基于激光雷达和双目相机的车前行人检测方法及系统的制作方法

文档序号:8259513阅读:479来源:国知局
基于激光雷达和双目相机的车前行人检测方法及系统的制作方法
【技术领域】
[0001] 本发明属于汽车安全驾驶领域,具体涉及了立体视觉技术和遥感技术,是融合激 光雷达和双目相机的信息进行车辆前方行人检测的装置与方法。
【背景技术】
[0002] 我国经济的快速发展,人民生活水平的不断提高,交通运输业和汽车工业的高速 发展,都促使了我国机动车辆保有量的不断攀升。到2013年底,我国汽车保有量高达1. 37 亿辆,车辆碰撞事故频发。复杂的交通环境下,如何在车辆行驶过程中保证行人安全以及车 辆和驾驶员的安全显得尤为重要。但是,当驾驶员疲劳驾驶或者一时疏忽,甚至有的驾驶员 身处危险状况下,因心理承受压力大而不能冷静判断,短时间内难以做出正确决策而错失 了最佳避让行人的时机。因此,需要一种能够自动且精确检测车辆前方行人的装置和方法, 辅助驾驶员安全驾驶汽车。
[0003] 已有的车辆前方行人检测装置,大多是基于单目相机,但是视觉信息受环境因素 影响较大,如下雨、雾霾;也有部分采用雷达信息来检测行人,但是雷达信息量有限,不能单 独用来做行人检测装置;针对单一传感器无法满足信息感知完整性和可靠性的问题,出现 了融合多传感器的行人检测方法,但在算法设计及硬件设计上不尽相同,且检测效果不够 精确。

【发明内容】

[0004] 针对上述现有技术中存在的缺陷与不足,本发明的目的在于,提供一种基于激光 雷达和双目相机的车前行人检测方法。
[0005] 为了实现上述目的,本发明采用如下技术方案予以解决:
[0006] 一种基于激光雷达和双目相机的车前行人检测方法,具体包括以下步骤:
[0007] 步骤1,利用三台激光雷达和一台双目相机采集车辆前方数据;
[0008] 步骤2,分别对激光雷达和双目相机采集的数据进行处理,得到行人相对于车辆的 距离、方位角及速度值;具体包括以下步骤:
[0009] 步骤21,根据激光雷达采集的数据,进行疑似行人目标的确定及行人距离、方位角 和速度的计算;
[0010] 步骤22,将三个激光雷达分别与双目相机进行标定,使得每个激光雷达确定的疑 似行人目标分别映射到双目相机采集的左、右图像中;
[0011] 步骤23、采用SURF算法分别对左、右图像进行处理,得到左、右图像中每个疑似行 人目标的特征点,并得到每个特征点对应的特征向量;
[0012] 步骤24、根据得到的每个特征点对应的特征向量,基于SURF特征的AdaBoost级联 分类器检测图像中的行人并标记;
[0013] 步骤25、利用双目相机采集的图像数据计算得到行人相对于车辆的距离、方位角 及速度值。
[0014] 进一步的,所述步骤21具体包括如下步骤:
[0015] (1)采用K均值聚类法对激光雷达每帧中的1081个数据点进行聚类,得到多个疑 似行人点簇,疑似行人点簇为激光雷达视野范围内所有障碍物;将疑似行人点簇与行人的 物理特征结合确定疑似行人目标;每个疑似行人点簇用式(3)表示:
[0016] {(xi; | i = 1, 2, . . . ,m} ⑶
[0017]其中,i为每帧中疑似行人点簇的个数;xp 簇中心的坐标;ri为簇中心点 (Xi,yi)到簇边界的最大距离值,m为每帧中疑似行人点簇的最大个数;
[0018] ⑵记录疑似行人目标的距离氏、方位角0 i及速度v肩息;
[0019] 疑似行人目标确定以后,记录其对应的疑似点簇中心相对于激光雷达坐标系的距 离、方位角及速度信息,作为疑似行人目标的信息,疑似行人目标信息用式(4)表示:
[0020] {(^, 0 i, | i = 1, 2, . . . , n} (4)
[0021] 式中,n为每帧中疑似行人目标的最大个数;n < m。
[0022] 进一步的,所述步骤23的具体步骤是:对于每个所述的特征点,选取其邻域范围 内20 〇*20 〇大小的区域,其中,〇为空间中的任一点在尺度空间中的尺度;将区域的主方 向旋转到特征点的主方向;将此区域划分为4*4共16个子区域;对每个子区域,计算每个 像素点经过加权的Harr小波在X方向和Y方向的响应值dx、dy,然后建立一个四维的特征 向量如式(8):
[0023] v = (2 dx, 2 dy, 2 | dx |, 2 | dy) (8)
[0024] 将16个子区域的向量分别加入到该特征向量中,形成上述特征点对应的 64(4*16)维的特征向量。
[0025] 进一步的,所述步骤24具体包括如下步骤:
[0026] (1)将SURF特征点对应的特征向量输入到二值弱分类器进行训练;
[0027] 所述二值弱分类器输出1代表存在行人,输出0代表不存在行人,用公式(9)描 述:
[0028]
【主权项】
1. 一种基于激光雷达和双目相机的车前行人检测方法,其特征在于,具体包括以下步 骤: 步骤1,利用三台激光雷达和一台双目相机采集车辆前方数据; 步骤2,分别对激光雷达和双目相机采集的数据进行处理,得到行人相对于车辆的距 离、方位角及速度值;具体包括以下步骤: 步骤21,根据激光雷达采集的数据,进行疑似行人目标的确定及行人距离、方位角和速 度的计算; 步骤22,将三个激光雷达分别与双目相机进行标定,使得每个激光雷达确定的疑似行 人目标分别映射到双目相机采集的左、右图像中; 步骤23、采用SURF算法分别对左、右图像进行处理,得到左、右图像中每个疑似行人目 标的特征点,并得到每个特征点对应的特征向量; 步骤24、根据得到的每个特征点对应的特征向量,基于SURF特征的AdaBoost级联分类 器检测图像中的行人并标记; 步骤25、利用双目相机采集的图像数据计算得到行人相对于车辆的距离、方位角及速 度值。
2. 如权利要求1所述的基于激光雷达和双目相机的车前行人检测方法,其特征在于, 所述步骤21具体包括如下步骤: (1)采用K均值聚类法对激光雷达每帧中的1081个数据点进行聚类,得到多个疑似行 人点簇,疑似行人点簇为激光雷达视野范围内所有障碍物;将疑似行人点簇与行人的物理 特征结合确定疑似行人目标;每个疑似行人点簇用式(3)表示: {(Xi, Yi, Ti)Ii= 1, 2,. . . ,m} (3) 其中,i为每帧中疑似行人点簇的个数;XpyiS簇中心的坐标;ri为簇中心点(xi,yj到簇边界的最大距离值,m为每帧中疑似行人点簇的最大个数; ⑵记录疑似行人目标的距离氏、方位角0i及速度v肩息; 疑似行人目标确定以后,记录其对应的疑似点簇中心相对于激光雷达坐标系的距离、 方位角及速度信息,作为疑似行人目标的信息,疑似行人目标信息用式(4)表示: 0i, |i= 1, 2,. . . ,n} (4) 式中,n为每帧中疑似行人目标的最大个数;n<m。
3. 如权利要求1所述的基于激光雷达和双目相机的车前行人检测方法,其特征在于, 所述步骤23的具体步骤是:对于每个所述的特征点,选取其邻域范围内20 〇 *20 〇大小的 区域,其中,〇为空间中的任一点在尺度空间中的尺度;将区域的主方向旋转到特征点的 主方向;将此区域划分为4*4共16个子区域;对每个子区域,计算每个像素点经过加权的 Harr小波在X方向和Y方向的响应值dx、dy,然后建立一个四维的特征向量如式(8): v= (2dx, 2dy, 2 |dx|, 2 |dy|) ⑶ 将16个子区域的向量分别加入到该特征向量中,形成上述特征点对应的64(4*16)维 的特征向量。
4. 如权利要求1所述的基于激光雷达和双目相机的车前行人检测方法,其特征在于, 所述步骤24具体包括如下步骤: (1)将SURF特征点对应的特征向量输入到二值弱分类器进行训练; 所述二值弱分类器输出1代表存在行人,输出0代表不存在行人,用公式(9)描述:
其中,x为一个检测子窗口,取为20*20,n为检测子窗口中SURF特征点的个数,fj(x) 为第j个特征点的特征向量,Pj为偏置系数,0j为阈值; 对每个特征点对应的特征向量fj(X),训练弱分类器hj(X,f,p,0 ),使得弱分类器hjO^tp,0)对所有训练样本的分类误差最低; (2) 强分类器的生成 使用得到的弱分类器对样本集中的样本图像逐一进行处理,处理的过程中,迭代次数S取值为10 ;得到强分类器; (3) 级联分类器的构建 将上述的强分类器串联组成级联分类器;级联分类器层数c= 15 ; (4) 行人存在性检测 (4. 1)对于每一对经步骤23处理后的左、右图像,按式(16)对该左、右图像进行灰度化 处理: Y = (0? 299) R+ (0? 587) G+ (0? 114) B (16) (4. 2)对灰度化处理后的图像进行缩放,使得该左、右图像均与训练样本图像大小一 致,即20*20 ;然后使用得到的级联分类器分别对缩放后的左、右图像进行处理,确定每一 对左、右图像中是否存在行人,若存在,用矩形框对行人进行标记,并用式(17)记录: {(ui; | i = 1, 2,. . . n} (17) 其中,i为当前帧待检测图像中的行人数目,(Ui,Vi)为标记行人的矩形框中心坐标。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1