物体認識装置
【課題】車両と認識対象である物体との距離が変化しても、車載レーダの反射の検出パターンから車両、モータバイク、人（歩行者）等を区別して精度よく認識することができる技術を提供する。
【解決手段】探査対象となる物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶されており、レーザレーダ２の反射の検出パターンと、記憶部７に記憶された特徴パターンとが認識処理部４により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、レーザレーダ２の反射の検出パターンから車両、モータバイク、自転車、歩行者（人）等を区別して精度よく認識することができる。
【解決手段】探査対象となる物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶されており、レーザレーダ２の反射の検出パターンと、記憶部７に記憶された特徴パターンとが認識処理部４により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、レーザレーダ２の反射の検出パターンから車両、モータバイク、自転車、歩行者（人）等を区別して精度よく認識することができる。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、車載レーダの反射の検出パターンから車両、自転車、人（歩行者）等を区別して認識する物体認識装置に関する。
【背景技術】
【０００２】
従来、車両の分野においては、様々な予防安全技術の研究開発が行われており、前方衝突被害軽減システムや後側方警報システムなどの種々の予防安全システムが実用化されている。しかしながら、これらの従来システムはいずれも車両（自動車）を認識するにとどまり、適用範囲が狭く、車両以外の障害物（自転車、歩行者等）も多く混在する複雑な交通環境には適用が困難である。
【０００３】
車両等の障害物の認識は、車載カメラを用いた画像処理で行なうことも可能であるが、そのためにカメラを用意する必要がある。一方、レーザレーダに代表される車載レーダは、測距レーダ等として車両に搭載されることが多く、車載レーダを用いて車両等の障害物を認識することがより実用的で安価である。
【０００４】
そして、車載レーダの反射の検出パターンから車両、自転車、歩行者等の様々な物体を区別して認識することができれば、前記の複雑な交通環境において極めて有用であり、前記の予防安全システムの適用範囲を広げるのに大きく貢献する。
【０００５】
ところで、近年の車載レーダの性能は著しく向上しており、例えばレーザレーダの場合、従来は、主に車両のリフレクタでの反射しか得られなかったが、近年は、近赤外線を利用すること等により、自転車（主にフレーム部分）や歩行者（主に足の部分）などでの反射も得られる。
【０００６】
そして、この種の車載レーダの反射の検出パターンから物体を認識する方法として、従来、車載レーダとしてのレーザレーダにより検出されたある時点の反射点群（クラスタ）の検出パターンが、設定したＬ、Ｉ、Ｏの３種類のパターンのいずれに属するかによって、認識対象の物体が矩形形状、フェンスや壁、その他の形状のいずれの種類の物体であるかを区別して推定し、認識することが提案されている（例えば、非特許文献１参照）。
【先行技術文献】
【非特許文献】
【０００７】
【非特許文献１】ステファン ウェンダー（Ｓｔｅｆａｎ Ｗｅｎｄｅｒ）、他３名、「クラシフィケーション オブ レーザースキャナー メジャーメンツ アット インターセクション シナリオズ ウイズ オートマティク パラメータ オプティマイゼーション（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｌａｓｅｒｓｃａｎｎｅｒ Ｍｅａｓｕｒｅｍｅｎｔｓ ａｔ Ｉｎｔｅｒｓｅｃｔｉｏｎ Ｓｃｅｎａｒｉｏｓ ｗｉｔｈ Ａｕｔｏｍａｔｉｃ Ｐａｒａｍｅｔｅｒ Ｏｐｔｉｍｉｚａｔｉｏｎ）」、Ｉｎｔｅｌｌｉｇｅｎｔ Ｖｅｈｉｃｌｅｓ Ｓｙｍｐｏｓｉｕｍ，２００５．Ｐｒｏｃｅｅｄｉｎｇｓ．ＩＥＥＥ、ＩＥＥＥ、２００５年６月、ｐ．９４−９９
【発明の概要】
【発明が解決しようとする課題】
【０００８】
前記非特許文献１に記載の認識では、レーザレーダにより検出されたある時点の１フレームのクラスタの検出パターンから物体を推定して認識している。ところが、車載レーダにより検出されるクラスタの検出パターンは、車両と認識対象である車両や自転車、人（歩行者）との距離に応じて異なるものとなる。しかしながら、前記非特許文献１に記載の認識では、車両と物体との距離が変化することによる車載レーダにより検出されるクラスタの検出パターンの変化が考慮されておらず、しかも、物体毎のパターン数が少ない（具体的には矩形形状、フェンスや壁、その他の形状の物体それぞれに対してＬ、Ｉ、Ｏの１つずつのパターン）。
【０００９】
したがって、車両と認識対象である物体との距離が変化することで車載レーダにより検出されるクラスタの検出パターンが変化することにより、車両や自転車、人等の多種類の物体のクラスタの検出パターンを的確に該当する物体のパターンに区分することができず、物体の種別の認識率（正答率）が低くなるおそれがあった。なお、物体の種別を正確に識別できれば、認識した物体に応じて警報タイミングを異ならせる等の最適な運転支援が実現する。
【００１０】
本発明は、上記課題に鑑みてなされたものであり、車両と認識対象である物体との距離が変化しても、車載レーダの反射の検出パターンから車両、モータバイク、人（歩行者）等を区別して精度よく認識することができる技術を提供することを目的とする。
【課題を解決するための手段】
【００１１】
上記した目的を達成するために、本発明の物体認識装置は、車両に搭載された車載レーダと、探査対象となる物体と前記車載レーダとの距離に応じて変化する前記車載レーダの反射の検出パターンを前記距離ごとの特徴パターンとして物体の種類別に記憶する記憶手段と、前記検出パターンを、前記記憶手段に記憶された前記特徴パターンと照合して前記検出パターンの物体の種類を識別する識別手段とを備えたことを特徴としている（請求項１）。
【００１２】
また、請求項１に記載の物体認識装置において、前記各特徴パターンは、物体毎に前記車載レーダに対する向きが異なる複数のクラスに分類されたパターンであってもよい（請求項２）。
【発明の効果】
【００１３】
請求項１の発明によれば、探査対象となる物体と車載レーダとの距離に応じて変化する車載レーダの反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶手段に記憶されており、車載レーダの反射の検出パターンと、記憶手段に記憶された特徴パターンとが識別手段により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、車載レーダの反射の検出パターンから車両、モータバイク、人（歩行者）等を区別して精度よく認識することができる。
【００１４】
請求項２の発明によれば、同一物体でも向きによって車載レーダの反射の検出パターンの形状が異なるが、各特徴パターンが、物体毎に車載レーダに対する向きが異なる複数のクラスに分類されたパターンであるため、車載レーダにより、ある物体がフレームによって異なった向きで検出されたとしても、その検出パターンを間違った物体に区分することがなく、より具体的な構成で物体の認識精度を向上することができる。
【図面の簡単な説明】
【００１５】
【図１】本発明の一実施形態のブロック図である。
【図２】車載レーダの反射の検出パターンを説明するための図である。
【図３】車両の反射点群の特徴パターンを示す図である。
【図４】車両の反射点群の特徴パターンを示す図である。
【図５】車両の反射点群の特徴パターンを示す図である。
【図６】車両の反射点群の特徴パターンを示す図である。
【図７】車両の反射点群の特徴パターンを示す図である。
【図８】車両の反射点群の特徴パターンを示す図である。
【図９】モータバイクの反射点群の特徴パターンを示す図である。
【図１０】歩行者の反射点群の特徴パターンを示す図である。
【図１１】図１の動作説明用のフローチャートである。
【発明を実施するための形態】
【００１６】
本発明の物体認識装置の一実施形態について、図１〜図１１を参照して説明する。
【００１７】
図１は本発明の一実施形態のブロック図であり、車両（自車）１が備える物体認識装置の構成を示す。また、図２はレーザレーダ２の反射の検出パターンを説明するための図であって、（ａ）はレーザレーダ２の構成を示し、（ｂ）〜（ｇ）はそれぞれレーザレーダ２の第１レイヤ〜第４レイヤにおける検出パターンの一例を示す。
【００１８】
車載レーダとしてのレーザレーダ２は、車両１の前方のほぼ１８０°の範囲を探査する広角の測距レーダであり、近赤外線を利用すること等により、自転車や歩行者などでの反射も得られる。そして、図２（ａ）に示すように、レーザレーダ２は、例えば車両１のバンパーに取り付けられ、車両１の前方を例えば４つの高さ（第１レイヤ〜第４レイヤ）に区分して、例えば８０ｍｓ秒間隔のフレーム毎に探査し、前方の他の車両（自動車）、モータバイク、自転車、歩行者（人）等での反射波を受信し、各レイヤにおける水平断面での前方の移動物体の距離データを取得し、この距離データを反射波の受信出力として受信処理部３に出力する。
【００１９】
受信処理部３は、前記距離データを受け取ってマイクロコンピュータ構成の認識処理部４のクラスタリング処理部５に送る。
【００２０】
クラスタリング処理部５は、前記受信出力の各反射点の距離データ等に基づき、レーザレーダ２から得られた各反射点の距離情報を各レイヤごとに水平面上にプロットして反射点の画像を形成する。そして、前方の他の車両、モータバイク、自転車、歩行者（人）等の物体を構成する点は離散的であるため、クラスタリング処理部５は、例えば周知のモルフォロジー演算を用いて近傍の各反射点を連結して、近傍の反射点同士をかたまり（反射点群のクラスタ）にまとめ、前方の他の車両、モータバイク、自転車、歩行者（人）等でのフレーム毎の各反射点群の検出パターン３０（クラスタ）を物体追跡処理部６に出力する（図２（ｂ）〜（ｇ）参照）。
【００２１】
物体追跡処理部６はフレーム毎の各レイヤにおける検出パターン３０を記憶部７に一時記憶し、例えば、新たなフレームの反射が得られる毎に、その反射の各検出パターン３０と直前のフレームの検出パターン３０とを比較して同じクラスタのパターンか否かを判断し、例えば、検出パターン別にラベルを付す。なお、記憶部７は書き換え自在のＲＡＭやフラッシュメモリ等からなる。
【００２２】
物体追跡処理部６によりラベルが付される等したフレーム毎の各検出パターン３０の情報は、特徴量抽出部８に送られる。各検出パターンの属性を認識するためには、それぞれの画像上の特徴を知る必要がある。そこで、特徴量抽出部８は、各フレームごとに、各レイヤ（第１レイヤ〜第４レイヤ）におけるクラスタのレーダ走査方向における横幅などの特徴量を抽出し、各レイヤのクラスタどうしの横幅の大きさの比率やレーダ走査方向における各クラスタどうしの相対位置などを算出することにより、各レイヤにおけるクラスタの特徴量を統合して分類スコア算出部９に送る。
【００２３】
分類スコア算出部９は、例えば後述のＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を用いたパターン認識手法により、特徴量の類似度から検出パターンの各クラスの特徴パターンに対する類似度の数値を算出し、検出パターンに最も近い特徴パターンのクラス（属するクラス）を最も近い特徴パターンとして分類し、毎フレームの分類結果を物体属性推定部１０に送り、物体属性推定部１０は複数フレームの時系列の分類結果から物体を推定して認識する。
【００２４】
ところで、この実施形態の物体認識装置は、レーザレーダ２の各レイヤにおいて得られた距離データのみを用いたパターン認識により、車両（いわゆる自動車）、モータバイク（スクータ等も含む自動二輪車）、歩行者（人）の３種類の物体（障害物）を区別して認識する。これら３種類の物体は、同じ物体であっても、物体とレーザレーダ２との距離や、レーザレーダ２に対する物体の位置や方向によって、各レイヤごとに「形」が大きく異なり、その反射点群の検出パターン３０も大きく異なる。
【００２５】
そこで、この実施形態では、前記３種類の物体について、物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターン３０が距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶され、さらに、記憶される特徴パターンは、各距離において、レーザレーダ２に対する物体の向きが異なる複数のクラスに分類されている。そして、各フレームにおける各レイヤの検出パターン３０の特徴量に基づいて、各レイヤにおける検出パターン３０と記憶部７に記憶された特徴パターンとが照合されて、検出パターン３０を、最も近い特徴パターンのクラスを求めてクラス分類し、その結果から属性（物体のカテゴリ）が推定されて物体の種類が物体属性推定部１０により認識される。
【００２６】
なお、前記パターン認識は、どのような認識手法で行なってもよいが、本実施形態においては、分類スコア算出部９により、ＳＶＭを用いたパターン認識手法で行なう。ＳＶＭは高い汎化能力を持つことが知られている。そして、前記した時系列変化の認識ではＳＶＭの特徴であるマージン最大化を狙い、時系列累積分類スコア（超平面までの距離）を用いて自転車を認識する。
【００２７】
つぎに、記憶部７に記憶される特徴パターンについて説明する。
【００２８】
図２（ａ）に示すように、レーザレーダ２の探査範囲は上下方向に広がりを有しているため、探査対象となる車両などの物体とレーザレーダ２との距離に応じて、各レイヤにおけるレーザレーダ２の反射の検出パターン３０（クラスタ）の形状が変化する。すなわち、例えば探査対象となる他の車両２０が、車両１の正面に存在するときに、同図（ａ）に示すように、他の車両２０が近距離（約３５ｍまで）にあれば、レーザレーダ２の全てのレイヤにおいて反射の検出パターン３０が存在し、他の車両２０が中距離（約３５〜６０ｍ）にあれば、レーザレーダ２の第１レイヤ〜第３レイヤにおいて反射の検出パターン３０が存在し、他の車両２０が長距離（約６０ｍ以上）にあれば、レーザレーダ２の第１レイヤ〜第３レイヤにおいて反射の検出パターン３０が存在する。
【００２９】
このとき、図２（ｂ）〜（ｄ）に、近距離、中距離、遠距離の各距離での他の車両２０の第３レイヤにおける検出パターン３０を例に挙げて示すように、他の車両２０とレーザレーダ２との距離の変化に伴い、同じレイヤであっても他の車両２０の高さ方向における走査位置が異なるため、その反射の検出パターン３０は異なる。また、図２（ｂ），（ｅ）〜（ｇ）に、近距離での各レイヤにおける他の車両２０の検出パターン３０を例に挙げて説明するように、他の車両２０が同じ位置にあっても、各レイヤにおいて他の車両２０の高さ方向における走査位置が異なるため、各レイヤにおける反射の検出パターン３０は異なる。
【００３０】
そこで、この実施形態では、認識する物体の種類は、前記したように車両、モータバイク、歩行者（人）の３種類であるが、車両については、さらに、軽自動車、セダンタイプの自動車、ミニバンタイプの自動車、ワゴンタイプの自動車、軽トラック、大型トラックに分類し、物体とレーザレーダ２との距離に応じて変化する、それぞれの物体のレーザレーダ２の反射点群のパターンを、探査対象である物体とレーザレーダ２との距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶する。すなわち、この実施形態では、レーザレーダ２と物体との距離を、近距離、中距離、遠距離の３つに区分し、車両、モータバイク、歩行者（人）の種類別に、各距離におけるレーザレーダ２の各レイヤにおける検出パターンを特徴パターンとして記憶部７に記憶する。
【００３１】
また、記憶部７に記憶された特徴パターンは、軽自動車、セダンタイプの自動車、ミニバンタイプの自動車、ワゴンタイプの自動車、軽トラック、大型トラック、モータバイクごとに、レーザレーダ２に対する向きが異なる複数のクラス（この実施形態では、側面および正面の２方向）に分類されている。なお、歩行者（人）については、近距離、中距離、遠距離における特徴パターンのみが記憶部７に格納されている。
【００３２】
つぎに、各クラスの具体例について説明する。なお、この実施形態では、特に、各レイヤのクラスタ（検出パターン）どうしのレーダ走査方向における横幅の大きさの比率と、各レイヤのクラスタどうしのレーダ走査方向における相対位置とに着目し、検出パターンと、前記横幅の大きさの比率および前記相対位置が照合できるように各距離および各向きにおけるパターンを、各クラスにおける特徴パターンとして記憶部７に記憶する。
【００３３】
図３は軽自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図３（ａ）に示すように、レーザレーダ２に対する軽自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのクラスタの横幅どうしの大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３４】
また、図３（ｂ）に示すように、レーザレーダ２に対する軽自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのクラスタどうしの横幅の大きさの比率は、近・中・遠距離において、それぞれほぼ同じ横幅となる。
【００３５】
図４はセダンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図４（ａ）に示すように、レーザレーダ２に対するセダンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第２レイヤから第４レイヤまでパターンの横幅が徐々に小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３６】
また、図４（ｂ）に示すように、レーザレーダ２に対するセダンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
【００３７】
図５はミニバンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図５（ａ）に示すように、レーザレーダ２に対するミニバンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３８】
また、図５（ｂ）に示すように、レーザレーダ２に対するミニバンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３９】
図６はワゴンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図６（ａ）に示すように、レーザレーダ２に対するワゴンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００４０】
また、図６（ｂ）に示すように、レーザレーダ２に対するワゴンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
【００４１】
図７は軽トラックの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図７（ａ）に示すように、レーザレーダ２に対する軽トラックの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００４２】
また、図７（ｂ）に示すように、レーザレーダ２に対する軽トラックの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第２レイヤおよび第３レイヤのパターンはほぼ同じ横幅となる。
【００４３】
図８は大型トラックの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図８（ａ）に示すように、レーザレーダ２に対する大型トラックの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤ〜第４レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近・中距離では全てのレイヤのパターンはほぼ同じ横幅となり、遠距離では第４レイヤのパターンの横幅のみ他に比べて小さくなる。
【００４４】
また、図８（ｂ）に示すように、レーザレーダ２に対する大型トラックの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤ〜第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近・中・遠距離において、全てのレイヤのパターンはほぼ同じ横幅となる。
【００４５】
図９はモータバイクの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダに対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図９（ａ）に示すように、レーザレーダ２に対するモータバイクの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では第４レイヤの横幅のみ他に比べて小さくなり、中距離では第２レイヤから第４レイヤまでパターンの横幅が徐々に小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて大きく小さくなる。
【００４６】
また、図９（ｂ）に示すように、レーザレーダ２に対するモータバイクの向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
【００４７】
図１０は歩行者の反射点群の特徴パターンを示し、それぞれ、近・中・遠距離における特徴パターンを示す。図１０に示すように、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では第１レイヤおよび第２レイヤのパターンは２つに分割されており、第３レイヤおよび第４レイヤのパターンはほぼ同じ横幅となる。また、中距離では第２レイヤのパターンは２つに分割されており、第４レイヤのパターンの横幅は第３レイヤのパターンの横幅に比べて小さくなる。また、遠距離では、第２レイヤのパターンは２つに分割されており、第３レイヤのパターンの横幅は第２レイヤの２つに分割されたパターンを合わせた横幅より小さくなる。
【００４８】
また、図３〜図１０に示すように、各レイヤにおけるパターンの横幅の大きさは、物体の種類によりそれぞれ異なるものとなり、各レイヤおけるパターンどうしの相対位置は、物体の立体形状によりそれぞれ異なるものとなる。例えば、図３（ａ）に示すように、物体が軽自動車である場合に、遠距離での第３レイヤのパターンは軽自動車の後方側（第２レイヤのパターンの後方側）に位置するが、図７（ａ）に示すように、物体が軽トラックである場合に、遠距離での第３レイヤのパターンは軽トラックの前方側（第２レイヤのパターンの前方側）に位置する。
【００４９】
また、この実施形態では、特徴量抽出部８は、各レイヤの検出パターンの、画像処理上の形状に関わる幅、奥行き、面積、周囲、慣性モーメント、円形度、主軸、動き方向などの特徴量を抽出する。また、この実施形態では、特徴量抽出部８は、各レイヤの検出パターンどうしの横幅の大きさの比率と、各レイヤの検出パターンどうしの相対位置とに関する特徴量を抽出する。そして、分類スコア算出部９は、特に、前記横幅の大きさの比率および前記相対位置に着目して記憶部７に記憶された特徴パターンと検出パターンとの照合を行い、検出パターンのクラスを分類する。
【００５０】
ところで、ＳＶＭは教師あり学習を用いるパターン認識手法の一つであり、高次元の分類問題が得意といわれている。ＳＶＭは超平面とそれに最も近いデータとの距離(マージン)を最大化するように、訓練データ（学習サンプル）を分離する分離超平面を求める手法で未学習のサンプルに対しても高い認識性能を得ることができる。そこで、本実施形態においては、特徴量抽出部８および分類スコア算出部９を分類器により形成し、特徴量抽出部８により、分類器から出力される分離超平面までの距離（以下、スコアという）に着目し、分類スコア算出部９のパターン認識に必要な検出パターンの各特徴量につき、複数の学習サンプルのパターンの各特徴量を学習して未学習の前記検出パターンの各特徴量のスコアを検出する。なお、前記分類器は、ＳＶＭの二値分類器をワン−アゲンスト−レスト（ｏｎｅ−ａｇａｉｎｓｔ−ｒｅｓｔ）法を用いて多値分類器に拡張する。また、学習サンプルには、図３〜図１０で示した各クラスについて、それぞれのクラスに属すると判断する種々の反射点群のパターンから選択した複数のパターンを使用するものとする。
【００５１】
分類スコア算出部９は、特徴量抽出部８のフレーム毎の抽出結果の検出パターンの各特徴量が、各クラスの特徴パターンのいずれにもっとも近いかを判断して、検出パターンに最も近い特徴パターンのクラスを特定し、フレーム毎の検出パターンを該当するクラスに分類する。さらに、例えば３４フレーム（０．２秒）に亘って、同じ物体の検出パターンについて分類したクラスを累積し、累積結果を物体属性推定部１０に送る。物体属性推定部１０は、累積数が最も大きなクラスを、その検出パターンのクラスに決定し、決定したクラスから属性を推定して物体を認識する。
【００５２】
また、分類スコア算出部９によりクラスに分類した結果に基づき、物体属性推定部１０によりフレーム毎にそのフレームで検出したクラスからカテゴリ別に分類して物体の認識を行ってもよいが、この実施形態では、複数フレームにおける分類スコア算出部９の分類結果に基づいて物体の認識を行う。すなわち、フレーム毎に物体を認識すれば、認識結果がフレーム毎に最高スコアとなったクラスから決定される。これでは、例えば最高スコアと同程度に高いクラスが正解のクラスになる場合、そのクラスが正解であるにもかかわらず、検出パターンを最高スコアのクラスに分類して誤認識する可能性がある。つまり、分類データの特徴によってはフレーム毎の最高スコアを用いるだけでは不十分で、認識精度を高めるにはその他のスコアも考慮して認識する必要があると考えられる。そこで、この実施形態では、フレーム毎に算出される各クラスに対するスコアを時系列に観測し、最終的に累積スコアが最も大きくなったクラスから物体（カテゴリ）を認識する。
【００５３】
図１１は認識処理部４の各部５〜１０の処理手順の一例を示し、フレーム毎にレーザレーダ２の反射点群のデータを取得し（ステップＳ１）、クラスタリングの処理を施し（ステップＳ２）、クラスタにラベルを付す等して同じ物体を追跡し（ステップＳ３）、そのフレームの各レイヤにおけるクラスタそれぞれの各特徴量を抽出し（ステップＳ４）、ＳＳＶＭのパターン認識により、分類スコアを算出し（ステップＳ５）、例えばＮ＝３４フレームに亘って同じ物体の分類スコアを累積する（ステップＳ６、ステップＳ７）。そして、その累積結果から物体を認識する（ステップＳ８）。
【００５４】
以上のように、上記した実施形態によれば、探査対象となる物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶されており、レーザレーダ２の反射の検出パターンと、記憶部７に記憶された特徴パターンとが認識処理部４により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、レーザレーダ２の反射の検出パターンから車両、モータバイク、自転車、歩行者（人）等を区別して精度よく認識することができる。
【００５５】
また、同一物体でも向きによってレーザレーダ２の反射の検出パターンの形状が異なるが、各特徴パターンが、物体毎にレーザレーダ２に対する向きが異なる複数のクラスに分類されたパターンであるため、レーザレーダ２により、ある物体がフレームによって異なった向きで検出されたとしても、その検出パターンを間違った物体に区分することがなく、より具体的な構成で物体の認識精度を向上することができる。
【００５６】
また、１つのレイヤでの検出パターンのみから物体を識別していた従来の技術と比較すると、レーザレーダ２の探査範囲を高さ方向に複数のレイヤに分割し、各レイヤでの反射の検出パターンの特徴を組合わせて、検出パターンの物体の種類を識別しているため、物体の認識精度を向上することができる。
【００５７】
そして、物体属性推定部１０が認識した物体の情報が、認識処理部４から運転支援部１１に送られ、運転支援部１１は車両、モータバイク、歩行者（人）の別に応じた警報等の運転支援を行なうことができる。
【００５８】
なお、本発明は上記した実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて上述したもの以外に種々の変更を行なうことが可能であり、例えば、クラスの数や形状等は前記実施例に限るものではなく、また、物体として、自転車等、上記したもの以外に種々の物体の特徴パターンを予め記憶部７に格納して物体を認識するようにしてもよい。また、パターン認識の手法は、ＳＶＭに限るものではなく、例えばニューラルネットワークを用いた認識手法であってもよい。
【００５９】
また、記憶部７に記憶される車両１と物体との距離ごとの特徴パターンは、上記した、近距離、中距離、遠距離の３つに区分された距離別の特徴パターンに限られるものではなく、さらに距離を区分して、区分された距離別の特徴パターンを記憶部７に記憶してもよい。
【００６０】
また、上記した実施形態では、特に、各レイヤにおける検出パターンの横幅の大きさの比率および相対位置に着目してパターン認識を行ったが、図２に示す、各レイヤの２次元形状を組合わせた３次元形状の特徴パターンを記憶部７に記憶し、記憶された３次元形状の特徴パターンに基づくパターン認識を行ってもよい。
【００６１】
また、物体の向きに応じた複数のクラスは必ずしも設けなくともよい。
【００６２】
また、車載レーダはレーザレーダ２に限るものではなく、ミリ波レーダ、超音波レーダ等であってもよい。また、車載レーダの探査範囲はどのようであってもよく、車載レーダは、車両１の後方や左右側を探査するものであってもよく、車両１の全周を探査するものであってもよい。また、車載レーダの探査範囲を高さ方向に複数のレイヤに区分して、各レイヤにおける検出パターンの特徴によりパターン認識を行うようにすればよく、また、レイヤの数は上記したように４つに限るものではない。
【００６３】
つぎに、認識処理部４の構成や処理手順等が前記実施形態と異なっていてもよいのも勿論である。
【００６４】
そして、本発明は、車載レーダを用いた種々の車両の物体認識装置に適用することができる。
【符号の説明】
【００６５】
１ 車両
２ レーザレーダ（車載レーダ）
４ 認識処理部（識別手段）
７ 記憶部（記憶手段）
２０ 車両（物体）
３０ 検出パターン
【技術分野】
【０００１】
この発明は、車載レーダの反射の検出パターンから車両、自転車、人（歩行者）等を区別して認識する物体認識装置に関する。
【背景技術】
【０００２】
従来、車両の分野においては、様々な予防安全技術の研究開発が行われており、前方衝突被害軽減システムや後側方警報システムなどの種々の予防安全システムが実用化されている。しかしながら、これらの従来システムはいずれも車両（自動車）を認識するにとどまり、適用範囲が狭く、車両以外の障害物（自転車、歩行者等）も多く混在する複雑な交通環境には適用が困難である。
【０００３】
車両等の障害物の認識は、車載カメラを用いた画像処理で行なうことも可能であるが、そのためにカメラを用意する必要がある。一方、レーザレーダに代表される車載レーダは、測距レーダ等として車両に搭載されることが多く、車載レーダを用いて車両等の障害物を認識することがより実用的で安価である。
【０００４】
そして、車載レーダの反射の検出パターンから車両、自転車、歩行者等の様々な物体を区別して認識することができれば、前記の複雑な交通環境において極めて有用であり、前記の予防安全システムの適用範囲を広げるのに大きく貢献する。
【０００５】
ところで、近年の車載レーダの性能は著しく向上しており、例えばレーザレーダの場合、従来は、主に車両のリフレクタでの反射しか得られなかったが、近年は、近赤外線を利用すること等により、自転車（主にフレーム部分）や歩行者（主に足の部分）などでの反射も得られる。
【０００６】
そして、この種の車載レーダの反射の検出パターンから物体を認識する方法として、従来、車載レーダとしてのレーザレーダにより検出されたある時点の反射点群（クラスタ）の検出パターンが、設定したＬ、Ｉ、Ｏの３種類のパターンのいずれに属するかによって、認識対象の物体が矩形形状、フェンスや壁、その他の形状のいずれの種類の物体であるかを区別して推定し、認識することが提案されている（例えば、非特許文献１参照）。
【先行技術文献】
【非特許文献】
【０００７】
【非特許文献１】ステファン ウェンダー（Ｓｔｅｆａｎ Ｗｅｎｄｅｒ）、他３名、「クラシフィケーション オブ レーザースキャナー メジャーメンツ アット インターセクション シナリオズ ウイズ オートマティク パラメータ オプティマイゼーション（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｌａｓｅｒｓｃａｎｎｅｒ Ｍｅａｓｕｒｅｍｅｎｔｓ ａｔ Ｉｎｔｅｒｓｅｃｔｉｏｎ Ｓｃｅｎａｒｉｏｓ ｗｉｔｈ Ａｕｔｏｍａｔｉｃ Ｐａｒａｍｅｔｅｒ Ｏｐｔｉｍｉｚａｔｉｏｎ）」、Ｉｎｔｅｌｌｉｇｅｎｔ Ｖｅｈｉｃｌｅｓ Ｓｙｍｐｏｓｉｕｍ，２００５．Ｐｒｏｃｅｅｄｉｎｇｓ．ＩＥＥＥ、ＩＥＥＥ、２００５年６月、ｐ．９４−９９
【発明の概要】
【発明が解決しようとする課題】
【０００８】
前記非特許文献１に記載の認識では、レーザレーダにより検出されたある時点の１フレームのクラスタの検出パターンから物体を推定して認識している。ところが、車載レーダにより検出されるクラスタの検出パターンは、車両と認識対象である車両や自転車、人（歩行者）との距離に応じて異なるものとなる。しかしながら、前記非特許文献１に記載の認識では、車両と物体との距離が変化することによる車載レーダにより検出されるクラスタの検出パターンの変化が考慮されておらず、しかも、物体毎のパターン数が少ない（具体的には矩形形状、フェンスや壁、その他の形状の物体それぞれに対してＬ、Ｉ、Ｏの１つずつのパターン）。
【０００９】
したがって、車両と認識対象である物体との距離が変化することで車載レーダにより検出されるクラスタの検出パターンが変化することにより、車両や自転車、人等の多種類の物体のクラスタの検出パターンを的確に該当する物体のパターンに区分することができず、物体の種別の認識率（正答率）が低くなるおそれがあった。なお、物体の種別を正確に識別できれば、認識した物体に応じて警報タイミングを異ならせる等の最適な運転支援が実現する。
【００１０】
本発明は、上記課題に鑑みてなされたものであり、車両と認識対象である物体との距離が変化しても、車載レーダの反射の検出パターンから車両、モータバイク、人（歩行者）等を区別して精度よく認識することができる技術を提供することを目的とする。
【課題を解決するための手段】
【００１１】
上記した目的を達成するために、本発明の物体認識装置は、車両に搭載された車載レーダと、探査対象となる物体と前記車載レーダとの距離に応じて変化する前記車載レーダの反射の検出パターンを前記距離ごとの特徴パターンとして物体の種類別に記憶する記憶手段と、前記検出パターンを、前記記憶手段に記憶された前記特徴パターンと照合して前記検出パターンの物体の種類を識別する識別手段とを備えたことを特徴としている（請求項１）。
【００１２】
また、請求項１に記載の物体認識装置において、前記各特徴パターンは、物体毎に前記車載レーダに対する向きが異なる複数のクラスに分類されたパターンであってもよい（請求項２）。
【発明の効果】
【００１３】
請求項１の発明によれば、探査対象となる物体と車載レーダとの距離に応じて変化する車載レーダの反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶手段に記憶されており、車載レーダの反射の検出パターンと、記憶手段に記憶された特徴パターンとが識別手段により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、車載レーダの反射の検出パターンから車両、モータバイク、人（歩行者）等を区別して精度よく認識することができる。
【００１４】
請求項２の発明によれば、同一物体でも向きによって車載レーダの反射の検出パターンの形状が異なるが、各特徴パターンが、物体毎に車載レーダに対する向きが異なる複数のクラスに分類されたパターンであるため、車載レーダにより、ある物体がフレームによって異なった向きで検出されたとしても、その検出パターンを間違った物体に区分することがなく、より具体的な構成で物体の認識精度を向上することができる。
【図面の簡単な説明】
【００１５】
【図１】本発明の一実施形態のブロック図である。
【図２】車載レーダの反射の検出パターンを説明するための図である。
【図３】車両の反射点群の特徴パターンを示す図である。
【図４】車両の反射点群の特徴パターンを示す図である。
【図５】車両の反射点群の特徴パターンを示す図である。
【図６】車両の反射点群の特徴パターンを示す図である。
【図７】車両の反射点群の特徴パターンを示す図である。
【図８】車両の反射点群の特徴パターンを示す図である。
【図９】モータバイクの反射点群の特徴パターンを示す図である。
【図１０】歩行者の反射点群の特徴パターンを示す図である。
【図１１】図１の動作説明用のフローチャートである。
【発明を実施するための形態】
【００１６】
本発明の物体認識装置の一実施形態について、図１〜図１１を参照して説明する。
【００１７】
図１は本発明の一実施形態のブロック図であり、車両（自車）１が備える物体認識装置の構成を示す。また、図２はレーザレーダ２の反射の検出パターンを説明するための図であって、（ａ）はレーザレーダ２の構成を示し、（ｂ）〜（ｇ）はそれぞれレーザレーダ２の第１レイヤ〜第４レイヤにおける検出パターンの一例を示す。
【００１８】
車載レーダとしてのレーザレーダ２は、車両１の前方のほぼ１８０°の範囲を探査する広角の測距レーダであり、近赤外線を利用すること等により、自転車や歩行者などでの反射も得られる。そして、図２（ａ）に示すように、レーザレーダ２は、例えば車両１のバンパーに取り付けられ、車両１の前方を例えば４つの高さ（第１レイヤ〜第４レイヤ）に区分して、例えば８０ｍｓ秒間隔のフレーム毎に探査し、前方の他の車両（自動車）、モータバイク、自転車、歩行者（人）等での反射波を受信し、各レイヤにおける水平断面での前方の移動物体の距離データを取得し、この距離データを反射波の受信出力として受信処理部３に出力する。
【００１９】
受信処理部３は、前記距離データを受け取ってマイクロコンピュータ構成の認識処理部４のクラスタリング処理部５に送る。
【００２０】
クラスタリング処理部５は、前記受信出力の各反射点の距離データ等に基づき、レーザレーダ２から得られた各反射点の距離情報を各レイヤごとに水平面上にプロットして反射点の画像を形成する。そして、前方の他の車両、モータバイク、自転車、歩行者（人）等の物体を構成する点は離散的であるため、クラスタリング処理部５は、例えば周知のモルフォロジー演算を用いて近傍の各反射点を連結して、近傍の反射点同士をかたまり（反射点群のクラスタ）にまとめ、前方の他の車両、モータバイク、自転車、歩行者（人）等でのフレーム毎の各反射点群の検出パターン３０（クラスタ）を物体追跡処理部６に出力する（図２（ｂ）〜（ｇ）参照）。
【００２１】
物体追跡処理部６はフレーム毎の各レイヤにおける検出パターン３０を記憶部７に一時記憶し、例えば、新たなフレームの反射が得られる毎に、その反射の各検出パターン３０と直前のフレームの検出パターン３０とを比較して同じクラスタのパターンか否かを判断し、例えば、検出パターン別にラベルを付す。なお、記憶部７は書き換え自在のＲＡＭやフラッシュメモリ等からなる。
【００２２】
物体追跡処理部６によりラベルが付される等したフレーム毎の各検出パターン３０の情報は、特徴量抽出部８に送られる。各検出パターンの属性を認識するためには、それぞれの画像上の特徴を知る必要がある。そこで、特徴量抽出部８は、各フレームごとに、各レイヤ（第１レイヤ〜第４レイヤ）におけるクラスタのレーダ走査方向における横幅などの特徴量を抽出し、各レイヤのクラスタどうしの横幅の大きさの比率やレーダ走査方向における各クラスタどうしの相対位置などを算出することにより、各レイヤにおけるクラスタの特徴量を統合して分類スコア算出部９に送る。
【００２３】
分類スコア算出部９は、例えば後述のＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を用いたパターン認識手法により、特徴量の類似度から検出パターンの各クラスの特徴パターンに対する類似度の数値を算出し、検出パターンに最も近い特徴パターンのクラス（属するクラス）を最も近い特徴パターンとして分類し、毎フレームの分類結果を物体属性推定部１０に送り、物体属性推定部１０は複数フレームの時系列の分類結果から物体を推定して認識する。
【００２４】
ところで、この実施形態の物体認識装置は、レーザレーダ２の各レイヤにおいて得られた距離データのみを用いたパターン認識により、車両（いわゆる自動車）、モータバイク（スクータ等も含む自動二輪車）、歩行者（人）の３種類の物体（障害物）を区別して認識する。これら３種類の物体は、同じ物体であっても、物体とレーザレーダ２との距離や、レーザレーダ２に対する物体の位置や方向によって、各レイヤごとに「形」が大きく異なり、その反射点群の検出パターン３０も大きく異なる。
【００２５】
そこで、この実施形態では、前記３種類の物体について、物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターン３０が距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶され、さらに、記憶される特徴パターンは、各距離において、レーザレーダ２に対する物体の向きが異なる複数のクラスに分類されている。そして、各フレームにおける各レイヤの検出パターン３０の特徴量に基づいて、各レイヤにおける検出パターン３０と記憶部７に記憶された特徴パターンとが照合されて、検出パターン３０を、最も近い特徴パターンのクラスを求めてクラス分類し、その結果から属性（物体のカテゴリ）が推定されて物体の種類が物体属性推定部１０により認識される。
【００２６】
なお、前記パターン認識は、どのような認識手法で行なってもよいが、本実施形態においては、分類スコア算出部９により、ＳＶＭを用いたパターン認識手法で行なう。ＳＶＭは高い汎化能力を持つことが知られている。そして、前記した時系列変化の認識ではＳＶＭの特徴であるマージン最大化を狙い、時系列累積分類スコア（超平面までの距離）を用いて自転車を認識する。
【００２７】
つぎに、記憶部７に記憶される特徴パターンについて説明する。
【００２８】
図２（ａ）に示すように、レーザレーダ２の探査範囲は上下方向に広がりを有しているため、探査対象となる車両などの物体とレーザレーダ２との距離に応じて、各レイヤにおけるレーザレーダ２の反射の検出パターン３０（クラスタ）の形状が変化する。すなわち、例えば探査対象となる他の車両２０が、車両１の正面に存在するときに、同図（ａ）に示すように、他の車両２０が近距離（約３５ｍまで）にあれば、レーザレーダ２の全てのレイヤにおいて反射の検出パターン３０が存在し、他の車両２０が中距離（約３５〜６０ｍ）にあれば、レーザレーダ２の第１レイヤ〜第３レイヤにおいて反射の検出パターン３０が存在し、他の車両２０が長距離（約６０ｍ以上）にあれば、レーザレーダ２の第１レイヤ〜第３レイヤにおいて反射の検出パターン３０が存在する。
【００２９】
このとき、図２（ｂ）〜（ｄ）に、近距離、中距離、遠距離の各距離での他の車両２０の第３レイヤにおける検出パターン３０を例に挙げて示すように、他の車両２０とレーザレーダ２との距離の変化に伴い、同じレイヤであっても他の車両２０の高さ方向における走査位置が異なるため、その反射の検出パターン３０は異なる。また、図２（ｂ），（ｅ）〜（ｇ）に、近距離での各レイヤにおける他の車両２０の検出パターン３０を例に挙げて説明するように、他の車両２０が同じ位置にあっても、各レイヤにおいて他の車両２０の高さ方向における走査位置が異なるため、各レイヤにおける反射の検出パターン３０は異なる。
【００３０】
そこで、この実施形態では、認識する物体の種類は、前記したように車両、モータバイク、歩行者（人）の３種類であるが、車両については、さらに、軽自動車、セダンタイプの自動車、ミニバンタイプの自動車、ワゴンタイプの自動車、軽トラック、大型トラックに分類し、物体とレーザレーダ２との距離に応じて変化する、それぞれの物体のレーザレーダ２の反射点群のパターンを、探査対象である物体とレーザレーダ２との距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶する。すなわち、この実施形態では、レーザレーダ２と物体との距離を、近距離、中距離、遠距離の３つに区分し、車両、モータバイク、歩行者（人）の種類別に、各距離におけるレーザレーダ２の各レイヤにおける検出パターンを特徴パターンとして記憶部７に記憶する。
【００３１】
また、記憶部７に記憶された特徴パターンは、軽自動車、セダンタイプの自動車、ミニバンタイプの自動車、ワゴンタイプの自動車、軽トラック、大型トラック、モータバイクごとに、レーザレーダ２に対する向きが異なる複数のクラス（この実施形態では、側面および正面の２方向）に分類されている。なお、歩行者（人）については、近距離、中距離、遠距離における特徴パターンのみが記憶部７に格納されている。
【００３２】
つぎに、各クラスの具体例について説明する。なお、この実施形態では、特に、各レイヤのクラスタ（検出パターン）どうしのレーダ走査方向における横幅の大きさの比率と、各レイヤのクラスタどうしのレーダ走査方向における相対位置とに着目し、検出パターンと、前記横幅の大きさの比率および前記相対位置が照合できるように各距離および各向きにおけるパターンを、各クラスにおける特徴パターンとして記憶部７に記憶する。
【００３３】
図３は軽自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図３（ａ）に示すように、レーザレーダ２に対する軽自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのクラスタの横幅どうしの大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３４】
また、図３（ｂ）に示すように、レーザレーダ２に対する軽自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのクラスタどうしの横幅の大きさの比率は、近・中・遠距離において、それぞれほぼ同じ横幅となる。
【００３５】
図４はセダンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図４（ａ）に示すように、レーザレーダ２に対するセダンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第２レイヤから第４レイヤまでパターンの横幅が徐々に小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３６】
また、図４（ｂ）に示すように、レーザレーダ２に対するセダンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
【００３７】
図５はミニバンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図５（ａ）に示すように、レーザレーダ２に対するミニバンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３８】
また、図５（ｂ）に示すように、レーザレーダ２に対するミニバンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００３９】
図６はワゴンタイプの自動車の反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図６（ａ）に示すように、レーザレーダ２に対するワゴンタイプの自動車の向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００４０】
また、図６（ｂ）に示すように、レーザレーダ２に対するワゴンタイプの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
【００４１】
図７は軽トラックの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図７（ａ）に示すように、レーザレーダ２に対する軽トラックの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて小さくなる。
【００４２】
また、図７（ｂ）に示すように、レーザレーダ２に対する軽トラックの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第２レイヤおよび第３レイヤのパターンはほぼ同じ横幅となる。
【００４３】
図８は大型トラックの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダ２に対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図８（ａ）に示すように、レーザレーダ２に対する大型トラックの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤ〜第４レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近・中距離では全てのレイヤのパターンはほぼ同じ横幅となり、遠距離では第４レイヤのパターンの横幅のみ他に比べて小さくなる。
【００４４】
また、図８（ｂ）に示すように、レーザレーダ２に対する大型トラックの自動車の向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤ〜第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近・中・遠距離において、全てのレイヤのパターンはほぼ同じ横幅となる。
【００４５】
図９はモータバイクの反射点群の特徴パターンを示し、（ａ）はそれぞれレーザレーダ２に対する向きが側面であるときの近・中・遠距離における特徴パターンを示し、（ｂ）はそれぞれレーザレーダに対する向きが正面であるときの近・中・遠距離における特徴パターンを示す。図９（ａ）に示すように、レーザレーダ２に対するモータバイクの向きが側面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では第４レイヤの横幅のみ他に比べて小さくなり、中距離では第２レイヤから第４レイヤまでパターンの横幅が徐々に小さくなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて大きく小さくなる。
【００４６】
また、図９（ｂ）に示すように、レーザレーダ２に対するモータバイクの向きが正面であるときに、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では全てのレイヤのパターンはほぼ同じ横幅となり、中距離では第４レイヤのパターンの横幅のみ他に比べて少し小さいものとなり、遠距離では第３レイヤのパターンの横幅が第２レイヤのパターンの横幅に比べて少し小さくなる。
【００４７】
図１０は歩行者の反射点群の特徴パターンを示し、それぞれ、近・中・遠距離における特徴パターンを示す。図１０に示すように、近距離では全てのレイヤにおいてパターンが存在し、中距離では第２レイヤ〜第４レイヤにおいてパターンが存在し、遠距離では第２レイヤおよび第３レイヤにおいてパターンが存在する。そして、パターンが存在する各レイヤのパターンどうしの横幅の大きさの比率は、近距離では第１レイヤおよび第２レイヤのパターンは２つに分割されており、第３レイヤおよび第４レイヤのパターンはほぼ同じ横幅となる。また、中距離では第２レイヤのパターンは２つに分割されており、第４レイヤのパターンの横幅は第３レイヤのパターンの横幅に比べて小さくなる。また、遠距離では、第２レイヤのパターンは２つに分割されており、第３レイヤのパターンの横幅は第２レイヤの２つに分割されたパターンを合わせた横幅より小さくなる。
【００４８】
また、図３〜図１０に示すように、各レイヤにおけるパターンの横幅の大きさは、物体の種類によりそれぞれ異なるものとなり、各レイヤおけるパターンどうしの相対位置は、物体の立体形状によりそれぞれ異なるものとなる。例えば、図３（ａ）に示すように、物体が軽自動車である場合に、遠距離での第３レイヤのパターンは軽自動車の後方側（第２レイヤのパターンの後方側）に位置するが、図７（ａ）に示すように、物体が軽トラックである場合に、遠距離での第３レイヤのパターンは軽トラックの前方側（第２レイヤのパターンの前方側）に位置する。
【００４９】
また、この実施形態では、特徴量抽出部８は、各レイヤの検出パターンの、画像処理上の形状に関わる幅、奥行き、面積、周囲、慣性モーメント、円形度、主軸、動き方向などの特徴量を抽出する。また、この実施形態では、特徴量抽出部８は、各レイヤの検出パターンどうしの横幅の大きさの比率と、各レイヤの検出パターンどうしの相対位置とに関する特徴量を抽出する。そして、分類スコア算出部９は、特に、前記横幅の大きさの比率および前記相対位置に着目して記憶部７に記憶された特徴パターンと検出パターンとの照合を行い、検出パターンのクラスを分類する。
【００５０】
ところで、ＳＶＭは教師あり学習を用いるパターン認識手法の一つであり、高次元の分類問題が得意といわれている。ＳＶＭは超平面とそれに最も近いデータとの距離(マージン)を最大化するように、訓練データ（学習サンプル）を分離する分離超平面を求める手法で未学習のサンプルに対しても高い認識性能を得ることができる。そこで、本実施形態においては、特徴量抽出部８および分類スコア算出部９を分類器により形成し、特徴量抽出部８により、分類器から出力される分離超平面までの距離（以下、スコアという）に着目し、分類スコア算出部９のパターン認識に必要な検出パターンの各特徴量につき、複数の学習サンプルのパターンの各特徴量を学習して未学習の前記検出パターンの各特徴量のスコアを検出する。なお、前記分類器は、ＳＶＭの二値分類器をワン−アゲンスト−レスト（ｏｎｅ−ａｇａｉｎｓｔ−ｒｅｓｔ）法を用いて多値分類器に拡張する。また、学習サンプルには、図３〜図１０で示した各クラスについて、それぞれのクラスに属すると判断する種々の反射点群のパターンから選択した複数のパターンを使用するものとする。
【００５１】
分類スコア算出部９は、特徴量抽出部８のフレーム毎の抽出結果の検出パターンの各特徴量が、各クラスの特徴パターンのいずれにもっとも近いかを判断して、検出パターンに最も近い特徴パターンのクラスを特定し、フレーム毎の検出パターンを該当するクラスに分類する。さらに、例えば３４フレーム（０．２秒）に亘って、同じ物体の検出パターンについて分類したクラスを累積し、累積結果を物体属性推定部１０に送る。物体属性推定部１０は、累積数が最も大きなクラスを、その検出パターンのクラスに決定し、決定したクラスから属性を推定して物体を認識する。
【００５２】
また、分類スコア算出部９によりクラスに分類した結果に基づき、物体属性推定部１０によりフレーム毎にそのフレームで検出したクラスからカテゴリ別に分類して物体の認識を行ってもよいが、この実施形態では、複数フレームにおける分類スコア算出部９の分類結果に基づいて物体の認識を行う。すなわち、フレーム毎に物体を認識すれば、認識結果がフレーム毎に最高スコアとなったクラスから決定される。これでは、例えば最高スコアと同程度に高いクラスが正解のクラスになる場合、そのクラスが正解であるにもかかわらず、検出パターンを最高スコアのクラスに分類して誤認識する可能性がある。つまり、分類データの特徴によってはフレーム毎の最高スコアを用いるだけでは不十分で、認識精度を高めるにはその他のスコアも考慮して認識する必要があると考えられる。そこで、この実施形態では、フレーム毎に算出される各クラスに対するスコアを時系列に観測し、最終的に累積スコアが最も大きくなったクラスから物体（カテゴリ）を認識する。
【００５３】
図１１は認識処理部４の各部５〜１０の処理手順の一例を示し、フレーム毎にレーザレーダ２の反射点群のデータを取得し（ステップＳ１）、クラスタリングの処理を施し（ステップＳ２）、クラスタにラベルを付す等して同じ物体を追跡し（ステップＳ３）、そのフレームの各レイヤにおけるクラスタそれぞれの各特徴量を抽出し（ステップＳ４）、ＳＳＶＭのパターン認識により、分類スコアを算出し（ステップＳ５）、例えばＮ＝３４フレームに亘って同じ物体の分類スコアを累積する（ステップＳ６、ステップＳ７）。そして、その累積結果から物体を認識する（ステップＳ８）。
【００５４】
以上のように、上記した実施形態によれば、探査対象となる物体とレーザレーダ２との距離に応じて変化するレーザレーダ２の反射の検出パターンが、距離ごとの特徴パターンとして物体の種類別に記憶部７に記憶されており、レーザレーダ２の反射の検出パターンと、記憶部７に記憶された特徴パターンとが認識処理部４により照合されて検出パターンの物体の種類が識別されるため、車両と認識対象である物体との距離が変化しても、レーザレーダ２の反射の検出パターンから車両、モータバイク、自転車、歩行者（人）等を区別して精度よく認識することができる。
【００５５】
また、同一物体でも向きによってレーザレーダ２の反射の検出パターンの形状が異なるが、各特徴パターンが、物体毎にレーザレーダ２に対する向きが異なる複数のクラスに分類されたパターンであるため、レーザレーダ２により、ある物体がフレームによって異なった向きで検出されたとしても、その検出パターンを間違った物体に区分することがなく、より具体的な構成で物体の認識精度を向上することができる。
【００５６】
また、１つのレイヤでの検出パターンのみから物体を識別していた従来の技術と比較すると、レーザレーダ２の探査範囲を高さ方向に複数のレイヤに分割し、各レイヤでの反射の検出パターンの特徴を組合わせて、検出パターンの物体の種類を識別しているため、物体の認識精度を向上することができる。
【００５７】
そして、物体属性推定部１０が認識した物体の情報が、認識処理部４から運転支援部１１に送られ、運転支援部１１は車両、モータバイク、歩行者（人）の別に応じた警報等の運転支援を行なうことができる。
【００５８】
なお、本発明は上記した実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて上述したもの以外に種々の変更を行なうことが可能であり、例えば、クラスの数や形状等は前記実施例に限るものではなく、また、物体として、自転車等、上記したもの以外に種々の物体の特徴パターンを予め記憶部７に格納して物体を認識するようにしてもよい。また、パターン認識の手法は、ＳＶＭに限るものではなく、例えばニューラルネットワークを用いた認識手法であってもよい。
【００５９】
また、記憶部７に記憶される車両１と物体との距離ごとの特徴パターンは、上記した、近距離、中距離、遠距離の３つに区分された距離別の特徴パターンに限られるものではなく、さらに距離を区分して、区分された距離別の特徴パターンを記憶部７に記憶してもよい。
【００６０】
また、上記した実施形態では、特に、各レイヤにおける検出パターンの横幅の大きさの比率および相対位置に着目してパターン認識を行ったが、図２に示す、各レイヤの２次元形状を組合わせた３次元形状の特徴パターンを記憶部７に記憶し、記憶された３次元形状の特徴パターンに基づくパターン認識を行ってもよい。
【００６１】
また、物体の向きに応じた複数のクラスは必ずしも設けなくともよい。
【００６２】
また、車載レーダはレーザレーダ２に限るものではなく、ミリ波レーダ、超音波レーダ等であってもよい。また、車載レーダの探査範囲はどのようであってもよく、車載レーダは、車両１の後方や左右側を探査するものであってもよく、車両１の全周を探査するものであってもよい。また、車載レーダの探査範囲を高さ方向に複数のレイヤに区分して、各レイヤにおける検出パターンの特徴によりパターン認識を行うようにすればよく、また、レイヤの数は上記したように４つに限るものではない。
【００６３】
つぎに、認識処理部４の構成や処理手順等が前記実施形態と異なっていてもよいのも勿論である。
【００６４】
そして、本発明は、車載レーダを用いた種々の車両の物体認識装置に適用することができる。
【符号の説明】
【００６５】
１ 車両
２ レーザレーダ（車載レーダ）
４ 認識処理部（識別手段）
７ 記憶部（記憶手段）
２０ 車両（物体）
３０ 検出パターン
【特許請求の範囲】
【請求項１】
車両に搭載された車載レーダと、
探査対象となる物体と前記車載レーダとの距離に応じて変化する前記車載レーダの反射の検出パターンを前記距離ごとの特徴パターンとして物体の種類別に記憶する記憶手段と、
前記検出パターンを、前記記憶手段に記憶された前記特徴パターンと照合して前記検出パターンの物体の種類を識別する識別手段とを備えたことを特徴とする物体認識装置。
【請求項２】
請求項１に記載の物体認識装置において、
前記各特徴パターンは、物体毎に前記車載レーダに対する向きが異なる複数のクラスに分類されたパターンであることを特徴とする物体認識装置。
【請求項１】
車両に搭載された車載レーダと、
探査対象となる物体と前記車載レーダとの距離に応じて変化する前記車載レーダの反射の検出パターンを前記距離ごとの特徴パターンとして物体の種類別に記憶する記憶手段と、
前記検出パターンを、前記記憶手段に記憶された前記特徴パターンと照合して前記検出パターンの物体の種類を識別する識別手段とを備えたことを特徴とする物体認識装置。
【請求項２】
請求項１に記載の物体認識装置において、
前記各特徴パターンは、物体毎に前記車載レーダに対する向きが異なる複数のクラスに分類されたパターンであることを特徴とする物体認識装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【公開番号】特開２０１１−１８６５８４（Ｐ２０１１−１８６５８４Ａ）
【公開日】平成２３年９月２２日（２０１１．９．２２）
【国際特許分類】
【出願番号】特願２０１０−４８８６７（Ｐ２０１０−４８８６７）
【出願日】平成２２年３月５日（２０１０．３．５）
【出願人】（０００００２９６７）ダイハツ工業株式会社 (2,560)
【Ｆターム（参考）】
【公開日】平成２３年９月２２日（２０１１．９．２２）
【国際特許分類】
【出願日】平成２２年３月５日（２０１０．３．５）
【出願人】（０００００２９６７）ダイハツ工業株式会社 (2,560)
【Ｆターム（参考）】
[ Back to top ]