基于單目視覺的智能車輛視覺導航系統(tǒng)設計
加入技術交流群
在以往的車輛驗證方法中，最常用的是對稱性測度驗證。這種算法的計算量較大，且對于背景復雜，對稱度差圖像的驗證效果不盡人意。為了解決這個問題，該系統(tǒng)采用了一種基于邊緣二值化圖像，通過搜索車輛左右邊緣進行驗證的算法。
假設疑似區(qū)域的寬度為W，區(qū)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)點的灰度值。在區(qū)間(X1-W／4，X1+W／4)內搜索g(u)的最大值點，該點對應的水平坐標X1’就是車輛的左邊緣坐標。同理也可以搜索到車輛的右邊緣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輛確實存在。實驗證明，該算法能排除掉大量的“虛警”區(qū)域并得到真實車輛的兩側邊緣。
2．3 車輛跟蹤
現關心的是前方車輛與本車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這四個狀態(tài)向量。此外由于x方向和y方向的狀態(tài)向量沒有直接聯系，所以可以將其分為兩組分別處理。
在車輛行駛過程中，由于顛簸或遮擋等原因，系統(tǒng)可能會將路牌、灌木叢等物體誤認為是車輛檢測出來，產生虛警。而這些虛警物體往往只能在連續(xù)數幀圖像中存在。如果不采取措施，系統(tǒng)就會時常產生短促的報警。
當圖像采樣間隔足夠短時，相鄰幀內同一車輛的位置會具有很大的相關性。
系統(tǒng)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，預測車輛在第n+1幀圖像中的位置等信息，并與n+1幀圖像中實際檢測到的結果進行比對。如果二者匹配度最大且超出一定值，則認定為同一車輛，繼續(xù)進行跟蹤、報警，否則認為此車已被遮擋或消失，暫時不做處理，數幀后被剔除出去。2．4 測距報警
車間測距通常采用幾何投影模型，采用了一種簡化的車距模型公式L×W=C，其中L為兩車間距，單位為m；W為圖像上目標車輛處車道寬度，單位為pixel；C為常數，可通過事先的標定獲得。然而兩車間安全車距S采用文獻推導的臨界安全車距公式動態(tài)得到。
式中：Vr為相對車速，由對測出車距求導得到相對車速后進行卡爾曼濾波得到；Vb為本車車速，由GPS得到。
如果告警頻率過高，容易使駕駛員麻痹大意，過低可能使駕駛員來不及做出反應，因此該系統(tǒng)采用由遠至近的三段報警。
若車距d≥1．5S，判定為3級威脅，發(fā)出長而緩的報警聲，提醒駕駛員前方有障礙物，但暫無危險；若車距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；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(tǒng)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(tǒng)算法的可靠性和實時性，利用在合肥市環(huán)城高速公路上采集不同車型、不同路段、不同環(huán)境光下多組道路圖像作為測試序列，進行了大量實驗。
圖3為典型道路場景下的實驗結果，圖3(a)為大型卡車；(b)為小型面包車；(c)為遠距離處；(d)為近距離處的檢測結果。系統(tǒng)將檢測到的目標用黑框標記出來。
可以看出，系統(tǒng)能夠檢測到本車道內不同距離上的各種車型車輛。在高速公路上的實驗結果表明，在最大車速100 km／h的情況下，系統(tǒng)在Celeron M 600 MHz處理器上的處理速度為8 j／s左右，也就是說處理一幀圖像的時間內車輛行駛3～4 m，基本滿足實時報警的要求。在一般光照條件下，系統(tǒng)正常報警的縱向距離超過200 m，視場角遠遠大于雷達(一般為±7°)。
為了驗證單目視覺測距準確性，在市內道路上采集了前車與本車距離從5～100 m的一組圖像。對采集的圖像進行處理后，根據公式推導出本車與前車距離以及實際距離見表1。表中數據顯示，單目視覺測距的相對誤差都在5％以內，可以滿足實際工作中測距告警的需要。
4 結語
本文設計了一個基于單目視覺的汽車追尾預警系統(tǒng)。該系統(tǒng)采用了一種基于光密度差的道路檢測算法，并使用了一種以車輛陰影檢測為主、左右邊緣檢測為輔的車輛探測方法，同時采用了簡單、實用的測距和報警方法。高速公路上的實驗結果證明了該系統(tǒng)的實時性、魯棒性和準確性。該系統(tǒng)目前還沒有在雨霧天氣或缺少照明的夜間環(huán)境下進行試驗，未來我們將針對這些使用環(huán)境對系統(tǒng)做進一步改進和優(yōu)化。
評論