一种基于深度信息的车辆识别方法.pdf

(19)中华人民共和国国家知识产权局*CN103065151A*(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103065151103065151A(43)申请公布日2013.04.24(21)申请号201210434029.1(22)申请日2012.11.04(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人段建民周俊静于宏啸杨光祖(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人吴荫芳(51)Int.Cl.G06K9/62(2006.01)权权利要求书2页利要求书2页说明书5页说明书5页附图2页附图2页(54)发明名称一种基于深度信息的车辆识别方法(57)摘要本发明涉及模式识别和智能车辆技术领域，具体涉及一种用于汽车辅助驾驶系统的基于深度信息的车辆识别方法。具体包括利用测距传感器连续获取扫描范围内物体的深度信息，采用基于距离的方法对每一帧数据进行聚类，其中距离的阈值可根据目标与本车的距离远近以及相对方位自动调整，提高了聚类的准确性，为后续的特征提取奠定了良好的基础；对保留的聚类采用迭代适应点IEPF算法和最小二乘法分别进行直线拟合，并在此基础上提取目标的特征向量；依据特征向量判断目标是否为车辆目标。本方法利用多个特征识别车辆目标，能够准确的识别道路环境中的车辆目标。CN103065151ACN10365ACN103065151A权利要求书1/2页1.一种基于深度信息的车辆识别方法，包括以下步骤：A．利用测距传感器连续获取扫描范围内物体的深度信息R，R={(rn，φn)|n=0，…，NR}，其中，rn表示扫描点与传感器的距离，φn表示扫描点的方位角，NR表示一个扫描周期采集到的扫描点的个数，n为0到NR的整数，并将深度信息R由极坐标转换为笛卡尔坐标；传感器一个扫描周期获得的数据称为一帧；B．采用自适应距离阈值的方法对获取的每帧数据实时进行聚类分析，形成不同的聚类；C．计算每一个聚类的内部距离d，如果聚类的内部距离d小于阈值A，去掉该聚类，内部距离d的计算公式如下，其中，表示一个聚类的起点与终点的横坐标之差；表示一个聚类的起点与终点的纵坐标之差；D．对保留的聚类分别进行直线拟合，并在此基础上提取目标的特征向量，特征向量包括聚类内线段的数目，目标的形状、目标大小和线段的长度比；E．根据特征向量的值依次判别保留的聚类是否为车辆目标。2.根据权利要求1中步骤B所述的自适应距离阈值的方法，其特征在于包含以下步骤：第一步，计算当前获取的一帧数据中连续两个点pn-1和pn之间的距离d=||pn-pn-1||，其中n的取值范围为1到NR；第二步，计算pn-1和pn两点的横坐标之差与纵坐标之差的比值的绝对值其中（xn，yn）表示pn的坐标，（xn-1，yn-1）表示pn-1的坐标；第三步：计算距离阈值Dmax，计算公式如下：其中：rn-1为pn-1点与传感器的距离，Δφ为两条扫描射线间的夹角，σr为传感器的测量误差，λ为阈值因数，λ大于等于1度小于等于9度，如果a<0.5，pn-1和pn点位于接近垂直的平面上，λ取值为1～5度，如果a>0.5，λ取值为5～9度；第四步：当点pn-1和pn之间的距离d小于Dmax时，认为pn-1和pn属于同一个聚类；当点pn-1和pn之间的距离d大于等于Dmax时，认为pn-1和pn属于不同的聚类，pn-1为当前聚类的终点，pn为新的聚类的起点。3.根据权利要求1中步骤C所述聚类内部距离d的阈值A为0.5米。4.根据权利要求1中步骤D所述直线拟合以及提取特征向量的方法，其特征在于包括以下步骤：4.1）利用迭代适应点IEPF算法分割聚类内部的点，将聚类内部的点分割为多个子集，分割过程中每个子集内到由该子集两端点形成的连线的距离最大的点记为pna，pna到由该子集的两端点形成的连线的距离记为Dna，当所有子集的Dna都小于阈值Dthd时，认为完成了分割聚类的过程；2CN103065151A权利要求书2/2页4.2）对步骤4.1）分割后的每个子集采用最小二乘法进行直线拟合，然后参照每个子集的起始点和终点确定本子集拟合的直线的两个端点，提取线段，在此基础上，提取目标的特征向量：（1）线段数目num，聚类内部存在一条线段时，num值为1；存在一条折线时，num值为2；（2）目标形状shape，聚类内线段的数目为1时，shape值为线段的斜率的绝对值；聚类内线段的数目为2时，shape值为两条线段间夹角的余弦的绝对值；（3）目标大小size，聚类内线段的数目为1时，size大小为线段的长度；存在一条折线时，size大小为折线最小外接矩形的面积；（4）线段长度比ratio，聚类内部存在一条线段时，ratio长度比为0；存在一条折线时，ratio为两条线段的长