一种车辆增强辅助检测方法技术

本发明专利技术公开一种车辆增强辅助检测方法，在交通场景中利用极端天气下尾灯这一主动信号源提升对目标车辆的位置检测，尾灯灯语作为辅助车辆检测的关键，预判目标车辆的障碍行为，更加有利于对目标车辆的检测，另外，通过神经网络算法替代传统的图像处理算法，提升优化应用效率。用效率。用效率。

【技术实现步骤摘要】
一种车辆增强辅助检测方法


[0001]本专利技术属于智能驾驶
，具体涉及到一种夜晚、雨天、雪天或者雾天等极端天气情况下车辆增强辅助检测方法。

技术介绍

[0002]道路交通安全问题是一个全球性的问题，在道路交通中，极端天气所诱发的交通意外给车辆乘用人和城市交通带来了极大的威胁，每年都会有多起因天气极端造成的道路交通终端、堵塞、车辆乘用人滞留车中等事件，因此在智能驾驶过程中，如何利用智能驾驶辅助系统帮助驾驶员规避安全风险成为亟待解决的问题。
[0003]在现有技术中，智能驾驶车辆实时检测技术大都利用了神经网络算法，如FasterRCNN、YOLO、CenterNet等，对自车周围的车辆图像进行特征提取，从而输出车辆坐标位置，但是该方法对现场光照条件要求较高，容易在极端天气的影响下，由于光线不足，影响车辆的检测输出，漏检、误检和不稳定经常发生，造成智能驾驶车辆辅助驾驶失效。
[0004]在车辆行驶过程中，尾灯作为重要灯语，既是车辆物理上不可或缺的一部分，同时也是车辆行为信号的重要输出，但是在辅助驾驶中，并没有充分利用尾灯。

技术实现思路

[0005]针对上述问题，本专利技术的主要目的在于设计一种车辆增强辅助检测方法,主要解决在夜晚、雨天、雪天、雾天等光线不足的环境条件下，自车车辆对周围障碍车出现的漏检、误检等识别效果不佳的问题。
[0006]为了实现上述目的本专利技术采用如下技术方案：一种车辆增强辅助检测方法，包括如下步骤：步骤1：根据自车车身外摄像头实时获取周围环境的视频图像，针对视频图像进行图像域的特征提取；步骤2：根据特征提取内容，对天气情况进行分类，包括正常天气和极端天气；步骤3：在极端天气下触发自车尾灯状态识别，输出目标车辆尾灯ROI区域，并通过实时视频图像输出不确定的目标车辆的坐标和置信度，进而校验视频图像中输出不确定的目标车辆，并输出置信度大于90%的目标车辆；步骤4：针对实时视频图像中尾灯的位置和状态进行检测和分类，通过目标车辆与尾灯进行绑定，向自车输出带尾灯状态的目标车辆，实现自车针对目标车辆的辅助检测。
[0007]作为本专利技术进一步的描述，步骤1中，利用神经网络算法针对实时视频图像进行特征提取，进而在步骤2中，对极端天气进行分类；极端天气的类别包括夜晚、雨天、雪天、雾天，肉眼只能可见100m车辆，且轮廓清晰。
[0008]作为本专利技术进一步的描述，步骤3中，通过尾灯识别神经网络算法，输出目标车辆尾灯ROI区域。
[0009]作为本专利技术进一步的描述，步骤3中，通过车辆检测神经网络在实时视频图像中，获取目标车辆坐标和置信度。
[0010]作为本专利技术进一步的描述，步骤3中，输出置信度大于90%的目标车辆，包括如下步骤：步骤3.3：通过尾灯识别神经网络算法识别出自车摄像头视野内的尾灯的位置；步骤3.4：在图像坐标系下，若尾灯位置box A与目标车辆位置box B，满足A/(A∪B)=1，则该目标车辆记为待确认目标；其中，A代表尾灯位置box的面积，A∪B为两者重叠的面积；步骤3.5：连续追踪该尾灯和待确认目标的多帧图像，得出置信度大于90%的目标车辆。
[0011]作为本专利技术进一步的描述，步骤4中，通过尾灯分类神经网络对实时视频图像中尾灯的位置和状态进行检测和分类；尾灯的类别包括不亮、双闪、雾灯开启、单闪、刹车灯亮起。
[0012]作为本专利技术进一步的描述，步骤4中，目标车辆与尾灯的绑定方式为，步骤3.4尾灯位置box A与目标车辆位置box B，满足A/(A∪B)=1进行实现。
[0013]相对于现有技术，本专利技术的技术效果为：本专利技术提供了一种车辆增强辅助检测方法，在交通场景中利用极端天气下尾灯这一主动信号源提升对目标车辆的位置检测，尾灯灯语作为辅助车辆检测的关键，预判目标车辆的障碍行为，更加有利于对目标车辆的检测，以此提高自车的安全性能，另外，通过神经网络算法替代传统的图像处理算法，提升优化应用效率，识别效果较好，可以精准的输出置信度较高的目标车辆。
附图说明
[0014]图1为本专利技术中得出置信度较高的目标车辆的流程示意图；图2为本专利技术中带尾灯状态的目标车辆的流程示意图。
实施方式
[0015]下面结合附图对本专利技术进行详细描述：一种车辆增强辅助检测方法，参考图1
‑
2所示，包括如下步骤：步骤1：根据自车车身外摄像头实时获取周围环境的视频图像，针对视频图像进行图像域的特征提取；所述的特征包括：物理性质的特征如纹理，角点，边界等，以及神经网络提取的低阶纹理、边界等几何特征和高阶的抽象语义（如物体类别）特征；步骤2：根据特征提取内容，对天气情况进行分类，包括正常天气和极端天气；步骤3：在极端天气下触发自车尾灯状态识别，输出目标车辆尾灯ROI区域，并通过实时视频图像输出不确定的目标车辆的坐标和置信度，进而校验视频图像中输出不确定的目标车辆，并输出置信度大于90%的目标车辆；步骤4：针对实时视频图像中尾灯的位置和状态进行检测和分类，将目标车辆与尾灯进行绑定，向自车输出带尾灯状态的目标车辆，实现自车针对目标车辆的辅助检测。
[0016]具体的，本实施例，所述的目标车辆即为障碍车，针对上述步骤进行具体分析，分析内容如下：步骤1中，利用神经网络算法针对实时视频图像进行特征提取，并在步骤2中，对极端天气进行分类；上述的神经网络算法为通用的神经网络模型，包括但不限于GoogleNet、VGG等，神经网络模型可以是目前已知的YOLO模型，也可以ResNet模型。
[0017]步骤2中，ROI区域为感兴趣区域，也就是针对本实施例中增强车辆感知关键的区域就是尾灯区域，它是代表车辆存在比较关键的一个区域，因此在本实施例中强调了在图像中尾灯所在的区域，能够强有力证明车辆的存在。
[0018]本实施例，针对目标车辆尾灯目标检测区域（定位为图像像素坐标x,y以及尾灯位置box的width x height （>=32 x 32 pixels））。尾灯目标检测区域的存在能够完全确定尾灯区域范围存在一辆车辆，该区域能够显著增强在可见度较弱情况下的车辆检测，称之为ROI（Region of Interest）区域。
[0019]正常天气为阳光明媚或者没有雨雾冰雹，肉眼可见1000米内的轿车，轮廓清晰；极端天气的类别包括夜晚、雨天、雪天、雾天，肉眼只能可见100米的轿车，轮廓清晰，但不限于所述的极端天气，还包括其他光线条件不好的极端天气。
[0020]步骤3中，通过尾灯识别神经网络算法，使用训练数据集调整权值，使用反向传播算法更新权值，在极端天气下输出目标车辆尾灯ROI区域；通过车辆检测神经网络在实时视频图像中，获取目标车辆坐标和置信度，通常置信度为0
‑
1。
[0021]还需要说明的是，本实施例在步骤3中，实现输出置信度大于90%的目标车辆，具体包括如下步骤：步骤3.3：通过尾灯识别神经网络算法（本实施例采用YOLOV5神经网络）识别出自车摄像头视野内的尾灯的位置；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆增强辅助检测方法，其特征在于，包括如下步骤：步骤1：根据自车车身外摄像头实时获取周围环境的视频图像，针对视频图像进行图像域的特征提取；步骤2：根据特征提取内容，对天气情况进行分类，包括正常天气和极端天气；步骤3：在极端天气下触发自车尾灯状态识别，输出目标车辆尾灯ROI区域，并通过实时视频图像输出不确定的目标车辆的坐标和置信度，进而校验视频图像中输出不确定的目标车辆，并输出置信度大于90%的目标车辆；步骤4：针对实时视频图像中尾灯的位置和状态进行检测和分类，通过目标车辆与尾灯进行绑定，向自车输出带尾灯状态的目标车辆，实现自车针对目标车辆的辅助检测。2.根据权利要求1所述的一种车辆增强辅助检测方法，其特征在于：步骤1中，利用神经网络算法针对实时视频图像进行特征提取，进而在步骤2中，对极端天气进行分类；所述的极端天气的类别：包括夜晚、雨天、雪天、雾天，肉眼只能可见100m车辆，且轮廓清晰。3.根据权利要求1所述的一种车辆增强辅助检测方法，其特征在于：步骤3中，通过尾灯识别神经网络算法，输出目标车辆尾灯ROI区域。4.根据权利要求3所述的一...

【专利技术属性】
技术研发人员：葛鹏辉，
申请(专利权)人：上海友道智途科技有限公司，
类型：发明
国别省市：