采用單一傳感器識別前方車輛易造成誤判，為了提高檢測準確率，提出了一種基于激光雷達信息和單目視覺信息的車輛識別方法，該方法綜合考慮了激光雷達傳感器和單目視覺傳感器的信息。首先對激光雷達原始信號進行預處理，然后對篩選后的數據進行最臨近距離法聚類處理，并轉換到圖像坐標系中，初步確定障礙物檢測的 ROI （感興趣區域）。

提取 ROI 區域的圖像，并對其進行灰度化，灰度增強和圖像濾波的預處理。通過計算預處理后圖像的熵值歸一化對稱性測度，完成前方車輛的檢測。通過實驗，驗證該方法可以較好地識別前方車輛，彌補了單一傳感器在車輛識別中的不足，同時耗時較短，可以滿足實時性的要求。

1.現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境感知系統中的關鍵技術。準確地檢測前方車輛，對于自主車輛避障具有重要的意義。目前國內外學者已經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，所以視覺技術是現階段自主車輛研究中的主要獲取信息手段。其中視覺技術主要分為單目視覺和雙目視覺。單目視覺識別技術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，而且易受外部環境的干擾，諸如光照和陰影等因素。雙目視覺識別技術雖然可以取得較好的效果，但其計算量較大，算法復雜，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，且面對尾部特征復雜的情況時易出現漏檢情況。

楊磊等通過對雷達信號進行預處理，確定感興趣區域，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域，利用 T- 模糊推理系統融合車輛的灰度、寬高比和信息熵等多個特征驗證車輛假設，可以實現較好的識別效果，但是算法較為復雜，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，同時減少算法的復雜程度，本文采用激光雷達和單目視覺兩種傳感器相結合的車輛識別方法，即先對激光雷達信號進行預處理，并采用最鄰近距離法進行聚類，初步確定感興趣區域，然后對感興趣區域進行預處理操作，計算感興趣區域的熵值歸一化對稱性測度，對初步確定的感興趣區域進行驗證，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域

2.1 傳感器配置

本文進行分析的數據來自 KITTI 數據庫，KITTI 數據庫是目前為止地面自主車輛研究中最大最全的公布數據庫。

該數據庫提供了慣導系統、64 線激光雷達、黑白立體攝像機、彩色立體攝像機的同步數據，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，同時該數據庫對各傳感器都進行了標定，標定參數已知。該數據庫進行測試的車輛的傳感器安裝位置如圖 1 所示，由于只選取了該數據庫中的激光雷達和其中一個彩色攝像頭的數據，故圖 1 中只標出了這兩個傳感器的安裝位置。

2.2 雷達信號的預處理

本文所研究數據的雷達信息由 Velodyne HDL64 線三維激光雷達采集。64 線激光雷達的點云數據量非常大，約 100 萬個點 / 秒。如圖 2 所示，若直接對雷達數據進行分析，系統所需處理的信息量過大，難以滿足實時性的要求。因此，在通過雷達數據獲取感興趣區域前，需要對雷達數據進行預處理。

由圖 2 可以看出，未處理的雷達信號將路面也掃描在內，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，為了減少處理的數據量，本文算法主要對主車道和旁側車道的目標進行識別。

同時根據圖 2 所示，在縱向距離 40 m 之后，激光雷達的數據點越來越稀疏，難以提取有效的障礙物信息，而且視覺傳感器難以表現 40 m 外目標的特征。綜上，將前方縱向 40 m，橫向 10 m 作為雷達的有效區域。經過上述預處理的雷達信號如圖 3 所示。

2.3 聚類處理及感興趣區域的獲取

如圖 3 所示，經過預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，為了從雷達數據中提取出有效的障礙物信息，需要對雷達數據進行聚類。

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

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：把經過預處理的雷達數據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。并根據普通車輛的寬度設定預設閾值：

具體的流程圖如圖 4 所示。

對雷達進行聚類處理后，將雷達信號由世界坐標系轉換至圖像坐標系中。對每個類別進行如下操作：在圖像坐標系中，將該類別內最左側的點和最右側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域的左右邊界。

將該類別內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域的上下邊界。如圖 5 所示，矩形區域即為初步獲取的感興趣區域。

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域可能有多個，路牌、樹木等無關物體也被檢測在內。因此需要對感興趣區域進一步驗證，剔除非車輛的干擾。本文通過檢測感興趣區域的熵值歸一化對稱性測度來驗證目標車輛。

3.1 圖像預處理

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，降低其成像質量，因此需要對感興趣區域進行預處理。

通過預處理之后的圖像，可以突出有用的信息，去除背景環境的干擾。本文采取的預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，而且算法簡單，故本文采取中值濾波對圖像進行處理。圖 6 為原始感興趣區域，圖 7 為預處理之后的感興趣區域。

3.2 車輛驗證

感興趣區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域中線為軸，左右區域的灰度值為軸對稱圖形。設 R(x) 為 ROI 區域內某一行灰度數據的一維函數，因此其可以被表達為奇函數和偶函數的形式，對應感興趣區域的對稱性測度可以通過其分離出的偶函數所占的比重來決定。

對感興趣區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域所含的信息量要比背景區域多，因此可以將其作為識別車輛的依據之一。在信息論中，信息熵可以作為特定區域包含信息量的度量，其定義如式（7）所示：

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 數據庫中的部分數據進行離線數據驗證。算法采用 Matlab 編寫，圖像分辨率為 750×375。具體的測試環境如圖 8(c）所示，包括單目標識別，多目標識別等。

識別結果如圖 8 所示，其中圖 8(a)為激光雷達采集到的原始數據，圖 8(b）為經過預處理之后的激光雷達數據，圖 8(c）為車輛檢測結果及對應結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 數據庫中城市道路總計 572 幀的數據進行分析驗證。采用本文算法正確識別車輛的數量和處理時間等數據如表 1 所示。

由表 1 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境下，具有較好的適應性，能夠排除樹木、建筑等無關物體的干擾，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 數據庫采集數據的頻率為 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域為固定值，當車輛在道路邊緣行駛時，可能會出現對識別范圍外的車輛信息不敏感的情況，從而造成外側車輛的漏判，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，提取可通行道路區域，然后根據可通行道路區域識別的結果確定雷達的有效識別區域，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，會導致圖像細節模糊不清，紋理特征不明顯，從而使感興趣區域的熵值歸一化對稱性測度產生較大幅度變化，非車輛目標被檢測為車輛目標，造成誤檢。

針對此種情況，可以在原有基礎上進一步檢測感興趣區域的其他特征，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域，并通過檢測感興趣區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境下，正確檢測率為 91.3%，可以實現較好的識別效果。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，具有較好的工程應用前景。

審核編輯 黃昊宇