[发明专利]一种基于车辆类型识别的前方车辆定位方法

说明书

本发明涉及机器视觉的技术领域，公开了一种基于车辆类型识别的前方车辆定位方法，利用神经网络对前方车辆的尾部图像进行分类识别，判断前方车辆的所属类型，对所述前方车辆的尾部图像进行车尾下边沿的边缘检测，得到车尾下边沿在尾部图像中的宽度，根据检测得到前方车辆的车尾下边沿宽度和所属类型，利用相似三角形原理，计算得到自车与前方车辆的垂直距离，从而完成对前方车辆的定位。采用本发明的方法可以在行车过程中准确、实时的对前方车辆进行定位，对于行车安全以及智能驾驶辅助系统都具有重要意义，操作方便，便于推广和应用。

技术领域

本发明涉及机器视觉的技术领域，具体涉及一种基于车辆类型识别的前方车辆定位方法。

背景技术

随着生活水平的提高，汽车已经成为生活中必不可缺的一部分，科学技术的快速发展也加快智能化的脚步，汽车的主动安全对提高车辆行驶安全性具有重要的影响。根据Daimler-Benz公司的研究表明，若能在发生交通事故前0.5秒提醒驾驶者，可避免50％的交通事故，若能在发生交通事故前1s提醒驾驶员，可避免90％的交通事故，由此可见，对前方车辆的定位检测有着重要意义。

对车型的识别方法主要分为两大类，入侵式分类方法和非入侵式分类方法。入侵式分类方法需要在公路路面下安装传感器，比如气动管，环路检测器，磁传感器和压电传感器等，当汽车经过时通过收集车速、车重以及车身长度等，判断车辆类型，这类方法具有寿命短，安装不方便等缺点。而非入侵法主要是通过安装雷达、红外传感器、声传感器和摄像头等外接设备，通过接受车体轮廓、高度和轴距等信息来给车辆分类，其中超声波测距受外界环境(空气密度、温度)影响较大，而雷达测距会受其他通信设备的电磁波干扰。对车辆测距的方法主要有基于成像模型的方法，基于几何关系推导出图像坐标系和世界坐标系间的对应关系，基于数学回归模型利用不同的基准距离与其图像中的位置对应关系，计算回归模型测量车距的方法等等，大都过程繁琐，计算复杂，实时性差。

发明内容

本发明提供了一种基于车辆类型识别的前方车辆定位方法，解决了现有检测方法过程繁琐，计算复杂，效率较低，实时性差等问题。

本发明可通过以下技术方案实现：

一种基于车辆类型识别的前方车辆定位方法，利用神经网络对前方车辆的尾部图像进行分类识别，判断前方车辆的所属类型，对所述前方车辆的尾部图像进行车尾下边沿的边缘检测，得到车尾下边沿在尾部图像中的宽度，根据检测得到前方车辆的车尾下边沿宽度和所属类型，利用相似三角形原理，计算得到自车与前方车辆的垂直距离，从而完成对前方车辆的定位。

进一步，判断前方车辆的所属类型的方法包括以下步骤：

步骤一、利用Prewitt边缘检测算子对前方车辆的尾部图像进行水平边缘和垂直边缘的检测,结合车辆自身的对称性特点,确定前方车辆在尾部图像中的存在区域；

步骤二、在所述存在区域内，重新利用Prewitt边缘检测算子进行水平边缘和垂直边缘的检测，以所述水平边缘和垂直边缘的平行关系和数量作为神经网络的输入，完成对前方车辆的所属类型的识别分类。

进一步，对于小汽车car的尾部图像，包含五条平行的水平边缘；对于载运货物车track的尾部图像，包含两条平行的水平边缘和两条平行的垂直边缘且共同组成一个矩形框；对于公共汽车bus的尾部图像，包含四条平行的水平边缘和四条平行的垂直边缘，分别组成两个矩形框。

进一步，计算得到自车与前方车辆的垂直距离的方法包括以下步骤：

步骤Ⅰ、对所述存在区域进行灰度化处理，得到灰度图像，根据所述灰度图像的均值和方差，对所述灰度图像进行两次自适应阈值去噪；

步骤Ⅱ、对去噪后的灰度图像进行二值化处理，提取车尾下边沿周边的区域；