r，曲率圆中心O，曲率为k，而P、Q分别为前轴和后轴的中心点，虚线框为车辆从开始转弯到进入弯道车体扫过的区域，由于车辆在行驶时会发生俯仰和摇摆，故把车辆行驶时扫过的区域近似地认为是平行四边形并进行下面的几何运算，d为平行四边形到车道右边界的最小距离，确定出最小距离d即可确定可检测区域的位置，进而筛选掉对自车没有威胁的目标。

确定出平行四边形与车道右边界的相对位置，进一步对平行四边形区域的面积进行设定，面积过大会影响数据的处理速度，太小会影响目标检测时的精度，本发明设定的是一个车身

到三个车身的面积范围。

附图3中，1、2分别表示自车在t1和t2时刻的位置，(1)和(2)分别表示前车在t1和t2时刻的位置，从t1时刻到t2时刻这极为短暂的时间内，自车与前方车辆在直线行驶时的相对速度认为是不变的，但在某一时刻自车突然进入弯道行驶，前车仍以原速度行驶，而自车的速度会明显降低，两车之间的相对速度瞬间改变，相对距离在t1和t2时间内是不变的，但相对距离变化率会瞬间改变；通常情况下，汽车在右转弯行驶时两车间的相对距离变化率会大于直线行驶时的距离变化率，故可以通过两车在t1和t2时间内的距离变化率来判断自车是否已进入弯道，进而对危险目标进行切换，及时更新有效目标，使自车更安全的转弯行驶。

附图4中，<1>、<2>和<3>分别表示车辆行驶过程中的三个位置，1、2、3、4分别表示汽车行驶过程中所检测到的四个目标，其中1和2是直行时左侧车道的两个检测目标，3是本车道的检测目标，4是智能车进入弯道后存在于预测的平行四边形范围内的横向车道的检测目标，(1)、(2)和(3)分别表示智能车从位置<1>到位置<3>所能检测的目标，智能车在确定有效目标时会将那些影响不大的目标点去掉，得到对自车影响最大的目标点并进行有效目标更新。在位置<1>时，智能车能同时检测到目标1、目标2和目标3，但因为目标1和2是位于左侧同向车道或逆向车道的车辆，故同车道的目标3才是对自车影响最大的目标，即有效目标。在位置<2>时，智能车能同时检测到目标2、目标3和目标4，但因为目标2是左侧同向车道或逆向车道的车辆，目标4是对面侧向行驶车道目标，而智能车本身还在直线行驶，故目标2和4对智能车的影响不大，虽能检测到却不能设定为最危险目标，目标3仍是智能车行驶过程中的最有效目标。在位置<3>时，智能车已经进入弯道行驶，而目标车辆3仍以原速度直线行驶，智能车虽能同时检测到目标3和目标4，此时的目标3对进入弯道的智能车来说影响不大，故可以将目标3忽略掉，横向行驶的车辆就会取代目标3成为最有效目标，并进行实时快速的更新。

Claims (4)

1.一种基于机器视觉的智能车右转弯目标检测方法，其特征在于：智能车右转弯模型确定出智能车在右转弯进行目标检测时，建立智能车右转弯模型，确定出后轴中心点、车辆与横轴的夹角、弯道曲率三个参数和车速、前轮转角、曲率变化率三个参数之间的几何关系。

2.根据权利要求1所述的一种基于机器视觉的智能车右转弯目标检测方法，其特征在于：通过自车和前车以及自车和道路边界的相对距离变化率判断自车是否进入弯道，立即更新有效目标。

3.根据权利要求1或2所述的一种基于机器视觉的智能车右转弯目标检测方法，其特征在于：对智能车的行驶路径进行最优规划，并对即将行驶过的区域进行区域预测，把预测区域简化成平行四边形进行处理，在平行四边形区域内进行目标检测。

4.根据权利要求1或2所述的一种基于机器视觉的智能车右转弯目标检测方法，其特征在于：略去非自行车道上的车辆干扰，在自车行驶轨迹中进行有效目标的确定，并遵循最小距离原则进行有效目标的提取。