广告
前方车辆检测的常用方法
2018-10-03 23:27:37· 来源：智车科技
前方车辆检测，可以用于防碰撞系统、进而用于自动巡航（ACC）等功能，应用场景广泛，所以，此技术是一项比较基础的技术。而先前的ACC，只是基于正前方车辆的检测
前方车辆检测，可以用于防碰撞系统、进而用于自动巡航（ACC）等功能，应用场景广泛，所以，此技术是一项比较基础的技术。而先前的ACC，只是基于正前方车辆的检测，对于侧面的车辆或环境的跟踪能力有限。但随着各种传感器和导航地图的应用，ACC的能力也会大大增强。ACC只用于高速行驶状态，但已有低速跟车系统的研究，某公司已计划未来两年内上市。
传感器
前方车辆检测，常用的传感器有高频雷达（毫米波）、红外激光雷达、摄像头。
每种传感器都有各自的优缺点：
雷达：自己可选用的波段有限，常用24G（厘米波）、79G波段。对雨雾天气的适应能力好，探测距离大150米，但容易受电磁干扰影响。据传，79G雷达技术对国内有限制的。而欧盟和我国的工信部是建议24G作为车载雷达波段。而美国是推荐79G波段作为车载雷达的使用波段。
红外激光：抗干扰能力强，定向性。但对于雨雾天气的穿透能力弱。且成本高。
摄像头：基于视觉的探测。对距离的判断较弱（单目视觉情况下），易受雨雾天气的影响。
所以，想适应各种场景，厂商一般会采用多种传感器收集信息。
这里重点总结下，基于单目视觉的车辆检测技术。
从视觉上来讲，车辆的形状、颜色和大小虽然限定在一定范围，但都是不固定的，而且，其外形会受到自身姿势和外部环境，如光照或旁边物体的影响。
基于先验知识的特征检测
汽车有一些一些典型的特征， 如对称性、颜色、阴影、几何特征（如角点、边缘）、纹理、车灯。
1）对称性：汽车从前方和后方来看，无论是在区域面积还是边缘特征上，具有很好的对称性。但是，对称性特征易受噪声的干扰，以及角度的影响。
2）颜色：颜色空间一般不直接使用在车辆上，而比较有效的手段是识别路面和车辆阴影。
3）阴影：车辆阴影是与车辆相关的一个重要的特征。因为车辆阴影一般比周围区域都要暗。但具体的参数指标，还与光照，即天气状况有关。
一般做法是采用两个阈值，一高、一低，低阈值用于确定阴影，而高阈值由阴影周围环境来确定，如局部分割算法，均值+方差。
4）角点：先检测出所有角点，然后再根据角点的空间关系，如汽车的四个角点会形成一个矩形，来筛选汽车。
5）垂直或水平边缘：一种方式，直接检测垂直边缘，利用类似直方图计算垂直投影。然后，车辆底盘下方阴影部分也是重要的水平边缘特征。另外，也有采用多分辨率的方式，在每个层次都边缘只是作为一种初步的筛选/搜索手段。
6）纹理：熵、共生矩阵都可被作为基于纹理的图像分割的基础。
近几年热门的车辆检测方法
1）HOG 特征 + haar-like特征；SVM 或 adaboost 分类器； （HOG + SVM ; haar-like + adaboost 速度快）
2）光流法；或增加一个HMM分类器，或SVM分类器
HOG特征的计算及一些改进：
HOG：histogram of oriented gradient, 方向梯度直方图，就是描述物体的形状和边缘特征，并且不涉及尺度和旋转。
1. 将子图像灰度化，归一化（为了除去光照和阴影的影响）
2. 划分成小cells，如3*3个像素块或6*6个像素块。
3. 计算每个cell中每个pixel的gradient方向，或者说是边缘的方向。
4. 统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor。
5. 连接所有cell形成一个子图像的特征描述子。
6. 子图像之间是一般是由重叠的区域的，这样一个cell影响的就不是一个子图像了。一个矩形子图像，一般有三个参数：每个子图像有多少方格、每个方格有几个像素、以及每个方格直方图有多少頻道（梯度方向）。
传感器
前方车辆检测，常用的传感器有高频雷达（毫米波）、红外激光雷达、摄像头。
每种传感器都有各自的优缺点：
雷达：自己可选用的波段有限，常用24G（厘米波）、79G波段。对雨雾天气的适应能力好，探测距离大150米，但容易受电磁干扰影响。据传，79G雷达技术对国内有限制的。而欧盟和我国的工信部是建议24G作为车载雷达波段。而美国是推荐79G波段作为车载雷达的使用波段。
红外激光：抗干扰能力强，定向性。但对于雨雾天气的穿透能力弱。且成本高。
摄像头：基于视觉的探测。对距离的判断较弱（单目视觉情况下），易受雨雾天气的影响。
所以，想适应各种场景，厂商一般会采用多种传感器收集信息。
这里重点总结下，基于单目视觉的车辆检测技术。
从视觉上来讲，车辆的形状、颜色和大小虽然限定在一定范围，但都是不固定的，而且，其外形会受到自身姿势和外部环境，如光照或旁边物体的影响。
基于先验知识的特征检测
汽车有一些一些典型的特征， 如对称性、颜色、阴影、几何特征（如角点、边缘）、纹理、车灯。
1）对称性：汽车从前方和后方来看，无论是在区域面积还是边缘特征上，具有很好的对称性。但是，对称性特征易受噪声的干扰，以及角度的影响。
2）颜色：颜色空间一般不直接使用在车辆上，而比较有效的手段是识别路面和车辆阴影。
3）阴影：车辆阴影是与车辆相关的一个重要的特征。因为车辆阴影一般比周围区域都要暗。但具体的参数指标，还与光照，即天气状况有关。
一般做法是采用两个阈值，一高、一低，低阈值用于确定阴影，而高阈值由阴影周围环境来确定，如局部分割算法，均值+方差。
4）角点：先检测出所有角点，然后再根据角点的空间关系，如汽车的四个角点会形成一个矩形，来筛选汽车。
5）垂直或水平边缘：一种方式，直接检测垂直边缘，利用类似直方图计算垂直投影。然后，车辆底盘下方阴影部分也是重要的水平边缘特征。另外，也有采用多分辨率的方式，在每个层次都边缘只是作为一种初步的筛选/搜索手段。
6）纹理：熵、共生矩阵都可被作为基于纹理的图像分割的基础。
近几年热门的车辆检测方法
1）HOG 特征 + haar-like特征；SVM 或 adaboost 分类器； （HOG + SVM ; haar-like + adaboost 速度快）
2）光流法；或增加一个HMM分类器，或SVM分类器
HOG特征的计算及一些改进：
HOG：histogram of oriented gradient, 方向梯度直方图，就是描述物体的形状和边缘特征，并且不涉及尺度和旋转。
1. 将子图像灰度化，归一化（为了除去光照和阴影的影响）
2. 划分成小cells，如3*3个像素块或6*6个像素块。
3. 计算每个cell中每个pixel的gradient方向，或者说是边缘的方向。
4. 统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor。
5. 连接所有cell形成一个子图像的特征描述子。
6. 子图像之间是一般是由重叠的区域的，这样一个cell影响的就不是一个子图像了。一个矩形子图像，一般有三个参数：每个子图像有多少方格、每个方格有几个像素、以及每个方格直方图有多少頻道（梯度方向）。
广告
编辑推荐
最新资讯
-
直播｜2024 Keysight世界技术日：汽车自动
2024-05-02 10:17
-
车载无感酒精检测技术
2024-05-02 10:16
-
CATC-ITEC专题工作组会议在慕尼黑成功举办
2024-05-01 21:29
-
初创加速计划 | AI 赋能水面自动驾驶技术，
2024-05-01 21:25
-
“反人类”的隐藏式门把手，新能源车为什么
2024-05-01 18:30
广告
广告
