智能车辆环境感知传感器的应用现状

智能车辆环境感知传感器的应用现状

作者：高德芝 段建民 郑榜贵 田炳香 来源：《现代电子技术》2008年第19期

摘 要：介绍了智能车辆环境感知传感器的优缺点，分析了环境感知传感器在智能车辆技术中尤其是在车道线识别、障碍物检测中的应用现状。由于车辆运行环境的复杂性和传感器的局限性，仅利用某一种传感器难以保证在任何时刻都能提供完全可靠的信息，基于此，讨论了多传感器信息融合技术在智能车辆技术中的应用现状及其发展方向，以便在今后的应用中根据实际需要选择适当的传感器和检测方法。 关键词：智能车辆;环境感知;传感器;信息融合

中图分类号：TP18文献标识码：B文章编号：1004373X(2008)1915106 Application Statement of Intelligent Vehicle Environment Perception Sensor GAO Dezhi，DUAN Jianmin,ZHENG Banggui，TIAN Bingxiang (Intelligent Measure & Control Laboratory,Beijing University of Technology,Beijing,100022,China) Abstract：

Advantages and disadvantages of Intelligent Vehicle(IV) environment perception sensor is introduced,application and development trends of them used in the IV especially in lane recognition and obstacle detection are analyzed.Because of limitation of sensor and complexity of operating environment,it is difficult to supply the completely reliable information by some sensor in any

time.So,the application and development direction of multi-sensor information fusion technology in the IV is introduced,in order to choose suitable sensor and detection method. Keywords：intelligent vehicles;environment sensing;sensors;information fusion 1 引 言

传感器是一种变换器，可以将来自外界的各种信号转变成计算机能够识别的电信号

［1］

。已经广泛地应用于能源、交通、通信、家电、金融、钢铁、化工、商业、农业和机械制造等行业。在智能车辆 (Intelligent Vehicles,IV) 技术中，传感器负责采集车辆所需要的信息，包括感知汽车自身、汽车行驶的周围环境及驾驶员本身的状态等，为智能车的安全行驶提供及时、准确、可靠的决策依据。因此，在智能车辆技术中，传感器就相当于系统的感受器官，快速、精确地获取信息，是实现车辆安全行驶的保证。传感器技术作为促进汽车智能化发展的关

龙源期刊网 http://www.qikan.com.cn

键技术之一，承担着重要的角色，已被广泛用于智能车的防碰撞、车道保持、自巡航等系统中。各种传感器都有其特有的性质，它们的局限性决定了在实际应用中不能满足系统的某些需求。为此，研究人员利用多传感器信息融合技术，将不同传感器的信号相互融合形成对同一个目标的映射，通过处理来自不同传感器的冗余、互补的信息提高传感器系统的能力。随着对智能车辆技术研究的深入以及智能车辆应用的范围多样化，多传感器信息融合技术在智能车辆技术中有着广泛的应用前景。

图1所示为2007年在北京展览馆举行的第十四届智能交通世界大会上参展的凌志展示车以及该车所安装的传感器系统。由图可以看到该系统用到了多种环境感知传感器，例如雷达、超声波传感器、立体摄像头等实现了道路的识别和障碍物的检测等功能。本文首先介绍几种环境感知传感器以及它们在智能车辆技术中的应用现状，接着叙述了多传感器信息融合技术的应用现状，最后总结了传感器技术和传感器信息融合技术的发展趋势。 2 环境感知传感器的应用现状

智能车辆系统主要有环境感知模块、分析模块、控制模块等部分组成

［1］

，其中环境感知

模块是利用各种传感器对本车所处的周边环境进行数据采集，获取道路环境信息，再处理所得环境信息，从而得到本车和周围障碍物所处的位置信息以及周围车辆等障碍物的距离、速度等信息，进而为各种控制决策提供信息依据。该模块中所用到的环境感知传感器主要有机器视觉、雷达传感器、超声波传感器、红外线传感器等。 2.1 机器视觉

虽然机器视觉受天气状况和光照条件变化的影响很大并且无法直接得到检测对象的深度信息，但是它具有检测范围广、信息容量大、成本低等优点，并且通过对其所得的图像进行处理可以识别、检测对象，所以越来越多的人对利用机器视觉感知车辆行驶环境产生很大的兴趣，以致使机器视觉在智能车辆研究领域得到广泛的应用，成为最受欢迎的传感器之一。机器视觉主要用于车道线的识别、障碍物的检测与跟踪与驾驶员状态监测等。近些年来，随着许多国家的政府机构、汽车制造商和供应商都积极投身于智能车辆的研究，机器视觉的应用也相应的取得了令人瞩目的成果，例如由德国UBM大学Dickmans教授的智能车辆研究小组研制的EMS-Vision (Expectation-based Multi-focal Saccadic Vision System)视觉系统

［2］

，该系统能随车速的变

化自动调节摄像机的焦距；具有较宽的感知范围；能适应颠簸的路径环境；能够获得立体视觉的解释信息。该视觉系统已经应用于德国UBM大学和奔驰汽车公司联合研制的VaMoRs和VaMoRs-P两种实验车中，试验车的传感器系统由3个惯性线性加速计和角速度变化传感器、测速表、发动机状态测量仪以及4个小型彩色CCD摄像机，其中4个小型彩色CCD摄像机构成两组双目视觉系统，一组安装在车体后视镜附近特制的平台上，另一组固定在车体后部挡风板的上方，主要实现车道线的识别与跟踪和障碍物的检测与跟踪。意大利MOB-LAB研究所研制的GOLD(Generic Obstacle and Lane Detection)系统

［3］

，它利用立体视觉同时进行车道线的识

别和障碍物的检测，并已经应用到意大利University of Parma大学研制的ARGO试验车中，该实验车装有两个摄像机，利用模式匹配技术实现车道线的识别，为了降低搜索前方车辆的时

龙源期刊网 http://www.qikan.com.cn

间，采用立体图像对技术完成障碍物的检测，并利用车辆左右边缘灰度值和边缘结构对称的特征确定车辆位置。法国的Romuald Aufrere提出的一种视觉方法

［4］

，该方法使用一台摄像机得

到路面信息，采用车道的统计模型进行匹配；利用三个模型实现有路标和无路标两种情况下的道路跟踪，此三个模型实现的功能分别是：一个从图像中提取道路的边缘特征，另一个用于定位车辆所在车道的位置，第三个用于提供可靠的时间间隔。 2.2 雷达

虽然到目前为止，雷达传感器在检测远距离的小障碍物时有一些不足之处，但是它具有远距离测距能力，能提供本车前方道路和目标车辆的方位和速度信息，同时还能够可靠地提供本车周围障碍物的深度信息，易于解决机器视觉技术在深度信息方面的难题，而且不受天气、阳光等影响，可以准确地发现本车周围存在的障碍物以及前方车辆和行人。由于雷达在准确提供远距离的车辆和障碍物信息方面有着得天独厚的优势，因此在车辆的防碰撞系统中有着广阔的应用前景。目前应用于环境感知模块中的雷达主要有微波雷达、毫米波雷达、激光雷达和电波雷达。

2.2.1 微波雷达

微波雷达能够直接获得被测物体的距离、速度信息，比红外线或激光雷达传感器气象适应性好，并且具有探测距离远、技术成熟等优点，一些系统利用微波雷达实现车辆和盲区的检测。例如Valeo Raytheon系统

［5］

利用24 GHz的微波雷达探测本车两侧的盲区，它的检测范围

［6］

是150°，测检距离为40 m。该系统将微波雷达安装在后部的保险杠上，如果有车辆进入盲区，视觉警告信号将会提醒驾驶员。Visteon系统

也利用24 GHz的微波雷达探测本车两侧

［7］

的盲区，它的检测距离是可编程的，当检测到静止物体时该系统不发出警告。美国TRW公司研制的车载防撞微波雷达已投入应用到货车和公共汽车上 2.2.2 毫米波雷达

与微波雷达相比,毫米波雷达波束窄,分辨率高，抗干扰能力强，具有较好的环境适应性，下雨、大雾或黑夜等天气状况对毫米波的传输几乎没有影响，因此可在各种环境下可靠地工作。随着单片微波集成电路技术的发展，毫米波雷达的价格和外型尺寸都有很大的下降。因此，近年来国外一些公司对毫米波雷达在智能车上的应用表现出了极大的兴趣。像日本丰田公司使用毫米波雷达和机器视觉共同探测前方障碍物。该系统中毫米波雷达用于探测障碍物的距离和相对速度，CCD摄像头实现车道线识别和车道上前行车辆的检测，同时完成对雷达方向的控制。三菱汽车ASV-2所安装的传感器系统包括前后视觉摄像机，能探测前方车辆的距离和相对速度的微波雷达，具有高分析能力的激光雷达以及其他检测道路环境的传感器米波雷达的不足是进行目标识别时，一般不能识别出正在转弯与正在换道的车辆。 2.2.3 激光雷达

［7］

。

。毫

龙源期刊网 http://www.qikan.com.cn

与机器视觉相比，激光雷达能解决图像模糊问题，通过激光雷达技术可以跟踪目标，获得周围环境的深度信息；再者激光雷达方向性好、波束窄、无电磁干扰、获得距离及位置探测精度高，因此它广泛应用于障碍物检测、环境三维信息的获取、车距保持、车辆避障中。 由于光学系统的脆弱性，激光雷达在智能车辆系统的应用受到了限制，但是从激光雷达所得的测距图像中可以直接获取环境的三维信息，因此激光距离成像的研究受到重视。被广泛的应用于机器人领域，而且已被应用到智能车辆领域，例如文献［8,9］均用激光雷达实现障碍物的检测，再如日本马自达公司研制的行人避撞系统将激光雷达安装于汽车前部，利用发射垂直的激光带来实现路上行人的检测，根据行人衣服颜色和布料的不同，该系统的探测距离范围是35~60 m，还能检测到直道和弯道上行人，能够计算出本车与行人的距离以及行人的行走方向。德国大众汽车公司研制的“特定车道障碍物预警系统

［1］

”利用多光束激光测距传感器扫描

汽车前部至障碍物的距离，同时，利用一种影像处理系统监视前方道路。该系统能够识别本车道及相邻车道上的车辆及障碍物，并能根据相应的多光束测距雷达测得的距离及其相对变化得到接近车辆的行驶速度。 2.2.4 电波雷达

电波雷达兼有超声波传感器的波动特征和激光雷达的快速传输特性，并且与激光雷达一样，与障碍物之间的距离可以用反射时间进行计算。由于电波雷达的波长约几毫米左右，因此不容易受到雾等反射的影响。另外，它不以空气作为传播媒体，所以不太受风的影响，这一点比激光雷达和超声波传感器都优越。再者，利用从反射接收波和发送波之间的频率差能直接测定相对速度，这是电波雷达的一个很大优点。因为树脂等难以反射电波，所以电波雷达对由树脂等构成的对象物不能检测，这也是电波雷达的缺点。但由于电波雷达抗环境性好，距离信息和相对速度信息能同时测出，结合上述优点，价格低廉的电波雷达传感器的开发对智能车辆系统的研究有着重要的意义。 2.3 超声波传感器

超声波传感器的数据处理简单、快速，主要用于近距离障碍物检测，一般能检测到的距离大约为1~5 m，但检测不出来详细的位置信息。超声波停车装置

［10］

已经在欧洲销售的BMW

车上使用，这种系统利用一片单片机进行控制，在车的前、后保险杠上安装上超声波传感器，前部传感器的探测距离为0.6 m，后面的探测距离达到1.5 m，当倒车进入要停放的位置时，在后面的汽车约1.5 m时，停车装置将会发出连续而缓慢的警告声，倒车越接近停放的车辆，警告声就越急促，当距离为几厘米时，警告声变为沉稳，此时向前开车时警告声会变得急促。 2.4 红外线传感器

红外线传感器的情况与超声波传感器相仿，只是红外传感器不受黑暗、风、沙、雨、雪、雾的阻挡，因此它的环境适应性好，且功耗低，与超声波传感器相比，其探测视角小，方向性和测量精度有所提高。红外线传感器可以增强机器视觉识别的可靠性，因此常被用于智能汽车

龙源期刊网 http://www.qikan.com.cn

中的夜视系统中，美国通用汽车公司利用红外技术相继研制成了供汽车司机在夜间行驶用的第一代和第二代夜视系统，系统中的红外传感器通过感知及记录物体间温度的差别进行区分物体，该夜视系统的显示屏幕的亮度可调，所研制的第二代夜视系统为彩色显示。美国美洲虎公司同样利用红外技术实现了夜视系统的研制。 3 多传感器信息融合的应用现状

为了克服传感器的数据可靠性低、有效探测范围小等局限性，保证在任何时刻都能为车辆运行提供完全可靠的环境信息，在智能车辆的研究中使用多个传感器进行数据采集，利用传感器信息融合技术对检测到的数据进行分析、综合、平衡，根据各个传感器信息在时间或空间的冗余或互补特性进行容错处理，扩大系统的时频覆盖范围，增加信息维数，避免单个传感器的工作盲区，从而得到所需要的环境信息。因此，随着智能车的研究和应用领域逐步地深入和多样化，传感器信息融合技术在智能车辆技术的研究领域应用倍受欢迎。近年来，智能车辆技术研究中多传感器信息融合技术的应用取得了许多令人振奋的成果，如美国卡内基·梅隆大学机器人研究所研制的Navlab-II智能车，它利用激光雷达和视觉传感器进行道路、车辆、行人等目标的检测

［11］

。德国Braunschweig科技大学研制的智能车

［12］

采用的传感器系统由1个立体

视觉传感器、4个激光扫描器、1个雷达传感器组成，这些传感器的探测范围在车辆前面有很大的重叠。立体视觉传感器安装在后视镜后面，主要实现对中远距离障碍物探测和路径识别功能；在前保险杠上安装有1个长距离、小角度雷达传感器；并在前保险杠的左右两端分别安装1个激光扫描器，每个扫描器的覆盖范围为270°，它们对车辆正前方进行扫描；在前后保险杠的中间位置分别安装1个激光扫描器，这个扫描器能够发射出3个不同角度的激光束，因此比单激光束的传感器具有更强的抗干扰能力，主要用于短、中、远的障碍物目标探测。德国大众公司最新研究的智能车辆系统装有雷达、机器视觉，激光扫描等传感器，利用传感器之间的数据互补及冗余得到车辆所需要的可靠、稳定的全方位信息。美国国防部最新研制的智能车辆Demo系列，目的是用于危险地段的军事侦察。Demo系列采用的关键技术有：感知系统、计算机处理器、导航系统、路径规划、车辆控制、立体视觉、地形理解以及传感器等技术。Demo-III

［13］

智能汽车采用了雷达与机器视觉融合技术用于障碍物的探测。该车中所用的立体

视觉系统包括彩色摄像机、单色摄像机和红外摄像机,并且装有两种雷达，一种是77 GHz的毫米雷达主要用于远距离障碍物的探测，其有效感应距离可达128 m，角度范围可达64°，另一种是可以发现隐藏在植物中障碍物的2 GHz的LADAR雷达。

与发达国家相比，我国对智能车辆技术领域的研究起步较晚，目前主要为一些高等院校和科研机构，他们相继开展了对智能车辆的研究，并在智能车辆的视觉导航、多传感器信息融合、路径规划与控制、自主驾驶等方面取得了一些积极的成果，例如清华大学的汽车安全与节能国家重点实验室研究的汽车主动碰撞系统，该系统采用了激光雷达和毫米波雷达实现了对本车前方车辆的探测；吉林大学所研制的JUTIV-II试验车所使用的传感器有CCD摄像机、三维激光测距仪、GPS定位系统等，它利用视觉信息和激光雷达信息融合技术实现路径识别与跟踪、前方车辆的探测与跟踪、保持本车与前方车辆安全车距等功能；西安交通大学人工智能与机器人研究所的Spring robot智能汽车

［14］

安装了毫米波雷达、SICK激光雷达、GPS和摄像机

等感知传感器，所安装的毫米波雷达工作范围可达120 m，扫描角度为12°，扫描目标最多可

龙源期刊网 http://www.qikan.com.cn

达20个，测量距离精度可达5%，速度精度可达1%，角度分辨率精度可达± 0.2°，实现动态目标的检测，激光雷达扫描角度达到180°，角度分辨率为0.25°，距离分辨率为10 mm，实现前方静止障碍物的检测。该车可以实现手动驾驶和自动驾驶两种方式，能够实时检测道路、行人、车辆等障碍物。 4 发展方向

近年来，在环境感知模块中CCD摄像机是最常用的传感器。但是，由于障碍物本身的特征和光照条件的影响，在复杂的光照条件下，传统的CCD摄像机不能满足实际操作中系统对传感器动态范围的要求。因此，传统的基于机器视觉的障碍物检测过程具有一定的局限性，为此，人们开始研究不用任何辅助照明的前提下能够全天候正常工作并具有大动态范围的摄像机并取得了一定的成功，例如由福特研究实验室和SENTECH联合研制的低光(low-light)摄像机

［15］

，它通过对Sony X-view阵列进行特殊的设计，扩大了摄像机的动态范围。近年来，研究

者提出许多能在弱光照条件下正常工作的算法，使得传统的基于机器视觉的障碍物检测系统的性能得到很大的提高，同时，人们也致力于利用COMS传感器动态范围大，鲁棒性较高等优点，提高摄像机的动态范围，降低传感器数据采集时间和传输时间。

虽然低光摄像机已经被应用到许多研究中，但是它不能够得到可见光谱之外的重要信息和检测目标的距离信息，相反地对光照和天气状况的改变不敏感的外线传感器和雷达传感器等却可以，因此，基于红外线传感器、超声波传感器和雷达传感器的智能车辆系统得到人们的关注，研究者逐步地将它们应用到智能车辆环境感知模块中。例如Dirk Linzmeir 和他的同事们利用行人的温度比周围环境的温度要高很多的原理，将温度传感器用于行人的检测。利用同样的原理，Massimo Bertozzi， Alberto Broggi和A.Lasagni 利用红外线传感器进行行人检测

［15］

。虽然红外线传感器、超声波传感器和雷达等受光照条件和天气变化的影响不大，有着较

强的抗环境变化的能力，但是当有多辆车一起沿同方向行驶时，同种传感器之间的干扰是个严重的问题，并且他们的分辨率和精度都不能满足智能车辆对传感器性能的要求。

在智能车辆技术研究中，传感器作为控制系统的信息源，是智能车辆控制系统的关键。在环境感知模块中，所用传感器的动态范围、对光的敏感性、空间分辨率、相互融合能力等性能在很大程度上影响到系统的性能。但是由于目前传感器的局限性使其不能满足研究和实际应用的需要，因此研制高性能和高可靠性的智能传感器将成为传感器技术研究领域的一个发展方向。

传感器的特性表明每种传感器仅仅能得到特定的环境信息，因此单一的传感器不能为系统提供足够的广泛的环境信息，为了克服单一传感器的局限性，促进智能车的深入研究，扩大智能车的应用领域，需要研制一种能够有效地利用来自多种传感器包括主动传感器和被动传感器信息的系统，多传感器信息融合在解决这方面的问题上有着巨大的潜力。目前多传感器信息融合使用的方法主要有加权平均法、卡尔曼滤波法、贝叶斯估计法、统计决策理论方法、D-S 证据推理法、模糊逻辑法和人工神经网络方法等

［16］

。

龙源期刊网 http://www.qikan.com.cn

尽管传感器融合技术在为智能车提供可靠的环境特征信息方面有很大的帮助，但是发展实际的多传感器信息融合平台需要处理一系列的问题，包括一些传感器融合的常规问题和存在系统设计中的特殊问题。多传感器信息融合需要所用到的环境感知传感器提供精确的环境信息，然而实际的应用中所得到信息大多数都是不确定信息。因此，研究多传感器信息融合的鲁棒性对于整个融合过程是很重要的，合理的描述并解决各传感器信号间的不确定性问题将是多传感器信息融合的一个发展方向。

多传感器信息融合通过处理来自不同传感器的冗余、互补的信息提高传感器系统的能力。这些不同的传感器共同工作，将不同传感器的信号相互融合形成对同一个目标的映射。例如考虑到单个传感器的可靠性和置信度，利用声学传感器和视觉传感器信息的互补性，将两种传感器共同用在障碍物的检测和道路的识别中能够获得比单个传感器更准确的环境特征和信息。常用的环境感知传感器有毫米波雷达、激光雷达和摄像机等。由于视觉技术具有不向外部环境发射信号、图像信息丰富、价格低、角度和方向分辨率较高，能够消除驾驶员的盲区等优势。因此，利用机器视觉的优势，结合由雷传感器达或超声波雷达传感器或红外线传感器等获取的距离信息实现对本车周围环境的感知成为各国学者研究的热点。由于各传感器采集信号和输出信号的方式不一样，要合理的利用各传感器的信息，就必须利用多传感器信息融合技术，研究利用多传感器信息融合技术获得具有丰富、鲁棒性及实时性高的信息，提出具有鲁棒性高的融合算法将是传感器信息融合技术的发展趋势。

传感器信息融合技术对智能车辆技术的发展有着巨大的潜力，自从传感器信息融合技术应用到智能车辆领域以来取得了一些令人瞩目的成果，但是，目前人们对多传感器信息融合方法的应用研究还不深入，多数是基于规则的专家系统进行信息融合，从而使多传感器信息融合的优势没有得到充分的发挥，因此，为了弥补单个传感器的不足之处，寻找新的融合策略或提出新的传感器融合方法，将是多传感器信息融合的一个发展方向。 5 结 语

随着传感器、数据处理、人工智能以及计算机等技术的发展，对智能车辆技术的研究受到各国学者们关注，对其研究逐步地深入并且取得了令人鼓舞的成果。本文介绍了智能车常用的几种环境感知传感器的优势和不足之处，总结了智能车辆环境感知传感器技术以及多传感器信息融合技术在智能车辆技术中的应用现状及其发展趋势。 参考文献

［1］庄继德.汽车电子控制系统工程［M］.北京:北京理工大学出版社,1998.

［2］Hofmann U,Rieder A,Dickmanns E D.EMS-Vision:Applicationto Hybrid Adaptive Cruise Control ［J］.Proceedings of the IEEE 2000 Dearborn (MI),USA,2000:468-473.

龙源期刊网 http://www.qikan.com.cn

［3］Massimo Bertozzi,Albert Broggi.Real-Time Lane and Obstacle Detection on the GOLD System ［J］.Proceedings of the IEEE Intelligent VehiclesSymposium,1996:213-218.

［4］徐有春，王荣本，李兵,等.世界智能车辆近况综述［J］.汽车工程,2001,23(5):289-295. ［5］http://www.valeoraytheon.com/hazards.html,accessed Jan.2007.

［6］http://www.visteon.com/products/automotive/driverawareness.shtml,accessed Jan.2007. ［7］王荣本,李斌,储江伟,等.世界智能车辆行驶安全保障技术的研究进展［J］.公路交通科技,2002,19(2):117-121.

［8］Wu Shunxi,Yang Ming.Landmark Pair-based Localization for Intelligent Vehicles Using Laser Radar ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:209-214.

［9］Fadi Fayad,Véronique Cherfaoui.Tracking Objects Using a Laser Scanner in Driving Situation Based on Modeling Target Shape［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:44-49.

［10］Stefan Hoch,Manfred Schweigert.The BMW SURF Project:A Contribution to the Research on Cognitive Vehicles ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:692-697.

［11］Rosenblum M,Gothard B.A High Fidlity Multi-sensor Scene Unerstanding Systemfor Autonomous Navigation［J］.Proceedings of the IEEE Intelligent Vehicles Symposium,2000,10:637-6 431.

［12］Jan C Becker,Andreas Simon.Sensor and Navigation Data Fusion for an Autonomous Vehicle ［J］.Proceedings of the IEEE Intelligent Vehicles Symposium,2000,10:156-1 611. ［13］Bellutta P,Manduchil R.Terrain Perception for DEMO III ［J］.Proceedings of the IEEE Intelligent Vehicles Symposium 2000,2000 10:326-331. ［14］http://unit.xjtu.edu.cn/iv-aiar/researchfruit3.htm.

［15］Bishop R.A Survey of Intelligent Vehicle Application Worldwide

［J］.USA:Proceedings of the IEEE Intelligent Vehicles Symposium,Dearborn,USA,2000:25-301. ［16］［美］ Lawrence A Klein.多传感器信息融合理论及应用［M］.戴亚平,刘征,郁光辉,译.北京:北京理工大学出版社,2004.

龙源期刊网 http://www.qikan.com.cn

［17］Jyh-Yeong Chang,Chien-Wen Cho.Vision-Based Forward-Looking Traffic Scene Analysis Scheme ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:56-61.

［18］Guanglin Ma,Su-Birm Park,Alexander Ioffee,et al.A Real-time Object Detection Approach Applied to Reliable Pedestrian Detection ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:755-760.

［19］Yasuyuki Miyake,Kazuma Natsume,Koichi Hoshino.Road-Shape Recognition Using On-Vehicle Millimeter-wave Radar ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:75-80.

［20］Gunnarsson J,Svensson L，Danielsson L,et al.Tracking Vehicles Using Radar Detections ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:296-302. ［21］Roland Stahn1,Gerd Heiserich,Andreas Stopp.Laser Scanner-based Navigation for Commercial Vehicles ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:969-974.

［22］Nikos Floudas,Aris Polychronopoulos,Olivier Aycard,et al.High Level Sensor Data Fusion Approaches for Object Recognition In Road Environment ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:136-141.

［23］Tang-Hsien Chang,Chih-Sheng Hsu.Irregular Vehicle Behavior Warning Modules ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:150-1 155. ［24］Dirk Bank.Short Range Radar Signal Processing for LateralCollision Warning in Road Traffic Scenarios ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:111-116.

［25］Ulrich Kadow,Georg Schneider,Alejandro Vukotich.Radar-vision-Based Vehicle Recognition with Evolutionary Optimized and Boosted Features ［J］.Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul,Turkey,2007:749-754.

作者简介 高德芝 女，1980年出生，山东省滕州人，博士研究生。主要从事机器视觉，图像处理与多传感器信息融合方面的研究。

段建民 男，1959年出生，北京工业大学电子信息与控制工程学院教授，博士研究生导师。

郑榜贵 男，1972年出生，浙江江山人，博士研究生。主要从事机器视觉与智能检测方面的研究。

龙源期刊网 http://www.qikan.com.cn