一种目标车换道工况下的快速识别方法

摘要

一种目标车换道工况下的快速识别方法属于智能汽车环境感知技术领域，其特征在于，采用机器视觉和雷达相结合的方法采集本车和目标车之间的横向距离、纵向距离、相对速度及同车道可能性共四个特征量，对每一轮检测中目标车辆的特征数据进行比较和量化，再对同车道可能性数据进行补偿修正，并对漏检车辆的参数进行跟踪预测，最后通过用两层BP神经网络训练得到的这些特征值对识别目标车的权重来计算每辆车的置信度，一旦越过设定的置信度阈值，便被识别为危险目标。在正常操作工况下，本发明可以准确、稳定地识别目标车，相比于单纯依靠雷达的识别技术，可提高对目标车状态变化的适应能力。

主权项

1. 一种目标车换道工况下的快速识别方法，其特征在于，该方法是依次按以下步骤在计算机中实现的：步骤(1)，设：每一轮检测得到的车辆数为n，每一轮检测中识别得到的前车为i，i＝1，...，n，定义从用机器视觉方法得到的图像中识别出的前车车辆底部中点距离本车车道中线的距离为横向距离，则：每辆作为目标车的前车经过比较和量化之后的横向距离DHi为：若DHi<0，则令DHi＝0，DHImin是根据图像信息计算得到的总数为n辆前车中最小的横向距离，DHIi是根据图像信息计算得到的前车i的原始横向距离；每辆作为目标车的前车经过比较和量化之后的纵向距离DLi为：若：DLi<0，则DLi＝0，DLi>1，则DLi＝1，每辆作为目标车的前车经过比较和量化之后相对于本车的相对速度Vi为：若：Vi<0，则Vi＝0，Vi>1，则Vi＝1，其中：DLImin和VImin分别为横向距离最小的作为检测目标的前车的纵向距离和相对于本车的速度；DLIi和VIi分别为根据图像信息和雷达数据计算得到的原始纵向距离和相对速度；每辆作为目标车的前车与本车处在同车道的可能性PIi根据雷达检测获得；上述四个特征量DHi、DLi、Vi、PIi的取值范围在[0，1]值域空间；步骤(2)，对步骤(1)取得的同车道可能性数据PIi按下式进行修正，修正后的同车道可能性为Pi：若：DLIi≥DLmax，则Pi＝PIi，DHIi≤DHmax，则Pi＝Pmax，则Pi＝Pmax，其中：Pmax、DHmax、DLmax分别为对同一轮检测中雷达探测到的多个车辆目标进行对比后，选取出的同车道可能性最大的目标车的同车道可能性、横向距离和纵向距离；步骤(3)，利用卡尔曼滤波方法对发生漏检时的车辆参数进行跟踪预测，纵向卡尔曼滤波器的状态方程为：s(t+Δt)＝A·s(t)+B·w(t)，观测方程为：z(t)＝H·s(t)+v(t)，其中：s(t)是当前时刻的系统状态向量，s(t+Δt)是预测的下一时刻状态向量，Δt是时间步长，z(t)是当前时刻的系统观测向量，A是系统矩阵，B是系统噪声影响矩阵，H是系统观测矩阵，w(t)是系统噪声，其方差矩阵为Q，v(t)是观测噪声，其方差矩阵为R；s(t)＝[dL，vL，aL]T，z(t)＝[dL，vL]T，dL指的是前车与本车之间的相对纵向距离，vL指的是前车与本车之间的相对纵向速度，aL指的是前车与本车之间的相对纵向加速度；横向卡尔曼滤波器的状态方程及观测方程的形式和纵向卡尔曼滤波器相同，但是状态量、观测量、系统矩阵、系统噪声影响矩阵、观测矩阵、系统噪声方差矩阵、观测噪声方差矩阵不同：s(t)＝[dH，vH]T，z(t)＝[dH]，H＝[1 0]，Q＝1，R＝0.01，dH指的是前车与本车之间的相对横向距离，vH指的是前车与本车之间的相对横向速度；步骤(4)，用两层BP神经网络训练得到的权值矩阵iw、阈值向量b以及设定的传输函数logsig对每一轮中的每一辆车的作为所述两层BP神经网络的输入p的特征量进行处理，计算获得每一辆车的目标车置信度Wi：Wi＝logsig(iw2logsig(iw1pi+b1)+b2)，其中，pi＝[DHi，DLi，pi]T；iw1是第一层BP神经网络的权值矩阵，为：iw2是第二层BP神经网络的权值矩阵，为：iw2＝[-8.58，9.54，-3.06，-5.89，-3.31]，b1是第一层BP神经网络的阈值向量，为：b1＝[7.14，-6.03，3.11，3.16，-0.15]T，b2是第二层BP神经网络的阈值向量，为：b2＝5.15；步骤(5)，比较所有车辆目标的置信度Wi，把置信度最大的目标车辆作为候选目标车；步骤(6)，当候选目标车的置信度大于0.5时，该目标车即为危险目标，对其进行跟踪，否则，该轮检测中没有目标车。