基于车轮识别的车后盲区监测方法技术

本发明专利技术公开了一种基于车轮监测的盲区监测方法，属一种图像识别以及检测方法。其通过安装在车辆后部的摄像头采集图像，基于摄像头采集的图像序列（图像序列指多个连续时间点所采集的图像数据）算法判断自车后方左右两侧是否存在目标（目标仅限有车轮的车辆包括轿车货车摩托车等），同时判断后方目标是否在接近自车。通过将摄像头安装在车辆的后部，智能图像分析软件接收图像处理器传出的图像信号，经过算法的智能分析，可侦测处于自车盲区内的车辆，当有车辆存在于盲区时进行报警提示驾驶员，达到降低驾驶风险的目的。达到降低驾驶风险的目的。达到降低驾驶风险的目的。

【技术实现步骤摘要】
基于车轮识别的车后盲区监测方法


[0001]本专利技术涉及一种图像识别及检测方法，更具体的说，本专利技术主要涉及一种基于车轮识别的车后盲区监测方法。

技术介绍

[0002]追尾是机动车事故中最为常见的事故类型之一，由于后车速度过快而来不及刹车从而与前车发生碰撞，在此过程中如果前者能及时加速或者侧向避让则可降低追尾事故的发生。值得注意的是，车后的两侧存在盲区使得前车驾驶员不能及时知晓有后者快速靠近，从而易因来不及反应而导致追尾事故发生，鉴于此，而减少前述追尾事故的发生，专利技术人认为有必要针对车后盲区的车辆监测的智能分析方法进行研究和改进。

技术实现思路

[0003]本专利技术的目的之一在于针对上述不足，提供一种基于车轮识别的车后盲区监测方法，以期望解决现有技术中车辆后侧安装的摄像头不能对车辆快速靠近进行判断与监测，不能改善追尾事故的发生频率等技术问题。
[0004]为解决上述的技术问题，本专利技术采用以下技术方案：本专利技术提供的一种基于车轮识别的车后盲区监测方法，该方法包括如下步骤：步骤A、通过摄像头采集车后左右两侧的图像，通过Adaboost机器学习的目标检测算法在当前的图像中进行目标识别；所述目标为车轮；步骤B、在当前的图像中出现目标对象时，则对当前图像的每一帧检测框进行相交面积匹配，当连续两帧的检测框的相角面积大于阈值后，则匹配当前两帧的检测框识别的目标对象是同一个目标对象；步骤C、当多帧图像的检测结果都是同一个目标对象，并且在当前的图像中连续存在一段时间后，将累加的结果和阈值匹配，如大于阈值后就认为车后方存在目标对象。
[0005]更进一步的技术方案是：所述的方法还包括步骤D、当确定车后存在目标对象后，向车内驾驶室输出报警提示。
[0006]更进一步的技术方案是：所述步骤B中对当前图像的每一帧检测框进行相交面积匹配时，还同时判断摄像头所采集的图像中的目标对象，是否为同一个目标对象。
[0007]更进一步的技术方案是：所述步骤B中的检测框为Adaboost机器学习排布的矩形框；所述Adaboost机器学习为在摄像头采集图像的检测区域内，每隔相同距离排布一个检测条，由此生成检测框。
[0008]更进一步的技术方案是：所述检测框排布方式为在初始化时生成一个从原始图像到虚拟视角的矫正表，然后基于所述矫正表上的数据获取原始图像的点坐标对应在虚拟视角上的点坐标，并且反向求解出虚拟视角上的点坐标对应到原始图像上的点坐标。
[0009]更进一步的技术方案是：所述检测区域是车后左右两侧3M
×
3M的范围。
[0010]更进一步的技术方案是：所述Adaboost机器学习排布的所有检测框外接的矩形框
为Adaboost机器学习的ROI布局。
[0011]更进一步的技术方案是：所述步骤A中的Adaboost机器学习的目标检测算法为首先对检测框中排布的检测条进行缩放，缩放到当前模型支持的图像尺寸，然后对缩放后的图像进行积分运算，分别求解出90度的积分图和45度的积分图；对求解出的积分图按照20
×
20的尺寸进行分类，所述分类为每次移动一个像素对每个检测条进行Adaboost机器学习分类；所述Adaboost机器学习分类为在积分图上设置最多十二个点坐标的积分值分别和模型中的系数相乘在求和，当大于当前弱分类器的阈值后就将当前弱分类器的权重累加，依次计算当前强分类器的所有弱分类器，最后将所有弱分类器的权重累加的结果求和；将求和后的结果和强分类器阈值相比较，大于强分类器阈值的说明当前20
×
20的检测区域是存在目标对象的，反之则是不存在目标对象。
[0012]更进一步的技术方案是：所述步骤A中为通过摄像头同时采集车后左右两侧的图像。
[0013]更进一步的技术方案是：所述步骤A中为通过单个摄像头采集车后图像并通过虚拟相机技术生成左右两侧虚拟图像。
[0014]与现有技术相比，本专利技术的有益效果之一是：通过以车轮作为图像中的目标对象识别，可保证自车后部车辆识别的准确性，避免识别误差，并且通过测量框对图像中的目标对象进行逐帧对比，可保证对车后目标对象识别的有效性，使得报警提示与后车追尾前兆相一致，且目标对象识别的确认与追尾事故发生之间的时间间隔，足以使前车驾驶员进行避让处理，一定程度上降低了追尾事故的发生，同时本专利技术所提供的一种基于车轮识别的车后盲区监测方法基于Adaboost机器学习算法实现，以车轮为关键对象，从而可精确的识别摄像头采集图像中具有追尾风险的车辆，适于在各类机动车上应用，适用范围广阔。
附图说明
[0015]图1为用于说明本专利技术一个实施例的方法逻辑流程图。
具体实施方式
[0016]下面结合附图对本专利技术作进一步阐述。
[0017]参考图1所示，本专利技术的一个实施例是一种基于车轮识别的车后盲区监测方法，该的方法包括如下步骤：步骤S1、通过摄像头采集车后两侧的图像，通过Adaboost机器学习的目标检测算法在当前的图像中进行目标识别；所述目标为车轮；前述车后两侧的图像可通过摄像头分别采集车后左右两侧的图像，也可以通过单个摄像头采集车后图像并通过虚拟相机技术生成左右两侧虚拟图像。
[0018]步骤S2、在当前的图像中出现目标对象时，则对当前图像的每一帧检测框进行相交面积匹配，当连续两帧的检测框的相交面积大于阈值后，则匹配当前两帧的检测框识别的目标对象是同一个目标对象；在本步骤中，检测框为Adaboost机器学习排布的矩形框；并且基于本专利技术实现的原理，前述Adaboost机器学习排布的所有检测框外接的矩形框为Adaboost机器学习的ROI布局（有关ROI布局如下将进行详述）。而Adaboost机器学习为在摄像头采集图像的检测区
域内，每隔相同距离排布一个检测条，由此生成检测框，该检测区域在本实施例的设计中为车后左右两侧3M
×
3M的范围。同时前述检测框排布方式为在初始化时生成一个从原始图像到虚拟视角的矫正表，然后基于所述矫正表上的数据获取原始图像的点坐标对应在虚拟视角上的点坐标，并且反向求解出虚拟视角上的点坐标对应到原始图像上的点坐标。
[0019]上述的虚拟视角包括两个，其中一个是车辆后左侧视角，另一个是车辆后方右侧视角。计算出两个不同的虚拟视角的主要目的是可以同时检测车辆后方左右两侧，两个盲区内的车辆。本专利技术的方法计算出的虚拟视角主要是根据相机的内参、相机外参（需要手动标定）以及虚拟相机焦距参数。虚拟视角的计算主要是将相机的图像进行校正并通过调整相机的虚拟焦距来确定不同的虚拟视角。调大虚拟焦距后会将视图放大使远处虚拟视角的图像看起来更清晰，有利于检测出远处存在的目标对象，调小虚拟焦距后会将视图缩小使近处虚拟视角的图像看起来清晰，有利于检测出近处存在的目标对象，本方法计算合适的焦距检测0.5m
‑
3.5m内的车轮。
[0020]步骤S3、当多帧图像的检测结果都是同一个目标对象，并且在当前的图像中连续存在一段时间后，将累加的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车轮识别的车后盲区监测方法，其特征在于所述的方法包括如下步骤：步骤A、通过摄像头采集车后左右两侧的图像，通过Adaboost机器学习的目标检测算法在当前的图像中进行目标识别；所述目标为车轮；步骤B、在当前的图像中出现目标对象时，则对当前图像的每一帧检测框进行相交面积匹配，当连续两帧的检测框的相交面积大于阈值后，则匹配当前两帧的检测框识别的目标对象是同一个目标对象；步骤C、当多帧图像的检测结果都是同一个目标对象，并且在当前的图像中连续存在一段时间后，将累加的结果和阈值匹配，如大于阈值后就认为车后方存在目标对象。2.根据权利要求1所述的基于车轮识别的车后盲区监测方法，其特征在于：所述的方法还包括步骤D、当确定车后存在目标对象后，向车内驾驶室输出报警提示。3.根据权利要求1所述的基于车轮识别的车后盲区监测方法，其特征在于：所述步骤B中对当前图像的每一帧检测框进行相交面积匹配时，还同时判断摄像头所采集的图像中的目标对象，是否为同一个目标对象。4.根据权利要求1所述的基于车轮识别的车后盲区监测方法，其特征在于：所述步骤B中的检测框为Adaboost机器学习排布的矩形框；所述Adaboost机器学习为在摄像头采集图像的检测区域内，每隔相同距离排布一个检测条，由此生成检测框。5.根据权利要求4所述的基于车轮识别的车后盲区监测方法，其特征在于：所述检测框排布方式为在初始化时生成一个从原始图像到虚拟视角的矫正表，然后基于所述矫正表上的数据获取原始图像的点坐标对应在虚拟视角上的点坐标，并且反向求解出虚拟视角上的点坐标对应到原始图像上的点坐标。6.根据权利...

【专利技术属性】
技术研发人员：陈一君，徐洪，
申请(专利权)人：深圳市艾为智能有限公司，
类型：发明
国别省市：