基于单传感器的智能车辆前车识别方法研究

2021-11-22张博森陈学文

汽车实用技术 2021年16期

张博森，陈学文

（辽宁工业大学汽车与交通工程学院，辽宁锦州 121001）

前言

随着传感技术和计算机技术的快速发展，作为前沿的主动安全驾驶技术——高级驾驶辅助系统（Advanced Driver Assistance Systems, ADAS）有效减少了交通事故率。在2018年和2019年国内汽车市场连续两年下滑[1]的背景下，中国工程院院士、中国汽车工程协会理事长李骏在首届中国智能汽车创新发展战略高峰论坛上表达了对智能车辆的肯定，强调了发展相关技术的必要性和紧迫性。而前车的有效识别是ADAS走向成熟的关键一步，目前相关技术存在许多问题[2]，走在智能驾驶前沿的Tesla等品牌汽车多次发生追尾、冲撞护栏的事故，故有效的前车识别仍然是世界科研院所和车企的研究热点。本文针对视觉和雷达传感器的前车识别方法进行了综述，并给出改进意见。

1 基于视觉的前车识别研究概况

随着图像传感技术、CPU等硬件和图像处理技术的发展，基于视觉的目标识别完成了从“手动提取目标特征并人工识别”、“手动标记目标特征然后机器识别”到“机器自动提取目标特征并识别”的转变，检测实时性和识别精度都有了质的飞跃。

1.1 基于传统图像处理技术的前车识别

基于传统图像处理方法的前车识别需要手动提取并处理目标车辆的显著特征。此方法不需要大量的数据集，但是识别精度较低，漏检率和误检率较高。鉴于车辆底部阴影与周遭道路环境有更高的对比度，Nur Shazwani A.[3]等人利用斑点分析手段检测车底阴影特征，结合水平Scharr-Sobel增强算子，提出了一种基于车辆底部阴影的车辆检测算法。针对夜间等阴暗环境，Jun-jie Zhang[4]等人通过labview视觉工具获取只显示尾灯红色信息的图像，利用NI视觉工具去除噪声并根据几何关系进一步获取车辆位置，但此方法在室外环境下容易造成误判。

除上述方法以外，Bertozzi等人构建拐角特征的车辆模板用于车辆识别；Ratan等人提出通过检测车轮特征进而推断车辆位置的方法；Bensrhari等人通过立体视觉方法和三维车辆模型来检测识别前车。为排除单目视觉易受环境变化的影响，Wang Hui[5]等人基于双目相机检测的方法获得准确的深度信息，再通过处理车辆轮廓信息识别检测前车，此方法具有较高的鲁棒性。

1.2 基于机器学习的前车识别

基于机器学习的前车检测方法是先人工标记样本中车辆的显著特征，设计出可以识别此类特征的样本分类器，然后通过具有自动判断能力的分类器来鲁棒的实现前车的识别。P.M. Daigavane[6]等人利用图像预处理、图像分割和斑点分析等方法通过使用背景减法算法来分析前景区域以检测车辆。采用带sigmoid传递函数的三层多层膜滤波器，提出采用反向传播神经网络（BNN）算法的车辆识别分类技术。Kumar Satzoda[7]等人提出了一套全新的车辆检测系统——VeDAS系统，其使用改进的主动学习框架训练Haar–Adaboost级联分类器，可完成车辆的大部分检测，结合基于对称性的迭代分析，提高了部分可见和完全可见车辆的检测准确率。Mahdi Rezaei[8]等人通过车辆线和角的特征获得感兴趣区域，提出一种自适应全局Haar分类器，结合基于虚拟对称方法检测尾灯配对的特征，进而减少车辆漏检，最后用Dempster–Shafer证据理论实现数据融合。经试验验证，运用该方法在近距离、全天候、雾天、雨夜、雪天等情境下都有可观的检测率。

1.3 基于深度学习的前车识别

基于深度学习的车辆识别不需要人工设计车辆特征且无需对输入图像进行一系列的预处理可直接将原始彩色图像作为输入，是一种基于机器学习的高级方法。其中局部连接和权值共享的思想大大减少了计算机的参数计算量，加快了训练速度。

Rajkumar Theagarajan[9]等人使用支持向量机（Support Vector Machine，SVM）融合利用图像处理技术、数学理论识别的牌照与后保险杠距离等视觉物理特征和利用VGG16卷积神经网络提取的“视觉”特征完成了车辆的识别分类，利用该SVM模型的平均分类精度达到96.61%。Ali Tourani[10]等人对输入图像进行去噪、对比度增强、锐化和直方图均衡化等处理，运用改进的ResNet-50网络提取图像特征，在Faster R-CNN框架下实现了车辆的识别，实验证明该方法具有准实时性和较高的准确性。Mohammad Wahyudi Nafi[11]等人基于Mask R-CNN框架，利用Library TensorFlow Object Detection API，通过融合车辆和车标两个训练集，实现了几种车型相同不同品牌的精准分类，但此方法的实时性不佳。Kwang-Ju Kim[12]等人在改进传统的Yolo-v3算法的基础上，提出了一种基于空间金字塔融合的多尺度车辆检测方法，对车辆尺度变化和遮挡的目标具有很好的鲁棒性而且具有更佳的检测率。

为提升YOLO 系列算法定位精度问题，Wei Liu[13]等人提出SSD算法，融合了YOLO回归思想和基于区域建议anchor的Faster R-CNN精确定位的优点，并在多尺度的特征图上进行目标检测。实验证明，其检测速度是Faster R-CNN的8倍，而且检测精度达到75.6%。Qiaoqian Chen[14]等人基于VGG16网络为基础的SSD模型，在开源数据集KITTI（世界上最大的自动驾驶计算机视觉算法评估数据集）和实际拍摄的图像中收集了5 000个训练样本作为训练数据集。手动标注图像，选择合适的正负样本，完成了网络训练，最终实现了车辆的检测识别。

2 基于雷达的前车识别研究概况

雷达可以独立于光线条件工作，并直接返回本车与前车的距离等信息。自投入到民用市场以来，对于利用车载雷达进行前车识别的研究从未间断。

2.1 基于毫米波雷达的前车识别

毫米波雷达[15]通过发射接收毫米波信号并分析反射电波频移来探测目标。其具备全天候、全天时工作特点，穿透能力较强，具有良好的纵向探测性能，可以精确地获取与前车的相对距离和相对速度。在自适应巡航系统和盲点探测系统中被广泛使用。

Adrian Macaveiu[16]等人利用数据关联算法和卡尔曼滤波来估计运动目标的状态，提出了一种应用于实际测量数据的汽车雷达目标跟踪信号处理方案并用MATLAB软件和实际测试验证了目标跟踪算法的可行性。为提高雷达对静止目标的检测能力，Xiuzhang Cai[17]等人选用具有波束导向能力的雷达，通过数值模拟生成RCS数据库和统计模型，采用PO方法生成RCS图像，利用神经网络方法，将统计参数和RCS图像用于行人、车辆和多种静止目标的目标分类。

2.2 基于激光雷达的前车识别

激光雷达使用不同角度的密集空间红外激光束来探测周遭事物。利用预处理获得的雷达点云数据可以快速地对车辆和环境进行三维建模，进而提取车辆的准确位置和几何形状信息。经过数据处理，还可以获取车辆的速度等信息，因此尽管激光雷达价格昂贵，易受外界环境的干扰，但其有全天时的工作能力和一定的横向探测能力，所以仍然有一定的研究价值。

P.Steinemann[18]等人提出了一种使用激光雷达测量车辆三维轮廓的稳健方法，利用描述车辆几何属性的约束来扩展车辆曲面的创建并引入表面置信度来确定离散位置处表面的可靠性。使用加权配准方法直接计算连续3D轮廓的速度，实现了对前车的识别与跟踪。Benoît Fortin[19]等人提出了一种基于模型的激光雷达多车检测与跟踪方法。利用激光扫描仪和建立的跟踪对象几何不变特性模型结合参数聚类方法完成了多目标识别跟踪任务。此方法具有很好的鲁棒性，提高了遮挡目标的检测成功率。

为提高车辆高速远距离的可疑目标检测与跟踪，T. Ogawa[20]等人基于动态规划、贝叶斯概率方法和激光雷达数据提出了一种检测前跟踪（Track-Before-Detect, TBD）算法，即在检测前或检测过程中结合跟踪的方法来检测相邻时间内的远方模糊目标。