基于机器视觉的无人驾驶车辆目标识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于机器视觉的无人驾驶车辆目标识别方法及装置，方法包括下述步骤：采集无人驾驶车辆行车过程中移动目标的连续视频帧，得到移动目标轨迹状态矢量；定义粒子群集合，使用贝叶斯边缘图像滤波去除视频帧图像背景，提取特征点，初始化粒子群并计算特征点概率分布密度；建立移动目标轨迹线性方程组，并使用粒子群求解方程组多个近似解，计算粒子聚集度；根据粒子聚集度判断目标表征变化情况，并定位目标位置，描述运动轨迹，追踪目标状态，确定行车状态。本方法将目标识别和跟踪过程转换为利用粒子群求解多个特征目标轨迹线性方程组的问题，解决了复杂场景下机器视觉识别错误、跟踪目标容易丢失的问题，保证了行车安全。车安全。车安全。

【技术实现步骤摘要】
基于机器视觉的无人驾驶车辆目标识别方法及装置


[0001]本专利技术属于无人驾驶的
，具体涉及一种基于机器视觉的无人驾驶车辆目标识别方法及装置。

技术介绍

[0002]基于机器视觉的无人驾驶车辆通过图像传感器实时采集道路信息，控制车辆并自动躲避障碍，以实现车辆操纵控制的安全性和乘员乘坐的舒适性，涉及图像采集、传感数据融合、人工智能算法、计算数学等多门学科。
[0003]在车辆高速行驶状态下，机器视觉需要快速识别车前障碍，追踪定位运动目标，计算运动轨迹，预测碰撞几率。在目标表征变化不大的情况下，基于传统特征点提取的人工智能算法可以准确识别和追踪运动目标和障碍，如行人、动物、路障、车辆等。然而在实际行驶中，目标障碍物表征会随运动轨迹而发生较大变化，如外观形变、无序旋转、碎片撕裂、色差亮斑等。如果采用传统特征值提取方法识别目标障碍，用退变的外观表征预测其无规则的运动状态，容易造成识别错误和目标跟踪丢失现象，从而导致机器视觉识别率较低，无法实现提前预警和自动避障功能，影响行车安全。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于机器视觉的无人驾驶车辆目标识别方法及装置，本方法使用贝叶斯边缘图像滤波去除图像帧背景，并对目标特征进行描述，获取多个特征点，将其状态矢量概率分布转换为多维粒子，建立轨迹线性方程组，通过粒子群算法求解方程组多个近优解，最后根据粒子聚集度判断目标表征是否出现变化，并定位目标位置，描述运动轨迹，追踪目标状态，从而解决复杂场景下机器视觉识别错误、跟踪目标容易丢失的问题，保证了行车安全。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]一方面，本专利技术提供了一种基于机器视觉的无人驾驶车辆目标识别方法，其特征在于，包括下述步骤：
[0007]采集无人驾驶车辆行车过程中移动目标的连续视频帧，得到移动目标轨迹状态矢量；
[0008]定义粒子群集合，使用贝叶斯边缘图像滤波去除视频帧图像背景，提取特征点，初始化粒子群并计算特征点概率分布密度；
[0009]建立移动目标轨迹线性方程组，并使用粒子群求解方程组多个近似解，计算粒子聚集度；
[0010]根据粒子聚集度判断目标表征变化情况，并定位目标位置，描述运动轨迹，追踪目标状态，确定行车状态。
[0011]作为优选的技术方案，所述得到移动目标轨迹状态矢量，具体为：
[0012]在连续视频帧中，设X
(t，k)
是在t时刻移动目标的k维状态矢量，则移动目标轨迹状
态矢量表示为：
[0013]X
(t0，t1
…
tm)，(k0，k1
…
km)
＝{X
(t0，k0)
,X
(t1，k1)
,X
(t2，k2)
…
X
(tm，km)
}
[0014]其中，X
(t0，t1
…
tm)，(k0，k1
…
km)
为在t0至t
m
时刻，移动目标在k0至km维状态矢量。
[0015]作为优选的技术方案，所述定义粒子群集合，具体为：
[0016]在一个由n个粒子组成的密闭d维空间，定义粒子群集合Y为：
[0017]Y＝(Y1,Y2…
Y
n
)
[0018]其中，Y
n
为第n个粒子在d维空间中的位置；
[0019]定义粒子i在d维空间的向量为Y
iD
，在d维空间的飞行速度为V
i
，粒子i的个体极值为X
i
。
[0020]作为优选的技术方案，所述初始化粒子群并计算特征点概率分布密度，具体为：
[0021]在密闭d维空间内随机初始化粒子群，每个粒子代表一个特征点，定义粒子群体运动矢量概率分布参数为p(X0)；
[0022]初始化粒子群集合分布密度和t时刻下移动目标的轨迹状态矢量；
[0023]使用贝叶斯边缘图像滤波去除视频帧图像背景，提取特征点，获得特征点在t时刻的概率分布密度为H(X
t
|Y
t
)；
[0024]定义X
0t
为初始化状态下特征点的横坐标，Y
0t
为初始化状态下特征点的纵坐标；X
t
为t时刻下特征点的横坐标，Y
t
为t时刻下特征点的纵坐标；
[0025]则在t
‑
n时刻，特征点的概率分布密度为H(X
t
‑
n
|Y
t
‑
n
)，利用递归法得出特征点状态矢量的初始概率分布密度为：
[0026][0027]将贝叶斯公式代入特征点状态矢量的初始概率分布密度中并分解，得到：
[0028]H(X
0t
|Y
0t
)＝H
t
(Y
t
|Y
t
‑1,X
0t
)
·
H(X
t
‑
n
|Y
t
‑
n
)|
·
H
t
‑1(X
t
‑1,Y
t
‑1)
[0029]其中，H
t
(Y
t
|Y
t
‑1,X
0t
)为特征点在t时刻的概率分布密度，H
t
‑1(X
t
‑1,Y
t
‑1)为特征点在t
‑
1时刻的概率分布密度。
[0030]作为优选的技术方案，所述建立移动目标轨迹线性方程组，具体为：
[0031]初始化粒子群后，定义移动目标轨迹线性方程组，用于求解特征点位置Y
iD
，表示为：
[0032][0033]其中，a
nn
为系数，x
nn y
nn
为线性方程组n维解，b
n
为常数。
[0034]作为优选的技术方案，所述使用粒子群求解方程组多个近似解，具体为：
[0035]根据粒子群体运动矢量概率分布参数p(X0)，设粒子群体极值为pg(X
t
|Y
t
)，基于最小均方误差将移动目标轨迹线性方程组转换为线性不等式组：
[0036][0037]求解粒子i在t时刻的位置：
[0038][0039]其中，p(X
0t
|Y
0t
)表示t时刻粒子群的概率分布参数；
[0040]求解粒子i在t时刻的状态运动矢量，即当粒子群体极值pg(X
t
|Y
t...

【技术保护点】

【技术特征摘要】
1.基于机器视觉的无人驾驶车辆目标识别方法，其特征在于，包括下述步骤：采集无人驾驶车辆行车过程中移动目标的连续视频帧，得到移动目标轨迹状态矢量；定义粒子群集合，使用贝叶斯边缘图像滤波去除视频帧图像背景，提取特征点，初始化粒子群并计算特征点概率分布密度；建立移动目标轨迹线性方程组，并使用粒子群求解方程组多个近似解，计算粒子聚集度；根据粒子聚集度判断目标表征变化情况，并定位目标位置，描述运动轨迹，追踪目标状态，确定行车状态。2.根据权利要求1所述的基于机器视觉的无人驾驶车辆目标识别方法，其特征在于，所述得到移动目标轨迹状态矢量，具体为：在连续视频帧中，设X
(t，k)
是在t时刻移动目标的k维状态矢量，则移动目标轨迹状态矢量表示为：X
(t0，t1
…
tm)，(k0，k1
…
km)
＝{X
(t0，k0)
,X
(t1，k1)
,X
(t2，k2)
…
X
(tm，km)
}其中，X
(t0，t1
…
tm)，(k0，k1
…
km)
为在t0至t
m
时刻，移动目标在k0至km维状态矢量。3.根据权利要求2所述的基于机器视觉的无人驾驶车辆目标识别方法，其特征在于，所述定义粒子群集合，具体为：在一个由n个粒子组成的密闭d维空间，定义粒子群集合Y为：Y＝(Y1,Y2…
Y
n
)其中，Y
n
为第n个粒子在d维空间中的位置；定义粒子i在d维空间的向量为Y
iD
，在d维空间的飞行速度为V
i
，粒子i的个体极值为X
i
。4.根据权利要求3所述的基于机器视觉的无人驾驶车辆目标识别方法，其特征在于，所述初始化粒子群并计算特征点概率分布密度，具体为：在密闭d维空间内随机初始化粒子群，每个粒子代表一个特征点，定义粒子群体运动矢量概率分布参数为p(X0)；初始化粒子群集合分布密度和t时刻下移动目标的轨迹状态矢量；使用贝叶斯边缘图像滤波去除视频帧图像背景，提取特征点，获得特征点在t时刻的概率分布密度为H(X
t
|Y
t
)；定义X
0t
为初始化状态下特征点的横坐标，Y
0t
为初始化状态下特征点的纵坐标；X
t
为t时刻下特征点的横坐标，Y
t
为t时刻下特征点的纵坐标；则在t
‑
n时刻，特征点的概率分布密度为H(X
t
‑
n
|Y
t
‑
n
)，利用递归法得出特征点状态矢量的初始概率分布密度为：将贝叶斯公式代入特征点状态矢量的初始概率分布密度中并分解，得到：H(X
0t
|Y
0t
)＝H
t
(Y
t
|Y
t
‑1,X
0t
)
·
H(X
t
‑
n
|Y
t
‑
n
)|
·
H
t
‑1(X
t
‑1,Y
t
‑1)其中，H
t
(Y
t
|Y
t
‑1,X
0t
)为特征点在t时刻的概率分布密度，H
t
‑1(X
t
‑1,Y
...

【专利技术属性】
技术研发人员：李锋，蔡臻，魏楚强，吴登权，张笑欣，李智全，林漪楠，张欣琳，王栋，
申请(专利权)人：广东交通职业技术学院，
类型：发明
国别省市：