1. 現(xiàn)有評價體系難以保證車輛識別的實時性

對于自主車輛而言，識別障礙車輛是自主車輛環(huán)境感知系統(tǒng)中的關(guān)鍵技術(shù)。準確地檢測前方車輛，對于自主車輛避障具有重要的意義。目前國內(nèi)外學者已經(jīng)研究出許多車輛識別的算法，如基于視覺信息以及基于激光雷達信息等方法。

由于視覺圖像獲取較易、處理方法多樣，所以視覺技術(shù)是現(xiàn)階段自主車輛研究中的主要獲取信息手段。其中視覺技術(shù)主要分為單目視覺和雙目視覺。單目視覺識別技術(shù)多采用基于車輛特征的方法，該方法主要利用車輛與背景有差異的特征，如紋理、邊緣和底部陰影等。

但這種方法獲取的信息量不足，缺乏深度信息，而且易受外部環(huán)境的干擾，諸如光照和陰影等因素。雙目視覺識別技術(shù)雖然可以取得較好的效果，但其計算量較大，算法復(fù)雜，難以保證車輛識別的實時性。

激光雷達能夠獲得場景的距離信息，不易受光照等外部條件的影響，但其獲取的外部信息不充分，易造成誤判。而采用多傳感器融合技術(shù)可以克服單一傳感器獲取信息量不足，探測范圍小的缺點。

曾杰等分別通過毫米波雷達和攝像頭對前方車輛進行檢測，然后分別對雷達和攝像頭檢測到的目標進行目標一致性檢測，可以較為準確地檢測出前方車輛的寬度、位置等信息，但此方法需要處理整幅圖像，運算量較大，且面對尾部特征復(fù)雜的情況時易出現(xiàn)漏檢情況。

楊磊等通過對雷達信號進行預(yù)處理，確定感興趣區(qū)域，采用 Canny 算子進行邊緣檢測，確定車輛的具體位置，雖然算法較為簡單，但易受外部光照環(huán)境影響，準確率不夠理想。高德芝等采用基于密度的空間聚類算法對雷達信息進行聚類確定感興趣區(qū)域，利用 T- 模糊推理系統(tǒng)融合車輛的灰度、寬高比和信息熵等多個特征驗證車輛假設(shè)，可以實現(xiàn)較好的識別效果，但是算法較為復(fù)雜，難以滿足實時性要求。

為了使車輛識別算法具有較好的準確性，同時減少算法的復(fù)雜程度，本文采用激光雷達和單目視覺兩種傳感器相結(jié)合的車輛識別方法，即先對激光雷達信號進行預(yù)處理，并采用最鄰近距離法進行聚類，初步確定感興趣區(qū)域，然后對感興趣區(qū)域進行預(yù)處理操作，計算感興趣區(qū)域的熵值歸一化對稱性測度，對初步確定的感興趣區(qū)域進行驗證，完成對前方車輛的識別。

2. 傳感器配置及初步確認感興趣區(qū)域

2.1 傳感器配置

本文進行分析的數(shù)據(jù)來自 KITTI 數(shù)據(jù)庫，KITTI 數(shù)據(jù)庫是目前為止地面自主車輛研究中最大最全的公布數(shù)據(jù)庫。

該數(shù)據(jù)庫提供了慣導(dǎo)系統(tǒng)、64 線激光雷達、黑白立體攝像機、彩色立體攝像機的同步數(shù)據(jù)，其中攝像機提供的是去除畸變之后的圖像。

激光雷達以 10 幀 / 秒的速度觸發(fā)攝像機進行拍攝，因此其時間同步性也得到了保證，同時該數(shù)據(jù)庫對各傳感器都進行了標定，標定參數(shù)已知。該數(shù)據(jù)庫進行測試的車輛的傳感器安裝位置，由于只選取了該數(shù)據(jù)庫中的激光雷達和其中一個彩色攝像頭的數(shù)據(jù)，故只標出了這兩個傳感器的安裝位置。

2.2 雷達信號的預(yù)處理

本文所研究數(shù)據(jù)的雷達信息由 Velodyne HDL64 線三維激光雷達采集。64 線激光雷達的點云數(shù)據(jù)量非常大，約 100 萬個點 / 秒。若直接對雷達數(shù)據(jù)進行分析，系統(tǒng)所需處理的信息量過大，難以滿足實時性的要求。因此，在通過雷達數(shù)據(jù)獲取感興趣區(qū)域前，需要對雷達數(shù)據(jù)進行預(yù)處理。

可以看出，未處理的雷達信號將路面也掃描在內(nèi)，由于本文主要對前方車輛進行檢測，因此將高度低于 0.2 m 的雷達信號剔除。汽車在行駛中，位于不同車道內(nèi)行駛的車輛對于自車的影響程度不同，位于本車同車道的前方車輛和相鄰車道的前方車輛對自車的安全影響最大，為了減少處理的數(shù)據(jù)量，本文算法主要對主車道和旁側(cè)車道的目標進行識別。

在縱向距離 40 m 之后，激光雷達的數(shù)據(jù)點越來越稀疏，難以提取有效的障礙物信息，而且視覺傳感器難以表現(xiàn) 40 m 外目標的特征。綜上，將前方縱向 40 m，橫向 10 m 作為雷達的有效區(qū)域。

2.3 聚類處理及感興趣區(qū)域的獲取

經(jīng)過預(yù)處理的激光雷達點較為分散，對于同一個目標，雷達會返回多個值。因此，為了從雷達數(shù)據(jù)中提取出有效的障礙物信息，需要對雷達數(shù)據(jù)進行聚類。

聚類分析作為一種常用的模式識別方法，在處理數(shù)據(jù)集中發(fā)揮著重要的作用，通過對雷達數(shù)據(jù)進行聚類處理，可以使雷達數(shù)據(jù)得到簡化，判斷出車前障礙物的數(shù)量和位置。

常用的聚類方法主要有柵格聚類法、距離聚類法和密度聚類法等，為了減少算法的復(fù)雜程度，本文采用最臨近距離法對目標進行聚類。

具體步驟如下：把經(jīng)過預(yù)處理的雷達數(shù)據(jù)按照與自車的縱向距離由近及遠進行重新排列，并按照順序為各障礙點編號。給 1 號障礙點賦值類別編號為 1，然后按順序計算之后障礙點與之前所有同類別障礙點之間的歐氏距離。并根據(jù)普通車輛的寬度設(shè)定預(yù)設(shè)閾值。

對雷達進行聚類處理后，將雷達信號由世界坐標系轉(zhuǎn)換至圖像坐標系中。對每個類別進行如下操作：在圖像坐標系中，將該類別內(nèi)最左側(cè)的點和最右側(cè)的點分別向左和向右移動 5 個像素點，并將這兩個點所在的列作為矩形區(qū)域的左右邊界。

將該類別內(nèi)最上面和最下面的點分別向上和向下移動 5 個像素點，這兩個點所在的行為矩形區(qū)域的上下邊界。

3. 車輛特征識別

對雷達信號進行處理之后，初步獲得的感興趣區(qū)域可能有多個，路牌、樹木等無關(guān)物體也被檢測在內(nèi)。因此需要對感興趣區(qū)域進一步驗證，剔除非車輛的干擾。本文通過檢測感興趣區(qū)域的熵值歸一化對稱性測度來驗證目標車輛。

3.1 圖像預(yù)處理

通過視覺傳感器采集的前方道路信息會受到光照等因素的影響，降低其成像質(zhì)量，因此需要對感興趣區(qū)域進行預(yù)處理。

通過預(yù)處理之后的圖像，可以突出有用的信息，去除背景環(huán)境的干擾。本文采取的預(yù)處理流程包括圖像灰度化、圖像灰度增強和濾波去噪。

由于獲取的圖像為彩色圖像，信息量較大，為了減少計算量，需要首先對原始感興趣區(qū)域進行灰度化處理。獲取灰度化圖像之后，采用直方圖均衡化的方法進行灰度增強，增加圖像的全局對比度。

同時，經(jīng)過灰度處理的圖像往往存在噪聲干擾，因此需要對圖像進行濾波，由于中值濾波在一定程度上可以保留圖像細節(jié)，而且算法簡單，故本文采取中值濾波對圖像進行處理。

3.2 車輛驗證

感興趣區(qū)域圖像中的車輛尾部具有非常好的灰度對稱性。灰度對稱性指以車輛區(qū)域中線為軸，左右區(qū)域的灰度值為軸對稱圖形。設(shè) R（x） 為 ROI 區(qū)域內(nèi)某一行灰度數(shù)據(jù)的一維函數(shù)，因此其可以被表達為奇函數(shù)和偶函數(shù)的形式，對應(yīng)感興趣區(qū)域的對稱性測度可以通過其分離出的偶函數(shù)所占的比重來決定。

對感興趣區(qū)域逐行計算其對稱性測度，然后求取其平均值，從而獲得感興趣區(qū)域的水平灰度對稱性測度。

但是通常情況下，圖像中道路及部分背景的灰度圖像也具有水平對稱性的特點，僅通過灰度圖像的水平對稱性測度來判斷是不夠的，容易造成誤判，因此需要檢測其他特征來增加判斷的準確率。本文采用熵值歸一化的對稱性測度來驗證車輛的存在。

通常情況下車輛所在區(qū)域所含的信息量要比背景區(qū)域多，因此可以將其作為識別車輛的依據(jù)之一。在信息論中，信息熵可以作為特定區(qū)域包含信息量的度量。

4. 仿真實驗

4.1 實例分析

為驗證上述車輛檢測算法的性能，本文選擇 KITTI 數(shù)據(jù)庫中的部分數(shù)據(jù)進行離線數(shù)據(jù)驗證。算法采用 Matlab 編寫，圖像分辨率為 750×375。

識別結(jié)果其中（a）為激光雷達采集到的原始數(shù)據(jù)，（b）為經(jīng)過預(yù)處理之后的激光雷達數(shù)據(jù)，（c）為車輛檢測結(jié)果及對應(yīng)結(jié)果的熵值歸一化對稱性測度。

4.2 實驗分析

除此之外，本文采用上述算法對 KIT?TI 數(shù)據(jù)庫中城市道路總計 572 幀的數(shù)據(jù)進行分析驗證。采用本文算法正確識別車輛的數(shù)量和處理時間等數(shù)據(jù)。

可得，采用本文方法的正確檢測率為 91.3%，誤檢率為 3.5%，漏檢率為 8.7%。實驗表明該算法在城市道路環(huán)境下，具有較好的適應(yīng)性，能夠排除樹木、建筑等無關(guān)物體的干擾，能較為準確地識別前方車輛，可以滿足自主車輛對前方車輛識別精度的要求。

由于 KITTI 數(shù)據(jù)庫采集數(shù)據(jù)的頻率為 10 Hz，本文算法的平均處理時間為 34 ms，可以滿足實時性的要求。

漏檢分析：由于選取的雷達識別區(qū)域為固定值，當車輛在道路邊緣行駛時，可能會出現(xiàn)對識別范圍外的車輛信息不敏感的情況，從而造成外側(cè)車輛的漏判，對自車安全造成威脅。

針對此種情況，可以將雷達的識別范圍動態(tài)化，使識別范圍隨車輛行駛的條件而變化，即首先進行道路識別，提取可通行道路區(qū)域，然后根據(jù)可通行道路區(qū)域識別的結(jié)果確定雷達的有效識別區(qū)域，降低漏判率，提升自主車輛的安全性能。

誤檢分析：當依靠自然光獲取圖像時難免會受到光照的影響，在光照不足時，會導(dǎo)致圖像細節(jié)模糊不清，紋理特征不明顯，從而使感興趣區(qū)域的熵值歸一化對稱性測度產(chǎn)生較大幅度變化，非車輛目標被檢測為車輛目標，造成誤檢。

針對此種情況，可以在原有基礎(chǔ)上進一步檢測感興趣區(qū)域的其他特征，例如底部陰影、寬高比和邊緣特征等，綜合考慮多種特征，減少非車輛目標對檢測算法的影響。

5. 結(jié)論

本文提出了一種模型較為簡練的基于雷達信息和單目視覺信息的前方車輛檢測方法。該方法利用激光雷達信息初步劃分車輛檢測的感興趣區(qū)域，并通過檢測感興趣區(qū)域的熵值歸一化對稱性測度完成對前方車輛的確認。

實驗表明該方法在城市道路環(huán)境下，正確檢測率為 91.3%，可以實現(xiàn)較好的識別效果。同時該算法模型較為簡練，單幀圖像的平均處理時間為 34 ms，在保證車輛識別準確率的同時，也能保證車輛識別的實時性，降低了自主車輛對于處理器硬件的需求，具有較好的工程應(yīng)用前景。
責任編輯：tzh