基于雷视融合的车辆目标快速检测方法技术

本发明专利技术公开了基于雷视融合的车辆目标快速检测方法，首先，将毫米波雷达经过预处理后的点云信息映射到图像像素坐标系中，得到雷达探测到的目标点云速度信息在图像上的分布；其次，利用雷达采集到的点云速度信息进行区域补偿，为图像内全部像素点赋予对应的速度信息；然后，提取图像所有像素点的RGB分量值和每个像素点在图像上的坐标位置信息，接着对RGB分量值、坐标位置、速度信息这五个维度特征信息进行融合，共同张成一组特征向量，确定聚类中心数K和K个初始聚类中心向量，再运用Kmeans算法实现像素点云聚类，分离目标像素点与背景像素点，并输出分类后结果；最后，对分类结果进行车辆目标提取，实现单帧车辆快速检测。实现单帧车辆快速检测。实现单帧车辆快速检测。

【技术实现步骤摘要】
基于雷视融合的车辆目标快速检测方法


[0001]本专利技术涉及光学传感器与微波传感器交叉融合
，尤其是涉及基于雷视融合的车辆目标快速检测方法。

技术介绍

[0002]在智能交通系统中，车辆检测与跟踪是实现交通事件行为决策的关键步骤，为后续车辆的决策规划、行为控制等高层任务提供基础支撑，所以必须使用有效的车辆目标检测算法以便更准确地检测并提取出运动目标，从而为后续的识别跟踪打下良好的基础。
[0003]黄东军等人在其发表的论文“基于改进混合高斯模型的运动物体检测研究”中提出了改进混合高斯模型的方法，对于前N帧采用邻域特性与中值滤波相结合的方法来初始化每个像素点，作为初始背景图像，对后面帧的每个像素点进行混合高斯模型更新匹配，匹配成功则判定像素点是背景点，否则判定为目标点，最后利用邻域特性，根据邻域像素点所属分类的概率决定该像素点的最终所属分类，从而提取出运动目标。该方法存在的不足之处在于若前面N帧中一直存在运动物体，那么在背景构建时离真实背景就会存在偏差，从而会影响像素点的判定结果。其次，由于背景建模是基于颜色空间的建模，运动目标的颜色与背景颜色的高斯背景模型相匹配，会导致颜色相近的区域被认为是背景而使目标区域产生部分空洞现象。
[0004]在视频中对运动车辆最常使用的方法是背景差分法，然而通过背景差分法获取运动车辆目标最为关键的是背景模型的建立，实际交通环境中，场景复杂、环境多变，干扰较多，尤其是当车辆目标颜色与背景颜色相近时，会出现将目标像素点判定为背景像素点的情况，因此很难估计出真实的背景图像，导致在实际车辆目标提取时，会出现空洞现象。
[0005]综上，如何在场景环境复杂多变特别是车辆目标颜色与背景颜色相近情况下，准确识别车辆目标轮廓，解决车辆目标提取时产生的空洞问题，快速准确实现车辆目标的检测是一个具有挑战性的问题。

技术实现思路

[0006]本专利技术目的是提出基于雷视融合的车辆目标快速检测方法，解决复杂场景环境多变情况下，由于背景构建不准确，车辆目标提取时产生空洞现象的问题，进而实现对车辆目标快速准确检测，提升车辆检测精度。
[0007]本专利技术的基于雷视融合的车辆目标快速检测方法，包括如下步骤：
[0008]S1、通过坐标转换将雷达的点云投影到摄像机的图像上，获取雷达探测的点云速度信息在图像上的分布；
[0009]S2、利用点云速度信息进行区域补偿，为图像内全部像素点赋予速度信息；
[0010]S3、提取图像中所有像素点的RGB颜色分量特征和像素坐标特征；
[0011]S4、从RGB分量值、坐标位置、速度信息维度对像素点进行聚类，确定聚类中心数K及每个聚类中心的初始聚类中心向量；
[0012]S5、运用Kmeans算法对聚类中心重新聚类，从而实现背景、车辆目标分类；
[0013]S6、利用聚类结果进行车辆目标提取。
[0014]进一步的，S1步骤的具体过程如下：
[0015]S11、对雷达探测的原始点云信息进行预处理，滤除掉非必要杂波，保留目标的多雷达反射点；
[0016]S12、从时间起点和数据帧两个角度对雷达数据和视频数据进行时间匹配；
[0017]S13、将匹配后的点云由雷达坐标系转化到像素坐标系，并投影至图像中。
[0018]进一步的，S2步骤的具体过如下：以点云中每个点为中心，以n*n窗口为邻域，将该点的速度信息赋予在该窗口内的其他像素点；而对于路灯、地面的像素点，则将速度信息补偿为0，从而将图像内全部像素点都被赋予速度信息。
[0019]进一步的，S4步骤的具体过程如下：取图像中的像素点u
i
并将其设置为第一个类的中心，然后对图像中其他像素点u
s
的特征向量收敛值按照下式进行相似性判断：
[0020][0021][0022][0023]式中,分别为像素点u
i
特征向量归一化后的6个元素；分别为像素点u
s
特征向量归一化后的6个元素；m1,m2,m3均为大于0且可调的阈值；分别为位置距离带宽、速度信息带宽和颜色距离带宽；
[0024]如果满足上式，则将像素点u
s
与像素点u
i
合并为一类，否则，将像素点u
s
作为一个新的类中心；以此方式继续计算剩下的样本像素点，直到处理完所有的像素点数据，这样即可得将整个场景分成K个类别。
[0025]进一步的，S5步骤的具体过程为：
[0026]S51、取每一聚类中心的所有像素点的均值向量u
k
作为聚类中心向量；即，每一类有多个像素点，分别取每一类中所有像素点的均值向量作为该类聚类中心向量，一共有K个聚类中心向量；
[0027]S52、计算聚类中心中每一像素点u
t
与所有均值向量u
k
的欧式距离min(p)，若像素点u
t
与第p个聚类中心的均值向量距离最近，则将u
t
归属到第p个聚类中心；
[0028]min(p)＝||u
k
‑
u
t
||
[0029]S53、重复S51
‑
S52，直至相邻轮次的聚类中心向量重合；
[0030]S54、将聚类后结果进行显示。
[0031]与现有技术相比，本专利技术具备如下优势：1)相比于传统使用背景差分进行车辆检测的方法，解决了在环境场景复杂多变和运动目标颜色与背景颜色相近情况下，背景构建无法贴合实际真实背景，造成车辆目标提取时产生的空洞问题；2)本专利技术通过雷视特征融合，将场景分成不同的类别，从而提取出车辆运动目标。相比传统仅依靠像素点的灰度值进行场景分类的算法，解决了在车辆像素点灰度值与背景像素点灰度值接近的情况下，背景
和目标无法准确分离的问题；3)本专利技术可利用单帧实现车辆目标检测，一定程度上提升了车辆检测效率；4)本专利技术利用了不同传感器的信息进行融合互补，可以全方位、全维度地描述每个像素点的状态信息，克服了单维特征考量的片面性，提高了车辆目标提取的准确性。
附图说明
[0032]图1为本专利技术基于雷视融合的车辆目标快速检测方法流程图；
[0033]图2为摄像机在真实环境采集到的第25帧图像和第50帧图像；
[0034]图3为毫米波雷达对应摄像机第25帧和第50帧探测的目标原始点云经过数据预处理后的图像；
[0035]图4为基于雷视融合的第25帧和第50帧聚类效果图；
[0036]图5为对第25帧图像用本专利技术方法的车辆目标检测结果和使用混合高斯背景建模的车辆检测结果对比；
[0037]图6为对第50帧图像用本专利技术方法的车辆目标检测结果和使用混合高斯背景建模的车辆检测结果对比；
[0038]图7为采集的前100帧图像中两种不同算法的漏检率、误检率对比图。
具体实施方式
[0039]下面结合附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于雷视融合的车辆目标快速检测方法，其特征在于，包括：S1、通过坐标转换将雷达的点云投影到摄像机的图像上，获取雷达探测的点云速度信息在图像上的分布；S2、利用点云速度信息进行区域补偿，为图像内全部像素点赋予速度信息；S3、提取图像中所有像素点的RGB颜色分量特征和像素坐标特征；S4、从RGB分量值、坐标位置、速度信息维度对像素点进行聚类，确定聚类中心数K及每个聚类中心的初始聚类中心向量；S5、运用Kmeans算法对聚类中心重新聚类，从而实现背景、车辆目标分类；S6、利用聚类结果进行车辆目标提取。2.根据权利要求1所述的车辆目标快速检测方法，其特征在于，S1步骤的具体过程如下：S11、对雷达探测的原始点云信息进行预处理，滤除掉非必要杂波，保留目标的多雷达反射点；S12、从时间起点和数据帧两个角度对雷达数据和视频数据进行时间匹配；S13、将匹配后的点云由雷达坐标系转化到像素坐标系，并投影至图像中。3.根据权利要求1所述的车辆目标快速检测方法，其特征在于，S2步骤的具体过如下：以点云中每个点为中心，以n*n窗口为邻域，将该点的速度信息赋予在该窗口内的其他像素点；而对于路灯、地面的像素点，则将速度信息补偿为0，从而将图像内全部像素点都被赋予速度信息。4.根据权利要求1所述的车辆目标快速检测方法，其特征在于，S4步骤的具体过程如下：取图像中的像素点u
i
并将其设置为第一个类的中心，然后对图像中其他像素点u
s
的特征向量收敛值按照下式进行相似性判断：向量收敛值按照下式进行相似性...

【专利技术属性】
技术研发人员：张林让，余逸婷，廖桂生，罗丰，尹应增，路林伟，安怡，
申请(专利权)人：西安电子科技大学杭州研究院，
类型：发明
国别省市：