基于DSP的前方車輛位置關(guān)系辨識研究

劉永濤，王 鵬，魏 朗，張亞岐

（1.長安大學 汽車學院，陜西 西安710064；2.東風汽車公司技術(shù)中心 電子電器部，湖北 武漢430056）

0 引 言

機器視覺圖像包含大量信息，如車道線位置、前方車輛位置等，準確檢測并識別前方車輛橫向位置可以判斷兩車之間的相對車道關(guān)系，進而可確定兩車是否存在交通沖突，是汽車縱向安全預警系統(tǒng)的重要組成部分。目前國內(nèi)外學者用于確定前方車輛位置信息并判斷是否存在自車運動障礙的方案主要有采用雷達和速度慣量傳感器相結(jié)合［1］、機器視覺和微波雷達相結(jié)合［2］、毫米波雷達與光纖陀螺儀進行信息融合［3］，通過比較目標車輛與左右車道線在圖像中的橫坐標的關(guān)系來判定是否與本車處于同一車道［4］等。但這些方案數(shù)據(jù)參數(shù)獲取成本過高，不宜普遍推廣，且前方車輛位置辨識效果易受道路環(huán)境干擾。

因此，為了提高前方車輛位置關(guān)系辨識效能，降低前方車輛位置參數(shù)獲取成本，本文提出基于統(tǒng)計特性的圖像識別算法進行前方車輛位置關(guān)系辨識。通過車載CCD實時采集道路圖像，對圖像進行處理，確定車道中線并識別前方車輛，計算目標車輛標識點至車道中線的距離，通過設定的閾值進行前方車輛位置關(guān)系的辨識。

1 圖像獲取

汽車前方圖像的獲取是后續(xù)圖像處理的基礎，本文通過車載CCD進行路面圖像的采集。針對車輛行駛速度快及采集圖像質(zhì)量要求高等問題，圖像采集系統(tǒng)選擇水平清晰度為480線的1／3"SONY彩色攝像機和25mm的鏡頭，圖像采集分辨率為752×582，信噪比大于48db，最大采集距離為80m。為了保證圖像處理的實時性，主系統(tǒng)采用美國模擬器件公司 （ADI）生產(chǎn)的blackfin雙核處理器ADSPBF561，內(nèi)核頻率為600MHz，具有很強的調(diào)度能力及超快的運行速度。硬件系統(tǒng)組成實物如圖1所示。

圖1 硬件系統(tǒng)實物

2 圖像處理

2.1 圖像預處理

受路面不平度以及車輛自身的機械振動干擾，采集到的圖像連續(xù)性不強，在抓拍過程中如果存在車體有較大晃動，采集到的圖像質(zhì)量會大大降低。為從圖像中獲取有用信息，需對圖像進行預處理［5－7］。彩色圖像所包含的數(shù)據(jù)量大，為了提高圖像處理速度，首先對彩色圖像進行灰度化處理，接著采用中值濾波去除圖像噪聲和保護邊緣，使用Sobel邊緣檢測算法增強采集圖像中車道線的邊緣，同時也有效降低噪聲影響。經(jīng)過Sobel邊緣檢測處理后，道路圖像的對比度明顯增強，為了提高車道線檢測效率，使用最大類間方差法 （OSTU）進行閾值分割，得到二值化圖像。

2.2 車道線識別

常用的車道線識別方法有基于最小二乘算法和基于Hough變換算法，由于Hough變換算法實時性不高，因此本文選擇最小二乘法進行車道線識別［8］。

設車道線邊緣特征點坐標為 （xi，yi），（i＝0，1，2…n），縱橫坐標滿足函數(shù)y＝F（x），設F（x）＝kx＋b，不是所有特征點都滿足此函數(shù)關(guān)系，因而只需滿足在特征點（xi，yi）上的殘差平方和最小，即

求解出參數(shù)k、b，即可得到車道線參數(shù)方程。

3 彎道與直道判定

道路線形一般分為直道和彎道，其車道線在道路圖像上的表征形式為兩條直線和曲線。為了判斷道路線形，本文把道路圖像分為車道上、下標識線兩部分［9］，如圖2所示。

圖2 圖像分割模型

由圖2可以看出，標識線UL短于標識線LL，這是因為透視變換的影響，對應的實際車道線長度則UL大于LL，若前方出現(xiàn)彎道，則UL線可以表征道路曲率的大小。左右標識線LL相交于消失點Q，而左右UL線也相交于一點，根據(jù)這兩點的位置關(guān)系可判別前方道路線形。

為了提高系統(tǒng)的實時性及縮短算法耗時，在判斷車道線形時，通常只對單側(cè)車道標識線進行處理。對單側(cè)標識線UL、LL進行最小二乘法擬合并計算出其斜率kUL、kLL，根據(jù)kUL、kLL數(shù)值大小判斷道路線形。

經(jīng)過大量實驗得出，kUL和kLL相差在10%范圍內(nèi)時，可判定前方道路為直道；當kUL、kLL相差大于12%，且kUL＜kLL時，可判定前方道路為右彎道，在kUL＞kLL時，前方道路為左彎道。

4 前方目標區(qū)域內(nèi)車輛位置標定

車輛沿道路行駛時，前方目標區(qū)域內(nèi)的車輛在道路中的位置是時刻變化的，但其橫向位置可以以本車道線中線作為基準。如圖3所示，把道路感興趣區(qū)域均分為5部分，由于透視變換，表現(xiàn)在圖像中從上到下是逐漸遞增的。在確定車道兩條標識線之后，可以算出兩標識線與分割區(qū)域上下底邊的交點，對同一分割線上的交點求平均值可以得出分割區(qū)域中點，利用最小二乘法對這些中點進行擬合，即可得出車道標識線的中線方程。具體計算過程如下：

（1）第五塊圖像的左右車道標識線相交于消失點m5，與圖像的下邊界相交于點l5，r5，則l5與r5的中點記為q5。

（2）連接中點q5與消失點m5交第四塊圖像的下邊界于點q4，則q4為第四塊圖像上的車道標識線中線上的點，第四塊圖像車道標識線的消失點與m5重合，即m5＝m4。連接中點q4與消失點m4交第三塊圖像下邊界于q3，則q3為第三塊圖像車道中線上的點。

（3）依次向上搜素，連接中點q3與消失點m3交第二塊圖像的下邊界為點q2，同理，可得到車道標識線中線上的序列點q0、q1、q2、q3、q4、q5，對這些中點進行最小二乘法擬合即可。

圖3 車道中線確定

5 當前車道內(nèi)車輛位置辨識

5.1 參數(shù)標定

本文現(xiàn)對上述算法予以說明。首先是相關(guān)模塊的參數(shù)標定，本文選擇的CCD采集圖像分辨率為752×582，使用5×5方格標定板在MATLAB軟件中的Toolbox模塊里標定內(nèi)參數(shù)，基于圖像配準標定外參數(shù)［10］，標定結(jié)果如下：

（1）內(nèi)部參數(shù)：

圖像中心坐標：（cu，cv）＝ ［324.843，259.916］

焦距：（fu，fv）＝ ［672.613，669.116］

（2）外部參數(shù)：

平移向量：t＝ ［16.35 －3.42 56.78 ］T

5.2 車輛位置辨識

準確識別前方車輛是進行車輛位置辨識的關(guān)鍵步驟。車輛在運行過程中始終處在一列車隊中，從宏觀角度來看，當自車處在穩(wěn)態(tài)的車隊流中，車輛之間的相對距離基本保持一致，在這種情況下，自車與其它車道上的車輛位置關(guān)系相對單一，經(jīng)過圖像預處理能夠基本確定目標車輛的相對位置。而在復雜的交通環(huán)境下，自車與目標車的相對位置關(guān)系存在易變性和偶然性，這種情況較為復雜。因此，本文此處只對復雜環(huán)境下的車輛關(guān)系進行討論，現(xiàn)列舉實例對本文提及的算法予以說明，圖4是通過車載CCD隨機抓拍的一張圖像，從圖4中可以看出，當前車道前方存在一輛大客車，大客車的右前方有一輛貨車，這在圖像中就會出現(xiàn)車A與車B重疊的情況，在這種情況下，A車的右邊界和B車的左邊界都難以準確標定。為此本文根據(jù)車道線對稱性及基于統(tǒng)計特性的車輛識別算法來確定目標車輛的位置，首先是對原始圖像經(jīng)過圖像去噪濾波處理，后經(jīng)邊緣提取，最終得到結(jié)果如圖5所示，很顯然，經(jīng)過處理后，車道線的輪廓線能夠準確的識別出來，在確定了車道中心線后，即可確定搜索前方目標車輛的起始位置。

圖4 含目標車輛的原始圖

圖5 濾波及邊緣提取處理

目前前方車輛檢測算法有基于車輛陰影的檢測［11］，該算法計算量小，但易受光線的影響導致多個目標連為一體，虛警率較高?；谲囕v對稱性的檢測［12］，該算法的困難在于當車輛距本車過遠或者過近的情況下對稱性特征不明顯。因此，為了提高前方車輛的檢測效能，本文采用基于統(tǒng)計特性的圖像識別算法，利用目標區(qū)域車輛邊界的灰度值變化特性來辨識車輛輪廓。

選取目標車輛樣本區(qū)域內(nèi)的圖像灰度值如圖6所示，通過對樣本區(qū)域的像素進行統(tǒng)計，結(jié)果如圖7所示，從圖7中可以看出，車輛邊緣處的灰度值呈現(xiàn)出了雙峰特性，根據(jù)背景色和車輛區(qū)域的顏色特征，確定目標車輛邊界點像素灰度閾值為134。目標車輛的辨識規(guī)則為：沿著車道中線從下至上，依次往兩邊搜索，標記灰度突變的地方，即是車輛沿水平方向的邊緣，計算車輛寬度，結(jié)合車輛先驗知識如高寬比等，可以得到前方車輛的矩形輪廓，并以此可以確定目標車輛的對稱軸，及對稱軸與車輛尾部下邊緣的交點 （車輛標識點），最終識別結(jié)果如圖8所示。

從圖8可以看出，就所選取的場景而言，本文所提及的算法能夠準確的識別出前方的目標車輛，從圖8中也可以看出采用預先設定的高寬比等先驗知識，可以準確標定被客車遮擋的貨車左邊部分及排除右邊緣受白色柱子的影響。

圖6 目標車輛樣本區(qū)域內(nèi)的圖像灰度值

圖7 樣本區(qū)域內(nèi)灰度值頻率分布

圖8 基于圖像統(tǒng)計特性的前方車輛識別結(jié)果

為驗證算法的可靠性，本文利用ROC曲線 （受試者工作特征曲線）對算法的可靠性進行驗證，測試結(jié)果如圖9所示。圖9中識別方法1是指一般的圖像處理方法，識別方法2指的是本文所提及的基于圖像統(tǒng)計特性的車輛識別方法。在不同的誤判率情況下，本文所采用的識別方法始終具有最高的擊中概率，由此可見，本文所提出的車輛識別方法能夠較為準確的識別出復雜環(huán)境下目標車輛，且對樹影、路面破損以及光照都有良好的適應性，具有一定的應用前景。

圖9 ROC曲線測試結(jié)果

結(jié)構(gòu)化道路上行車道寬度為3.75m，當車輛壓線行駛時，以車輛在相鄰車道上所占比例大小來確定所歸屬的行車道，結(jié)合CCD攝像頭的內(nèi)外參數(shù)及逆透視變換，計算得到前方車輛位置判定的臨界值為車輛標識點至車道中線的距離，L等于28像素 （相當于實際距離的1.875m），當L小于28像素時，前方目標車輛在本行車道內(nèi)，當L大于28像素時，前方目標車輛則在別的車道。

6 結(jié)束語

本文提出了一種利用圖像統(tǒng)計特性辨識前方車輛位置關(guān)系的方法。借助車載CCD實時獲取道路圖像信息，通過圖像處理標定本車道中線位置，基于圖像統(tǒng)計特性進行前方車輛識別，計算車輛標識點至車道中線的距離，通過與設定的閾值進行比較來確定前方車輛與自車的位置關(guān)系。實驗結(jié)果表明，系統(tǒng)識別率達到90%以上，說明該模型能夠有效辨識前方車輛位置關(guān)系，可用來限制車輛縱向危險駕駛行為的發(fā)生。下一步可以在充分考慮車輛位于圖像中的幾何特征 （對稱性）以及路面標識線的幾何特征 （對稱性）基礎上，建立相應的特征向量，通過圖像匹配，進一步提高識別模型的精度。

［1］Zhou X.Vehicle location estimation based on a magnetic sensor array ［C］／／IEEE International Conference on Sensors Applications，2013：80－83.

［2］Kusetogullari H，Celik T.Real time vehicle detection and driver warning system using computer vision ［J］.Electronics World，2010，116 （12）：24－27.

［3］CHEN Daxing.Research on relevant target selection algorithm of adaptive cruise control system ［D］.Changchun：Jilin University，2011（in Chinese）.［陳達興.自適應巡航控制系統(tǒng)中前方有效目標識別算法研究 ［D］.長春：吉林大學，2011.］

［4］HUANG Wei.Design and implementation of vehicle obstacle ahead detection system based on radar and computer vision［D］.Wuhan： Wuhan University of Technology，2010 （in Chinese）.［黃偉.基于雷達和機器視覺的車輛前方障礙物檢測系統(tǒng)設計與實現(xiàn) ［D］.武漢：武漢理工大學，2010.］

［5］HUANG Tao，ZHANG Jing.Comparative study on road de－tection algorithms ［J］.Journal of WUT （Information ＆ Management Engineering），2008，30 （2）：185－188 （in Chinese）.［黃濤，張靜.道路線檢測算法的比較研究 ［J］.武漢理工大 學 學 報 （信 息 與 管 理 工 程 版），2008，30 （2）：185－188.］

［6］LIN Guangyu，WEI Lang.Detection for driver’s changing lines based on computer vision ［J］.Computer Engineering and Application，2009，45 （33）：22－24 （in Chinese）. ［林廣宇，魏朗.基于機器視覺的駕駛員換道行駛檢測研究 ［J］.計算機工程與應用，2009，45 （33）：22－24.］

［7］MA Lei，YU Fuying，LI Hao.Road boundary identification in complex conditions for intelligent vehicle based on monochrome image［J］.Automotive Engineering，2010，32 （4）：351－355（in Chinese）.［馬雷，于?，?，李昊.基于灰度圖像的復雜環(huán)境下智能車輛道路邊界識別 ［J］.汽車工程，2010，32 （4）：351－355.］

［8］XU Huarong，WANG Xiaodong，F(xiàn)ANG Qiu.Structure road detection algorithm based on B－spline curve model ［J］.Acta Automatica Sinica，2011，37 （3）：270－275 （in Chinese）.［許華榮，王曉棟，方遒.基于B樣條曲線模型的結(jié)構(gòu)化道路檢測算法 ［J］.自動化學報，2011，37 （3）：270－275.］

［9］LI Daxin.Lane detection and departure warning based on machine vision ［D］.Jinan：Shandong University，2012 （in Chinese）.［李大新.基于機器視覺的車道線檢測識別與車道偏離預警算法研究 ［D］.濟南：山東大學，2012.］

［10］YANG Shaoqing，LI Wei，LIU Songtao.Camera outer parameter calibration based on image registration ［J］.Journal of Data Acquisition ＆Processing，2010，25 （12）：92－96 （in Chinese）.［楊紹清，李偉，劉松濤.基于圖像配準的攝像機外參數(shù)標定［J］.數(shù)據(jù)采集與處理，2010，25 （12）：92－96.］

［11］MU Yongyun，WANG Rongben，ZHAO Yibing，et al.Study on detecting method of preceding vehicle based on multifeature fusion ［J］. Application Research of Computers，2011，28 （9）：3572－3575 （in Chinese）. ［幕永云，王榮本，趙一兵，等.基于多特征融合的前方車輛檢測方法研究 ［J］.計算機應用研究，2011，28 （9）：3572－3575.］

［12］WEI Wu，GONG Shufeng，GONG Shuchao.Improved video based vehicle detection and identification method ［J］.Computer Measurement ＆ Control，2010，18 （1）：20－22 （in Chinese）.［魏武，龔樹鋒，龔樹超.一種改進的基于視頻的車輛檢測與識別方法 ［J］.計算機測量與控制，2010，18（1）：20－22.］