CN104915642B - 前方车辆测距方法及装置 - Google Patents
前方车辆测距方法及装置 Download PDFInfo
- Publication number
- CN104915642B CN104915642B CN201510276264.4A CN201510276264A CN104915642B CN 104915642 B CN104915642 B CN 104915642B CN 201510276264 A CN201510276264 A CN 201510276264A CN 104915642 B CN104915642 B CN 104915642B
- Authority
- CN
- China
- Prior art keywords
- image
- target vehicle
- vehicle
- boundary line
- shade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013178 mathematical model Methods 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 241000736199 Paeonia Species 0.000 claims description 2
- 235000006484 Paeonia officinalis Nutrition 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 12
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种前方车辆测距方法及装置，属于汽车主动安全领域。所述方法包括：根据预设的车辆数学模型和本车前方物体的图像对所述前方物体进行识别，所述车辆数学模型用于表征车辆的属性特征；当所述前方物体为目标车辆时，从所述目标车辆的图像中提取所述目标车辆的阴影区域，所述阴影区域为所述图像中目标车辆受所述目标车辆周围环境的光线作用在地面上形成的阴影的区域；根据所述阴影区域确定所述目标车辆的阴影的下边界线；根据所述阴影的下边界线确定所述本车与所述目标车辆的间距。本发明解决了前方车辆测距时测量精度较低的问题，实现了提高测量的精度的效果，用于测量本车与前方车辆的距离。
Description
技术领域
本发明涉及汽车主动安全领域，特别涉及一种前方车辆测距方法及装置。
背景技术
随着汽车工业的快速发展和人们生活水平的不断提高，汽车已经快速进入普通家庭。由于道路上行驶的车辆越来越多，因此需要保证本车与前车之间的距离保持在安全范围内。作为汽车安全辅助系统的关键技术之一，前方车辆测距方法得到了广泛的关注。
相关技术中，前方车辆测距方法主要分为超声波测距、激光测距、红外线测距和机器视觉测距四大类。其中，机器视觉测距因其成本低，系统结构简单的特点被广泛使用。机器视觉测距方法主要是通过对摄像头采集的图像进行分析，定位车辆在图像中的位置，经过测距模型计算出本车与前方车辆之间的实际距离。机器视觉测距是基于车道线消失点完成前方车辆测距。
但是基于车道线消失点的机器视觉测距方法需要保证车道线清晰，同时该方法采集到的图像稳定性较低，无法准确识别上下跳动幅度较大的车辆下边缘，因而也无法较为准确地计算出本车与前方车辆之间的实际距离，因此，测量的精度较低。
发明内容
为了解决前方车辆测距时测量精度较低的问题，本发明提供了一种前方车辆测距方法及装置。所述技术方案如下：
第一方面，提供了一种前方车辆测距方法，所述方法包括：
根据预设的车辆数学模型和本车前方物体的图像对所述前方物体进行识别，所述车辆数学模型用于表征车辆的属性特征；
当所述前方物体为目标车辆时，从所述目标车辆的图像中提取所述目标车辆的阴影区域，所述阴影区域为所述图像中目标车辆受所述目标车辆周围环境的光线作用在地面上形成的阴影的区域；
根据所述阴影区域确定所述目标车辆的阴影的下边界线；
根据所述阴影的下边界线确定所述本车与所述目标车辆的间距。
可选的，所述根据所述阴影区域确定所述目标车辆的阴影的下边界线，包括：
对所述阴影区域对应的图像进行灰度处理，得到灰度图像；
对所述灰度图像进行图像二值化处理，得到二值图像，所述二值图像中的像素灰度值为0或者255；
根据所述二值图像将至少包含所述像素灰度值为255的连续行的区域确定为候选区域；
根据所述候选区域确定所述目标车辆的阴影的下边界线。
可选的，所述根据所述候选区域确定所述目标车辆的阴影的下边界线，包括：
从所述候选区域的最低行开始，确定所述候选区域中的第一边界线，所述第一边界线所在行的像素灰度值等于255的像素个数大于所述第一边界线所在行的宽度的一半，且所述邻接行的像素灰度值等于255的像素个数大于所述邻接行的宽度的一半，所述邻接行为所述第一边界线所在行的上一行；
将所述第一边界线作为所述目标车辆的阴影的下边界线。
可选的，所述根据所述阴影的下边界线确定所述本车与所述目标车辆的间距，包括：
建立所述摄像机的图像坐标系和所述本车的车体坐标系的映射关系，所述图像坐标系用于记录所述阴影的下边界线与所述摄像机的位置关系，所述车体坐标系用于记录所述本车与所述目标车辆的位置关系；
根据所述映射关系通过三线标定法确定所述本车与所述目标车辆的间距。
可选的，在所述根据预设的车辆数学模型和本车前方物体的图像对所述前方物体进行识别之前，所述方法还包括：
根据包含车辆的图像和非车辆的图像通过机器学习方法建立所述车辆数学模型；
采集所述本车前方物体的图像。
第二方面，提供了一种前方车辆测距装置，所述装置包括：
识别单元，用于根据预设的车辆数学模型和本车前方物体的图像对所述前方物体进行识别，所述车辆数学模型用于表征车辆的属性特征；
提取单元，用于在所述前方物体为目标车辆时，从所述目标车辆的图像中提取所述目标车辆的阴影区域，所述阴影区域为所述图像中目标车辆受所述目标车辆周围环境的光线作用在地面上形成的阴影的区域；
第一确定单元，用于根据所述阴影区域确定所述目标车辆的阴影的下边界线；
第二确定单元，用于根据所述阴影的下边界线确定所述本车与所述目标车辆的间距。
可选的，所述第一确定单元，包括：
灰度处理模块，用于对所述阴影区域对应的图像进行灰度处理，得到灰度图像；
二值化处理模块，用于对所述灰度图像进行图像二值化处理，得到二值图像，所述二值图像中的像素灰度值为0或者255；
第一确定模块，用于根据所述二值图像将至少包含所述像素灰度值为255的连续行的区域确定为候选区域；
第二确定模块，用于根据所述候选区域确定所述目标车辆的阴影的下边界线。
可选的，所述第二确定模块，包括：
确定子模块，用于从所述候选区域的最低行开始，确定所述候选区域中的第一边界线，所述第一边界线所在行的像素灰度值等于255的像素个数大于所述第一边界线所在行的宽度的一半，且所述邻接行的像素灰度值等于255的像素个数大于所述邻接行的宽度的一半，所述邻接行为所述第一边界线所在行的上一行；
处理子模块，用于将所述第一边界线作为所述目标车辆的阴影的下边界线。
可选的，所述第二确定单元，包括：
第一建立模块，用于建立所述摄像机的图像坐标系和所述本车的车体坐标系的映射关系，所述图像坐标系用于记录所述阴影的下边界线与所述摄像机的位置关系，所述车体坐标系用于记录所述本车与所述目标车辆的位置关系；
第三确定模块，用于根据所述映射关系通过三线标定法确定所述本车与所述目标车辆的间距。
可选的，所述装置还包括：
建立单元，用于根据包含车辆的图像和非车辆的图像通过机器学习方法建立所述车辆数学模型；
采集单元，用于采集所述本车前方物体的图像。
本发明提供了一种前方车辆测距方法及装置，能够在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域，根据阴影区域确定目标车辆的阴影的下边界线，最终根据阴影的下边界线确定本车与目标车辆的间距，相较于相关前方车辆测距技术，无需要求车道线清晰，能够较为准确地计算出本车与前方车辆之间的实际距离，因此，提高了测量精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种前方车辆测距方法的流程图；
图2是本发明实施例提供的另一种前方车辆测距方法的流程图；
图3是本发明实施例提供的一种确定目标车辆的阴影的下边界线方法的流程图；
图4是本发明实施例提供的一种根据候选区域确定目标车辆的阴影的下边界线方法的流程图；
图5是本发明实施例提供的一种确定本车与目标车辆的间距方法的流程图；
图6是本发明实施例提供的一种前方车辆测距装置的结构示意图；
图7是本发明实施例提供的另一种前方车辆测距装置的结构示意图；
图8是本发明实施例提供的一种第一确定单元的结构示意图；
图9是本发明实施例提供的一种第二确定模块的结构示意图；
图10是本发明实施例提供的一种第二确定单元的结构示意图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种前方车辆测距方法，如图1所示，该方法包括：
步骤101、根据预设的车辆数学模型和本车前方物体的图像对前方物体进行识别。该车辆数学模型用于表征车辆的属性特征。
步骤102、当前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域。该阴影区域为图像中目标车辆受目标车辆周围环境的光线作用在地面上形成的阴影的区域。
步骤103、根据阴影区域确定目标车辆的阴影的下边界线。
步骤104、根据阴影的下边界线确定本车与目标车辆的间距。
综上所述，本发明实施例提供的前方车辆测距方法，能够在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域，根据阴影区域确定目标车辆的阴影的下边界线，最终根据阴影的下边界线确定本车与目标车辆的间距，相较于相关前方车辆测距技术，无需要求车道线清晰，能够较为准确地计算出本车与前方车辆之间的实际距离，因此，提高了测量精度。
具体的，步骤103包括：
对阴影区域对应的图像进行灰度处理，得到灰度图像；对灰度图像进行图像二值化处理，得到二值图像。二值图像中的像素灰度值为0或者255；根据二值图像将至少包含像素灰度值为255的连续行的区域确定为候选区域；根据候选区域确定目标车辆的阴影的下边界线。
进一步的，根据候选区域确定目标车辆的阴影的下边界线，包括：
从候选区域的最低行开始，确定候选区域中的第一边界线。第一边界线所在行的像素灰度值等于255的像素个数大于第一边界线所在行的宽度的一半，且邻接行的像素灰度值等于255的像素个数大于邻接行的宽度的一半。邻接行为第一边界线所在行的上一行；将第一边界线作为目标车辆的阴影的下边界线。
步骤104包括：
建立摄像机的图像坐标系和本车的车体坐标系的映射关系。图像坐标系用于记录阴影的下边界线与摄像机的位置关系，车体坐标系用于记录本车与目标车辆的位置关系；根据映射关系通过三线标定法确定本车与目标车辆的间距。
在步骤101之前，该方法还包括：
根据包含车辆的图像和非车辆的图像通过机器学习方法建立车辆数学模型；采集本车前方物体的图像。
综上所述，本发明实施例提供的前方车辆测距方法，能够在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域，根据阴影区域确定目标车辆的阴影的下边界线，最终根据阴影的下边界线确定本车与目标车辆的间距，相较于相关前方车辆测距技术，无需要求车道线清晰，能够较为准确地计算出本车与前方车辆之间的实际距离，因此，提高了测量精度。
本发明实施例提供了另一种前方车辆测距方法，如图2所示，该方法包括：
步骤201、根据包含车辆的图像和非车辆的图像通过机器学习方法建立车辆数学模型。
车辆数学模型用于表征车辆的属性特征。首先通过实车采集大量的包含车辆和非车辆的图片序列，然后将包含车辆的图片中的车辆采用图像裁剪软件裁剪出来，裁剪出来的图像包括近距离的车辆图像和远距离的车辆图像。再将所有包含车辆的图像调整为24*24大小的图像，即图像的长和宽都为24厘米，将其作为正样本库，而将非车辆的图像作为负样本库。采用机器学习方法对正样本库和负样本库进行训练，得到用于表征车辆的属性特征的车辆数学模型。机器学习方法中的特征提取指的是在一个分类任务中确定最能代表目标、能够很好地区别于其他目标的信息。在车辆检测研究领域中，应用比较多的特征主要有：主成分分析法(英文：Principal Component Analysis；简称：PCA)、Gabor特征、Haar-like特征。PCA是一种数学变换的方法，它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。Gabor小波特征与人类视觉系统中简单细胞的视觉刺激响应相似，它在提取目标的局部空间和频率信息方面具有良好的特性。而Haar-like特征具有计算速度快、对边缘特征明显的刚体目标有较好的检测率，因此本发明实施例选取该特征建立车辆数学模型。
步骤202、采集本车前方物体的图像。
通过摄像头采集本车前方物体的图像，采集到的图像可以为彩色图像，也可以为灰度图像。如果是彩色图像，需要将彩色图像先转化为灰度图像。
步骤203、根据预设的车辆数学模型和本车前方物体的图像对前方物体进行识别。
目前，基于机器学习方法的前方车辆检测使用的机器学习算法主要有：人工神经网络(英文：Artificial Neural Networks；简称：ANN)、支持向量机(英文：Support VectorMachine；简称：SVM)、自适应自推算法(AdaBoost)等。由于使用AdaBoost算法构建的分类器的检测速度具有较高的实时性，因此可以使用该算法作为车辆检测的分类算法进行分类器的构建。通过步骤201得到车辆数学模型，然后根据实时输入的本车前方物体的图像，对该图像进行逐级缩放，采用Haar-like特征，提取该图像区域的特征，再利用AdaBoost分类器将车辆数学模型和当前提取的本车前方物体的图像的特征进行匹配分类，判断本车前方物体是否为车辆。
步骤204、当前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域。
阴影区域为图像中目标车辆受目标车辆周围环境的光线作用在地面上形成的阴影的区域。
相关前方车辆测距方法得到的前方车辆属于粗定位方法，前方车辆下边缘在连续帧中状态较不稳定，主要表现在前方车辆图像内车辆下边缘上下跳动幅度较大，在真实车体坐标系内表现为测距大小不断变化。在这种测距状态下测量前方车辆的相对速度的精度较低。公路上行驶的车辆的灰度图像中车底阴影即车辆受周围环境的光线作用在地面上形成的阴影具有比较明显的特征，这些特征可以成为将车辆从图像中提取出来的标志和手段。因此，可以使用车底阴影法精确定位前方车辆阴影的下边界线，根据阴影的下边界线确定本车与前方车辆间距。
首先根据前方车辆下边缘对应的图像的行为基准，沿着该行向下增加DH行，作为阴影提取区域的下边缘。如果向下增加DH行后超出了图像处理的最低边，则以图像最低边作为阴影提取区域的下边缘。而阴影提取区域的左边缘为前述前方车辆识别时对应的左边缘，阴影提取区域的右边缘为前述前方车辆识别时对应的右边缘，阴影提取区域的上边缘为前述前方车辆识别时对应的上边缘。确定好阴影提取区域的四个边缘后，即可确定目标车辆的阴影区域。
步骤205、根据阴影区域确定目标车辆的阴影的下边界线。
具体的，步骤205如图3所示，可以包括：
步骤2051、对阴影区域对应的图像进行灰度处理，得到灰度图像。
确定了阴影区域之后，对阴影区域对应的图像进行灰度处理，处理过程可以参考相关技术。
步骤2052、对灰度图像进行图像二值化处理，得到二值图像。
二值图像中的像素灰度值为0或者255。为了提高测量精度，需要对灰度图像进行二值化处理，二值化处理算法一般采用自适应二值化设计思想，其核心在于自适应二值化阈值的计算算法设计。本发明实施例将步骤204中增加的DH行对应的下半部分区域作为二值化阈值计算区域。首先计算二值化阈值计算区域的直方图，设计算得到的直方图对应的灰度区域为[T0，T1]。再选择该区域的1/4-1/2区间对应的灰度区域的像素灰度值的均值作为候选阈值Th0，二值化阈值Th与候选阈值Th0关系为：Th＝a*Th0。其中a为阈值修正因子。a的取值与采用的图像传感器的感光特性有关，一般a的取值范围为[0.3，-1]。
进行图像二值化处理时，如果图像的像素灰度值大于或等于二值化阈值Th，则将该像素灰度值设定为0；如果图像的像素灰度值小于二值化阈值Th，则将该像素灰度值设定为255。
步骤2053、根据二值图像将至少包含像素灰度值为255的连续行的区域确定为候选区域。
根据步骤2052得到的二值图像，将至少包含像素灰度值为255的连续行的候选区域提取出来。然后采用图像腐蚀操作去除候选区域对应的图像中孤立的噪声点。二值图像可以用一个由0和255组成的二维矩阵表示，矩阵的每一行包含多个像素，像素灰度值为0或者255。其中，图像腐蚀操作可以参考相关技术，在此不再赘述。
步骤2054、根据候选区域确定目标车辆的阴影的下边界线。
进一步的，步骤2054如图4所示，可以包括：
步骤2054a、从候选区域的最低行开始，确定候选区域中的第一边界线。
第一边界线所在行的像素灰度值等于255的像素个数大于第一边界线所在行的宽度的一半，且邻接行的像素灰度值等于255的像素个数大于邻接行的宽度的一半。邻接行为第一边界线所在行的上一行。
步骤2054b、将第一边界线作为目标车辆的阴影的下边界线。
从候选区域的最低行由下向上逐行搜索像素灰度值等于255的像素点的存在性。如果某行中像素灰度值等于255的像素个数大于该行的宽度的一半，并且其上一行依然存在这样规律，则判定此行为目标车辆的阴影的下边界线。如果不满足上述条件，继续向上逐行搜索。
步骤206、根据阴影的下边界线确定本车与目标车辆的间距。
具体的，步骤206如图5所示，可以包括：
步骤2061、建立摄像机的图像坐标系和本车的车体坐标系的映射关系。
图像坐标系用于记录阴影的下边界线与摄像机的位置关系，车体坐标系用于记录本车与目标车辆的位置关系。
步骤2062、根据映射关系通过三线标定法确定本车与目标车辆的间距。
采用摄像机进行测距计算，首先对摄像机的内部参数和外部参数进行标定，根据摄像机的小孔成像原理，图像坐标系与车体坐标系之间存在着一一映射关系。示例的，可以采用三线标定法计算图像坐标系与车体坐标系之间的关系公式。然后根据摄像机标定映射关系和前述处理得到的阴影的下边界线所对应的行数计算出本车在车体坐标系中与前车车辆的距离。图像坐标系和车体坐标系的建立过程、三线标定法的过程可以参考相关技术。
综上所述，本发明实施例提供的前方车辆测距方法，能够在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域，根据阴影区域确定目标车辆的阴影的下边界线，最终根据阴影的下边界线确定本车与目标车辆的间距，相较于相关前方车辆测距技术，无需要求车道线清晰，能够较为准确地计算出本车与前方车辆之间的实际距离，因此，提高了测量精度。
本发明实施例提供了一种前方车辆测距装置60，如图6所示，该装置60包括：
识别单元601，用于根据预设的车辆数学模型和本车前方物体的图像对前方物体进行识别。该车辆数学模型用于表征车辆的属性特征。
提取单元602，用于在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域。该阴影区域为图像中目标车辆受目标车辆周围环境的光线作用在地面上形成的阴影的区域。
第一确定单元603，用于根据阴影区域确定目标车辆的阴影的下边界线。
第二确定单元604，用于根据阴影的下边界线确定本车与目标车辆的间距。
综上所述，本发明实施例提供的前方车辆测距装置，能够在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域，根据阴影区域确定目标车辆的阴影的下边界线，最终根据阴影的下边界线确定本车与目标车辆的间距，相较于相关前方车辆测距技术，无需要求车道线清晰，能够较为准确地计算出本车与前方车辆之间的实际距离，因此，提高了测量精度。
本发明实施例提供了另一种前方车辆测距装置60，如图7所示，该装置60包括：
识别单元601，用于根据预设的车辆数学模型和本车前方物体的图像对前方物体进行识别。该车辆数学模型用于表征车辆的属性特征。
提取单元602，用于在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域。该阴阴影区域为图像中目标车辆受目标车辆周围环境的光线作用在地面上形成的阴影的区域。
第一确定单元603，用于根据阴影区域确定目标车辆的阴影的下边界线。
第二确定单元604，用于根据阴影的下边界线确定本车与目标车辆的间距。
建立单元605，用于根据包含车辆的图像和非车辆的图像通过机器学习方法建立车辆数学模型。
采集单元606，用于采集本车前方物体的图像。
具体的，第一确定单元603如图8所示，包括：
灰度处理模块6031，用于对阴影区域对应的图像进行灰度处理，得到灰度图像。
二值化处理模块6032，用于对灰度图像进行图像二值化处理，得到二值图像。二值图像中的像素灰度值为0或者255。
第一确定模块6033，用于根据二值图像将至少包含像素灰度值为255的连续行的区域确定为候选区域。
第二确定模块6034，用于根据候选区域确定目标车辆的阴影的下边界线。
进一步的，第二确定模块6034如图9所示，包括：
确定子模块6034a，用于从候选区域的最低行开始，确定候选区域中的第一边界线。第一边界线所在行的像素灰度值等于255的像素个数大于第一边界线所在行的宽度的一半，且邻接行的像素灰度值等于255的像素个数大于邻接行的宽度的一半。邻接行为第一边界线所在行的上一行。
处理子模块6034b，用于将第一边界线作为目标车辆的阴影的下边界线。
第二确定单元604如图10所示，包括：
第一建立模块6041，用于建立摄像机的图像坐标系和本车的车体坐标系的映射关系。图像坐标系用于记录阴影的下边界线与摄像机的位置关系，车体坐标系用于记录本车与目标车辆的位置关系。
第三确定模块6042，用于根据映射关系通过三线标定法确定本车与目标车辆的间距。
综上所述，本发明实施例提供的前方车辆测距装置，能够在前方物体为目标车辆时，从目标车辆的图像中提取目标车辆的阴影区域，根据阴影区域确定目标车辆的阴影的下边界线，最终根据阴影的下边界线确定本车与目标车辆的间距，相较于相关前方车辆测距技术，无需要求车道线清晰，能够较为准确地计算出本车与前方车辆之间的实际距离，因此，提高了测量精度。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种前方车辆测距方法，其特征在于，所述方法包括：
根据预设的车辆数学模型和本车前方物体的图像对所述前方物体进行识别，所述车辆数学模型用于表征车辆的属性特征；
当所述前方物体为目标车辆时，从所述目标车辆的图像中提取所述目标车辆的阴影区域，所述阴影区域为所述图像中目标车辆受所述目标车辆周围环境的光线作用在地面上形成的阴影的区域；
对所述阴影区域对应的图像进行灰度处理，得到灰度图像；
对所述灰度图像进行图像二值化处理，得到二值图像，所述二值图像中的像素灰度值为0或者255；进行图像二值化处理时，如果图像的像素灰度值大于或等于二值化阈值，则将该像素灰度值设定为0；如果图像的像素灰度值小于二值化阈值，则将该像素灰度值设定为255；
根据所述二值图像将至少包含所述像素灰度值为255的连续行的区域确定为候选区域；
从所述候选区域的最低行开始，确定所述候选区域中的第一边界线，所述第一边界线所在行的像素灰度值等于255的像素个数大于所述第一边界线所在行的宽度的一半，且邻接行的像素灰度值等于255的像素个数大于所述邻接行的宽度的一半，所述邻接行为所述第一边界线所在行的上一行；
将所述第一边界线作为所述目标车辆的阴影的下边界线；
根据所述阴影的下边界线确定所述本车与所述目标车辆的间距。
2.根据权利要求1所述的方法，其特征在于，所述根据所述阴影的下边界线确定所述本车与所述目标车辆的间距，包括：
建立摄像机的图像坐标系和所述本车的车体坐标系的映射关系，所述图像坐标系用于记录所述阴影的下边界线与所述摄像机的位置关系，所述车体坐标系用于记录所述本车与所述目标车辆的位置关系；
根据所述映射关系通过三线标定法确定所述本车与所述目标车辆的间距。
3.根据权利要求1所述的方法，其特征在于，在所述根据预设的车辆数学模型和本车前方物体的图像对所述前方物体进行识别之前，所述方法还包括：
根据包含车辆的图像和非车辆的图像通过机器学习方法建立所述车辆数学模型；
采集所述本车前方物体的图像。
4.一种前方车辆测距装置，其特征在于，所述装置包括：
识别单元，用于根据预设的车辆数学模型和本车前方物体的图像对所述前方物体进行识别，所述车辆数学模型用于表征车辆的属性特征；
提取单元，用于在所述前方物体为目标车辆时，从所述目标车辆的图像中提取所述目标车辆的阴影区域，所述阴影区域为所述图像中目标车辆受所述目标车辆周围环境的光线作用在地面上形成的阴影的区域；
第一确定单元，用于根据所述阴影区域确定所述目标车辆的阴影的下边界线；
第二确定单元，用于根据所述阴影的下边界线确定所述本车与所述目标车辆的间距；
所述第一确定单元，包括：
灰度处理模块，用于对所述阴影区域对应的图像进行灰度处理，得到灰度图像；
二值化处理模块，用于对所述灰度图像进行图像二值化处理，得到二值图像，所述二值图像中的像素灰度值为0或者255；进行图像二值化处理时，如果图像的像素灰度值大于或等于二值化阈值，则将该像素灰度值设定为0；如果图像的像素灰度值小于二值化阈值，则将该像素灰度值设定为255；
第一确定模块，用于根据所述二值图像将至少包含所述像素灰度值为255的连续行的区域确定为候选区域；
第二确定模块，用于根据所述候选区域确定所述目标车辆的阴影的下边界线；
所述第二确定模块，包括：
确定子模块，用于从所述候选区域的最低行开始，确定所述候选区域中的第一边界线，所述第一边界线所在行的像素灰度值等于255的像素个数大于所述第一边界线所在行的宽度的一半，且邻接行的像素灰度值等于255的像素个数大于所述邻接行的宽度的一半，所述邻接行为所述第一边界线所在行的上一行；
处理子模块，用于将所述第一边界线作为所述目标车辆的阴影的下边界线。
5.根据权利要求4所述的装置，其特征在于，所述第二确定单元，包括：
第一建立模块，用于建立摄像机的图像坐标系和所述本车的车体坐标系的映射关系，所述图像坐标系用于记录所述阴影的下边界线与所述摄像机的位置关系，所述车体坐标系用于记录所述本车与所述目标车辆的位置关系；
第三确定模块，用于根据所述映射关系通过三线标定法确定所述本车与所述目标车辆的间距。
6.根据权利要求4所述的装置，其特征在于，所述装置还包括：
建立单元，用于根据包含车辆的图像和非车辆的图像通过机器学习方法建立所述车辆数学模型；
采集单元，用于采集所述本车前方物体的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510276264.4A CN104915642B (zh) | 2015-05-26 | 2015-05-26 | 前方车辆测距方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510276264.4A CN104915642B (zh) | 2015-05-26 | 2015-05-26 | 前方车辆测距方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104915642A CN104915642A (zh) | 2015-09-16 |
| CN104915642B true CN104915642B (zh) | 2018-05-11 |
Family
ID=54084694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510276264.4A Active CN104915642B (zh) | 2015-05-26 | 2015-05-26 | 前方车辆测距方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104915642B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106679633B (zh) * | 2016-12-07 | 2019-06-04 | 东华大学 | 一种车载测距系统及方法 |
| CN106780603A (zh) * | 2016-12-09 | 2017-05-31 | 宇龙计算机通信科技(深圳)有限公司 | 车辆检测方法、装置及电子设备 |
| CN107958225A (zh) * | 2017-12-14 | 2018-04-24 | 阜阳裕晟电子科技有限公司 | 一种基于视频图像处理的车道线提取方法 |
| CN110059566A (zh) * | 2019-03-20 | 2019-07-26 | 东软睿驰汽车技术（沈阳）有限公司 | 一种图像识别方法及装置 |
| CN110414357B (zh) * | 2019-06-28 | 2023-04-07 | 上海工程技术大学 | 一种基于车辆类型识别的前方车辆定位方法 |
| CN110374045B (zh) * | 2019-07-29 | 2021-09-28 | 哈尔滨工业大学 | 一种智能化除冰方法 |
| CN113320546A (zh) * | 2021-07-02 | 2021-08-31 | 恒大新能源汽车投资控股集团有限公司 | 基于阴影的车辆定位方法和控制装置、存储介质及车辆 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268589A (zh) * | 2014-09-16 | 2015-01-07 | 奇瑞汽车股份有限公司 | 一种前方车辆检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5887219B2 (ja) * | 2012-07-03 | 2016-03-16 | クラリオン株式会社 | 車線逸脱警報装置 |
-
2015
- 2015-05-26 CN CN201510276264.4A patent/CN104915642B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268589A (zh) * | 2014-09-16 | 2015-01-07 | 奇瑞汽车股份有限公司 | 一种前方车辆检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于阴影特征的前向车辆检测和测距方法研究;魏凯 等;《机械设计与制造》;20130228(第2期);第131页-133页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104915642A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104915642B (zh) | 前方车辆测距方法及装置 | |
| CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
| Cheng et al. | Extraction and classification of road markings using mobile laser scanning point clouds | |
| Jin et al. | Vehicle detection from high-resolution satellite imagery using morphological shared-weight neural networks | |
| CN106203398B (zh) | 一种检测车道边界的方法、装置和设备 | |
| US8487991B2 (en) | Clear path detection using a vanishing point | |
| CN105460009B (zh) | 汽车控制方法及装置 | |
| Doucette et al. | Automated road extraction from high resolution multispectral imagery | |
| CN104778453B (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
| Budzan et al. | Fusion of 3D laser scanner and depth images for obstacle recognition in mobile applications | |
| Kuang et al. | Feature selection based on tensor decomposition and object proposal for night-time multiclass vehicle detection | |
| CN105913040A (zh) | 暗视觉条件下的双摄像头实时行人检测系统 | |
| CN103810503A (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
| Satti et al. | Unified approach for detecting traffic signs and potholes on Indian roads | |
| CN107705301A (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
| CN105825212A (zh) | 一种基于Hadoop的分布式车牌识别方法 | |
| Kim et al. | Autonomous vehicle detection system using visible and infrared camera | |
| Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
| CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
| CN117037103A (zh) | 一种道路检测方法和装置 | |
| Ghahremannezhad et al. | Automatic road detection in traffic videos | |
| Chen | RETRACTED ARTICLE: Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence | |
| CN116630890A (zh) | 一种通过对钓鱼区域分析的钓鱼行为检测方法和系统 | |
| Naseer et al. | Efficient multi-object recognition using GMM segmentation feature fusion approach | |
| Heidarizadeh | Preprocessing methods of lane detection and tracking for autonomous driving |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220211 Address after: 241006 Anshan South Road, Wuhu Economic and Technological Development Zone, Anhui Province Patentee after: Wuhu Sambalion auto technology Co.,Ltd. Address before: 241006 Changchun Road, Wuhu economic and Technological Development Zone, Wuhu, Anhui, 8 Patentee before: CHERY AUTOMOBILE Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240410 Address after: 241000 10th Floor, Block B1, Wanjiang Wealth Plaza, Guandou Street, Jiujiang District, Wuhu City, Anhui Province Patentee after: Dazhuo Intelligent Technology Co.,Ltd. Country or region after: China Patentee after: Dazhuo Quxing Intelligent Technology (Shanghai) Co.,Ltd. Address before: 241006 Anshan South Road, Wuhu Economic and Technological Development Zone, Anhui Province Patentee before: Wuhu Sambalion auto technology Co.,Ltd. Country or region before: China |