基于單目視覺(jué)的智能車(chē)輛視覺(jué)導航系統設計

　　0 引言

　　基于計算機視覺(jué)的高速公路防撞系統是當前智能交通管理系統研究的熱點(diǎn)之一。如何在多變的環(huán)境下快速準確地從視頻圖像里檢測到車(chē)道和前方車(chē)輛是實(shí)現這類(lèi)系統面臨的最關(guān)鍵問(wèn)題。近20年來(lái)，國內外很多研究人員對這個(gè)問(wèn)題進(jìn)行了大量研究，提出了多種多樣的實(shí)用算法并成功開(kāi)發(fā)了一些視覺(jué)系統。這些系統所采用的算法基本上可以分為基于雙目視覺(jué)的方法、基于運動(dòng)的方法、基于外形的方法和基于知識的方法?；陔p目立體視覺(jué)的方法計算量大，需要特殊硬件支持;基于運動(dòng)的方法，無(wú)法檢測靜止目標且實(shí)時(shí)性差;基于外形的方法，因建立有效的培訓樣本仍然是需要研究的問(wèn)題;基于知識的方法，在障礙物數量較少時(shí)效率較高，但復雜環(huán)境下錯誤率有所增加。

　　針對常規算法的不足，本文設計了一種精度高，穩定性好的基于單目視覺(jué)的車(chē)載追尾預警系統。它利用一種新的邊緣檢測算法識別前方道路，然后利用陰影檢測與跟蹤相結合的方法識別前方車(chē)輛，接下來(lái)根據前后車(chē)距判斷其威脅等級，最終向駕駛員提供相應的聲光報警信號。

　　1 系統工作原理

　　系統硬件部分包括MCC-4060型CCD攝像機、VT-121視頻采集卡、GPS、PC-104工控機和顯示終端。GPS通過(guò)串口向工控機發(fā)送本車(chē)車(chē)速信息，安裝在車(chē)內擋風(fēng)玻璃后的CCD攝像機將圖像幀通過(guò)視頻采集卡送入工控機，經(jīng)過(guò)軟件的處理分析后，在顯示終端上標注出前車(chē)障礙物和道路標線(xiàn)，同時(shí)根據車(chē)速、間距等判斷危險等級，發(fā)出相應的聲光報警信號;

　　系統的軟件部分包括道路檢測、道路跟蹤、車(chē)輛檢測、車(chē)輛跟蹤、測距、決策和報警等模塊。當車(chē)速達到60km/h時(shí)，系統開(kāi)始處理實(shí)時(shí)采集到的圖像序列。對于每一幀圖像，首先檢測并跟蹤圖像中的車(chē)道白線(xiàn)，然后在車(chē)道確定的感興趣區域內檢測車(chē)輛。如果存在疑似障礙車(chē)輛，則啟動(dòng)車(chē)輛跟蹤，利用跟蹤信息進(jìn)一步排除虛警。在實(shí)現對障礙車(chē)輛穩定跟蹤后，估算出兩車(chē)間距和相對運動(dòng)速度，判定其威脅等級，并發(fā)出相應的報警信號。

　　2 系統關(guān)鍵技術(shù)

　　2.1 道路檢測

　　目前，車(chē)道線(xiàn)檢測算法主要適用于光照充足的環(huán)境下。由于車(chē)道線(xiàn)與路面之間對比度大，因此很容易利用各種常規邊緣檢測算子獲得清晰的車(chē)道輪廓信息，然后選取合適的閾值對圖像進(jìn)行二值化處理，最后采用Hough變換識別車(chē)道線(xiàn)。然而在復雜光照環(huán)境下，圖像會(huì )受到各種光線(xiàn)直射和物體多次反射形成雜散光的干擾，圖像光強不能反映車(chē)道本身突變性質(zhì)，導致無(wú)法正確檢測出車(chē)道。

　　本系統采用了一種利用光密度差得到車(chē)道標線(xiàn)與路面反射率差，進(jìn)而進(jìn)行非線(xiàn)性邊緣檢測，再進(jìn)行Hough變換的車(chē)道檢測算法。此算法可以有效解決在復雜光照條件下的車(chē)道檢測，也可以用于夜間的車(chē)道檢測。

　　另外，目前車(chē)道線(xiàn)的跟蹤研究主要采用固定區域法或者Kalman濾波法，根據前一幀車(chē)道線(xiàn)檢測的結果來(lái)劃分感興趣區域，以實(shí)時(shí)跟蹤車(chē)道線(xiàn)。然而，固定區域法對2幀圖像的相關(guān)性依賴(lài)大，劃分感興趣區域大，實(shí)時(shí)性差;而Kalman濾波法劃分感興趣區域小，容易產(chǎn)生檢測誤差，而造成跟蹤誤差累積，跟蹤正確率不高。因此，本系統在跟蹤車(chē)道線(xiàn)時(shí)采用了一種融合固定區域法和KaIman濾波法劃分感興趣區域的新方法。

　　一般來(lái)說(shuō)，只將車(chē)道邊界線(xiàn)交點(diǎn)(即滅點(diǎn))以下、2車(chē)道線(xiàn)之間的區域作為感興趣區域，考慮到跨道行駛的車(chē)輛依然對本車(chē)有威脅，算法把兩車(chē)道線(xiàn)分別向兩側平移40個(gè)像素，使感興趣區域擴展到可以覆蓋跨道車(chē)輛的范圍。

　　2.2 車(chē)輛檢測

　　圖像中包含車(chē)輛前方很大視野內的物體，如道路、樹(shù)木、護欄、標牌以及其他車(chē)輛，要從中準確檢測出前方車(chē)輛是一項困難的工作，而本文的車(chē)輛檢測模塊會(huì )根據圖像背景自動(dòng)改變設置參數，以適應不斷變化的道路場(chǎng)景和光照條件。

　　要實(shí)現車(chē)輛的快速檢測，首先需要根據車(chē)輛的基本特征進(jìn)行初步檢測，將所有可能的疑似車(chē)輛區域從圖像中提取出來(lái)，然后再根據其他特征對疑似區域進(jìn)行篩選排除。

　　2.2.1 車(chē)輛初步檢測

　　初步檢測采用的特征是車(chē)輛陰影，即一塊位于目標車(chē)輛底部、灰度值明顯比附近路面區域低的區域。在一般環(huán)境條件下，大部分車(chē)輛都具有這一顯著(zhù)特征。

　　車(chē)輛初步檢測的流程如圖1所示。車(chē)輛陰影和車(chē)道一樣具有灰度突變的特點(diǎn)，因此可以調用車(chē)道檢測算法對圖2(a)中的原始圖像做二值化處理，得到圖2(b)中的邊緣二值化圖像。同時(shí)還要對原始圖像進(jìn)行灰度二值化，得到圖2(c)中的灰度二值化圖像。為提高檢測實(shí)時(shí)性，以本車(chē)附近路面區域的平均灰度作為二值化閾值。由于邊緣二值化圖像和灰度二值化圖像都包括了車(chē)輛的下底邊，將這兩幅圖像進(jìn)行“或”運算，就可以得到如圖2(d)所示的車(chē)輛陰影圖像。

　　在陰影圖像中由下至上逐行搜索，尋找連續陰影點(diǎn)超過(guò)一定閾值的線(xiàn)段，并以此線(xiàn)段為底邊劃出一個(gè)矩形區域作為疑似車(chē)輛區域。為保證疑似區域包含車(chē)輛整體，矩形的寬度比線(xiàn)段稍寬，高度由寬度按比例給出。為避免重復搜索，將已搜索到的疑似區域內陰影完全抹去。由于同一車(chē)輛的各個(gè)部分可能分別被檢測為疑似目標，因此還需要對各個(gè)相交的疑似區域進(jìn)行合并。由于前方車(chē)輛的遮擋，可能會(huì )將多個(gè)目標認定為一個(gè)目標，但是對本車(chē)的安全無(wú)影響。

　　2.2.2 篩選驗證

　　如果單純采用陰影特征進(jìn)行車(chē)輛檢測，在保證較低“漏警”率的同時(shí)，也造成了較高的“虛警”率，因此還需要對疑似區域進(jìn)行篩選和驗證。

　　對于結構化道路，車(chē)輛寬度與車(chē)道寬度的比值應該是大致固定的，那么當攝像機的焦距、俯仰角等參數固定后，圖像上車(chē)道寬度(像素數)與車(chē)輛寬度(像素數)也滿(mǎn)足這個(gè)比例。根據之前檢測的車(chē)道方程，就可以計算出感興趣區域內任意縱坐標上車(chē)輛圖像寬度的范圍，并剔除寬度不在此范圍內的疑似區域。

　　在以往的車(chē)輛驗證方法中，最常用的是對稱(chēng)性測度驗證。這種算法的計算量較大，且對于背景復雜，對稱(chēng)度差圖像的驗證效果不盡人意。為了解決這個(gè)問(wèn)題，該系統采用了一種基于邊緣二值化圖像，通過(guò)搜索車(chē)輛左右邊緣進(jìn)行驗證的算法。

　　假設疑似區域的寬度為W，區域左邊緣的坐標為(X1，Y1)，右邊緣的水平坐標為(X2，Y2)。定義函數：

　　式中：f(x，y)為(x，y)點(diǎn)的灰度值。在區間(X1-W/4，X1+W/4)內搜索g(u)的最大值點(diǎn)，該點(diǎn)對應的水平坐標X1’就是車(chē)輛的左邊緣坐標。同理也可以搜索到車(chē)輛的右邊緣X2’。如果左右邊緣的g(u)值均大于某閾值，那么就可以認定該車(chē)輛確實(shí)存在。實(shí)驗證明，該算法能排除掉大量的“虛警”區域并得到真實(shí)車(chē)輛的兩側邊緣。

　　2.3 車(chē)輛跟蹤

　　現關(guān)心的是前方車(chē)輛與本車(chē)相對的二維位置和速度，因此只需要使用卡爾曼濾波器預測橫坐標x、橫向速度Vx、縱坐標y、縱向坐標Vy這四個(gè)狀態(tài)向量。此外由于x方向和y方向的狀態(tài)向量沒(méi)有直接聯(lián)系，所以可以將其分為兩組分別處理。

　　在車(chē)輛行駛過(guò)程中，由于顛簸或遮擋等原因，系統可能會(huì )將路牌、灌木叢等物體誤認為是車(chē)輛檢測出來(lái)，產(chǎn)生虛警。而這些虛警物體往往只能在連續數幀圖像中存在。如果不采取措施，系統就會(huì )時(shí)常產(chǎn)生短促的報警。

　　當圖像采樣間隔足夠短時(shí)，相鄰幀內同一車(chē)輛的位置會(huì )具有很大的相關(guān)性。

　　系統采用檢測與跟蹤相結合的方法，根據第n幀圖像獲得的信息，預測車(chē)輛在第n+1幀圖像中的位置等信息，并與n+1幀圖像中實(shí)際檢測到的結果進(jìn)行比對。如果二者匹配度最大且超出一定值，則認定為同一車(chē)輛，繼續進(jìn)行跟蹤、報警，否則認為此車(chē)已被遮擋或消失，暫時(shí)不做處理，數幀后被剔除出去。

　　2.4 測距報警

　　車(chē)間測距通常采用幾何投影模型，采用了一種簡(jiǎn)化的車(chē)距模型公式L×W=C，其中L為兩車(chē)間距，單位為m;W為圖像上目標車(chē)輛處車(chē)道寬度，單位為pixel;C為常數，可通過(guò)事先的標定獲得。然而兩車(chē)間安全車(chē)距S采用文獻推導的臨界安全車(chē)距公式動(dòng)態(tài)得到。

　　式中：Vr為相對車(chē)速，由對測出車(chē)距求導得到相對車(chē)速后進(jìn)行卡爾曼濾波得到;Vb為本車(chē)車(chē)速，由GPS得到。

　　如果告警頻率過(guò)高，容易使駕駛員麻痹大意，過(guò)低可能使駕駛員來(lái)不及做出反應，因此該系統采用由遠至近的三段報警。

　　若車(chē)距d≥1.5S，判定為3級威脅，發(fā)出長(cháng)而緩的報警聲，提醒駕駛員前方有障礙物，但暫無(wú)危險;若車(chē)距S≤d≤1.5S，判定為2級威脅，發(fā)出較急促的報警聲，提醒駕駛員減速;若車(chē)距d≤S，判定為1級威脅，發(fā)出短而急的報警聲，提醒駕駛員制動(dòng);3種狀態(tài)下的告警聲差異很大，駕駛員可以很容易地根據報警聲判斷威脅等級。

　　3 試驗結果

　　系統框架及所有算法在Boiland C++ Builder 6環(huán)境下編譯完成。為了驗證系統算法的可靠性和實(shí)時(shí)性，利用在合肥市環(huán)城高速公路上采集不同車(chē)型、不同路段、不同環(huán)境光下多組道路圖像作為測試序列，進(jìn)行了大量實(shí)驗。

　　圖3為典型道路場(chǎng)景下的實(shí)驗結果，圖3(a)為大型卡車(chē);(b)為小型面包車(chē);(c)為遠距離處;(d)為近距離處的檢測結果。系統將檢測到的目標用黑框標記出來(lái)。

　　可以看出，系統能夠檢測到本車(chē)道內不同距離上的各種車(chē)型車(chē)輛。在高速公路上的實(shí)驗結果表明，在最大車(chē)速100 km/h的情況下，系統在Celeron M 600 MHz處理器上的處理速度為8 j/s左右，也就是說(shuō)處理一幀圖像的時(shí)間內車(chē)輛行駛3～4 m，基本滿(mǎn)足實(shí)時(shí)報警的要求。在一般光照條件下，系統正常報警的縱向距離超過(guò)200 m，視場(chǎng)角遠遠大于雷達(一般為±7°)。

　　為了驗證單目視覺(jué)測距準確性，在市內道路上采集了前車(chē)與本車(chē)距離從5～100 m的一組圖像。對采集的圖像進(jìn)行處理后，根據公式推導出本車(chē)與前車(chē)距離以及實(shí)際距離見(jiàn)表1。表中數據顯示，單目視覺(jué)測距的相對誤差都在5%以?xún)?，可以滿(mǎn)足實(shí)際工作中測距告警的需要。

　　4 結語(yǔ)

　　本文設計了一個(gè)基于單目視覺(jué)的汽車(chē)追尾預警系統。該系統采用了一種基于光密度差的道路檢測算法，并使用了一種以車(chē)輛陰影檢測為主、左右邊緣檢測為輔的車(chē)輛探測方法，同時(shí)采用了簡(jiǎn)單、實(shí)用的測距和報警方法。高速公路上的實(shí)驗結果證明了該系統的實(shí)時(shí)性、魯棒性和準確性。該系統目前還沒(méi)有在雨霧天氣或缺少照明的夜間環(huán)境下進(jìn)行試驗，未來(lái)我們將針對這些使用環(huán)境對系統做進(jìn)一步改進(jìn)和優(yōu)化。