[发明专利]一种交通场景的图像信息和雷达信息的融合方法及系统

说明书

本发明提供一种交通场景的图像信息和雷达信息的融合方法，包括以下步骤：对摄像头所获得的车辆前方图像信息进行预处理；提取图像信息中的特征信息，与预存的交通场景信息进行对比判断；依据对比判断的结果，对当前交通场景进行分类，依照预设的与当前交通场景类别相适配的图像信息和雷达信息的融合方法执行相应融合算法，并将融合算法的结果进行输出。本发明依据所采集的图像信息判断场景，在不同的融合算法间进行切换，有效利用资源，提高场景适应能力；本发明充分利用不同传感器数据间的冗余和互补特性，提高系统的鲁棒性和可靠性；本发明在图像信息处理方面，采用了深度学习算法，实时性更高，识别目标也更准确。

技术领域

本发明涉及安全驾驶领域，尤其涉及一种交通场景的图像信息和雷达信息的融合方法及系统。

背景技术

随着汽车电动化、智能化和网联化程度的不断提高，车辆高级辅助驾驶(ADAS)已成为当前各大企业、高校和研究所的重点研究方向，而环境感知则是ADAS系统中最为基础的关键技术。准确的获取道路前方有效目标信息，可以为自适应巡航系统(ACC)与自动紧急刹车系统(AEB)等主动安全技术提供有力的技术支撑，对ADAS系统发展具有重要意义。现有的环境感知技术多采用单一的传感器，或多传感器数据的简单叠加。这样的方法无法满足智能车辆高精度和全天候感知的需求且难以全面反应被检测物体。而多传感器融合技术，即将多个传感器如视觉传感器、雷达传感器等采集的信息进行合成，形成对环境特征的综合描述的方法，更能够充分利用多传感器数据间的冗余和互补特性，获得智能车所需要的完整的、充分的信息。而相机以其丰富的信息量，毫米波雷达以其良好的天气适应性实现很好的互补，成为信息融合领域应用最多的两种传感器。

早期的研究中，多传感器的信息融合只是简单的将多传感器信息在数据层面进行叠加，而随着雷达处理信息算法、视觉算法等的不断进步，基于特征和决策的融合方法受到越来越多学者的关注。2012年，R.Omar Chavez-Garcia等人提出使用雷达和单目视觉进行前方目标感知，使用雷达和相机的原数据作为输入来探测移动的物体，进而运用D-S证据融合理论对这些移动的物体的信息进行融合；S.Wu等人提出通过立体深度信息获得目标轮廓，找到距离视觉传感器最近的点，再与雷达所探测到的信息进行融合，获得融合后的最近点，进而确定融合轮廓。尽管这些方法相对于单传感器，检测精度有所提高，但需对图像遍历处理，且采用传统图像处理算法，视觉计算强度高，难以满足人们对实时性的要求。Liu等人在中提出了用基于SVM的分类器的方法对道路车辆进行分类；Chavez-Garcia等人和Vu等人利用HOG特征和Boosting分类器来对车辆进行分类。这些机器学习的方式，虽然在提高检测的精度同时降低了计算强度，但是它的精度在很大程度上依赖于实验环境的训练数据集。2015年Alencar使用毫米波雷达和摄像机进行数据融合来实现道路多目标的识别和分类，利用k均值聚类分析、支持向量机和核主成分分析将摄像头数据和毫米波雷达数据进行综合分析获取道路目标，准确率较高但仅适用于良好天气下近距离目标的识别。

综上，现有研究大多仅针对特定交通场景下的检测问题进行讨论，没有考虑对不同交通场景下如何利用不同传感器的优点，融合方法对应用场景变化的适应性差，更没有注意融合结构的构建和整体性能的优化。

发明内容

本发明的目的是提供了一种准确性高、处理速度快、适应性强的交通场景的图像信息和雷达信息的融合方法及系统。

为实现上述目的，本发明的一种技术方法是提供一种交通场景的图像信息和雷达信息的融合方法，包括以下步骤：对摄像头所获得的车辆前方图像信息进行预处理；提取图像信息中的特征信息，与预存的交通场景信息进行对比判断；依据对比判断的结果，对当前交通场景进行分类，依照预设的与当前交通场景类别相适配的图像信息和雷达信息的融合方法执行相应融合算法，并将融合算法的结果进行输出。

进一步的，在所述对摄像头所获得的车辆前方图像信息进行预处理的步骤之前还包括如下步骤：运用深度学习的方法，对交通场景进行分类，并针对不同分类设立相应的图像信息和雷达信息的融合方法。