车辆检测方法与流程

1.本发明涉及车辆检测技术领域，特别涉及一种车辆检测方法。


背景技术：

2.智能驾驶技术近年来飞速发展，在视野较差的天气条件下，车辆行驶过程中很难判别前方车辆，因此交通事故频发在雪天、雾天、夜晚等情况下，车辆防撞检测技术已经成为业界研究的热点。随着视觉图像算法的快速发展，现有的车辆检测方法通常基于计算机视觉实现，计算机视觉拥有较高的检测精度，但在天气视野等条件不佳的情况下难以做到准确检测，这也是基于纯视觉的车辆检测所面临的一个难点。
3.目前一些研究是基于双目视觉实现车辆检测，但双目相机对环境光照条件非常敏感，不适合在复杂的路况环境中应用，并且计算量较大；另外还有一些研究是基于毫米波雷达和计算机视觉实现车辆检测，但是目前一般都是将雷达检测数据与视觉检测数据在特征层面进行融合，之后进行目标检测，该方法在检测速度上处于劣势，并且在小目标的检测敏锐度上也处于劣势。


技术实现要素：

4.本发明的目的在于提供一种车辆检测方法，以解决目前双目相机不能用于复杂的路况环境以及计算量较大、目前检测方法检测车辆目标的速度较慢以及检测小目标的敏锐度较差等问题中的至少一个问题。
5.为解决上述技术问题，本发明提供一种车辆检测方法，包括：
6.利用毫米波雷达获取雷达检测区域中的待测目标的回波信号；
7.对所述回波信号进行清洗处理以剔除所述回波信号中的噪音信号；
8.对所述回波信号进行聚类处理，以进一步剔除所述回波信号中的噪音信号，确定所述回波信号中的有效信号；
9.将所述有效信号从雷达坐标系转换到图像坐标系，以将所述有效信号和基于视觉图像算法获取的图像信号进行融合，并比对所述有效信号和所述图像信号的重叠情况；
10.根据所述重叠情况，对所述有效信号和所述图像信号进行进一步处理，获取最终检测结果。
11.可选的，在所述车辆检测方法中，所述对所述回波信号进行清洗处理以剔除所述回波信号中的噪音信号的步骤包括：
12.对所述回波信号进行傅里叶变换处理以将所述回波信号从时域转换到频域；
13.利用ca-cfar算法对所述回波信号进行动态阈值分割处理以剔除所述回波信号中的噪音信号。
14.可选的，在所述车辆检测方法中，所述对所述回波信号进行聚类处理，以进一步剔除所述回波信号中的噪音信号，确定所述回波信号中的有效信号的步骤包括：
15.利用k-means 算法对所述回波信号进行聚类处理以获取k个聚类中心，其中，k为
大于或者等于2的整数；
16.根据距离相近以及速度相近的规则对各个聚类中的所述回波信号进行分组；
17.以各所述聚类中心为圆心，将各个聚类中超出预设的距离阈值的回波信号作为所述噪音信号滤除；
18.计算各组的所述回波信号的距离均值和速度均值；
19.建立多个集群，并将各组的距离均值和速度均值分配给对应的集群；
20.以各所述集群的尺寸大小拟合绘制雷达检测框，作为最终的雷达检测的有效信号。
21.可选的，在所述车辆检测方法中，所述利用k-means 算法对所述回波信号进行聚类处理以获取k个聚类中心的步骤包括：
22.第一步骤：随机选取一个回波信号作为初始的聚类中心；
23.第二步骤：计算所有回波信号与所述初始的聚类中心的直线距离；
24.第三步骤：计算所有回波信号被选为下一个聚类中心的概率；
25.第四步骤：按照轮盘法选出下一个聚类中心；
26.第五步骤：重复所述第二步骤至所述第四步骤，直至选出k个聚类中心并继续执行第六步骤；
27.第六步骤：分别计算每个回波信号与各所述聚类中心的直线距离；
28.第七步骤：根据直线距离，将每个回波信号分别分配给距离自身最近的所述聚类中心，其中，各所述聚类中心与分配到的所述回波信号组成一个新的聚类；
29.第八步骤：根据每个所述聚类中现有的所述回波信号，更新每个聚类的聚类中心；
30.第九步骤：重复执行所述第六步骤至第八步骤，直至聚类结果收敛并输出聚类结果。
31.可选的，在所述车辆检测方法中，所述将所述有效信号从雷达坐标系转换到图像坐标系，以将所述有效信号与基于视觉图像算法获取的图像信号进行融合，并比对所述有效信号和所述图像信号的重叠情况的步骤包括：
32.利用yolox目标检测模型对视觉检测区域中的待测目标进行视觉检测以获取待测目标的图像信号，其中，所述图像信号包括：位于图像坐标系上的视觉检测框坐标和置信度信息；
33.利用卡尔曼滤波器对雷达坐标系的有效信号进行插值处理，以使所述有效信号的频率与所述图像信号的频率同步；
34.将所述有效信号从雷达坐标系转换到图像坐标系，以将所述有效信号与所述图像信号进行数据的融合并获取所述有效信号和所述图像信号的重叠情况；
35.比对所述有效信号和所述图像信号的重叠情况。
36.可选的，在所述车辆检测方法中，所述将所述有效信号从雷达坐标系转换到图像坐标系的步骤包括：
37.将所述有效信号从雷达坐标系转换到世界坐标系，转换公式为：
38.39.其中，(xw，yw，zw)为世界坐标，r为目标点到雷达坐标系原点的距离，α为雷达的目标方位角，y0为目标点对应的y轴坐标；
40.将所述有效信号从世界坐标系转换到图像坐标系，转换公式为：
[0041][0042]
其中，(u，v)表示转换后的像素坐标，dx、dy分别是每个像素点在像素坐标系x轴、y轴方向的尺寸，s'为摄像机成像倾斜因子，u0，v0为像素坐标系原点在图像坐标系下的坐标，f为摄像机的焦距，r为旋转矩阵，t为平移向量。
[0043]
可选的，在所述车辆检测方法中，所述比对所述有效信号和所述图像信号的重叠情况包括：
[0044]
获取所述有效信号和所述图像信号的重叠面积与所述有效信号的面积和所述图像信号的面积总和的比值，若所述比值大于或者等于0.65，则判断雷达检测区域和视觉检测区域完全重叠；若所述比值大于0且小于0.65，则判断雷达检测区域和视觉检测区域部分重叠；若所述比值等于0，则判断雷达检测区域和视觉检测区域完全不重叠。
[0045]
可选的，在所述车辆检测方法中，所述根据所述重叠情况，对所述有效信号和所述图像信号进行进一步处理，获取最终检测结果步骤包括：
[0046]
若判断所述雷达检测区域和所述视觉检测区域完全重叠，则根据所述雷达检测框和所述视觉检测框，利用卡尔曼滤波器求出最优检测框，对所述有效信号和所述图像信号进行数据融合，获取最终的检测结果；
[0047]
若判断雷达检测区域和视觉检测区域部分重叠，则剔除所述图像信号并保留所述有效信号作为最终的检测结果；
[0048]
若判断雷达检测区域和视觉检测区域完全不重叠，则判断所述图像信号或所述有效信号位于待检测区域，若所述有效信号位于待检测区域，则剔除所述图像信号并保留所述有效信号作为最终的检测结果；若所述图像信号位于待检测区域，则剔除所述有效信号并保留所述图像信号作为最终的检测结果。
[0049]
综上，本发明提供一种车辆检测方法，包括：利用毫米波雷达获取待测目标的回波信号；对所述回波信号进行清洗处理以剔除噪音信号；对所述回波信号进行聚类处理以进一步剔除噪音信号并保留有效信号；将所述有效信号从雷达坐标系转换到图像坐标系，以将有效信号和图像信号进行融合，并比对二者的重叠情况；根据重叠情况，对所述有效信号与所述图像信号进行进一步处理，获取最终检测结果。本技术技术方案，至少包括如下优点：
[0050]
(1)本技术通过引入毫米波雷达检测来辅助视觉检测，利用毫米波雷达返回高质量的车辆目标的方位、距离等信息来补足视觉检测在恶劣天气条件下的检测的不足，通过在决策层面将毫米波雷达获取的有效信号(回波信号)和视觉检测获取的图像信号融合，可以有效地在视野不佳地情况下检测周围车辆，提高了检测小目标的敏锐度，同时提高了目标车辆检测的速度、准确性和可靠性、降低了误检率，降低了车辆驾驶的风险，最大限度地
防止追尾等交通事故的发生。
[0051]
(2)本技术通过对毫米波雷达获取的检测区域中的待测目标的回波信号分别进行两次去噪处理，进一步提高了目标车辆检测实时性、准确性和可靠性、降低了误检率，降低了车辆驾驶的风险。
[0052]
(3)本技术通过比对毫米波雷达回波信号中的有效信号和视觉图像信号的重叠情况；并根据所述重叠情况，对所述有效信号与所述图像信号进行进一步处理，获取最终检测结果，根据所述重叠情况，对所述有效信号与所述图像信号进行进一步数据融合或剔除，可以有效剔除视觉误检目标，以及可以及时发现漏检目标并纳入检测，进一步提高了车辆检测的稳定性、成功率和精度。
[0053]
(4)本技术既利用毫米波雷达获取回波信号，又利用视觉算法获取图像信号，所述回波信号和所述图像信号相互独立并且完善，即便任意一套检测系统失效仍然能依靠另一套检测系统执行检测任务，极大提高了车辆检测的可靠性和稳定性。
附图说明
[0054]
图1是本发明实施例的车辆检测方法的流程图。
具体实施方式
[0055]
以下结合附图和具体实施例对本发明提出的车辆检测方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
[0056]
本发明实施例提供一种车辆检测方法，请参考图1，图1是本发明实施例的车辆检测方法的流程图，所述车辆检测方法包括：
[0057]
s10：利用毫米波雷达获取雷达检测区域中的待测目标的回波信号。
[0058]
s20：对所述回波信号进行清洗处理以剔除所述回波信号中的噪音信号。具体的，对所述回波信号进行清洗处理以剔除所述回波信号中的噪音信号的步骤可以包括：
[0059]
第一步骤：对所述回波信号进行傅里叶变换处理以将所述回波信号从时域转换到频域，其中，所述回波信号为多层信号叠加在时域(信号强度-时间)上，需要对其进行傅里叶变换处理(range fft)，将所述回波信号由时域信号转换到频域信号(信号强度-频率)，此时可以区分多个信号反射源；
[0060]
第二步骤：利用ca-cfar算法对所述回波信号进行动态阈值分割处理以剔除所述回波信号中的噪音信号，此时可以获得较为干净的回波信号。
[0061]
s30：对所述回波信号进行聚类处理，以进一步剔除所述回波信号中的噪音信号，确定所述回波信号中的有效信号。具体的，对所述回波信号进行聚类处理，以进一步剔除所述回波信号中的噪音信号，确定所述回波信号中的有效信号的步骤可以包括：
[0062]
1)利用k-means 算法对所述回波信号进行聚类处理以获取k个聚类中心，其中，k为大于或者等于2的整数；
[0063]
2)根据距离相近以及速度相近的规则对各个聚类中的所述回波信号进行分组；
[0064]
3)以各所述聚类中心为圆心，将各个聚类中超出预设的距离阈值的回波信号作为所述噪音信号滤除；
[0065]
4)计算各组的所述回波信号的距离均值和速度均值；
[0066]
5)建立多个集群，并将各组的距离均值和速度均值分配给对应的集群；
[0067]
6)以各所述集群的尺寸大小拟合绘制雷达检测框，作为最终的雷达检测的有效信号。
[0068]
本实施例可以预设车辆大小范围阈值r，该实施例中可以将车辆大小范围阈值r设置为1m，即以聚类中心为圆心，半径为r的圆内的同类点为有效点，将这些点和其对应的参数(距离、速度等)分组。圆外的同类点和未分类点视为噪声点(噪声信号)并从数据点(回波信号)中滤除。针对这些点簇分别计算距离和速度的均值。建立集群id，将所有不同组的距离和速度的均值分配给对应id。以各个集群的尺寸大小拟合并绘制雷达检测框，作为雷达检测结果。目前大多车辆高宽比在1：1.3～2.0之间，该实施例中，雷达检测框的尺寸高宽比可以设置为1：1.3，本技术对雷达检测框的尺寸高宽比不作任何限定。
[0069]
进一步的，本实施例利用k-means 算法对所述回波信号进行聚类处理以获取k个聚类中心的步骤可以包括：
[0070]
第一步骤：随机选取一个回波信号作为初始的聚类中心；
[0071]
第二步骤：计算所有回波信号与所述初始的聚类中心的直线距离；
[0072]
第三步骤：计算所有回波信号被选为下一个聚类中心的概率，其中，k-means 算法的核心是回波信号距离初始的聚类中心越远，被选为下一个聚类中心的概率越大；
[0073]
第四步骤：按照轮盘法选出下一个聚类中心；
[0074]
第五步骤：重复所述第二步骤至所述第四步骤，直至选出k个聚类中心并继续执行第六步骤；
[0075]
第六步骤：分别计算每个回波信号与各所述聚类中心的直线距离；
[0076]
第七步骤：根据直线距离，将每个回波信号分别分配给距离自身最近的所述聚类中心，其中，各所述聚类中心与分配到的所述回波信号组成一个新的聚类；
[0077]
第八步骤：根据每个所述聚类中现有的所述回波信号，更新每个聚类的聚类中心；
[0078]
第九步骤：重复执行所述第六步骤至第八步骤，直至聚类结果收敛并输出聚类结果。
[0079]
在本实施例中，通过对毫米波雷达获取的检测区域中的待测目标的回波信号分别进行两次去噪处理，提高了目标车辆检测实时性、准确性和可靠性、降低了误检率，降低了车辆驾驶的风险。
[0080]
s40：将所述有效信号从雷达坐标系转换到图像坐标系，以将所述有效信号和基于视觉图像算法获取的图像信号进行时空数据融合，并比对所述有效信号和所述图像信号的重叠情况。具体的，将所述有效信号从雷达坐标系转换到图像坐标系，以将所述有效信号与基于视觉图像算法获取的图像信号进行融合，并比对所述有效信号和所述图像信号的重叠情况的步骤可以包括：
[0081]
1)利用相机获取视觉检测区域中的待测目标的初始的图像信号；
[0082]
2)利用yolox目标检测模型对初始的图像信号进行数据训练以获取待测目标的训练后的图像信号，其中，所述图像信号包括：位于图像坐标系上的视觉检测框坐标和置信度
信息。进一步的，yolox目标检测模型实时检测效果显著，可以在保证一定准确率的情况下快速进行检测。本实施例中，yolox目标检测模型可以采用在coco2017数据集上训练的预训练模型，修改其yolox-s网络的训练参数并在车辆检测数据集bdd100k上训练，并部署于车载图像处理设备上，模型尺寸可以随车载设备的算力进行调整，以获得最佳速度和准确率的平衡；
[0083]
3)利用卡尔曼滤波器对雷达坐标系的有效信号进行插值处理，以使所述有效信号的频率与所述图像信号的频率同步，其中，雷达采样频率一般为17hz，视觉采样频率一般为30hz，对雷达数据进行插值处理，以便二者在时间上进行数据融合；
[0084]
4)将所述有效信号从雷达坐标系转换到图像坐标系，以将所述有效信号与所述图像信号进行数据的融合并获取所述有效信号和所述图像信号的重叠情况，其中，将所述有效信号从雷达坐标系转换到图像坐标系的步骤包括：
[0085]
将所述有效信号从雷达坐标系转换到世界坐标系，转换公式为：
[0086][0087]
其中，(xw，yw，zw)为世界坐标，r为目标点到雷达坐标系原点的距离，α为雷达的目标方位角，y0为目标点对应的y轴坐标；
[0088]
将所述有效信号从世界坐标系转换到图像坐标系，转换公式为：
[0089][0090]
其中，(u，v)表示转换后的像素坐标，dx、dy分别是每个像素点在像素坐标系x轴、y轴方向的尺寸，s'为摄像机成像倾斜因子，u0，v0为像素坐标系原点在图像坐标系下的坐标，f为摄像机的焦距，r为旋转矩阵，t为平移向量；
[0091]
5)比对所述有效信号和所述图像信号的重叠情况，具体的，比对所述有效信号和所述图像信号的重叠情况可以包括：分别获取所述有效信号和所述图像信号的重叠面积，以及所述有效信号的面积和所述图像信号的面积总和，并计算所述有效信号和所述图像信号的重叠面积与所述有效信号的面积和所述图像信号的面积总和的比值(iou)，若所述比值大于或者等于0.65，则判断雷达检测区域和视觉检测区域完全重叠；若所述比值大于0且小于0.65，则判断雷达检测区域和视觉检测区域部分重叠；若所述比值等于0，则判断雷达检测区域和视觉检测区域完全不重叠。
[0092]
s50：根据所述重叠情况，对所述有效信号和所述图像信号进行进一步处理，获取最终检测结果，其中具体步骤可以包括：
[0093]
若判断所述雷达检测区域和所述视觉检测区域完全重叠，则根据所述雷达检测框和所述视觉检测框，利用卡尔曼滤波器求出最优检测框，对所述有效信号和所述图像信号进行数据融合，获取最终的检测结果；
[0094]
若判断雷达检测区域和视觉检测区域部分重叠，则剔除所述图像信号并保留所述
有效信号作为最终的检测结果；
[0095]
若判断雷达检测区域和视觉检测区域完全不重叠，则判断所述图像信号或所述有效信号位于待检测区域，若所述有效信号位于待检测区域，则剔除所述图像信号并保留所述有效信号作为最终的检测结果；若所述图像信号位于待检测区域，则剔除所述有效信号并保留所述图像信号作为最终的检测结果。
[0096]
本技术中，通过比对毫米波雷达回波信号中的有效信号和视觉图像信号的重叠情况；并根据所述重叠情况，对所述有效信号与所述图像信号进行进一步处理，获取最终检测结果，根据所述重叠情况，对所述有效信号与所述图像信号进行进一步数据融合或剔除，可以有效剔除视觉误检目标，以及可以及时发现漏检目标并纳入检测，进一步提高了车辆检测的稳定性、成功率和精度。
[0097]
综上，本发明提供一种车辆检测方法，包括：利用毫米波雷达获取待测目标的回波信号；对所述回波信号进行清洗处理以剔除噪音信号；对所述回波信号进行聚类处理以进一步剔除噪音信号并保留有效信号；将所述有效信号从雷达坐标系转换到图像坐标系，以将有效信号和图像信号进行融合，并比对二者的重叠情况；根据重叠情况，对所述有效信号与所述图像信号进行进一步处理，获取最终检测结果。本技术通过引入毫米波雷达检测来辅助视觉检测，利用毫米波雷达返回高质量的车辆目标的方位、距离等信息来补足视觉检测在恶劣天气条件下的检测的不足，通过在决策层面将毫米波雷达获取的有效信号(回波信号)和视觉检测获取的图像信号融合，可以有效地在视野不佳地情况下检测周围车辆，提高了检测小目标的敏锐度，同时提高了目标车辆检测的速度、准确性和可靠性、降低了误检率，降低了车辆驾驶的风险，最大限度地防止追尾等交通事故的发生。进一步的，本技术既利用毫米波雷达获取回波信号，又利用视觉算法获取图像信号，所述回波信号和所述图像信号相互独立并且完善，即便任意一套检测系统失效仍然能依靠另一套检测系统执行检测任务，极大提高了车辆检测的可靠性和稳定性。
[0098]
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。